Late but On Time
「最後の遅参組」から
ようやく Meta も乗る
ハイパースケーラーの自社シリコン化は、実はもう 10 年近い流れです。Google は 2016 年に TPU v1 を社内展開し、いまや Gemini の学習は自社製アクセラレータが主軸。Amazon は 2021 年に Trainium を投入して Claude の再学習・推論のインフラ選択肢を広げ、Microsoft は 2023 年に Maia 100 を出して OpenAI 系ワークロードの一部を自前で回し始めました。この一覧に、これまで唯一名前が無かったのが Meta だった訳です。
そこに、Iris が 2026 年 9 月から量産開始。Meta のクラスタは Llama 系（テキスト・音声・マルチモーダル）の学習と、Instagram / WhatsApp / Threads 各プロダクトのレコメンド推論に大量の GPU を張り付けており、そのコスト構造にとってこのタイミングでの内製化は無視できない意味を持ちます。Meta AI の公式チャネルが示唆する通り、Iris はまず社内推論ワークロードから徐々に自前化を進める“段階置換”の設計に見えます。
| これまでの Meta（NVIDIA 全乗せ） | Iris 時代（2026.09 以降） |
|---|---|
| H100 / H200 / GB200 をひたすら追加購入 | 推論から順に自社設計 Iris に段階置換 |
| Llama の学習コストは NVIDIA 価格に連動 | 設計・製造の内製化で単価が読める構造に |
| 供給不足のたびにロードマップが揺れる | Iris で下限が固まり計画が立てやすくなる |
| TPU / Trainium 陣営に対して遅れの印象 | 4 社目のハイパースケーラー自社シリコン |
ハイパースケーラーの競争は、
いずれ自分でチップを作れるかの話になる。
Why Now
2026 年 9 月という
タイミングの意味
この日付には、Meta の 2026 年ロードマップから見て 3 つの必然があります。
Llama 5 系の推論コストが読み切れなくなっていた
マルチモーダル・長文コンテキスト・音声を全部乗せた Llama 5 系は、既存 H100 クラスタでは推論単価が急上昇し、無償公開の広告モデルを持続する採算が悪化していました。Iris は「配りきる価格」を守るためのハードウェア側の答え、という位置付けです。
NVIDIA GB300 の供給に依存し切りたくない
2026 年後半に本命として控える NVIDIA GB300 は割当と価格のどちらも供給元次第。Iris の量産開始をぶつけて交渉レバレッジと設備投資の予測可能性を同時に取りに行く形です。
広告と推薦のワークロードは自前が最適
Meta の売上の柱である広告・レコメンドは、モデル形状が比較的安定していて自社アクセラレータの ROI が最も出やすい領域です。Iris が最初に置き換えるのは、生成 AI ではなく、この社内推論群と見るのが自然でしょう。
By The Numbers
Iris を測る 3 つの数字
Who It Hits
誰に・どう効くか
いちばん直接的に恩恵を受けるのは、Llama をコスト重視で組み込んでいる開発チームです。Meta が推論コストを下げられれば、無償・低価格の API・ホステッド提供が続きやすくなり、「Llama を裏に置いて自作プロダクトを回す」戦略の耐用年数が延びます。7 月にはコーディング特化の Muse Spark も投入されており、Iris はそれらの下地としても効いてきます。
反対に短期の直接影響が薄いのはクラウド API のヘビーユーザーです。ChatGPT / Claude / Gemini を主軸に使っている場合、Meta の内製化がすぐに月額を下げる訳ではありません。ただし中期では、フロンティア 4 社（Google / Amazon / Microsoft / Meta）が全員自社シリコンを持つ構図が完成することで、NVIDIA 側の価格支配力がさらに削がれ、間接的に API 単価にも波及します。
情シス・購買には稟議項目の性質変化が波及します。「NVIDIA GPU 枠の確保」だけで組んでいた IT 予算計画が、「どのラボの自社シリコン系統に張るか」というポートフォリオ判断に変わっていく。Iris は「Meta 経済圏に長期で乗るか」を評価軸に組み込む契機になります。
What's Next
次の 6〜12 か月で見るべき指標
短期の判断材料は 3 つ。1）Iris の実効性能ベンチマーク：Meta が Iris 発表と同時に、または量産の直前に、独自ベンチと MLPerf 相当のスコアをどこまで開示するか。TPU v5p や Trainium 2 と比較可能な数字が出るかがそのまま業界的な信頼度になります。2）Llama の推論単価の変化：Meta のホステッド Llama サービスや、Bedrock 経由の Llama 推論単価が、量産開始後の 90 日でどう動くか。ここが下がれば Iris の実運用投入が始まった信号です。3）NVIDIA の反応：GB300 の割当や価格戦略に影響が出るかどうか。特に第 3 位以下のクラウドベンダーとの価格差がどう動くかを追いたい。
推奨アクションは 3 つに絞れます。① 自社の AI 予算計画を「NVIDIA 枠の確保」から「使うモデルベンダーとその調達戦略」の 2 軸に組み替える。② Llama を組み込む案件は、Meta ホステッド版の推論単価を 3 か月ごとに再計測する運用に切り替え、Iris 効果が乗るタイミングを掴む。③ 長期の 3〜5 年契約は、特定チップアーキテクチャに強く紐づいたロックイン条項を避け、モデルの移植性を保つ設計を交渉のテーブルに載せる。
Counterpoint
過剰評価しないための注意点
楽観一辺倒ではありません。まず、「量産開始」と「主要ワークロードの置換完了」は別物です。TPU も Trainium も、実際に社内ワークロードの過半を回すまで数世代 (2〜4 年) を要しました。Iris が発表通り 9 月に立ち上がっても、Llama の学習主軸が Iris に乗るのはさらに先の見込みで、「今日から Meta が NVIDIA 依存を脱した」と評価するのは早すぎます。
また、ソフトウェアスタックのリスクが残ります。CUDA / cuDNN + PyTorch のエコシステムはすでに完成度が高く、Iris 独自のコンパイラ / ライブラリが業界標準に迫る品質に達するかは未知数。過去にも Habana / SambaNova / Graphcore などが同じ壁で苦戦してきました。Meta 内で PyTorch の生みの親組織が Iris をどこまで一級市民として扱うかが、成否を分けます。
最後に、SNS レコメンドと LLM は別のワークロードという古典的なリスク。Meta の推薦系は大量の埋め込みルックアップとテンソル演算を混ぜたワークロードで、汎用トランスフォーマー中心のアクセラレータ設計とは要件が異なります。Iris が両方に効くのか、それとも別系統の設計が必要になるのか——ここは 2027 年の第 2 世代を待って判定するのが公平です。