［WAIC2026］公式：「超ノード」を初めて体系的に定義する

世界人工知能大会（WAIC）期間中の2026年7月19日、鵬城実験室（Peng Cheng Laboratory：PCL）とGlobal Computing Consortium（GCC）は、「超ノード（Super Node）定義と実践ホワイトペーパー」を共同発表した。AIインフラ分野では近年、巨大モデルやAIエージェントの普及に伴い、従来型サーバーでは計算能力や通信性能が限界に近づいているとされる。

本ホワイトペーパーは、複数サーバーを論理的に一台のコンピューターとして動作させる「超ノード」を初めて体系的に定義し、AI時代の次世代計算基盤として位置付けたものだ。中国がAI競争をモデル開発だけでなく、基盤インフラの標準化でも主導しようとする動きを示す内容として注目される。

フォーラム速報｜『超ノード定義と実践ホワイトペーパー』正式発表　AIインフラの新たな標準を提示

2026世界人工知能大会（WAIC）の開催期間中、鵬城実験室（Peng Cheng Laboratory：PCL）とGlobal Computing Consortium（GCC）は、「超ノード（Super Node）定義と実践ホワイトペーパー」を共同発表した。

本ホワイトペーパーは、GCCとPCLが共同で取りまとめたもので、「超ノード」の定義やアーキテクチャ、主要技術を初めて体系的に整理した文書となる。

超ノードの基本概念に加え、三つの技術的特徴、十の主要活用シーン、さらに産業界における代表的な導入事例をまとめており、次世代AI計算インフラの技術標準や発展方向、実装モデルを示す内容となっている。

ホワイトペーパーの発表に合わせて開催された講演では、GCC戦略諮問委員会（SAC）主席であり、鵬城実験室主任を務める高文（Gao Wen）氏が、その概要を紹介した。

同氏は、超ノードの標準的な定義や特徴を体系的に説明した上で、「超ノードはAIインフラ構築における新たなパラダイムとなった」と位置付けた。

AI時代の課題に対応する「超ノード」　世界共通の標準化を目指す

現在、数千億から数兆パラメータ級の大規模AIモデルが次々と登場し、AIが必要とする計算能力（算力）は指数関数的に増加している。

しかし、従来のサーバーを単純に積み重ねる構成では、通信遅延や帯域幅といった制約がボトルネックとなり、超大型モデルの学習や推論を効率良く処理することが難しくなりつつある。

さらに、これまで世界のAI計算インフラ分野では、「超ノード」に関する統一的な定義や標準アーキテクチャ、実装方法が存在していなかった。

企業や研究機関ごとに異なる技術方式を採用してきた結果、産業チェーン全体での協調が難しく、導入コストも高止まりし、大規模AIインフラの発展を妨げる要因になっていたという。

こうした業界共通の課題を受け、GCCとPCLは産学官の関係機関と連携し、超ノード技術を体系的に整理するとともに、その標準化へ取り組んだ。

「複数のサーバーを、一台のコンピューターとして動かす」

ホワイトペーパーでは、超ノードを次のように定義している。

この中核となるのが、「物理ノードをまたぐ統一メモリアドレス空間」である。

従来は複数サーバーへ分散して配置されていたメモリーを、一つの巨大なメモリーとして扱えるようにすることで、超大型AIモデルでも効率良く学習・推論できるようになるという。

ホワイトペーパーでは、超ノードを支える技術的特徴として、次の三点を挙げている。

• メモリーセマンティクス（Memory Semantics）と統一メモリアドレス空間

• 超低遅延（Ultra-Low Latency）

• 超大帯域幅（Ultra-High Bandwidth）

これら三つの技術要素によって、従来の分散型サーバー構成では難しかった超大型AIモデルの学習や推論を、高効率かつ大規模に実行できる次世代AIインフラの実現を目指すとしている。

実証段階から実用段階へ　5つの主要シーンで性能向上を確認

今回公表されたホワイトペーパーには、産業界で実際に導入・商用化された多数の事例が収録されている。

膨大な実測データを基に、超ノードはすでに理論検証の段階を終え、実際に導入可能で、大規模展開にも対応できる次世代AI計算インフラへ成熟したことを示したとしている。

特に、大規模AIモデルの学習から推論までの一連のプロセスにおいて、五つの代表的な利用シーンで性能向上が確認されたという。

① 大規模モデル学習：長系列学習のボトルネックを解消

超ノードでは、物理ノードをまたぐ統一メモリアドレス空間を活用することで、128Kや256Kといった長いコンテキスト（長系列）の学習時でも、グローバルBatch Sizeを大幅に拡大できる。

従来必要だったノード間でのCheckpoint保存やパラメータ再配置を頻繁に行う必要がなくなり、学習プロセスを簡素化するとともに、計算資源の消費を抑えながら、長系列モデルの学習効率と安定性を高められるとしている。

② 学習全体の高速化：通信ボトルネックを解消

超ノードが備える超大帯域幅により、学習中のノード間通信性能も大幅に向上する。

ホワイトペーパーでは、AI学習で頻繁に利用されるAll-to-All通信について、従来のRoCE（RDMA over Converged Ethernet）と比較して最大16倍の性能向上を確認したと紹介している。

通信処理をほぼ完全に計算処理へ重ね合わせることで、これまでAI学習性能を制約していた「通信の壁」を大きく低減し、学習速度を飛躍的に高められるとしている。

③ 強化学習（RL）後学習：学習と推論を完全非同期化

近年、大規模AIモデルでは、強化学習（Reinforcement Learning：RL）による追加学習（Post Training）が重要な工程となっている。

超ノードでは、統一メモリアドレス空間と超大帯域幅を活用し、ナノ秒単位の低遅延で推論結果を学習側へストリーミング転送できる。

これにより、推論（Rollout）と学習（Trainer）を完全に非同期で動作させることが可能となり、従来発生していた同期待ちやネットワーク混雑を解消し、RL後学習全体の効率向上につながるという。

④ 低遅延推論：リアルタイム応答を高速化

推論処理においても、超ノードは大きな効果を発揮するとしている。

統一メモリアドレス空間により、数千億パラメータ級モデルの重み全体を一つのノード上で扱うことが可能となり、大容量のKV Cacheも常駐させられる。

Decode処理はノード内部のメモリーへ直接アクセスできるため、従来の分散推論で発生していたKV Cacheのノード間転送が不要となり、ネットワーク遅延を大幅に削減できる。

その結果、リアルタイムAIサービスに求められる応答速度を大きく改善できるとしている。

⑤ 大規模EP推論：計算資源の利用効率を最大化

大規模Expert Parallelism（EP）推論では、超ノードの超大帯域幅と超低遅延という特性が、小容量データを高速に処理するワークロードと高い親和性を持つという。

これにより、「Prefill側がDecode側を待つ」といった計算資源の遊休状態を大幅に削減し、全体のスループットは1.4倍以上向上したとしている。

ホワイトペーパーでは、こうした改善により、限られたGPU資源をより効率的に活用できることも、超ノードの重要な利点の一つとして挙げている。

超ノードがもたらす四つの産業価値　AI計算インフラの共通基盤を目指す

ホワイトペーパーでは、超ノードの技術体系や大規模導入の成果を踏まえ、AI計算インフラの今後について四つの産業的価値を提示している。

それは、「標準化」「技術革新」「エコシステム構築」「グローバル展開」という四つの視点から、世界のAI計算産業に共通の行動指針を示す試みでもある。

① 業界標準の整備：AI計算インフラの共通認識を構築

第一の目的は、これまで存在しなかった超ノードの標準化である。

ホワイトペーパーでは、超ノードに関する用語やアーキテクチャの評価基準を統一することで、利用企業、サーバーメーカー、研究機関、行政機関などの間で共通認識を形成し、業界全体の認識のずれを解消することを目指している。

また、これまで曖昧だった超ノードの定義を明確化することで、今後の技術開発や標準策定、AIインフラ導入における共通の指針として活用できるとしている。

② 技術進化の方向性を明確化：次世代AI計算基盤を整備

第二の柱は、AI計算アーキテクチャの進化を体系的に整理することである。

ホワイトペーパーでは、大規模AIモデル、膨大なToken処理、AIエージェントの普及といった今後の負荷増大を前提に、それらへ対応できるAI計算基盤の構築が必要だと指摘している。

また、GCC加盟企業から収集した大量の実測データや導入事例を基に、超ノード構成の実現可能性や安定性、先進性を検証しており、今後のAI計算技術の発展を支える基盤になると位置付けた。

③ 産業チェーン全体を連携：商用化を加速

第三の柱は、AIインフラ産業全体の連携強化である。

統一された技術仕様を世界へ公開することで、AIチップメーカー、サーバーメーカー、ネットワーク機器メーカー、AIソフトウェア企業など、サプライチェーン全体で相互接続性や互換性を高めることを目指す。

これにより、個別企業ごとに最適化されていた技術を産業全体で共有し、「実用化への最後の一マイル」を短縮することで、超ノードの商用展開と大規模導入をさらに加速できるとしている。

④ 世界のAI産業を支える共通基盤へ

第四の柱は、世界規模でAI計算インフラの発展を支援することである。

ホワイトペーパーでは、GCCを国際的な協力プラットフォームとして活用し、オープンで互換性のある次世代AI計算基盤を構築する方針を示している。

これにより、さまざまな産業分野のデジタル化やAI活用を後押しし、新たな生産性（新質生産力）の創出を促進するとともに、世界のAI産業が持続的かつ高品質に発展していくことを目指すとしている。

30を超える研究機関・企業が共同編纂　産学連携による「超ノード」の共通認識を構築

今回公表されたホワイトペーパーは、鵬城実験室（Peng Cheng Laboratory：PCL）とGlobal Computing Consortium（GCC）が共同で主導し、30を超える大学、研究機関、企業が編纂に参加した。

参加機関には、京東集団（JD.com）、百度（Baidu）、bilibili（哔哩哔哩）、小紅書（RED）、中国電信（China Telecom）、中国移動（China Mobile）、華為（Huawei）、商湯科技（SenseTime）、科大訊飛（iFlytek）といった中国の主要テクノロジー企業に加え、清華大学、北京大学、浙江大学、中国科学技術大学など、中国を代表する大学・研究機関が名を連ねている。

AIサービス事業者だけでなく、通信事業者、ハードウェアメーカー、クラウド事業者、大学、研究機関まで幅広い組織が参加したことで、AI計算インフラ全体を視野に入れた産学連携プロジェクトとなった。

ホワイトペーパーでは、こうした産学官の知見や実証成果を集約することで、「超ノード」に関する産業全体の共通認識を構築し、今後の技術開発や実用化に向けた重要な参考資料となることを目指している。

今後は標準を継続的に更新　世界規模のAI計算エコシステム構築へ

GCCは今後、国際的なAI計算プラットフォームとしての役割をさらに強化し、PCLや加盟機関と連携しながら、超ノードに関する標準体系の継続的な改良を進める方針を示した。

また、さまざまな産業分野での導入事例を蓄積するとともに、技術フォーラムや産業交流を定期的に開催し、超ノードを中心とした技術・運用ノウハウの共有を進めるとしている。

さらに、オープンで相互接続可能な国際的AI計算エコシステムの構築を目指し、次世代AI計算インフラの普及と実用化を世界規模で後押ししていく考えも示した。

AI競争は「モデル」から「インフラ」へ

今回のホワイトペーパーは、新しい計算機アーキテクチャを提案するだけではなく、AI時代に求められる計算インフラの共通仕様を定義しようとする試みでもある。

近年のAI開発は、より高性能な大規模モデルの開発競争から、それらを効率良く学習・運用する計算インフラの競争へと重心が移りつつある。大規模AIモデルに加え、AIエージェントや膨大なToken処理が普及する中、従来型のサーバー構成では限界が見え始めている。

こうした状況を踏まえ、中国では単なるGPU性能の競争ではなく、AI計算基盤そのものを再設計する取り組みが加速している。その中核概念として位置付けられているのが「超ノード」であり、今回のホワイトペーパーは、その定義や標準、実装モデルを初めて体系的に整理した文書と言える。

AIの競争軸が「モデル」から「インフラ」へと広がる中、中国は計算基盤そのものの標準化でも主導権の確立を目指していることが、今回の発表からうかがえる。