AMDはAIエージェントに、エンジニアがCUDAに対してできなかったことをさせようとしている

コラム概要

17年間、NVIDIAのGPUビジネスを防弾にしてきたのは、実はシリコンではなかった。その上に積み重なった17年分の筋肉記憶、つまり数百万行のCUDAカーネル、チューニングの秘訣、そして他のものに乗り換えることを歩き方を再学習するかのように感じさせる組織的な習慣だった。AMDの答えは、7月22日から23日にサンフランシスコで開催された「Advancing AI 2026」カンファレンスで発表されたが、その堀を技術で上回ろうとするのをやめ、代わりに再学習を機械に任せることだ。AIコーディングエージェントが、人間のエンジニアが何年もかけてやろうとしないことを数週間でできるという賭けだ。CUDAワークロードをAMDのROCmスタック用に移植し再チューニングすることを、誰もがROCmの専門家になる必要なく実現する。

AMDが実際に発表したもの

中心となるのはROCm.AIだ。これはROCmの上に位置するAIネイティブ層で、2026年8月から展開が始まり、スタンドアロン製品ではなく連携して機能する3つの要素で構成されている。ROCm CLIは、開発者にAMDハードウェア上のAIワークロードのインストール、検証、サービス提供、更新、トラブルシューティングのための統一されたコマンドラインパスを提供する。これは、プラットフォームが完成品のように感じられるか、それとも永遠にベータ版のように感じられるかを決定する、地味だが重要な配管だ。AMD Skillsはより挑戦的な要素だ。開発者が毎日使用するコーディングアシスタント（Claude Code、Cursor、Codexなど）にAMDの専門知識を直接埋め込み、開発者が平易な言葉で意図を説明し、エージェントがAMD固有のGPUプログラミングを処理できるようにする。最後にHyperloomは、AMDハードウェア上のエンドツーエンドの推論ワークロードの最適化を自動化することを目的としたオープンソースのエージェントシステムだ。

まとめると、その売り文句は「我々のチップはより速い」ではない。MI300Xの生のスペックはすでにそれを証明しており、192GBのHBM3メモリ（NVIDIA H100の2.4倍）を競争力のある価格で提供している。売り文句は「我々のチップは、あなたが難しい部分を自分でやらなくても、ようやく使えるようになった」ということだ。これは注目に値する違いであり、競争全体の構図を変える。AMDはもはやベンチマーク戦争に勝とうとしているのではなく、労働コスト戦争に勝とうとしているのだ。エージェント支援による移植の限界費用が十分に速く下がり、ROCmの採用が盲目的な飛躍ではなく合理的なデフォルトになるという賭けだ。

鶏と卵の問題を自動化で解消

MI300Xのメモリ優位性はしばらく前からあったが、市場シェアには結びついていない。その理由はおなじみの罠だ。開発者はツールが成熟するまでROCmに真剣なエンジニアリング時間を投資しないし、ツールは開発者がストレステストを行う臨界質量なしには成熟しない。AI GPU市場におけるNVIDIAの約80%のシェアとAMDの5〜7%は、主にその膠着状態の記念碑であり、永続的な技術的ギャップの証ではない。ROCm 7は現在、ほとんどのワークロードでCUDAの性能の約10〜30%以内に迫っており、数年前の桁違いの赤字からはほど遠い。

ROCm.AIは、性能ギャップではなく、鶏と卵のダイナミクスそのものへの直接的な攻撃だ。エージェントがチューニングの負担を吸収できれば、「成熟するまで待つ」という言い訳は、どこで構築するかを決める新しいプロジェクトにとって意味をなさなくなる。それがまさに、AMD自身のフレーミングに眉をひそめる理由でもある。これはベンダーが自社の堀を壊す武器を説明しているものであり、堀を壊す武器はキーノートでは本番障害の午前2時よりも常に完成度が高く聞こえるものだ。一部のアナリストは、エージェントの物語の下に隠れたより平凡なリスクを指摘している。AMDは、エンタープライズ顧客が最終的に要求する規模でこのツールを自社で試用し、実戦テストするための十分なGPUクラスタを単に持っていないかもしれない。カーネル最適化について自信満々に間違っているエージェントは、エージェントがいないよりも悪いと言える。どちらを構築したかを知る唯一の方法は、実際の大規模ワークロードに対して実行してみることだ。

NVIDIAも黙っていない、そしてその理由は数字が示す

ROCm.AIをNVIDIAが突然守勢に立ったと読むのは間違いだろう。CUDAは依然としてAI開発フレームワークの中で約92%のシェアを占めている。これはNVIDIAのハードウェアシェアをはるかに上回る数字であり、研究コードから本番パイプラインまで、AIスタックのどれだけがCUDAが下にあることを前提に書かれているかを反映している。そしてNVIDIAには、AMDが狙っているのと同じ推論層の脅威に対する独自の答えがある。TensorRT-LLMだ。これは、ONNX Runtime、vLLM、Tritonなどのオープンスタンダードがモデルをハードウェア非依存にしようと推し進める中でも、AIパイプラインの中で最もボリュームが大きく、コストに敏感なワークロードをNVIDIAのスタック内に閉じ込めておくために構築された、プロプライエタリな推論最適化ソフトウェアだ。

そして、戦い全体を非対称に見せる数字がある。NVIDIAのBlackwell世代だけで、2026年に約3200億ドルのデータセンター収益が見込まれている。これは単なるスコアボードの数字ではなく、燃料だ。この規模の収益はCUDA、cuDNN、TensorRTに直接再投資され、次のハードウェア世代を前世代よりも排除しにくくし、それがさらに多くの収益を生み、次の世代に資金を供給する。これはフライホイールであり、AMDのエージェント賭けにはまだ相当するものがない。HyperloomとAMD Skillsはまだ収益前のインフラ投資であり、自己資金ループではないからだ。

亀裂が実際にある場所

AMDのキーノート以来広まっている「AIがNVIDIAの帝国を溶かしている」というフレーミングは現実的だが、それは聞こえるほど広くはなく、正確に言う価値がある。より広いツールトレンド（PyTorchのtorch.compileがモデルコードからハードウェアの違いをますます抽象化し、OpenAIのTritonが複数のバックエンドをターゲットにできる一度書けばどこでも動くGPUプログラミングを推し進める）を重ねると、浮かび上がるのはCUDAの既存基盤への正面攻撃ではない。それは2つの特定の場所に集中した侵食だ。推論ワークロード（経済性がトークンあたりのコストが最も安いスタックを報いる）と、グリーンフィールドプロジェクト（既存のCUDA投資を保護する必要がなく、乗り換えコストがまだ固まっていない）だ。

少なくともこのタイムラインでは、亀裂が入っていないのは、すでに大規模に稼働しているCUDAベースのトレーニングおよび本番システムの深い井戸だ。その既存基盤の再最適化と再検証は、エージェントがカーネルを書くのがどれだけ上手になっても、依然として法外にコストがかかる。この点に関するアナリストのコンセンサスは一貫している。ROCmとTritonは一夜にしてCUDAを置き換えることはない。2026年以降のより興味深い問題は、AMDのエージェントが機能するかどうかではなく、「十分に良く、自動化された」ものが「最高で、定着した」ものを、限界でどれだけ頻繁に打ち負かし、より大きなものに複利化できるかどうかだ。NVIDIAは3200億ドルを賭けて、それは起こらないと言っている。AMDは、どこにでも勝つ必要はなく、まだ味方を選んでいない次のワークロードに勝てばいいと賭けている。