NVIDIAはGPUとストレージを直結する技術「cuFile API」をオープンソース化し、AIインフラにおけるデータ供給のボトルネック解消に乗り出した。Network Worldの報道によれば、これはAIモデルの巨大化に対応し、次世代データセンターの基盤を再定義する動きである。
生成AIの爆発的な普及に伴い、AIモデルはシステムメモリの容量を遥かに超える膨大なデータを扱うようになった。これまでのAIインフラではGPUの計算能力向上に焦点が当てられてきたが、データ転送はCPUを介する従来のI/Oモデルに依存していた。SiliconANGLEの解説では、このCPU経由のデータパスがボトルネックとなり、GPUがデータの到着を待ってアイドル状態になる「GPUスタベーション」を引き起こし、高価な計算リソースの稼働率を低下させていると指摘されている。
NVIDIAがオープンソース化した「cuFile API」は、GPUがCPUを介さずにストレージへ直接アクセスする「GPUDirect Storage (GDS)」ソフトウェアの主要コンポーネントである。Forbesの技術分析によると、これによりNVMeドライブなどのストレージからGPUメモリへ直接データを移動させ、メモリアクセス遅延を大幅に削減する。さらに、セキュリティを確保しつつ高速な直接アクセスを実現するため、「SCADA（Scaled, Accelerated Data Access）」フレームワークを導入。これは特権的な構成プロセスとユーザーアプリケーションを分離し、安全な並列処理を可能にする仕組みである。
NVIDIAは「Storage-Next」と呼ばれる業界横断的なイニシアチブを主導し、DDN、キオクシア、マイクロンなど40社以上のストレージおよびフラッシュメモリ企業がこれに参加している。このイニシアチブは、GPUと連携したメモリおよびストレージの最適化を目指し、GPU駆動型ストレージの動作を定義し、オープンな業界標準へと変換することを目標としている。Google、Intel、Metaも設立メンテナーとして参加しており、NVIDIAを中心としたエコシステムがAIストレージの標準を確立する可能性を示唆している。
ストレージが単なる保管場所から計算プロセスに能動的に関与する「アクティブなデータパス」へと昇華することは、データセンター運用者にとって大きな意味を持つ。GPUスタベーションの解消は、高価なGPUリソースの利用効率を最大化し、AI学習や推論の高速化に直結する。これにより、より大規模なAIモデルの運用や、RAG（検索拡張生成）やエージェントAIといった現代的なAIワークロードの性能を飛躍的に向上させることが期待される。インフラ管理の観点では、I/Oボトルネックの特定と解消がより容易になる可能性がある。
NVIDIAが主導するcuFile APIのオープンソース化とStorage-Nextイニシアチブは、AIストレージの業界標準化を加速させる一方で、NVIDIAのエコシステムへの依存を強める可能性も指摘される。他社製ハードウェアとの真の相互運用性がどこまで担保されるのか、またSCADAフレームワーク導入による既存ストレージインフラとの互換性コストや運用上のオーバーヘッドがどの程度発生するのかは未解決の論点である。クローズドな最適化とオープンな標準化のバランスをどう保つかが、今後の普及の鍵を握るだろう。
