Affiliated with
提携・所属
Berkeley SkyDeck IPP · Batch 21
NUS · PoC Support
シンガポール国立大学 · PoCサポート
Nihon University · PoC Support
日本大学 · PoCサポート
While the world waits 18 months for a B200, FUJI aggregates idle cycles from commodity PCs worldwide and synthesizes them into H100-class clusters on demand. No quota application. No 6-month wait. No checkpoint rewinds when nodes die. Up to ~70% below AWS pricing. 世界中がB200を18ヶ月待つ間に、FUJIは世界中の汎用PCの遊休サイクルを集約し、H100級のクラスタをオンデマンドで合成します。クォータ申請も6ヶ月の待機も不要。ノード故障時のチェックポイント巻き戻しも不要。AWS比 最大約70%の価格削減。
Berkeley SkyDeck IPP · Batch 21
Every AI startup in 2026 faces the same wall: they know what to build, but the compute to train it isn't available at any price they can pay, on any timeline they can wait — and even when they secure it, a single dying node can wipe out a week of work. Here's what it looks like in four places: 2026年のAIスタートアップは皆、同じ壁にぶつかります。何を作るかは分かっている。しかし、それを学習させる演算資源が、支払える価格でも、待てる時間内でも、手に入らない。仮に確保できても、ノード1台の故障が1週間分の作業を消し飛ばします。その実態を4つの場面で示します:
Even the world's largest cloud cannot meet H100 demand. Quota approvals take quarters, not hours. Fortune 500 gets first dibs. 世界最大のクラウドでさえH100の需要を満たせません。クォータ承認は数時間ではなく数四半期かかり、Fortune 500が優先されます。
Akash, Golem, Render rent you what someone already owns. Almost no one on these networks owns H100s. Rental marketplaces inherit the shortage. Akash、Golem、Renderは「誰かが既に所有しているもの」を貸し出すモデル。しかしこれらのネットワークでH100を所有する参加者はほぼいません。レンタル型は供給不足をそのまま継承します。
CoreWeave requires multi-day enterprise onboarding; reserved capacity favors 3+ month commitments. Lambda and Nebius offer on-demand pricing, but H100 inventory frequently sells out during peak demand. Not for teams who need a cluster running in the next 30 minutes. CoreWeaveは複数日のエンタープライズ調達プロセスが必要で、reservedキャパシティは3ヶ月以上のコミットが標準。LambdaとNebiusはオンデマンド提供があるものの、H100在庫が需要ピーク時に頻繁に枯渇します。「30分後にクラスタが立ち上がっていて欲しい」というチームには合いません。
Meta's Llama 3 405B training report (public): 419 interruptions in 54 days — one every 3.1 hours, 58.7% from GPU faults. Each event rewinds ~6 hours to the last checkpoint. On a 1,024-GPU run, that's $50–100K of compute wasted per failure. The same pattern hits AI training, rendering, simulation, and game dev. Meta公開のLlama 3 405B学習レポート: 54日間で419件の中断 — 約3.1時間に1回、58.7%がGPU起因。各中断で約6時間分のチェックポイント巻き戻しが発生。1,024 GPU 規模の学習では、1回の故障で$50–100Kの演算資源が無駄に。同じ問題がAI学習、レンダリング、シミュレーション、ゲーム開発でも発生しています。
You specify performance. FUJI assembles it from whatever commodity PCs are idle right now — a laptop in Tokyo, a workstation in Berlin, a server in Singapore — and unifies their RAM into a single virtual address space. The cluster is real. So is the performance. 必要なのは性能を指定することだけ。FUJIは今この瞬間に遊休している世界中の汎用PC — 東京のラップトップ、ベルリンのワークステーション、シンガポールのサーバ — を集めて、それらのRAMを単一の仮想アドレス空間に統合します。クラスタは実在し、性能も実在します。
Because FUJI doesn't own hardware and doesn't rent someone else's — it synthesizes performance from whatever is available — supply and demand are decoupled. We cannot run out. FUJIはハードウェアを保有しません。誰かのハードウェアを借りるわけでもありません。利用可能なものから性能を「合成」するため、需要と供給が構造的に切り離されており、枯渇しません。
Akash, Golem, Render, Bittensor, io.net and others have all attempted decentralized compute. None achieved production-grade AI training at scale. The reasons aren't business — they're architectural. Three structural limits, each of which we had to solve before FUJI could exist. Akash、Golem、Render、Bittensor、io.netなどが分散コンピュートに挑戦してきましたが、いずれも本番水準のAI学習を大規模に成立させることはできていません。理由はビジネスではなく、アーキテクチャにあります。FUJIが成立するために、解決を要した3つの構造的限界です。
The problem: When node hardware varies, the slowest node throttles the entire job. The larger you scale, the worse the bottleneck becomes — the opposite of how production-grade compute should behave. 問題: ノード性能が異なるとジョブが律速されます。規模拡大ほど性能が劣化する ── 本番水準の計算資源が本来あるべき挙動と逆の現象です。
FUJI's resolution: AI orchestration (FUJI Boost) continuously profiles node response speed, bandwidth, and reliability, then distributes sub-divided jobs across performance-matched node clusters. Scale improves performance instead of degrading it. FUJIの解決: AI管理層 (FUJI Boost) が全ノードの応答速度・通信帯域・信頼性を常時評価し、性能の異なるノード群に細分化したジョブを順次配分。規模拡大しても応答速度は劣化しない。
The problem: In conventional overlay networks, communication cost grows multiplicatively with hop count. Even state-of-the-art research achieves only 8–10× improvement. Beyond a threshold, scale becomes economically impossible. 問題: 従来のオーバーレイネットワークでは経路長に対して通信コストが指数的に増大します。最先端の研究でも改善は8〜10倍止まり。閾値を超えると、規模拡大が経済的に不可能になります。
FUJI's resolution: MAP overlay communication eliminates per-hop overhead entirely. Cost scales linearly with path length, not exponentially. The advantage widens — not stays constant — as the network grows. FUJIの解決: MAP オーバーレイ通信がホップごとのオーバーヘッドを根本的に除去。コストは経路長に対して指数的ではなく線形。ネットワーク拡大とともに優位性は定数倍ではなく拡大します。
The problem: Lose one node, the job halts. Recovery requires human intervention. Distributed databases self-heal at the data layer; service meshes self-heal at the network layer. Until FUJI, no production system did both as a single integrated mechanism. 問題: 1台落ちると全体停止。復旧には人手介在が必要です。分散データベースはデータ層で、サービスメッシュはネットワーク層で自己修復しますが、FUJIまでは両者を1つの統合機構として実現した本番システムは存在しませんでした。
FUJI's resolution: A self-healing substrate integrating nodes and data. When a node is lost, the network re-routes automatically — no manual intervention. Even Llama 3-scale workloads (one GPU failure per 3.1 hours) are absorbed without halting. FUJIの解決: ノードとデータを統合した自己修復基層。ノード喪失時に自動切替され、手動介入は不要。Llama 3 級 (3.1時間に1回のGPU障害) でも停止せずに吸収します。
All three limits had to be resolved before FUJI could exist. This is why decentralized compute remained pre-production for 8 years — and why FUJI is the first to deliver it at industrial scale. 3つの限界すべてを解決した後でなければ、FUJIは成立しませんでした。これが、分散コンピュートが 8 年間試されながら本番水準に達しなかった理由 ── そして FUJI が初めて産業規模で実現できた理由です。
FUJI's defensibility is not a single trick. It is a portfolio of architectural choices, each requiring multi-year R&D — and one of which is structurally impossible to replicate on any other platform. The fourth point below is the operational consequence customers feel daily: failure-tolerance by design. Full technical characterization is available under NDA. FUJIの優位性は単一のトリックではなく、複数年のR&Dを要するアーキテクチャ選択の組み合わせです。そのうち一つは、他のプラットフォーム上では構造的に再現不可能です。4点目は、上記から派生する、顧客が日々体感する運用上の結果 — 設計上の障害耐性です。技術詳細はNDAの上でご提供します。
Akash, Golem, Render, io.net are rental marketplaces — they match a buyer who needs GPU type X with someone who happens to own type X. FUJI accepts any PC and dynamically extracts and recombines CPU/RAM/SSD across nodes to assemble whatever performance profile was requested. Akash、Golem、Render、io.netはレンタル型マーケットプレイス — GPU種類Xを必要とする買い手と、Xを所有する売り手をマッチングします。FUJIはあらゆるPCを受け入れ、ノード間でCPU/RAM/SSDを動的に抽出・再結合して、要求された性能プロファイルを組み立てます。
To our knowledge, no production system does this. Disaggregated-computing research (CXL, IBM composable systems) remains pre-production. 我々の知る限り、これを本番運用するシステムは存在しません。Disaggregated computing研究 (CXL、IBM composable systems) は本番投入前段階に留まっています。
Conventional overlay networks have communication cost that grows multiplicatively with hop count. Published state-of-the-art achieves an 8–10× messaging-cost improvement. Our routing logic — internally called MAP — eliminates the per-hop overhead entirely. This is an algorithmic-class improvement: the gain widens as the network grows, not a fixed multiple. 従来のオーバーレイネットワークの通信コストはホップ数に対して乗算的に増加します。公開された最新研究でも改善は8〜10倍止まり。我々のルーティング論理 — 社内名称 MAP — は、ホップごとのオーバーヘッドを根本的に除去します。これはアルゴリズムのクラスを変える改善であり、ネットワークが大きくなるほど差が開きます。固定倍数の改善ではありません。
For multi-hop routes, the gain over conventional overlays is orders of magnitude beyond published academic SOTA. マルチホップ経路では、従来オーバーレイ比で学術SOTAを桁違いに上回る改善が生じます。
Our encode-decode training architecture exploits a property unique to FUJI Network: forward-flowing computation without return-to-coordinator. This unlocks training methods that aren't possible on conventional distributed systems — not by our restriction, but by their architecture. 我々のencode-decode学習アーキテクチャは、FUJI Network固有の性質 — コーディネータへの戻りを必要としない順方向計算 — を活用します。これは従来の分散システムでは実現できない学習手法を解放します。我々が制限しているのではなく、彼らのアーキテクチャでは構造的に不可能なのです。
For a meaningful class of training workloads, FUJI is not "up to ~70% below AWS" — it is the only place these workloads run at all. 特定の学習ワークロードにおいて、FUJIは単に「AWS比 最大約70%安価」というだけではなく、それが実行できる唯一の場所です。
Centralized clusters halt the entire run when one GPU dies. Meta's Llama 3 405B report shows 419 interruptions in 54 days — and each event rewinds ~6 hours to the last checkpoint. The same failure mode hits AI training, video rendering, scientific simulation, and game dev. FUJI's N-redundant fabric routes around dead nodes without halting the job: 0 hours rewound, 0 jobs lost. 集中型クラスタでは、GPU1台の故障で学習全体が停止します。MetaのLlama 3 405B レポートでは54日間に419件の中断が発生 — 各中断で約6時間分のチェックポイント巻き戻しが必要。同じ問題はAI学習、動画レンダリング、科学計算シミュレーション、ゲーム開発でも発生します。FUJIのN重冗長ファブリックは、ジョブを停止せずに故障ノードを迂回します: 巻き戻し0時間、ジョブ消失ゼロ。
How it's possible: Conventional distributed databases self-heal at the data layer; service meshes self-heal at the network layer. FUJI integrates both into a single mechanism through program-level consistency coordination — a node × data × code trinity. This is structurally impossible in hyperscaler-dependent stacks, where data, control, and routing are owned by different vendors. なぜ実現できるか: 従来の分散データベースはデータ層で、サービスメッシュはネットワーク層で自己修復しますが、両者をプログラム側の整合性調整で統合し、ノード・データ・コードの三位一体として動かしているのが FUJI。データ・制御・経路を別ベンダーが持つハイパースケーラー依存の構成では、構造的に不可能なアーキテクチャです。
For a 1,024-GPU H100 run, this means $50–100K of compute saved per failure event — recurring at the rate of one every ~3 hours on hyperscaler infrastructure. 1,024 GPU H100 規模の学習では、これは1回の故障あたり$50–100Kの演算コスト節約を意味します — ハイパースケーラインフラ上では約3時間に1回発生する問題です。
This is what FUJI looks like in production. Every point of light is a real commodity PC contributing cycles. Every line is an H100-class cluster synthesized in under a minute. FUJIの本番運用時の姿です。光る一点ごとに、サイクルを提供している実在の汎用PCがあります。線一本ごとに、1分未満で合成されたH100級クラスタがあります。
* Preview shown below is a development mockup. Production dashboard may differ. ※ 下記は開発中のデモ画像です。実際のダッシュボードと異なる場合があります。
Decentralized compute has been tried for 8 years. It failed because the market wasn't ready and the technology wasn't viable. Both changed in 2024–2026. 分散コンピューティングは8年間試され、市場と技術の双方の未成熟により失敗してきました。2024–2026年に、その両方が変わりました。
50× compute growth projected 2020–2030. H100 backlogs at AWS, GCP, Azure. GPU shortage is now a boardroom topic. 2020–2030年で50倍の計算需要増。AWS、GCP、Azure全てでH100の受注残。GPU不足は今や経営会議の議題です。
DC buildouts 3–5 years behind permit queues. Japan's DCs competing for power with Rapidus and TSMC fabs. データセンタの新設は許認可で3〜5年遅延。日本のDCはRapidusやTSMC熊本ファブと電力を奪い合っています。
2025's AWS, GCP, Azure, Cloudflare outages broke "centralized is safer." Every CISO is rethinking dependencies. 2025年のAWS、GCP、Azure、Cloudflare障害が「集中型は安全」という前提を崩しました。全てのCISOが依存構造を見直しています。
Asahi GHD ~$330M loss. Change Healthcare. KADOKAWA. Then in Nov 2025, Anthropic disclosed GTG-1002 — the first AI-orchestrated cyberattack (80–90% autonomous). These became CEO-firing events. Budget authority moved up. アサヒグループHD 約500億円の損失。Change Healthcare、KADOKAWA。さらに2025年11月、Anthropicが世界初のAI主導型サイバー攻撃 (GTG-1002) を公表 ── 攻撃工程の80〜90%をAIが自律実行。これらはCEO更迭級の事件となり、予算決定権が経営層に上がりました。
Consumer SSDs, residential gigabit fiber, commodity AVX-512 and Apple Silicon. Distributed compute finally viable. 民生用SSD、家庭用ギガビット光、汎用AVX-512、Apple Silicon。分散コンピューティングが現実的に成立する条件が整いました。
3.6M unit backlog. Sold out through mid-2026. HBM3e and CoWoS bottlenecks structural through 2027. $100B in 2026 sovereign AI investment. Hyperscalers can't deliver — FUJI doesn't compete for Blackwell allocation, we synthesize from PCs that already exist. 360万台の受注残。2026年中盤まで完売。HBM3eとCoWoSのボトルネックは2027年まで構造的に継続。2026年の主権AI投資は1,000億ドル規模。ハイパースケーラは応えられません — FUJIはBlackwell枠を奪い合う必要がない。既に存在するPCから合成するからです。
We're onboarding a small number of design-partner teams in private beta. If you've hit the AWS quota wall, we want to hear from you. プライベートβで少数のデザインパートナーを募集中。AWSのクォータ上限に当たったチームの声を聞かせてください。
Request early access → 早期アクセス申請 →