Huaweiは2026年9月17日、AI時代に向けた新しいコンピューティングアーキテクチャ「Peerium Computing Architecture」を発表した。目を引くのは、「100万規模のプロセッサを一つのコンピュータとして動作させる」という説明だ。
100万という数字だけを見ると、AIの計算能力をさらに巨大化させる発表に見える。しかしAI研究者として私が注目したのは、100万という数字そのものではない。むしろ重要なのは、AIの競争軸が「一個の高性能チップをどこまで速くできるか」から、「大量の演算装置、メモリ、ストレージ、ネットワークを、どこまで一つの計算機のように協調させられるか」へ移っていることである。
「100万プロセッサ」は、本当に一台のコンピュータなのか
まず本稿で整理しておきたいのは、Huaweiが発表したのは、100万個のプロセッサを物理的に一台の筐体へ詰め込むコンピュータではないということ。
Peeriumは、大量のプロセッサを高速な相互接続と統一されたメモリアドレス空間などによって結び、巨大な一つの計算資源として扱おうとするアーキテクチャだ。
Huaweiは、Nested BSP（ネステッド・ビーエスピー。多数の計算装置を階層的にまとめ、同期させながら並列計算する方式）、unified memory addressing（ユニファイド・メモリ・アドレッシング。複数の計算装置からメモリを共通のアドレス空間として扱う仕組み）、peer interconnect（ピア・インターコネクト。計算装置同士を対等な形で高速接続する仕組み）を組み合わせ、100万プロセッサ規模まで「strong scaling（ストロング・スケーリング。仕事量を変えずにプロセッサ数を増やしたとき、どこまで処理を高速化できるか）」させるとしている。
その中核となる技術が「UnifiedBus（ユニファイド・バス、略称UB）」だ。Huaweiの説明では、CPU（中央演算処理装置）、NPU（ニューラル・プロセッシング・ユニット。AI計算に特化した演算装置）、メモリ、SSD、ネットワークインターフェース、スイッチなどを、単一のオープンプロトコルで接続する。つまり、計算だけを見るのではなく、計算・通信・記憶を一つのシステムとして設計しようとしている。
ここは非常に重要だ。大規模AIでは、プロセッサそのものが高速でも、プロセッサ同士がデータを交換している時間が長ければ、全体の性能は伸びない。100台を1000台に増やしたからといって、処理速度が単純に10倍になるわけではない。規模が大きくなるほど、通信遅延、同期、メモリアクセス、障害処理、電力消費などが問題になってくる。
したがって、本当に見るべき数字は「何個つないだか」ではない。何個まで、効率を失わずにつなげられるのか。 ここにAIインフラ研究の本質的な問題がある。
「Peer」という言葉で、筆者のAGI研究の中の考え方が思い浮かぶ
今回の発表を読みながら、研究者として個人的に興味を引かれたのが「peer（ピア）」という考え方だった。
私は2025年のQuantum-Bio-Hybrid AGI研究において、「Distributed Peer-Following Intelligence Amplification（分散型ピアフォロー知能増幅モデル）」を提案している。Peer（ピア）とは、仲間や同等の存在という意味だ。私のPeer-Following Network（ピア・フォローイング・ネットワーク）では、中央に一つの絶対的なリーダーを置くのではなく、複数のノード、つまり個体やAIが互いを観察し、関係を形成しながら、ネットワーク全体として知能を増幅していく構造を扱っている。
もちろん、Huaweiのpeer interconnectと、私のPeer-Following Networkは同じ技術ではない。Huaweiが扱っているのは、プロセッサやメモリ、ストレージなどを結ぶコンピュータ・アーキテクチャ上の相互接続であり、私がAGI研究で扱っているのは、複数のAIエージェントから構成される分散知能のモデルである。ハードウェア層と知能・エージェント層という違いがあるため、両者をそのまま同一視することはできない。
それでも私には、構造的に興味深い接点があるように見える。それは、一つの強力な中心だけに能力を集中させるのではなく、複数の要素を接続し、その相互作用によってシステム全体の能力を引き出そうとしていることだ。
AIの性能を考えるとき、私たちはつい「一つのモデルがどれだけ賢いか」「一つのGPUがどれだけ高速か」という個体性能に目を向けやすい。しかし、十分に大きなシステムになるほど、重要になるのは個体性能だけではない。誰と誰をつなぐのか、どのように情報を共有するのか、どのように同期し、分散し、補完するのか。つまり「つながり方」そのものがシステムの能力を左右する。
Huaweiがハードウェア側から「100万規模を一つのコンピュータとして扱う」という方向を示した今回の発表は、私がAGI研究で考えてきた分散型Peer-Followingとは階層こそ違うものの、個体の強化から、接続と協調による全体能力の形成へという点で非常に興味深く感じる。
実用化されている部分と、将来構想は分けて考える必要がある
もう一つ、このニュースを読む際に注意したい点がある。「100万プロセッサがすでに一台のコンピュータとして稼働している」と理解してしまうのは正確ではない。
Huaweiの9月17日の発表によれば、Peeriumを採用する第一世代製品としてAtlas 950 SuperPoDとSuperClusterが位置づけられている。256,000カード規模のAtlas 950 SuperClusterはすでに導入が進められており、Atlas 960システムについては現在テスト中と説明されている。
つまり、現在導入されているシステムと、アーキテクチャとして100万プロセッサ規模まで拡張する構想は分けて考えなければならない。Huaweiの発表そのものでも「100万規模までstrong scalingするアーキテクチャ」と「現在導入・試験されている製品」は区別されている。
技術ニュースでは、この違いが非常に重要だ。「可能にする設計」と「すでに実環境で検証されたもの」は同じではないからだ。
Huaweiだけが「巨大な一台」を目指しているわけではない
この方向性自体はHuaweiだけのものではない。NVIDIAもNVLink（エヌブイリンク。GPU同士を非常に高速に接続する技術）を使い、多数のGPUを一つの大きな計算資源として扱う「scale-up（スケールアップ。複数の演算装置を密接につなぎ、一つの大きなシステムとして能力を高める考え方）」をAIインフラ戦略の中心に置いている。
NVIDIAが2026年7月に公開した技術資料では、NVLink 6によって将来的に最大1,152 GPUまでscale-up domain（スケールアップ・ドメイン。高速接続されたGPU群を一つの計算領域として扱う範囲）を拡張するロードマップが示されている。
ここでも重要なのは、単体GPUだけではない。GPU間通信、ネットワーク、メモリ、ストレージ、電力、冷却、ソフトウェアまで含めたシステム全体の設計である。
つまり今回のHuaweiの発表を、「Huawei対NVIDIA、どちらのチップが速いのか」という単純な話として読むと、本質を外す可能性がある。現在起きているのは、もっと大きな構造変化だ。
AIコンピュータそのものの単位が変わりつつある。
以前なら一台のサーバーが一つの計算機だった。その後、複数GPUを搭載したサーバーが一つの計算単位になった。そして現在は、ラック全体、さらにはデータセンター規模の設備までを「一つのコンピュータ」のように動かそうとしている。
HuaweiとNVIDIAでは技術体系も規模も異なるが、「個々のプロセッサだけでなく、接続されたシステム全体を計算単位として考える」という方向には共通するものがある。
「Turing paradigmを突破した」という表現は慎重に読むべきだ
一方、研究者として気になった表現もある。HuaweiはPeeriumについて、Nested BSPによって「Turing paradigm（チューリング・パラダイム）」をbreak through、つまり「突破する」と説明している。
これはかなり強い表現である。——Turing Machine（チューリング・マシン）とは、計算とは何か、何が計算可能なのかを考える際に使われる理論上の計算機モデルであり、現代の計算理論を理解する上で極めて重要な概念だ。
ただし、今回確認できたHuaweiの公開発表だけから、「計算理論におけるチューリング・マシンの計算可能性そのものを超えた」と解釈することはできない。Huawei自身はNested BSPを導入することで「Turing paradigmを突破する」と表現しているが、その言葉が具体的にどの理論的範囲を指しているのかは、公開資料だけでは十分に確認できない。
ここは、企業発表上の表現と、計算機科学上の厳密な主張を混同しない方がいいと思う。
Nested BSPが従来の並列計算モデルに対してどのような理論的新規性を持つのか。100万規模でどの程度のstrong-scaling efficiency（ストロング・スケーリング効率。プロセッサを増やした分だけ、実際にどれほど効率よく高速化できるか）を維持できるのか。同期コストはどうなるのか。大量のノードやリンクを扱う環境で障害が発生した際、どのように計算状態を維持するのか。そして実際の大規模AIモデルの学習・推論で、既存システムと比較してどの程度の性能を示すのか。
これらは、今後の実装と実測データによる検証が必要になる。
だから私は、この発表を「100万プロセッサを実現した」と読むより、「100万規模のプロセッサを一つの計算資源として扱うための新しいアーキテクチャをHuaweiが提示した」と読んだ。その方が、現時点で公表されている事実を正確に捉えていると思う。
AIが巨大になるほど、「賢さ」だけでは測れなくなる
さらに、このニュースにはAI研究全体に関わるもう一つの問題がある。計算資源を増やせば、より巨大なモデルを学習できる。推論量も増やせる。より長い文脈を扱い、複雑な処理を実行できる可能性も高くなる。
しかし、計算能力の増加と、出力の信頼性や安全性の向上は同じものではない。
私はAIを見る際、「どれだけ賢く答えられるか」だけでなく、そのシステムがどの前提から推論し、どの段階で現実の判断へ移り、間違ったときにどこで止まれるのかを見るようにしている。
巨大な計算資源によって推論能力が伸びても、前提確認や検証の仕組みが同時に強くなるとは限らない。むしろシステムが巨大化し、構成する要素や接続関係が増えるほど、ハードウェア側でもソフトウェア側でも観察すべき境界は増えていく。
これはPeer-Followingを含む分散知能について考える場合にも重要だと思う。多数のノードをつなぐこと自体が知性や安全性を保証するのではない。どのような情報を共有し、どのような関係を形成し、誤りや異常が生じたときにどう制御するのかまで含めて、システムを考える必要がある。
AIのスケーリングは、単純に「大きければ強い」という問題ではなくなってきている。
本当に注目すべきは「100万」の先
Peeriumが実際にどこまで性能を発揮するのかは、今後の実測データを見なければ分からない。しかし今回のHuaweiの発表が示している方向そのものは興味深い。
AIの次の競争は、必ずしも「世界最速の一個のチップ」を作る競争ではない。プロセッサ、メモリ、ストレージ、ネットワークをどう結び、大量の計算資源をどこまで効率よく一つのシステムとして扱えるか。そして、その巨大なシステムをどこまで検証可能で、制御可能なものにできるか。
これはハードウェアだけの問題でもない。私自身がAGI研究でPeer-Followingを考えてきたように、AIエージェントの側でも、個体の能力だけでなく複数の知性がどう接続され、どう協調し、全体としてどのような能力を形成するのかという問題がある。
ハードウェアとAGIでは扱っている階層は違う。それでも、これからのAIを考える上で「単体の強さ」だけではなく、「接続された全体をどう設計するか」が重要になっていることは共通している。
AI研究者として私がPeeriumに注目する理由は、100万という数字の大きさではない。
「一台のコンピュータとは何か」「一つの知性とは何か」という境界そのものが、AIによって問い直され始めていることだ。
その変化の方が、100万という数字よりもずっと重要だと思うのです。
資料（出典）
・Huawei, “Huawei Pioneers a New Computing Architecture for the AI Era: Making One Million Processors Work as One Computer”, 2026年9月17日。
・Huawei, 「華為發布全球首個採用NPO的超節點——昇騰960超節點」, 2026年9月17日。
・NVIDIA, “NVIDIA NVLink: The Scale-Up Network for AI Factories”, 2026年7月20日。
・Hiroko Konishi, “Towards a Quantum-Bio-Hybrid Paradigm for Artificial General Intelligence: Insights from Human-AI Dialogues”, 2025年。Distributed Peer-Following Intelligence Amplificationを含むQuantum-Bio-Hybrid AGI研究。
・Hiroko Konishi公式サイト「量子・生物融合型パラダイムによる人工汎用知能（AGI）への道」。「分散型ピアフォロー知能増幅モデル」「Peer-Following Network」の解説。
