結論：GPU（汎用AI向け）とASIC（特定用途専用）の違いは？
GPUとASICの最大の違いは「汎用性と電力効率のトレードオフ」です。GPUはあらゆるAIモデル・アルゴリズムに対応でき既製品として即時調達できますが、汎用設計ゆえに最適化には限界があります。ASICは特定のモデルやオペレーターに最適化することで同性能のGPU比2〜5倍の電力効率を実現できる一方、設計からテープアウトまで1.5〜3年、数十〜数百億円の開発費が必要です。ハイパースケーラーがASIC内製化を進める理由がここにあります。
比較表
| 観点 | GPU（汎用AI向け） | ASIC（特定用途専用） |
|---|---|---|
| 汎用性 | 高い（あらゆるAIモデル・アルゴリズムに対応） | 低い（特定モデル・オペレーターに最適化） |
| 開発期間・コスト | 既製品のため即時調達可能 | 設計〜テープアウトまで1.5〜3年・数十〜数百億円の開発費 |
| 電力効率（推論） | 汎用設計のため最適化に限界 | 最適化済みで同性能のGPU比2〜5倍の電力効率が可能 |
| 推論コスト（大量処理時） | 高（GPU購入費・電力費ともに高額） | 量産後は低（製造コスト削減・電力費削減） |
| プログラマビリティ | 高い（CUDA・ROCmで柔軟に対応） | 低い（設計変更はテープアウトが必要） |
| 代表製品 | NVIDIA H100/B200/GB200、AMD MI300X | Google TPU v5、AWS Trainium2、Microsoft Maia、Apple M-series Neural Engine |
| 製造プロセス | TSMC 4nm（H100）・3nm（B200等） | TSMC最先端ノード（TPU v5：7nm、Trainium2：3nm相当） |
ハイパースケーラーのASIC内製化加速
GoogleはTPU v1（2016年）から内製AIチップの先鞭をつけ、現在はTPU v5eとTPU v5pを展開しています。AWSはTrainium（学習）・Inferentia（推論）、MicrosoftはAzure Maia、MetaはMTIA（Meta Training and Inference Accelerator）を開発・展開しています。いずれも自社のAIワークロード（TensorFlow・PyTorch）に特化した設計で、NVIDIA GPUより同一ワークロードで高い電力効率を実現しています。一方、スタートアップや大学・研究機関はGPUの汎用性を選ぶことが多く、ASICはワークロードが固定化された大規模量産用途で採算が取れる構造です。
FPGA：GPUとASICの中間的な選択肢
FPGAは設計変更が可能な柔軟なハードウェアで、ASICほどの最適化は困難ですが、GPUより省電力で低レイテンシな推論が可能です。Microsoft AzureはFPGA（Catapult）をBing検索エンジンのAI推論に活用し、AIモデル更新の速さに対応しています。ただし大規模並列処理ではGPUに劣るため、用途は限定的です。ASICとFPGAの詳細な比較はasic-vs-fpgaの記事を参照してください。AIアクセラレータ全般の概要はai-acceleratorも参照してください。