GPUの「TFLOPS」、AIチップの「TOPS」、SSDの「IOPS」。どれも速さを連想させますが、測っている対象も前提もまったく違います。この記事では、五つの単位の意味、単純に比べてはいけない理由、代表的な製品のカタログ値の読み方を整理し、最後にこの読み替えを半導体関連の企業比較に生かす方法を示します。数値は2025年10月時点の公式資料に基づきます。
五つの単位は、それぞれ別のものを測っている
| 単位 | 測っているもの | 主な使い道 |
| FLOPS | 浮動小数点演算の回数／秒 | 科学計算、AIの学習 |
| TOPS | 演算の回数／秒（多くは整数） | AIチップの推論性能 |
| IOPS | ストレージの読み書きの回数／秒 | SSDやデータベース |
| MIPS | 命令の実行回数／秒 | 古い指標。総合評価には不向き |
| SPEC | 標準化された実アプリ系ベンチマーク | CPUの総合比較 |
FLOPSには、TFLOPS（10の12乗）、PFLOPS（10の15乗）、EFLOPS（10の18乗）といった接頭語が付きます。科学計算では倍精度のFP64、機械学習ではFP32、TF32、FP16、BF16、FP8などの低い精度が使われ、同じ装置でも精度によって値が大きく変わります。
IOPSは演算性能とは別物です。読み書きの単位の大きさ、ランダムか連続か、待ち行列の深さで値が大きく動きます。小さな単位のランダムな読み書きに強い構成が、大きなファイルを連続で読むときに速いとは限りません。
MIPSは、命令の「重さ」が命令セットごとに違うため、同じ1命令でも仕事量が異なり、昔から比較指標としての弱さが指摘されています。SPECは非営利のベンチマーク団体で、SPEC CPU 2017などの結果は公開の審査を経るため、比較の公正さが担保されています。
単純に比べてはいけない四つの理由
第一に、精度で桁が変わります。NVIDIA H100（SXM）の公式仕様では、FP64が34 TFLOPS、TF32のTensorコアが989 TFLOPS、FP8のTensorコアが3,958 TFLOPSです。同じGPUが、精度次第で100倍以上違って見えます。
第二に、FLOPSとTOPSは原理的に別物です。
第三に、ベンチマークの物差しが違います。スーパーコンピュータのTOP500は、行列計算に最適化したHPLで、FP64の実効性能を競います。2025年6月の1位はEl Capitanの1.742 EFLOPS、富岳は442 PFLOPSでした。この順位はAI推論の速さとは無関係で、AIの比較にはMLPerf、CPUにはSPEC CPUが向いています。
第四に、メモリの帯域という「床」があります。演算器がいくら速くても、データの供給が追いつかなければ性能は頭打ちです。Rooflineモデルは、データ1バイトあたりの演算量とメモリ帯域の関係から、性能が計算で決まるのか、帯域で決まるのかを示す枠組みです。
代表的な製品のカタログ値を読む
- GeForce RTX 4090: シェーダー83 TFLOPS、AI向けTensorで1,321 AI TOPS。ゲームとAI推論寄りの数字で、FP64の科学計算とは別世界
- NVIDIA H100（SXM）: 上記の精度別FLOPSに加え、HBMの帯域が3.35 TB/s。科学計算、学習、推論で得意な精度が分かれる
- Jetson AGX Orin: 最大275 TOPS。INT8を想定したエッジ推論のピーク値で、学習性能を表すものではない
- Google Cloud TPU v5e: BF16で1チップ最大197 TFLOPS。行列計算に特化し、実効性能はネットワークやソフトの最適化にも左右される
- AMD EPYC 9754、Intel Core i9-14900K: どちらも公式のFLOPS値は示されない。CPUの性能は命令の組み合わせやメモリ階層で大きく変わるため、SPEC CPUなどの結果で比べるのが実務的
読み替えの手順
数字を見たら、次の順に確かめます。
- 対象の仕事は何か: 科学計算、学習、推論、データ処理、ストレージのどれか
- 物差しは合っているか: FP64のFLOPS、低精度のFLOPS、INT8のTOPS、IOPS、SPECやMLPerfのどれを見るべきか
- 前提はそろっているか: 精度、整数か浮動小数点か、疎行列による上乗せの有無
- 帯域を見たか: HBM、PCIe、NVLink、ノード間のネットワーク
- 運用の制約を入れたか: 電力、冷却、大きさ、費用
よくある誤読は三つです。「TOPSが高ければLLMの推論も速い」は誤りで、文章の生成はメモリ帯域の影響を強く受けます。「PFLOPS級のGPUならどんな科学計算も速い」も誤りで、通信やデータの不規則な読み出しが律速なら性能は伸びません。「Jetsonの275 TOPSはクラウド並みの学習性能」も誤りで、エッジ機は推論用と考えて役割を分けるのが現実的です。
性能指標を、半導体企業の比較に使う
この読み替えは、投資の情報を読むときにもそのまま使えます。新製品の発表や決算説明では、「前世代の何倍」「最大何TOPS」といった数字が強調されます。しかし、比べている精度が違えば、何倍という数字は意味を失います。疎行列込みの理論値なのか、実アプリでの値なのかでも、評価は変わります。
企業を比べるときは、まず物差しをそろえます。AIに発表資料を読ませるときも、前提の確認から頼むと誤読を防げます。
この発表資料にある性能の数値を、精度（FP64、FP16、FP8、INT8など）、疎行列の有無、理論値か実測値か、の三点で表に整理してください。資料に書かれていない項目は「記載なし」としてください。
そろえた表を、発表のたびに記録し、自分の基準で見直していけば、見出しの数字に振り回されずに済みます。拙著『ChatGPTではじめるAI株式投資』は、AIでニュース、決算、企業情報を比較し、記録し、自分の基準で見直す流れを作る実践書です。技術の数字を投資判断の材料に変える手順が分かります。
社内でのAI導入の判断や研修に落とし込みたい方は、AI導入方針・研修設計の整理もご覧ください。