FuriosaAI RNGDとは？電力効率2倍の条件

RNGDとは？推論を180Wで処理するAIチップ

RNGD（Renegade）は韓国のFuriosaAIが開発するデータセンター向け推論アクセラレーターだ。推論とは、学習済みモデルへ入力を渡し、回答や分類結果を返す処理を指す。大規模モデルを一度訓練する仕事より、チャット、文書分析、画像認識を日々繰り返す仕事を狙っている。

1枚のRNGDは180Wの空冷PCIeカードで、8枚を搭載する「NXT RNGD Server」は4U、システム電力3,000W、HBM3メモリー384GB、FP8で4,096TFLOPSという仕様だ。OSはUbuntu 24.04 LTS、ソフトウェアはFuriosa SDKを使う。[2]

項目	公式仕様	導入時に確かめること
主な用途	学習済みモデルの推論	学習や特殊な演算も同じ基盤で行うか
カード電力	180W	実負荷時のサーバー全体電力
8枚サーバー	4U、3kW、空冷	ラック電力、冷却、ネットワーク
アクセラレーターメモリー	384GB HBM3	モデル、KVキャッシュ、同時接続数
ソフトウェア	Furiosa SDK	対応モデル、量子化、運用監視

GPUは学習から推論、科学計算まで幅広いソフトウェアを動かせる。一方、NPUはニューラルネットワークの演算へ構造を絞り、特定の推論で電力効率を高める。FuriosaAIは固定サイズの行列演算だけでなく高次元のテンソル収縮を基本単位にするTCP（Tensor Contraction Processor）を採用し、prefillとdecodeの双方を処理すると説明している。これは設計思想の違いであり、すべてのモデルでGPUより速いことを意味しない。[1]

推論の仕組みと費用の見方は、TechCreateの「推論AIとは？学習との違いと推論コストを解説」でも整理している。

「電力効率2倍」はどの条件で測ったのか

FuriosaAIはQwen3-32BをFP8で動かした場合、RNGDがRTX PRO 6000より電力1kW当たり最大2倍のトークンを生成すると示している。短い文脈は入力1,024／出力1,024トークン、長い文脈は入力約31,000／出力1,024トークン。4カードで測定し、8カードサーバーの電力枠へ換算している。RNGD側はSDK 2026.4、GPU側はvLLM 0.28.0だ。[2]

この比較は参考にはなるが、FuriosaAI自身の測定である。モデル、量子化、入力長、出力長、同時実行数、1人当たりの目標速度が変われば結果も変わる。会社は別の技術記事で、1人当たり20〜40 tokens per secondを満たす同時利用者数を重視し、15kWのラックで約2倍の利用者を処理できると説明している。これも同じ会社による評価で、TechCreateが実測した数字ではない。[3]

比較するときは、ピーク演算性能だけで結論を出さない。少なくとも次の条件を固定する。

• 同じモデル、重み精度、プロンプト長、出力長
• 同じ同時接続数と、初回トークンまでの待ち時間
• サーバー全体の消費電力と、目標SLOを満たした処理量
• 量子化による回答品質の差と、対応していない演算の扱い
• SDK、監視、障害復旧を含む運用工数

FuriosaAIはRNGDとNVIDIA GPUを同じシナリオで測るCLI「furiosa-perf」を公開している。LinuxとPython 3.12以降が必要で、RNGDではfuriosa-llm、GPUではvLLMを使い、電力、温度、処理量、初回トークン時間などを記録する。公開コードがあることで条件は追いやすいが、実機と検証環境は別途必要だ。[4]

GitHub - furiosa-ai/furiosa-perf

Contribute to furiosa-ai/furiosa-perf development by creating an account on GitHub.

GitHub

6.2億ドル調達は販売実績ではない

FuriosaAIは2026年10月28日、Series Dで6億2,000万ドルを調達し、投資後評価額が29億ドルになったと発表した。RNGDは同年1月に量産へ入り、2026年に2万枚を生産し、2027年はその倍を超えるメモリーと製造能力を確保したという。資金はRNGDの生産と世界展開、次世代チップの開発へ使う。[1]

確認できた事実	まだ実績ではないもの
Series Dは6.2億ドル	調達額と製品売上は別
評価額は29億ドル	評価額と顧客の費用対効果は別
2026年1月に量産開始	2027年の生産量は計画
Samsung SDSが商用サービスを開始	すべての顧客で2倍効率になるとは限らない

同社はSamsung SDSやLG Groupでの導入を挙げている。ただし、会社が発表した顧客名と、第三者が監査した利用結果は同じではない。今回確認できた外部の商用提供はSamsung SDSのNPUaaSで、個別顧客の処理量や費用削減率までは公開されていない。

購入前にSamsung Cloudで1枚から試せる

Samsung SDSは2026年7月、Samsung Cloud PlatformでRNGDを使うNPUaaSを商用化した。顧客はNPUサーバーを購入せず、需要とデータ量に応じて1、2、4、8基を選べる。回答生成、文書分析、画像認識などの推論を想定している。[5]

これはRNGDを検討する企業にとって重要な入口だ。カードを買い、ラックへ設置してから相性が分かるのでは遅い。クラウドで自社モデルと代表的な入力を動かし、GPU環境と同じSLOで比べれば、NPUへ移す価値がある処理だけを選べる。ただし、NPUaaSの公開価格表は今回確認できず、費用は問い合わせが必要になる。

Samsung SDS自身も、AI基盤はGPUの型番だけでなくワークロード適合性で選ぶべきだとしている。GPUはソフトウェア互換性が広く、NPUは特定の推論で電力効率を高めやすい。メーカーのベンチマークはモデルやバッチサイズ、精度が限定されるため、同じモデル、トラフィック、品質、SLOで試す必要がある。[6]

導入が向く仕事、急がない方がよい仕事

RNGDの検証を進めやすいのは、処理が反復的で、対応モデルと目標速度を固定できる場合だ。

向きやすい条件	慎重に見る条件
オープンウェイトモデルの推論を大量に回す	学習と推論を同じ基盤で頻繁に切り替える
電力やラック容量が増設の制約になる	独自演算や未対応モデルが多い
文書分析や社内チャットの負荷を予測できる	モデルやフレームワークを短期間で変更する
GPUと同じ実データでPoCできる	公開価格だけで即座に総費用を比べたい

既存GPUを直ちに置き換える必要はない。高い互換性が必要な開発・学習環境はGPUに残し、負荷が安定した推論だけをNPUへ分ける構成もある。小型NPUの対応ボードや制約は「Coral NPUとは？対応ボードと料金」、GPUクラウドの時間料金は「Hyperbolicとは？GPU料金とForgeの仕組み」と比較できる。

公開販売価格、NPUaaSの単価、第三者による同条件ベンチマークは、今回の一次資料から確認できない。したがって、まずクラウドまたは貸出機で代表ワークロードを測り、性能だけでなく移行工数、監視、障害時の切り戻しまで費用へ入れるのが現実的だ。

まとめ

• RNGDは、対応モデルを繰り返し動かす推論で電力制約を抑えるNPUだ。GPUの幅広い互換性とは役割が異なる。
• 最大2倍という電力効率はFuriosaAIの条件付き測定であり、自社のモデル、同時接続数、SLOを固定した比較が欠かせない。
• Samsung SDSのNPUaaSなどで購入前に試し、対応モデル、総電力、運用工数を含む総費用で判断したい。資金調達額は費用対効果の根拠にならない。

出典・参考

1. FuriosaAI「FuriosaAI closes $620 million Series D to scale efficient, production-ready AI inference」2026年10月28日
2. FuriosaAI「Furiosa NXT RNGD Server」2026年10月30日確認
3. FuriosaAI「RNGD outperforms RTX Pro 6000 with the latest SDK」2026年4月2日
4. FuriosaAI「furiosa-perf」GitHub、2026年10月30日確認
5. Samsung SDS「Samsung SDS Officially Launches Korean NPU-Based NPUaaS」2026年7月20日
6. Samsung SDS「기업 AI 인프라, GPU 사양보다 워크로드 정합성이 먼저다」2026年8月18日