# ストレージのスループットがAIワークフローの成否を左右する――Everpure Cameron Bahar氏に聞く

- 番組: [The AI in Business Podcast](https://ai-curator.jp/podcasts/shows/cmv3z5c32001o5o100ot70lmn)（Daniel Faggella）
- 元のタイトル: How Storage Throughput Determines AI Workflow Outcomes - with Cameron Bahar of Everpure
- 配信日: 2026年11月20日
- 長さ: 25分
- 要約作成日: 2026年11月20日
- トピック: [#AIインフラ](https://ai-curator.jp/topics/AI%E3%82%A4%E3%83%B3%E3%83%95%E3%83%A9) [#ストレージ](https://ai-curator.jp/topics/%E3%82%B9%E3%83%88%E3%83%AC%E3%83%BC%E3%82%B8) [#SRE](https://ai-curator.jp/topics/SRE) [#テレメトリ](https://ai-curator.jp/topics/%E3%83%86%E3%83%AC%E3%83%A1%E3%83%88%E3%83%AA) [#NeoCloud](https://ai-curator.jp/topics/NeoCloud) [#GPUクラスタ](https://ai-curator.jp/topics/GPU%E3%82%AF%E3%83%A9%E3%82%B9%E3%82%BF)
- URL: https://ai-curator.jp/podcasts/cmwonaupy00005k12azjvxmgx

## 要約

Everpure（文字起こし上の表記は Everpeer）で Scale AI の GM を務める Cameron Bahar 氏が、AI インフラを数ラックから数百ラックへ拡大する際の運用課題を語った。ケーブルやスイッチの故障、SRE の負担など、従来のエンタープライズ向けストレージが想定していない問題が表面化すると指摘する。テレメトリと自動化、電力・スペース・接続性の事前計画、ベンダーへの依存が重要だと述べている。

## ポイント

- 数 TB/秒のスループットを出すには多数のシステムを並列にネットワークでつなぐ必要があり、大規模クラスタ化が避けられない。大規模環境を模したテストは難しく、スケール時にこそ想定外の問題が出ると Bahar 氏は述べる。
- ハイパースケーラーではチームの5〜7割が運用・SRE（KTLO）に回る一方、従来のエンタープライズは管理者1人で5年動く世界だった。このギャップが課題だという。
- 学習ジョブは1ノード故障で全体が止まるため、ケーブルの半挿しなどを検知するテレメトリが重要。AI を使った SRE 的な監視にも言及した。
- スケールでの運用には、計算からネットワーク、ストレージまでの可視化、自動修復、マルチテナントのガバナンスとトレーサビリティ、需要予測に基づく先行増強が必要だとされる。
- GPU を1つの建物に入れ切り、後からストレージを足せず GPU を撤去した例など、データを後回しにした計画の失敗が紹介された。
- 企業は AI プラットフォーム部門を作り、小規模実験で利用パターンを把握しつつ、スケールと簡便さを解決済みのベンダーに頼るべきだとの見方が示された。

## 章立て

- [01:02] **なぜストレージのスケールが重要か** — AI ワークロードの容量・性能要件により、1ラックから数百ラックへの拡大とグローバル名前空間が必要になる。大規模環境のテストが難しく、運用体制が問われると説明する。
- [05:00] **運用負荷と自動化の必要性** — ハイパースケーラーの SRE 負担と従来型企業の運用の違い、ファームウェア差異など見えない問題への対処として、ベンダーが自動化と可視化を提供する責任を語る。
- [07:17] **テレメトリとケーブル故障** — 1万 GPU 規模ではケーブルが故障点となり、1ノード停止でジョブ全体が止まる。AI で多数のシステムを監視し診断時間を短縮する考えを示す。
- [11:20] **スケール運用の条件** — 可視化、自動修復、マルチテナント、トレーサビリティ、需要予測に基づく先行増強など、スケール運用に必要な要素を整理する。
- [14:20] **顧客事例：建物・電力・接続の拡張** — 1万 GPU から5万 GPU への拡大で建物が足りなくなる例や、自動運転・金融・創薬企業の成長パターン、xAI の事例に触れる。
- [17:30] **データを後回しにしない計画** — ストレージを後付けして電力や空間が足りず GPU を外した事例を挙げ、IT 内の AI プラットフォーム組織や多職種での計画の重要性を議論する。
- [20:40] **ベンダー活用と結び** — サービスとしてのストレージと運用負荷の低減を強調し、AI ネイティブでない企業はベンダーに頼る必要があると述べる。最後に3つの要点で締める。

## 解説記事

Everpure で Scale AI 部門の GM を務める Cameron Bahar 氏が、The AI in Business Podcast に再登場した。テーマは、AI インフラを数ラックから数百ラックへ拡大するときに、ストレージと運用で何が起きるかである。なお文字起こしでは社名が「Everpeer」と表記されているが、番組情報に合わせて Everpure とした。

#### 規模が壊すもの

Bahar 氏はまず、AI ワークロードが求める容量と性能が、データとメタデータの両面で既存のエコシステムを壊していると述べる。数 TB/秒のスループットを出すには、多数のシステムを汎用ネットワーク上で並列に動かさなければならず、クラスタは必然的に大きくなる。しかもマルチテナントで、利用者は科学者、推論の担当者、エージェント型ワークロードの運用者など多様だ。そのためクラウド規模のアーキテクチャと、テキスト・動画・音声を含む全データを見渡せる単一のグローバル名前空間が必要になるという。

課題は、そうした規模を模擬するテスト環境を用意しにくい点にある。ハイパースケーラーでも、大規模リージョンに入って初めてソフトウェアの問題が表面化することが多いと同氏は説明する。

#### 運用負荷という見えにくいコスト

ハイパースケーラーではチームの50〜70%が運用と SRE（Site Reliability Engineering、サイト信頼性エンジニアリング）に取られ、新機能開発は少数派になる。これを同氏は KTLO（keep the lights on）と呼ぶ。一方、従来のエンタープライズでは、機器をつなげば管理者1人で5年動くのが普通だった。

50ラック規模で RDMA ネットワークを使い、他社製のスイッチやクライアントが混在する環境では、同じ運用は成り立たない。そこで同氏は、ベンダーが自動化とテレメトリ（稼働状況の計測データ）を提供し、顧客の運用負担を減らす責任があると主張する。自社で運用チームを抱えられるのは一部の企業に限られ、AI が企業全体に広がるにはシンプルで拡張しやすい仕組みが要るという論理である。

#### ケーブル1本が止めるジョブ

具体例として挙がったのがケーブルだ。1万 GPU をつなぐと、ケーブルやトランシーバーが故障点になる。学習ジョブでは1ノードが落ちると全体が止まるため、半挿しのケーブルのような不具合をいち早く検知し、診断までの時間を縮める必要がある。同氏は、人間が千台のシステムを監視するのは難しく、AI エージェントを運用ガイドとして使う手があると述べている。聞き手の Dan 氏は、製造ラインの途中の機械が止まれば全体が止まるという例えで、予知保全と計画外停止の痛みに結びつけた。

スケールでの運用の条件として、同氏は次を挙げた。

- 計算からネットワーク、ストレージまでの可視化
- 問題を直す自動化
- マルチテナントでのガバナンスとログ、エージェントが暴走した際の追跡能力
- 6か月先、1年先を見据えたサプライチェーン管理と需要予測

#### 建物・電力・データの計画

顧客事例では、トップ25クラスの AI 企業が1つの建物に1万 GPU を置いて稼働させ、3〜6か月後に5万 GPU を求めてくる例が紹介された。建物が満杯なら隣に別棟を借り、棟間を光ファイバースイッチでつなぐことになる。つまり成長は事前に計画されたものではなく、データセンターの空間、電力、接続性が基本的な構成要素になる。自動運転、金融トレーディング、創薬のスタートアップも同様に、控えめに始めて指数的に拡大するという。GPU は互いに遠く離せないので、場当たり的な増設は避けたいと述べている。

もう一つの教訓は、データが後回しにされがちなことだ。GPU を先に買って建物に入れ、あとからストレージが必要だと気づくと、電力も空間も足りない。実際に、ストレージを入れるため GPU を建物から外した例を見てきたと同氏は語る。

#### 企業はどう備えるか

エンタープライズの GPU ファームはまだ少なく、多くはハイパースケーラーや NeoCloud を使っていると同氏は見ている。企業側には、IT 内に AI プラットフォームの組織を置き、リファレンスデザインを持ち、少人数の実験で利用パターンを把握することを勧める。大規模 LLM 事業者のように優秀な人材で手作りするのは現実的でなく、スケールと簡便さを解決済みのベンダーに頼るべきだという。スイスアーミーナイフを渡されて自分で加工するようなやり方は避けたい、という比喩も出た。

#### まとめ

番組の結論は3点に整理されている。第一に、規模が数百ラックに達すると、障害は稀な出来事ではなく日常の運用課題になる。第二に、ケーブル1本の状態まで把握するテレメトリと自動化が不可欠になる。第三に、データとストレージを最初から計画に組み込む必要がある。

日本の読者にとっての示唆は、GPU の調達量だけでなく、ストレージ、電力、スペース、運用体制を一体で設計する視点の重要性だ。自社に SRE 部隊を持てない企業ほど、可視化と自動化を備えたベンダーの選定が成否を分けることになる。ただし本回は Everpure のスポンサー回であり、ベンダー依存を勧める主張には立場がある点も念頭に置きたい。

> この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: The AI in Business Podcast「How Storage Throughput Determines AI Workflow Outcomes - with Cameron Bahar of Everpure」
