AIインフラを支えるLinux技術
世界のAIを動かしているのは、GPUをたくさん積んだLinuxサーバの群れです。この回では、そのAIインフラを支える技術——GPUドライバの確認、コンテナでのML環境づくり、複数マシンのジョブ管理、推論APIサーバ——を見ていきます。うれしいことに、ここで使う道具のほとんどは、これまでのトラックで学んだLinuxの知識そのものです。「AIインフラエンジニア」は、Linux管理者のまっすぐな延長線上にあります。
スマホでAIに話しかけると、数秒で答えが返ってくる。その裏側では、遠くのデータセンターに並んだ大量のLinuxサーバが、猛烈な計算をこなしている。
このAIインフラを支えているのが、GPUと、それを束ねるLinuxの技術だ。そして安心してほしい。ここで出てくる道具の多くは、このポータルの他のトラックで既に学んだものの応用にすぎない。
🖥 主役はGPU
ふつうのプログラムはCPUで動く。だがAIの計算は、同じような掛け算を一度に何万個も行う。これはCPUより、GPU（画像処理用に生まれた並列計算装置）が桁違いに得意だ。
だからAIサーバは、高価なGPUを1枚から数枚、多いものでは1台に8枚も積んでいる。この計算力がAIの源泉だ。
GPUをLinuxから使うには、まずGPUメーカーのドライバが要る。NVIDIA製GPUなら、ドライバを入れると nvidia-smi というコマンドが使えるようになる。
nvidia-smi が command not found なら、ドライバがまだ入っていない。ディストリ公式の手順（Ubuntuなら ubuntu-drivers など）で入れるのが安全だ。
🧮 CUDAという土台
GPUに計算をさせる共通の仕組みが CUDA だ。AIのライブラリ（PyTorchなど）は、内部でCUDAを通してGPUを動かしている。
つまり積み重ねはこうだ。いちばん下に物理GPU、その上にドライバ、その上にCUDA、いちばん上にAIプログラム。どの層が欠けても計算は走らない。
🐳 コンテナでML環境を固める
AIの環境づくりは、ライブラリのバージョン地獄に陥りやすい。「同僚のPCでは動くのに自分のでは動かない」が日常茶飯事だ。
そこでコンテナ（Dockerトラックで学んだ箱）の出番になる。GPUを使うコンテナも、専用の仕組み（NVIDIA Container Toolkit）を入れれば動く。
こうしておけば、AI環境をまるごと箱に閉じ込めて、別のサーバでも寸分たがわず再現できる。「動く環境」を配れるのがコンテナの威力だ。
🕸 1台から複数台へ
AIの計算は、1台のサーバでは足りなくなることがある。学習には何十枚ものGPUを、何日も回すことがあるからだ。
そうなると、複数のマシンに計算を割り振る「オーケストレーション」が必要になる。その代表が Kubernetes で、たくさんのコンテナを何台ものサーバへうまく配置してくれる。
🚪 モデルを配る——推論APIサーバ
学習し終えたAIモデルは、最後に「使えるようにする」段階がある。多くの場合、モデルを推論APIサーバとして立て、HTTPで問い合わせを受ける形にする。
ここから先は、実はサーバ構築トラックやネットワークトラックで学んだ世界そのものだ。ポート、リバースプロキシ、TLS、監視——AI特有ではなく、ふつうのサーバ運用の知識が効く。
🧭 Linux管理者の延長線上
GPUドライバ、コンテナ、複数台管理、APIサーバ、監視。並べてみると、AIインフラエンジニアの仕事は、Linux管理者のスキルをAI向けに伸ばしたものだと分かる。
だから、AIの時代にLinuxを学ぶのは遠回りではない。むしろ、AIを「動かす側」に回るための最短ルートなのだ。
次の最終回では、そんなAI時代に「何を学び続ければいいか」の地図を描いて、このトラックを締めくくろう。