NVIDIA Scale-In(エヌビディアスケールイン)とは

NVIDIA Scale-Inとは、AIファクトリーと呼ばれる大規模なAI計算基盤を、利用者、データ、ストレージ、運用システムへ安全に接続するためのネットワークの考え方です。GPU同士を速くつなぐ話だけでなく、AI基盤へ入る通信と外へ出る通信を管理する点が中心になります。

NVIDIAは2026年8月24日、BlueField-4、DOCA、Spectrum-Xを組み合わせる仕組みとしてScale-Inを発表しました。ここでいうAIファクトリーは、多数のAI処理装置とネットワーク、ストレージ、運用機能を一体で動かすデータセンターです。名称が似ていますが、サーバー台数を減らす一般的な「スケールイン」とは意味が異なります。

どの通信を受け持つ仕組みなのか？

AI基盤には、学習用データを読み込む、利用者から推論依頼を受け取る、結果を返す、モデルや記録を保存するといった通信があります。NVIDIAは、こうした外部と計算基盤の間を流れる通信を「南北方向（north-south）」と説明。Scale-Inはその境界に入り、ネットワーク転送だけでなく、接続元の分離、セキュリティ、ストレージ処理、監視までを受け持つ設計です。

中心となるBlueField-4は、サーバー本体とは別に処理を実行するDPUです。DPUはデータの移動や安全確認を専門に受け持つ処理装置で、AI計算用のCPUやGPUが本来の仕事へ集中しやすくなります。DOCAはBlueField上の機能を開発・運用するソフトウェア基盤、Spectrum-XはAI向けのイーサネットです。専用の処理装置、制御ソフト、ネットワークを一組にして、AI基盤の玄関口を作る構成と捉えると分かりやすいでしょう。

NVIDIAの公表値では、BlueField-4は64コアのGrace CPUと毎秒800ギガビットの接続を備え、BlueField-3と比べてメモリ帯域は4倍、ネットワーク帯域は2倍です。これは製品仕様の比較であり、自社の処理時間が同じ割合で短くなるという保証ではありません。実際の効果は、データの大きさ、ストレージ、暗号化、同時利用数などで変わります。

Scale-UpやScale-Outとは何が違うのか？

Scale-Upは、一つのシステム内でGPUなどの計算装置を高速につなぐ領域。Scale-Outは、複数の計算システムをネットワークで束ねて処理規模を広げます。Scale-Acrossは離れたAIファクトリー間、Context Memoryは推論時に大量の文脈を扱う共有ストレージを受け持ちます。

Scale-Inは、その外側から人、アプリ、データ、ストレージ、運用機能が出入りする部分です。GPU間通信の速度だけを比べても、Scale-Inの価値は判断できません。重要なのは、外部から来た仕事を適切な計算資源へ届け、異なる利用者を分離し、異常を追跡できるかという運用品質です。

経営と運用には何が変わるのか？

大規模なAI基盤では、計算装置だけを増やしても、データの取り込みや保存、利用者の認証が詰まれば投資を生かせません。Scale-Inは、それらを専用基盤へ寄せ、複数部門や顧客を分離する設計を取りやすくします。AIサービスを社内共通基盤として運営する企業や、計算資源を顧客へ提供する事業者にとって、障害範囲と利用状況を把握する土台になります。

一方、導入判断を「高速な新製品への更新」だけにすると不十分です。既存のスイッチ、ストレージ、監視製品とどう接続するか、BlueField側とサーバー側のどちらが障害原因か、誰が設定変更を承認するかを決める必要があります。特定ベンダーの構成へ運用が深く結び付くため、移行費用や人材育成も評価項目です。

検証では何を測るべきか？

最初は本番全体ではなく、用途を一つに絞ります。たとえば推論サービスへの接続を対象にし、通信量、待ち時間、CPU使用率、障害からの復旧時間、設定変更の記録を導入前後で比較。テナント分離が必要なら、許可されていない利用者が別部門のデータへ到達できないことも確認してください。

性能試験だけを通して、セキュリティと運用責任の確認を省いてはいけません。境界を集約する仕組みは、正しく設計すれば管理点を減らせる反面、設定ミスの影響が広がる可能性もあります。通常時の速さに加え、障害時に通信を止められるか、記録から原因を追えるかまでを合格条件にします。

NVIDIA Scale-Inに関するよくある質問

発表日はいつですか？

2026年8月24日です。この日にNVIDIAは、AIファクトリー向けネットワークを五つの柱で整理した公式ブログを公開しました。

NVIDIA Scale-Inはどの企業に向いていますか？

複数部門や顧客が共有する大規模なAI計算基盤を運営し、利用者分離、ストレージ接続、監視をまとめて設計したい企業が主な検討対象です。小規模なAI利用では構成が過剰になる可能性があります。