CUDAとは？ AI・科学技術計算・3DCGで使われる理由
用途・ソフト・演算精度から考えるGPUの選び方

CUDAと「CUDAコア」は別物

CUDAについて調べていると、「CUDAコア」という言葉も頻繁に出てきます。しかし、この2つは同じものではありません。

つまり、「CUDA＝ソフトウェア側を含む計算基盤」「CUDAコア＝GPU内部の演算ハードウェア」という明確な違いがあります。

「CUDAコア数が多ければ、すべての処理がその割合だけ高速になる」わけではありません。

実際の処理速度には、GPUのアーキテクチャ世代、動作クロック、メモリバス幅・帯域幅、VRAM容量、Tensor Core（AI・行列演算の高速化ユニット）、RT Core（レイトレーシング高速化ユニット）、そしてソフト側の最適化など、極めて多くの要素が複合的に関係します。GPUを比較するとき、CUDAコア数だけを見るのは危険です。

なぜAIではCUDAという言葉がよく出てくるのか

CUDAが特に頻繁に登場する分野が「AI・ディープラーニング」です。

代表的なのが、世界の研究者や開発者がAIモデルの開発に使うフレームワーク「PyTorch」です。PyTorchには torch.cuda が用意されており、CUDA対応GPU上でテンソル演算などを実行できます。

CPUだけでもAIの計算は可能です。しかし、ニューラルネットワークの処理では「大量の行列数値に対して同じような掛け算と足し算を何百万回、何億回と繰り返す」ため、並列計算を得意とするGPUとの相性が圧倒的に良くなります。

ここで押さえておきたいのは、PyTorchなどのフレームワークがすべての演算を単一のライブラリへ流しているわけではなく、処理内容に応じてバックエンドを使い分けている点です。標準実行では、行列積（GEMM）に cuBLAS / cuBLASLt、対応する畳み込みや一部Attentionに cuDNN、要素演算や独自処理にフレームワーク内蔵（ATen）やTriton等のカスタムCUDAカーネルが使われます。さらに推論の高速化が必要な場面では、標準実行とは別手段として TensorRT によるエンジン最適化を組み合わせることもできます。

CUDA Toolkitと数値計算ライブラリ

CUDAそのものと、「CUDA Toolkit」、さらにその上で動く各種演算ライブラリも分けて整理すると理解しやすくなります。

CUDA Toolkitは、CUDA対応アプリを開発・実行するための基本パッケージです。コンパイラ（NVCC）、ランタイム、プロファイラ（Nsight系）に加え、科学技術計算やAIの基礎となる標準数値計算ライブラリ群を含みます。一方、深層学習向けの cuDNN や推論最適化の TensorRT は標準のCUDA Toolkit本体には同梱されておらず、CUDA上で動く別配布パッケージ（CUDA-X AI）として提供されています。

また、FortranやC++で解析コードを開発する研究現場では、コンパイラ（nvfortran / nvc++）やOpenACC、標準並列（stdpar）、通信ライブラリをまとめた NVIDIA HPC SDK も利用されます。もっとも、一般ユーザーや既存アプリを使う制作者・研究者は、ソフトやPyTorch環境が裏側でこれらを呼び出すため、自分でCUDAコードを書く必要はありません。

科学技術計算・学術研究でのCUDA

近年は生成AIや映像・画像処理の文脈で語られやすいCUDAですが、その守備範囲はクリエイティブ用途にとどまりません。

NVIDIAが2006年にCUDAを導入した目的は、それまでグラフィックス描画向けシェーダーを介さなければ扱いにくかったGPUの並列演算器を、C言語などから直接利用できる汎用並列計算基盤（GPGPU）へ開放することにありました。当初から用途は科学技術計算だけに限定されていたわけではなく、物理シミュレーション、医用・産業用の画像・信号処理、金融工学など幅広い数値処理を対象としていましたが、中でも大学・研究機関や産業界の科学技術計算（HPC）は、2012年以降の深層学習ブームより前からCUDAを支えてきた重要な初期領域です。

数値解析では、格子点（メッシュ）や粒子・原子、巨大行列の要素に対して同一の数式処理を何百万〜何億回と反復します。多数スレッドで同じ命令を並列実行するGPU構造と広いVRAM帯域は、こうしたデータ並列計算と高い親和性を持ちます。

ただし、学術計算のすべてがCUDAを使うわけではありません。複雑な条件分岐や超大容量メモリを要する計算ではマルチコアCPUクラスタ（MPI / OpenMP）が今も多く使われ、GPU計算でもAMDのROCm / HIP、IntelのoneAPI / SYCL、ベンダー横断のKokkosやOpenACCなどが併用されています（ROCmとの違いはCUDA vs ROCm解説も参照）。

GPUを使うことと、CUDAを使うことは同じではない

ここは非常に重要なポイントです。GPUを使っているソフトが、すべてCUDAを使っているわけではありません。

GPUでグラフィックス描画や並列計算を行うための技術には、CUDA以外にも多数の規格・APIが存在します。

どの技術を使うかは、アプリケーション、OS、GPUメーカー、処理内容によって異なります。したがって、「GPUを使うソフトだからNVIDIAが必要」という考え方も、「CUDAを使わないソフトだからNVIDIAを選ぶ意味がない」という考え方も、どちらも単純化しすぎています。

制作者が知っておきたいNVIDIAの5つの言葉

NVIDIA GPUをクリエイター用途で調べると、「CUDA」「OptiX」「RTX」「NVENC」「NVDEC」といった言葉が出てきます。いずれも役割が異なるため、ここで5つを整理しておきましょう。

このように、NVIDIA GPUが制作者に支持される理由を「CUDAがあるから」だけで説明するのは不十分です。AIならCUDA、3DCGならOptiX/RTX、映像ならNVENC/NVDECという複数の技術が、1枚のGPUの中に共存しているのです。

制作ソフト別にCUDA / NVIDIAとの関係を見る

ここからは、クリエイターが実務で使うソフトごとに、CUDAやNVIDIAとの具体的な関係を見てみましょう。

※以下の「CUDA依存性」「NVIDIAとの親和性」は、ソフトメーカー公式の指標ではなく、CORE SPECが「GPU選択にどの程度影響を与えるか」を整理した判断目安です。
・CUDA依存性： そのソフトの演算処理自体にCUDAがどの程度必要か。
・NVIDIAとの親和性： CUDA以外のOptiX・NVENC・連携プラグインなども含め、NVIDIA GPUを使うメリットが制作環境全体でどの程度あるか。
（例えばTouchDesigner単体ではCUDA依存性は低いですが、ComfyUIやBlenderなどと同一PCで連携させる制作スタイルではNVIDIA親和性が高くなります）

ここで最も大切なのは、「CUDA依存性が低い＝NVIDIAを選ぶ意味がない」ではないということです。各ソフトの個別事情を見てみましょう。

Blender：CUDAだけでなくOptiXがNVIDIAを選ぶ理由になる

Blender Cyclesは、GPUレンダリングにおいて複数のバックエンドに対応しています：

• NVIDIA： CUDA / OptiX
• AMD： HIP
• Intel： oneAPI
• Apple： Metal

したがって、「Blenderを使うならNVIDIA必須」ではありません。AMD RadeonやApple MacでもGPUレンダリングは可能です。

しかし、NVIDIA GPUではOptiXを利用できます。OptiXはRTX GPUに備わる「RT Core」を活用したハードウェア・レイトレーシング高速化とAIデノイズに対応しており、Cyclesレンダリングを多用する環境では大きな強みになります。Blenderユーザーにとっては、「CUDAが使えるから」というより「CUDAとOptiXの両方を選択できる」ことがNVIDIAを選ぶ実質的な理由です。

Houdini：CUDAよりOpenCLとOptiXを見る

Houdiniについても、「Houdini＝CUDA」と考えるのは正確ではありません。

SideFXによるHoudini 22公式システム要件では、VellumやPyro FXなどの物理シミュレーションのGPU高速化には「OpenCL対応GPU」が必要とされています。つまり、Vellum / Pyro FXの高速化はCUDAではなくOpenCLです。

一方で、レンダラーであるKarma XPUは状況が異なります。Houdini 22では、Karma XPUのGPUデバイスとして現在NVIDIA OptiXが使われています。同じHoudiniの中でも、使う機能によってGPU基盤との関係が異なるのです。

Houdiniでは「CUDAに対応しているか」だけでなく、何をシミュレーションするのか、Karma XPUを使うのか、そして何GBのVRAMが必要なのかを見極める必要があります。

TouchDesigner：CUDA必須ではない。それでもNVIDIAを選ぶ意味はある

TouchDesignerは、CUDA必須のソフトではありません。

現在のTouchDesignerはVulkan 1.1対応GPUを必要とし、NVIDIAだけでなくAMDやIntel GPUも公式にサポートしています。Derivative公式では最低4GB、8GB以上のGPUメモリを推奨しています。

したがって、「TouchDesigner単体」で考えるなら、Vulkan対応、VRAM容量、描画性能、入出力環境を見るのが先決です。

しかし実際の制作現場では、TouchDesigner単体で完結しないケースが多々あります。例えば、「TouchDesigner ＋ ComfyUI」「TouchDesigner ＋ Stable Diffusion」「TouchDesigner ＋ PyTorch」「TouchDesigner ＋ Blender」といったリアルタイム生成AI連携です。複数ソフトを横断すると、TouchDesigner自体のCUDA依存性が低くても、制作環境全体ではNVIDIA GPUを選ぶメリットが大きくなる場合があります。

Unreal Engine：CUDAよりDirectX 12・RT性能・VRAMを見る

Unreal EngineもCUDAを前提とするソフトではありません。Epic GamesはWindows向け推奨GPUとしてDirectX 12対応グラフィックスカードを挙げています。

Unreal Engineでは、DirectX 12の実行性能、GPUそのもののラスタライズ描画力、ハードウェア・レイトレーシング性能、そして巨大テクスチャやNaniteジオメトリを収容するVRAM容量が判断軸になります。ただし、Unreal Engineと同一PCでBlender、Houdini、AI生成などを同時に扱うクリエイターであれば、環境全体としてNVIDIAを選ぶ合理性が出てきます。

Unity：CUDA依存性は低い

UnityもCUDAを前提とするソフトではありません。

UnityのCompute ShaderはGPU上で並列処理を行いますが、HLSLベースで記述され、WindowsではDirectX、Apple環境ではMetal、その他Vulkanなど各プラットフォームのグラフィックスAPIへ変換されて実行されます。UnityでGPUを決める際は、制作するコンテンツのレンダリング負荷、解像度、VR/XR対応、必要VRAM容量などから選ぶのが自然です。

映像制作：CUDAだけでなくNVENC / NVDECを見る

Premiere ProやDaVinci Resolveなどの映像編集では、GPUを単純な3D描画力だけで比較するべきではありません。

映像編集では、エフェクトやカラーグレーディング処理に加えて、「大量の圧縮動画を読み込む（デコード）」処理と「完成した映像を圧縮して書き出す（エンコード）」処理が連続して発生します。NVIDIA GPUには専用回路であるNVDEC（読み込み）とNVENC（書き出し）が搭載されており、対応するソフトやコーデックでは、編集タイムラインの再生や動画書き出しを効率化できる場合があります。CUDA性能だけでなく、自分が扱う動画コーデックがNVENC/NVDECに対応しているかを確認することが重要です。

なぜ制作者はNVIDIAを選ぶことが多いのか

ここまで見てくると、制作者がNVIDIA GPUを選ぶ理由は「CUDAがあるから」という単一の理由ではないことが分かります。

NVIDIAを選ぶ理由は「1本のソフト」ではなく「制作環境」に現れる

Unreal Engine単体を見ればCUDA依存性は低いです。TouchDesigner単体を見てもCUDAは必須ではありません。BlenderもHoudiniも他社製GPUで動きます。それぞれ単体で見れば、「絶対にNVIDIAでなければならない」とは言えません。

しかし、一人のクリエイターが、

と複数の制作ツールを横断するとき、状況は一変します。

NVIDIA GPUであれば、CUDA、OptiX、RTX、NVENC / NVDEC、Studio Driverという複数の技術基盤を、1つのPC環境で丸ごと利用できます。制作者にとってのNVIDIAの真の強みは、「特定のアプリで最速だから」だけではなく、「異なる制作領域をまたいでも、1つのGPU環境で対応しやすい」ことにあるのです。

GPU選びは「使いたいソフト」から始める

では実際に、クリエイターはどのようにGPUを選べばよいのでしょうか。CORE SPECでは、次の5段階の思考ステップを推奨します。

STEP 5の深掘り：「CUDA対応」と「その計算に適したGPU」は別問題

特に科学技術計算や長時間の研究・業務処理では、「CUDAが動くか」だけでなく次の3条件でGPUクラスを切り分けます。

つまり、「GPU → やりたいこと」ではなく、「やりたいこと → ソフト → 計算基盤 → VRAM・精度・信頼性条件 → GPU」の順序で考えることが失敗しない鉄則です。

CUDA依存性が高いからといって、高価なGPUが必要とは限らない

もう一つ注意したいのが、「CUDAが必要＝最上位のRTX 5090が必要」ではないということです。

例えばCUDAを利用する処理でも、扱うAIモデルが8B前後であったり、バッチサイズが小さければ、RTX 5070（12GB）やRTX 5070 Ti（16GB）といったミドル〜アッパーミドルGPUで快適に動作するケースが多々あります。

逆に、いくら計算性能が高くても、VRAM容量が足りなければOut of Memory（OOM）エラーで処理そのものが停止してしまいます（エラー原因と対処法はVRAM不足・OOMエラーの解決法を参照）。制作PC選びでは、「一番速いGPUは何か」よりも、「自分のやりたい処理がエラーなく完走できる最低条件（VRAMと計算基盤）は何か」を先に確定させることが大切です。

AMDやAppleでは制作できないのか？

もちろん、そのようなことはありません。

• Blender： AMDのHIP、IntelのoneAPI、AppleのMetalなど各社専用の高速化バックエンドが整備されています。
• Unity / Unreal Engine： DirectX 12やMetal、Vulkanに対応しており、ゲーム開発やリアルタイム描画においてAMDやApple Siliconも広く使われています。
• 大容量ユニファイドメモリ／共有メモリ： 大容量の共有メモリを持つプラットフォームも選択肢になります。たとえばApple Siliconでは、M5 Ultra搭載Mac Studioで最大512GBのユニファイドメモリに対応します。一方、AMD Ryzen AI Max+ 395搭載環境では、最大128GBの共有メモリを利用でき、そのうち最大96GBをGPU向けに割り当てられる構成があります。CUDAとの互換性は別途確認が必要ですが、非常に大きなAIモデルや3Dデータを大容量共有メモリへ収めたい用途では有力な選択肢になります（仕組みはユニファイドメモリ解説を参照）。

重要なのは、「NVIDIAが常に絶対の正解」と思い込むことではありません。使いたいソフトと制作環境を確認し、NVIDIA固有の技術（CUDA/OptiX/NVENC）が必要なのか、それともAMDやAppleでも十分に目的を達成できるのかを冷静に見極めることです。

では、「高速な専用VRAMとCUDAを持つRTX 5090」「最大512GBの統合メモリを持つMac Studio」「小型で最大128GB共有メモリを持つRyzen AI Max」のうち、あなたの仕事にはどれが合っているのか？ より詳細な実務比較は、RTX 5090・Mac Studio・Ryzen AI Maxの仕事別比較を参照してください。

ローカルLLM用途に絞って、Mac StudioとRTX 5090 / RTX PROを比較したい場合は、必要メモリ量とCUDA・MLXなどの実行環境から整理したMac StudioとRTXをローカルLLM用途で比較する → も参考になります。

まとめ：用途と計算条件からGPUを決める

CUDAは2006年の登場以来、NVIDIA GPUをグラフィックス以外の汎用並列計算へ開放してきた強力な基盤です。生成AIや機械学習だけでなく、大学・研究機関や産業界の科学技術計算においても中核的な役割を担っています。

一方で、実務や研究のPC環境全体を見渡すと、見るべき技術要素は用途ごとに異なります。

Unreal EngineやUnityのようにCUDA依存性が低いソフトもあれば、HoudiniのようにシミュレーションにはOpenCL、レンダリングにはOptiXと使い分けるソフトもあります。科学技術計算でも、単精度・混合精度でGeForce RTX 5090が活きるコードと、FP64性能やSYS-ECCが求められる領域は明確に分かれます。

だからこそ、GPUの知名度から逆算するのではなく、次の順番で思考を進めてください：

この順番で整理した結果として残る選択肢こそが、あなたの制作・研究環境にとって本当に必要なGPUです。