xFusionが示すAIエージェント基盤の設計は何か

企業AIの議論が「モデル選定」から「置き場所」へ移った

あなたの会社でも、AI導入の相談が「どのモデルを使うか」だけで止まっていないでしょうか。実際の現場では、精度や価格より先に、どこで動かすのか、誰のデータを通すのか、熱と電力をどう扱うのかが壁になります。xFusionがISC 2026で見せたのは、まさにその現実に向き合う設計でした。私はこの記事を読んで、企業AIの主戦場がアルゴリズム競争からインフラ設計に完全に移ったと受け止めました。生成AIやAIエージェントの活用が進むほど、外部APIに頼る運用は機密データの流出リスクを抱えますし、性能の高いGPUを買えば解決する話でもありません。担当者の多くが「PoCは回るが本番で止まる」という経験をしてきたはずですが、その原因はソフトではなく、ハードの置き方にあります。

4層の構成で用途別にAI処理を振り分ける設計

xFusionが示した中核は、ワークステーション、チーム向けアプライアンス、社内処理装置、データセンター向け液冷ラックという4層構成です。4層という数字は単なるメニュー分けではなく、AIの負荷を用途別に切り分ける運用思想を意味します。最上段のエッジ向けでは、FusionXtation X3 8000 Gen2を基盤とし、Intel Core Ultraと2基のプロ向けGPU、最大256GBのECC DDR5メモリ、8TBストレージを組み合わせています。さらに、70B〜200Bパラメータ級モデルをローカルで動かす前提になっており、外部送信を減らした設計です。70Bは700億、200Bは2,000億のパラメータ規模を指し、この大きさは一般的な業務生成AIよりかなり重い処理域です。

性能面でも、旧世代比で8Kレンダリング出力が70％高速化し、一般的なAI処理性能も最大50％向上したとしています。70％や50％という数値は、単なるベンチマークの飾りではなく、日常業務の待ち時間を半減させる可能性を示します。xFusionは、これをIT管理者向けの遠隔保守機能と、4つの40Gbps Thunderboltポートで支えています。40Gbpsは1本あたり毎秒40ギガビットの転送帯域を意味し、大量データを現場でさばく前提が明確です。

次の層となるFusionXparkは、チーム単位で機密データを閉じ込めるための装置です。医療画像や金融モデリングのように、外部APIへ出せないデータを扱う部署では、ここが実務上の本命になります。2台のFusionXparkを組み合わせると、405Bパラメータ級モデルをローカルのCUDA環境で扱えるとされます。405Bは4,050億パラメータであり、これは部門単位の実験機ではなく、かなり本格的な社内推論基盤のサイズです。しかもNVIDIA DGX OSを工場出荷時から載せ、足りない処理はDGX Cloudへ逃がせます。開発者が環境構築に数日を使う構造を壊している点が実務的です。

さらに上位にはTokenBoxがあり、全社共通のトークン処理を1台のオンプレミス装置でまかなう設計です。ここでの1.6Tパラメータ対応は、1兆6,000億という巨大モデルを扱えるという意味で、社内の問い合わせ、承認、文書要約を外部に出さずに処理する想定です。TokenBoxは動作音35dbとされ、35dbは図書館に近い静かさを表します。つまり、データセンターだけでなく一般オフィスにも置く前提で設計されています。

最終層は液冷データセンターです。1ラックあたり240kWを扱い、FusionPoDはPUE 1.06を示しました。PUEは電力効率指標で、1に近いほど無駄が少ないことを意味します。1.06はかなり低い値であり、冷却損失を強く抑えた構成です。FusionServer G6550 V8は最大10基のデュアル幅GPUを載せ、FusionOne DFSは72台のNVMeで毎秒200GBの順次読み取りを実現します。200GB/sは、モデル推論で大量のデータをボトルネックなく供給するための帯域です。私が引っかかったのは、これらの数値がすべて「AI精度」ではなく「運用可能性」に向いている点でした。ハードの話に見えて、実際には企業統治の話です。

日本企業がまず見るべきは「APIコスト」より「機密の通し方」

日本企業にとってこの発表の意味は、GPUのスペック競争ではありません。むしろ、公開APIに依存したまま業務AIを広げる危うさが、はっきり可視化された点にあります。社外サービスへ入力した瞬間、契約書、設計書、顧客情報、研究データは自社の管理下から外れます。法務、情報システム、事業部が同じ会議で話すべきテーマは、モデル名ではなくデータ経路です。読者の中にも「社内PoCは進んだが、本番投入で止まった」という経験を持つ人は多いはずです。その原因は、モデルの賢さより、処理の置き場が決まっていなかったことにあります。

明日から考えるべき実務は3つです。第1に、エッジ、部門サーバー、データセンターのどこで処理するかを業務単位で切り分けることです。第2に、外部APIへ出せないデータを定義し、代替手段としてオンプレミス推論を用意することです。第3に、冷却費と電源容量を調達条件に入れることです。AI導入の見積もりで計算を後回しにすると、結局は稼働率で損をします。日本の現場では、こうした基礎設計を蔑ろにしたまま生成AIを広げるケースが多く、私はそこに一番の弱点を感じます。

AIエージェント時代は「性能」より「配線」と「冷却」で差がつく

今後は、AIエージェントの活用が進むほど、処理の連鎖が長くなり、データの往復も増えます。その結果、ネットワーク、保管、冷却のどれか1つが弱いだけで全体が止まります。xFusionの提案は、企業AIを1台の万能マシンで解く発想を捨てさせます。私は、この流れが日本でも進むと見ています。次に競争力を持つ企業は、最先端モデルを買う会社ではなく、用途ごとに最適な場所へ処理を置ける会社です。そこではAIエージェントより先に、配線図と電源計画を描けるかどうかが勝敗を分けます。