AIファクトリーの運営コストにおいて電力は運用費の40％を占め、地域供給による電力制限がパフォーマンスの上限となっている。この制約下、パフォーマンス・パー・ワットがトークンコストと収益性を決定する主要指標となる。NVIDIAは、ハードウェア、冷却、システムインフラの極限協調設計とエコシステム連携により、推論と学習のフルスタック最適化で業界最低のトークン単価を実現している。 収益創出の鍵である推論ワークロードでは、MoEモデルの採用によりエネルギーあたりの知能効率が向上し、NVIDIA DynamoやTensorRT-LLMを活用したソフトウェア最適化でスループットを最大化している。演算精度ではFP8対比でエネルギー効率が高いNVIDIA NVFP4の採用も進み、固定電力制約下でより多くのトークン生成を可能にしている。 大規模言語モデルの学習プロセスでは、ミシガン大学ML.ENERGYとの共同研究により、GPU間のアイドル状態を削減するエネルギー認識型スケジューリングを実装。クリティカルパス上のGPUのみ最大速度で動作させ、他を意図的に制御することで、エンドツーエンドの学習時間を変更せずに約25％のエネルギー消費を削減し、節約した電力を推論や追加学習へ回すことが可能となった。 基盤層では、NVIDIA DSXプラットフォームがリアルタイムの計測データと施設電力、冷却容量を統合制御。DSX MaxLPSは45°C冷水冷却や動的電力配分により施設内の電力配分を最適化し、DSX Flexは外部グリッド信号と連携して工場全体の電力需給を調整する。これにより、設計段階のシミュレーションから運用時の実データまで一貫したエネルギー可視化と制御を実現している。 電力制約を競合優位性へ転換するため、NVIDIAはDSXとデジタルツイン、ベンチマーク駆動のワークロード最適化を統合。ISC 2026では電力最適化されたAIファクトリーの設計・運用事例を紹介予定。固定電力枠内でパフォーマンス・パー・ワットを最大化することは、トークン単価の低下と事業収益性の持続的向上に直結する。