【10の視点で徹底解剖】ソフトバンク AI計算基盤 CHIE-4 が国内1位になった驚異の実力

CHIE-4とは何か：ソフトバンクの次世代AI計算基盤の全体像

ソフトバンクが構築した「CHIE-4」は、NVIDIAの大規模AIスーパーコンピューターソリューションである「NVIDIA DGX SuperPOD」を基盤としたAI計算インフラです。ZDNET Japanの記事によれば、このCHIE-4は、SC2025におけるAI性能ベンチマーク「HPL-MxP」部門で国内1位・世界5位を獲得し、TOP500とHPCGのランキングでも上位に入るなど、日本有数のスーパーコンピューターとして評価されています。ZDNET Japan

名称の由来とNVIDIA DGX SuperPODとしての正体

CHIE-4は、ソフトバンク社内のAI計算基盤につけられた名称であり、その正体はNVIDIA DGX SuperPODクラスターです。最新世代のBlackwell GPUを搭載した「NVIDIA DGX B200」システムを510台規模で束ね、巨大な「AIファクトリー」として設計されています。NVIDIA Developer

DGX SuperPODは、GPUサーバー、InfiniBandネットワーク、ストレージ、ソフトウェアスタック（NVIDIA AI Enterpriseなど）をまとめて提供するターンキー型AIスーパーコンピューターで、以下の特徴を持ちます。

大規模GPUクラスタ：数百〜数千基のGPUを単一の大規模分散システムとして扱える
ハイバンド幅ネットワーク：NVLinkとInfiniBandによる低レイテンシ・高帯域通信
AIワークロード最適化：LLM、生成AI、HPC、RAGなどのワークロードを前提に最適化

CHIE-4は、こうしたDGX SuperPODをソフトバンク仕様で拡張・運用している、日本最大級のAI計算基盤です。ソフトバンク

SB Intuitionsと国産LLM開発の中核基盤

ソフトバンク子会社のSB Intuitionsは、日本語に特化した国産大規模言語モデル（LLM）の開発を行う組織であり、そのトレーニング基盤としてCHIE-4が使われています。2023年時点から、2,000基超のGPUを用いたDGX SuperPOD上で日本語LLMの開発を開始し、3,500億パラメーター級のモデルを目指す計画が公表されています。ケータイ Watch

その後、Hopper世代、Blackwell世代とGPUを増設していくことで、計算性能の桁を順次引き上げ、より大規模・高精度なLLMの研究開発を実現している、というのがCHIE-4の基本的な役割です。ソフトバンク+1

ベンチマークで見るCHIE-4：HPL-MxP・TOP500・HPCGの評価

HPL-MxP国内1位・世界5位が意味するもの

SC2025のランキングで、CHIE-4はAIの計算性能に特化したベンチマーク「HPL-MxP」において、国内1位・世界5位という評価を受けました。ZDNET Japan+1

HPL-MxP：従来のHPL（High Performance Linpack）をAIワークロード向けに拡張したベンチマークで、FP16やFP8といった低精度演算を前提に、AI推論・学習に近い負荷を測定する指標です。
CHIE-4がこの指標で高評価を得たことは、LLMや生成AIのトレーニングに最適化された設計が、実際に性能値としても裏付けられたことを意味します。

単に理論ピーク性能が高いだけでなく、AI向け実効性能でもトップクラスという点が、CHIE-4の特徴といえます。

TOP500国内3位・HPCG国内2位というバランス

CHIE-4は、スーパーコンピューター全般の性能を測るTOP500で国内3位（世界17位）、実用的な科学技術計算向けの指標であるHPCGで国内2位（世界6位）という結果も残しています。ZDNET Japan+1

TOP500：主にHPLを用いた倍精度（FP64）演算の性能指標
HPCG：メモリアクセスや通信パターンを重視した、より実運用に近い指標

このバランスの良さは、CHIE-4が**「生成AI専用マシン」ではなく、HPCや科学シミュレーションもこなせる汎用性の高いスーパーコンピューター**であることを示しています。AI開発と科学技術計算の両方に使えるため、大学や研究機関にも訴求しやすい構成といえるでしょう。

ハードウェア構成：NVIDIA Blackwell GPUとDGX B200のアーキテクチャ

4000基超のBlackwell GPUと510台のDGX B200

CHIE-4は、4,000基超のNVIDIA Blackwell GPUを搭載したDGX B200システムで構成されるDGX SuperPODです。ZDNET Japan

NVIDIAとソフトバンクの共同発表や技術ブログによると、SoftBankのDGX SuperPODには510台のDGX B200システムが導入されており、2つの大規模クラスターとして構成されています。NVIDIA Developer

DGX B200の特徴（概略）は以下の通りです。

GB200 Grace Blackwellスーパーチップを採用
B200 GPU×4とGrace CPUを組み合わせた高帯域メモリアーキテクチャ
NVLinkによる高帯域GPU間接続（72 GPU／NVLinkドメインなどの構成）
大規模LLMや生成AI向けにFP8/FP4演算を前提とした設計

このDGX B200を数百台規模で束ねることで、単一クラスターとして数十エクサFLOPS級のAI計算性能を提供するのがCHIE-4のスケール感です。SoftBankやAIsmileyの報道では、Blackwell世代の導入により、AI計算基盤全体のGPU数は1万基超、計算能力は13.7EFLOPSに達したとされています。ソフトバンク

NVLink・Quantum-2 InfiniBandがつなぐAIファクトリー

大規模GPUクラスタでは、計算能力そのものと同じくらいネットワーク設計が重要です。NVIDIAの技術資料によると、DGX SuperPODには以下のようなネットワーク技術が採用されています。NVIDIA Developer

NVLink / NVSwitch：ラック内のGPU同士を超高帯域で結ぶインターコネクト
NVIDIA Quantum-2 InfiniBand：ラック間・ノード間を接続するマルチテラビット級ネットワーク
NVIDIA Airによるデジタルツイン：ネットワーク構成の事前検証

SoftBankのDGX SuperPODでも、Quantum-2 InfiniBandとデジタルツインを活用した設計が紹介されており、「AIファクトリー」として、数千本のケーブル・数百台のネットワークスイッチを緻密に組み合わせたインフラになっています。NVIDIA Developer

進化の歴史：Ampere → Hopper → Blackwell へ

CHIE-4に至るまでのSoftBankのAI計算基盤は、GPU世代ごとに段階的に拡張されています。

2023年：2000基のAmpere GPUによる第1世代基盤

2023年9月、ソフトバンクは2,000基超のNVIDIA Ampere GPUを搭載したDGX SuperPODを稼働開始しました。ケータイ WatchやSoftBankプレスリリースによると、この時点で約0.7エクサFLOPS相当のAI計算性能を実現しており、日本語LLMの開発を開始する基盤となりました。ケータイ Watch+1

2024年：4000基のHopper GPU・4.7EFLOPS体制

2024年10月には、約4,000基のNVIDIA H100（Hopper）GPUを追加導入し、合計6,000GPU・約4.7エクサFLOPSのAI計算性能に到達したことが公表されています。ソフトバンク+1

この時点でSoftBankは、自社グループだけでなく、日本国内の企業や研究機関に対してIaaSとして提供する方針も示しており、「日本トップレベルのAI計算プラットフォーム」として外部開放する構想を明らかにしています。ソフトバンク+1

2025年：Blackwell世代CHIE-4と1万GPU体制

2025年に入り、Blackwell GPU世代のDGX B200を4,000基超導入し、1万GPU超・13.7EFLOPS級のAI計算基盤を実現したとされています。ソフトバンク

今回国内1位を獲得したCHIE-4は、このBlackwell世代のDGX SuperPODクラスターであり、SoftBankとNVIDIAの技術ブログでは、**510台のDGX B200、数千本のケーブル、数百台のスイッチから構成される「AIファクトリー」**として紹介されています。NVIDIA Developer

インフラ設計：ネットワーク・ストレージ・冷却

Quantum-2 InfiniBandとデータレイクの構想

CHIE-4のようなAIファクトリーでは、GPUだけでなく、データの流れをどう設計するかがボトルネック回避の鍵になります。公開情報から推測できる設計思想は次の通りです。NVIDIA Developer

コアネットワーク：Quantum-2 InfiniBandによるマルチテラビット級のスパイン・リーフ構成
ストレージ：分散オブジェクトストレージ＋並列ファイルシステム（例：LustreやGPFS相当）を組み合わせたハイブリッド構成が一般的
データレイク：学習データ・ログ・メタデータを一元管理するデータレイク基盤を用意し、ETLや特徴量生成をGPUクラスターと連携させる

これにより、LLMの前処理〜学習〜評価〜推論までのパイプラインをひとつのデータセンター内で完結させることが可能になります。

高密度・高発熱に対応する冷却とラック設計

HopperやBlackwell世代のGPUは1ノードあたり数kW〜数十kW級の発熱を伴うため、CHIE-4クラスのシステムではラックあたりの電力密度と冷却設計が重大な課題になります。NVIDIAのDGXリファレンスでは、以下のような設計が推奨されています。

ラックあたり数十kWを想定した液冷＋空冷のハイブリッド方式
冷却水・クーラントの循環を前提とした専用配管
ホットアイル／コールドアイル分離と高効率空調

SoftBankは北海道苫小牧で150MW級のAIデータセンターを計画しており、大規模電力と冷涼な気候、再エネ活用を組み合わせることで、CHIE-4のような高密度AIクラスタを長期的に支える構想とされています。Introl+1

ワークロードとユースケース：生成AI・マルチモーダル・AI-RAN

SB Intuitionsによる日本語LLM「Sarashina」などの学習

SB Intuitionsは、Sarashinaシリーズなど日本語に強いLLMを開発しており、そのトレーニングにはCHIE-4を含むSoftBankのAI計算基盤が活用されています。ケータイ Watch

数百億〜数千億パラメーター級の日本語LLM
チャットボット、検索、要約、コード生成など、多様なタスクに対応
継続学習・マルチモーダル拡張を前提としたモデル設計

Blackwell世代への移行により、より大規模なモデルや、複数モデルの同時学習・推論が現実的になっており、日本語特化モデルの品質向上が期待されます。

企業向け生成AI・マルチモーダルAI・RAGの基盤

ソフトバンクは、CHIE-4を自社グループだけでなく、国内企業・研究機関向けのIaaSとして提供する方針を打ち出しています。ソフトバンク+1

想定されるユースケースは次の通りです。

企業向け生成AI：社内文書・チャットログ・業務データを活用したRAG型アシスタント
マルチモーダルAI：画像・音声・動画・センサーデータを統合した解析・自動化
産業向け予測・最適化：製造・物流・エネルギー分野の需要予測やルーティング最適化

CHIE-4は「AIモデルの開発〜運用」の全ライフサイクルを支えるための基盤として、LLM開発だけでなく企業DXのエンジンとしての役割も期待されています。

通信ネットワーク最適化（AI-RAN）への応用可能性

SoftBankは、無線アクセスネットワーク（RAN）制御をAIで高度化する「AI-RAN」構想を掲げており、GPUを用いた信号処理の可能性を模索してきました。ソフトバンク

CHIE-4級のAIファクトリーを背景に、

トラフィック予測にもとづく基地局の省電力制御
ビームフォーミング・セル最適化
異常検知・自動復旧

といったネットワーク制御アルゴリズムをLLM・強化学習・シミュレーションを組み合わせて開発することで、「通信×生成AI」の新しいユースケースが生まれる可能性があります。

日本のAI国家戦略とCHIE-4の位置づけ

海外ハイパースケーラーとの補完関係と主権性

日本政府や企業は、数百億ドル規模のAIインフラ投資を掲げており、その中核テーマとして「データ主権」と「国内AI計算資源の確保」が挙げられています。Introl

CHIE-4のような国内AIスーパーコンピューターは、

海外ハイパースケーラー（AWS, Google Cloud, Azureなど）のクラウドGPU
外資系GPUコロケーション施設

と補完関係を築きつつも、センシティブなデータを国内で処理する選択肢を提供します。とくに、

医療・金融・行政など、データ主権が重要な領域
日本語に特化したLLMやエージェントの開発

では、**「国内に物理的に存在する高性能AI計算基盤」**としてCHIE-4が戦略的な意味を持ちます。

1350億ドル級のAIインフラ投資との関係

海外報道では、日本全体として量子コンピューターやGPUクラスタを含むAIインフラに1,350億ドル規模を投資する構想も取り上げられています。Introl

その中でCHIE-4は、

GPUベースの「AIファクトリー」の代表例
将来的な量子計算・光計算とのハイブリッド連携の足場

として、日本のAI国家戦略のショーケース的存在になりつつあると解釈できます。

サステナビリティと電力・冷却の課題

エクサスケールAI計算がもたらす電力需要

エクサFLOPS級のAIスーパーコンピューターは、数十〜数百MW級の電力を消費する可能性があります。ガートナーなどの調査でも、2030年までにデータセンター電力需要が倍増する見通しが示されており、CHIE-4のようなAIクラスタはその一因とみなされています。ZDNET Japan+1

ソフトバンク宮川社長も、講演で「AIとエネルギー問題」をたびたび語っており、AI計算とエネルギーシステムの両立が経営課題であることを認めています。ケータイ Watch+1

北海道苫小牧AIデータセンター構想との連携

SoftBankは、北海道苫小牧に150MW級のAIデータセンターを建設する計画を公表しており、再生可能エネルギーや外気冷却などを活用したサステナブルなAIインフラを目指しています。Introl+1

CHIE-4を含むAI計算基盤は、こうした新データセンターに段階的に移転・拡張されることで、

再エネ比率の向上
長期的な電力コストの抑制
カーボンニュートラル目標への貢献

といった観点からも、エネルギー政策と密接に結びつく存在になっていくと考えられます。

サービスモデル：Infrastructure as a ServiceとしてのCHIE-4

企業・研究機関向け提供と料金モデルの方向性

SoftBankは、Hopper世代GPU導入時の発表で、AI計算基盤を「Infrastructure-as-a-Service」として企業・研究機関に提供する方針を明らかにしています。ソフトバンク+1

一般的なDGX SuperPODベースIaaSでは、次のようなサービス形態が考えられます。

GPUスライス単位の時間課金（vGPU／フルノード／マルチノード予約）
コンテナ／KubernetesベースのMLOps環境提供
LLM-as-a-Service（推論API）とフルカスタム学習環境の両方

ソフトバンクの場合、通信事業者としてのネットワークインフラと組み合わせ、5G/6Gネットワーク向けのエッジAIや、閉域網から直接アクセスできるAIクラウドなど、通信とAIを融合したユニークなサービスも想定できます。

データ主権・セキュリティ・コンプライアンス対応

企業や行政がCHIE-4を利用する際には、次のようなガバナンス要件が重要になります。

国内リージョン内でのデータ滞留
政府ガイドライン（NISC、デジ庁等）や業界規制への準拠
顧客データと学習用データの分離、モデルへの取り込み範囲の明確化

ソフトバンクはすでにソブリンズクラウド領域でOracle Alloyを採用する計画を打ち出しており、データ主権を重視したクラウドインフラとAI基盤を統合的に提供する方向性を見せています。ZDNET Japan

エコシステム：SB OAI Japan・大学・スタートアップとの連携

OpenAIとの合弁「SB OAI Japan」との役割分担

ソフトバンクはOpenAIと合弁会社「SB OAI Japan」を設立し、日本企業向けにOpenAI技術を活用したソリューションを提供する計画を発表しています。ZDNET Japan

ここでの関係性を整理すると、

CHIE-4：主に基盤インフラ（GPU・ネットワーク・ストレージ）
SB Intuitions：日本語LLMなどの国産モデル開発
SB OAI Japan：OpenAIモデル（GPT系など）を活用したSaaS／ソリューション提供

という三層構造になっており、ソフトバンクはインフラ〜モデル〜アプリケーションまでの垂直統合を狙っていると解釈できます。

大学・研究機関・スタートアップへの波及効果

CHIE-4が国内1位のAI計算性能を持つことは、単にソフトバンク1社の競争力にとどまりません。

大学・研究機関が、国際競争力のあるLLM・HPC研究を国内で実施しやすくなる
スタートアップが、大規模GPUを自前で調達せずとも世界水準のAI実験環境を利用できる
産学連携・共同研究のハブとして、ソフトバンクのAIデータセンターが機能する

といった波及効果を通じて、日本全体のAIエコシステムの底上げに寄与すると期待されています。Introl+1

国際比較：Fugakuや海外AIスーパーコンピューターとの比較

科学技術計算に強いFugaku vs 生成AI特化のCHIE-4

理化学研究所と富士通が開発した「富岳（Fugaku）」は、TOP500やHPCGで世界1位を獲得した実績を持つ、科学技術計算に特化したCPUベースのスーパーコンピューターです。一方、CHIE-4はGPUを中心としたアーキテクチャで、生成AI・LLMに最適化されています。ZDNET Japan+1

Fugaku：数値シミュレーション・流体解析・ゲノム解析などHPC中心
CHIE-4：LLMトレーニング・生成AI・マルチモーダルAI中心

両者は競合関係というより、**用途の異なる「二本柱」**として、日本の計算科学・AI研究を支える存在と位置づけられるでしょう。

海外ハイパースケールAIクラスタとの位置づけ

海外では、OpenAI、Google、Meta、Microsoftなどが数万GPU規模のAIクラスタを運用しており、モデル規模・トレーニングスピードで世界をリードしています。

SoftBankのCHIE-4は、それらと比べるとGPU数では劣るものの、

日本国内では最大級
Blackwell世代GPUによる最新アーキテクチャ
通信インフラとの融合という独自の強み

を持つことで、**「日本版ハイパースケールAIクラスタ」**としての位置づけを確立しつつあります。

ビジネスインパクト：ソフトバンクグループ戦略と収益モデル

通信事業からAIプラットフォーム事業への拡大

ソフトバンクは、モバイル・ブロードバンドといった通信事業に加え、AIプラットフォーム事業を第二の柱として育成しようとしています。AI計算基盤への巨額投資に加え、OpenAIとの提携、Graphcoreの買収など、半導体・AIスタック全般に手を広げていることからも、その姿勢が読み取れます。Datacenter Dynamics+1

CHIE-4は、

自社のAI研究開発（LLM、AI-RANなど）の生産性向上
外部向けAI IaaS・PaaSとしての収益化
グループ企業（PayPay、Z Holdingsなど）のサービス高度化

といった複合的なリターンを生む「戦略投資」として位置づけられていると考えられます。

Arm・Graphcoreなど半導体戦略とのシナジー

ソフトバンクグループは、Armの株式を保有し、さらに2024年には英国AIチップ企業Graphcoreの買収にも動きました。Datacenter Dynamics+1

Arm：CPUアーキテクチャを通じたモバイル〜データセンターまでのエコシステム
Graphcore：AIアクセラレータ領域での技術獲得
NVIDIA：GPUベースのAIスーパーコンピューターでのパートナー

CHIE-4は、その中心にある**「実際に動く大規模AI計算インフラ」**として、半導体戦略の実証・商用展開の場にもなり得ます。

技術的課題とリスク：電力・部材調達・人材・運用

GPU供給制約・地政学リスクと調達戦略

H100やBlackwell GPUは世界中で需要が逼迫しており、NVIDIA製GPUの供給制約や輸出規制リスクは、CHIE-4のような大規模クラスタの拡張計画に直接影響を与えます。Datacenter Dynamics+1

ソフトバンクはNVIDIA株の売却益をAI投資に回すなど、資本面での柔軟性を確保しつつ、長期契約や複数ベンダー戦略を通じて、GPU・半導体の安定調達を目指していると考えられます。

オペレーション自動化・AIオーケストレーションの難しさ

数千GPU級のクラスターを安定運用するには、

ジョブスケジューラ（Slurmなど）とKubernetesの統合
障害検知・自動復旧・キャパシティプランニング
ユーザーごとのリソース隔離と公平性確保

といった高度なオペレーションが必要です。NVIDIAのNVISチームがSoftBankのDGX SuperPOD構築を支援したことからもわかるように、設計〜構築〜運用までエキスパートが密に関与する必要がある規模です。NVIDIA Developer

CHIE-4活用のベストプラクティス：研究者・企業が押さえるポイント

LLM/生成AIワークロードをCHIE-4に最適化する設計指針

CHIE-4のような大規模GPUクラスタを効果的に使うには、アプリケーション側も意識的に設計する必要があります。代表的なポイントは次の通りです。

並列化戦略：データ並列・テンソル並列・パイプライン並列を組み合わせ、数百GPU規模で効率的に学習できるよう設計する
チェックポイント設計：大規模モデルではチェックポイントサイズも巨大になるため、I/O負荷を考慮したスナップショット設計が必要
混合精度学習：FP16/FP8などの混合精度を活用し、性能と精度を両立させる

こうした設計を行うことで、ソフトバンク AI計算基盤 CHIE-4 の潜在能力を最大限に引き出せます。

PoCから本番運用までのステップと注意点

企業がCHIE-4を活用して生成AIソリューションを構築する場合、おおよそ次のステップが考えられます。

小規模PoC：クラウドGPUや既存LLM APIを使い、ビジネス価値を検証
スケールアップPoC：CHIE-4上でファインチューニング・RAG構成を試験
本番設計：SLA、セキュリティ、監査ログなどを組み込んだ本番アーキテクチャ設計
運用自動化：MLOps基盤と連携し、モデル更新・監視・評価を自動化

この際、**データガバナンス（どのデータをどこまで学習に使うか）**を明確にしないと、後でコンプライアンス上の問題が発生するリスクがあります。

よくある質問（FAQ）

Q1. CHIE-4と「ソフトバンク AI計算基盤 CHIE-4」は同じものですか？

はい、本記事で扱っているCHIE-4は、ソフトバンクが構築したNVIDIA DGX SuperPODベースのAI計算基盤を指しており、「ソフトバンク AI計算基盤 CHIE-4」と同じものです。SC2025のベンチマークで国内1位を獲得したシステムを意味します。ZDNET Japan

Q2. CHIE-4は一般企業でも利用できますか？

ソフトバンクは、AI計算基盤をIaaSとして企業・研究機関に提供する方針を示しています。具体的な料金やサービスレベルは個別相談になりますが、LLM学習や大規模推論用途で利用できる形が想定されています。ソフトバンク+1

Q3. CHIE-4と海外クラウドGPUを併用するメリットは？

海外クラウドGPUはグローバル展開やオンデマンドスケールに強みがあり、CHIE-4は国内データ主権と低レイテンシ、専用サポートに強みがあります。両者を併用することで、機密度の高いワークロードはCHIE-4、グローバルな検証環境はパブリッククラウドといった使い分けが可能になります。

Q4. CHIE-4はFugakuよりも性能が高いのですか？

指標によって答えが変わります。FugakuはHPCGや科学技術計算向けの指標で世界トップクラスの性能を持ち、CHIE-4はHPL-MxPなどAI向け指標で国内トップクラスです。用途（HPC vs 生成AI）が異なるため、単純な「どちらが上か」という比較は適切ではありません。ZDNET Japan+1

Q5. すでにOpenAIや他社LLMを使っている企業にもCHIE-4は必要ですか？

必ずしも「必要」ではありませんが、次のような場合にはCHIE-4の活用価値が高まります。

自社データを使って独自LLMを学習・継続学習したい
きわめて大規模なモデルやバッチ推論を高速に処理したい
国内データセンターに限定してAIワークロードを運用したい

OpenAI APIなどのSaaS型LLMとCHIE-4を組み合わせるハイブリッド構成も、現実的な選択肢です。

Q6. CHIE-4のようなAI計算基盤を自社で持つのと、借りるのではどちらが良いですか？

数千GPU級のクラスターを自社で構築・運用するには、数百億円規模の投資と高度な運用スキルが必要になります。そのため、多くの企業にとっては、ソフトバンクのCHIE-4のような外部AI計算基盤を「借りる」形の方が現実的です。自社専用クラスタが必要になるのは、グローバルハイパースケーラー級のプレイヤーに限られるでしょう。

まとめ・結論：ソフトバンク AI計算基盤 CHIE-4が意味するもの

ソフトバンク AI計算基盤 CHIE-4 は、単に「GPUをたくさん並べたマシン」ではなく、

HPL-MxP国内1位・世界5位、TOP500・HPCGでも上位に入るバランスの良いスーパーコンピューターであり、ZDNET Japan+1
Ampere → Hopper → BlackwellとGPU世代を追って拡張してきた、日本最大級のAIファクトリーであり、Datacenter Dynamics
SB Intuitionsによる国産LLM開発やSB OAI JapanによるOpenAIソリューションとも連携する、国内AIエコシステムの中核インフラです。ケータイ Watch+1

さらに、エネルギー・電力・冷却・サステナビリティといった課題、GPU供給や地政学リスク、人材・運用スキル不足といった論点も抱えていますが、それらに真正面から取り組むことで、CHIE-4は日本のAI国家戦略の象徴的存在になりつつあります。Introl+1

今後、ソフトバンク AI計算基盤 CHIE-4 をどう使いこなすかは、日本企業・研究者にとって大きなテーマです。グローバルなAI競争のなかで、日本からどのようなLLMやAIサービスが生まれてくるのか――その答えは、この巨大なAIファクトリーの上で着々と計算されつつあると言えるでしょう。