クラウドコンピューティング 完全入門 2026 — AI エンジニアのための AWS / Azure / GCP 基礎

クラウドコンピューティング 入門を「サーバを借りる仕組み」のレベルで止めてしまうと、AI エンジニアとして致命的な遅れを取る。2026 年の AI ワークロードは、GPU の確保からモデルのデプロイ、推論 API のスケーリング、コスト最適化まで、すべてがハイパースケーラの抽象モデルの上で完結する。ローカルで PyTorch を動かせる時代は終わっていないが、本番投入する瞬間にクラウドの知識ゼロは通用しない。

本記事は、AWS / Microsoft Azure / Google Cloud の 3 強を「サービスの集まり」ではなく「グローバルインフラを抽象化したリソースモデル」として理解するためのクラウドコンピューティング 入門だ。NIST の正式定義、サービスモデルの境界、地理的トポロジー、市場構造、AI ワークロード適合性、そして認定資格から実務までの学習ロードマップまで、1 記事で体系化する。読了後、AWS Certified Cloud Practitioner (CLF-C02) の Domain 1（Cloud Concepts）にそのまま接続できる土台が完成する。

なぜ AI エンジニアにクラウドが必須なのか

ローカルで Llama 3 を量子化して動かす、Ollama で軽量モデルを扱う、こうした検証は AI エンジニアの日常だ。しかしビジネス価値を生む瞬間には、必ずクラウドが登場する。理由は 3 つある。

第一に GPU の経済性。H100 を 8 枚積んだローカルワークステーションを組むには 600 万円超の初期投資が必要だが、AWS p5.48xlarge は時間単価で借りられ、必要なときだけ起動できる。100 時間の学習であれば、購入の 1/50 以下の支出で済む。第二に モデルのデリバリー。Claude や Gemini のような基盤モデルは、Amazon Bedrock / Vertex AI / Azure OpenAI Service というマネージド API として配信されており、自前で重みをホスティングする選択肢を持たないモデルも多い。第三に データ重力。学習データ、ベクトル DB、ログ、これらが既にクラウド上にあるなら、計算をデータの近くに置くのがコストとレイテンシ両面で合理的だ。

加えて、本番稼働するアプリケーションには「24 時間 365 日の可用性」「DDoS 対策」「地理冗長」「監査ログ」「コンプライアンス対応」が要求される。これらをゼロから自前で構築するコストは、クラウドの抽象サービスを使う場合の 10 倍以上に膨らむ。スタートアップにとって、クラウドは単なる選択肢ではなく前提条件だ。クラウドコンピューティング 入門の目的は、これらの選択肢を「漠然と知っている」から「数値で比較できる」へ昇格させることにある。

クラウドコンピューティングの定義 — NIST 5 つの基本特性

「クラウド」という言葉は曖昧に使われがちだが、正式な定義は 2011 年に米国国立標準技術研究所 (NIST) が公表した Special Publication 800-145 に存在する。この定義は AWS / Microsoft / Google の公式ドキュメントすべてが参照する業界標準で、クラウド入門者はまずここを押さえる。

NIST はクラウドコンピューティングを「設定可能な計算資源（ネットワーク、サーバ、ストレージ、アプリケーション、サービス）の共有プールに、いつでもどこからでもネットワーク経由でアクセスできるモデル」と定義し、5 つの基本特性を挙げる。

加えて、NIST はサービスモデルを 3 種類（IaaS / PaaS / SaaS）、配置モデルを 4 種類（Public / Private / Community / Hybrid Cloud）に分類する。この分類は AWS Cloud Practitioner 試験の出題範囲そのものなので、定義を暗記レベルで押さえておく価値が高い。

5 特性の中で初学者が見落としがちなのが「Measured Service」だ。これは「課金されるから注意しろ」という意味だけではなく、利用量を秒単位で計測し、その情報がそのまま運用最適化の入力データになる、というポイントを内包している。CloudWatch、Azure Monitor、Cloud Monitoring といった監視サービスはこの特性に基づいて設計されており、リソース使用率の可視化と自動スケールの根拠を作る。

配置モデルの 4 種類も整理しておく。Public Cloud は AWS / Azure / GCP のような公衆クラウドで、最も一般的。Private Cloud は自社専用クラウドで、コンプライアンス要件の厳しい金融・医療・防衛で使われる。Community Cloud は複数組織で共有する特殊形態。Hybrid Cloud は Public と Private を併用するモデルで、AWS Outposts や Azure Arc が代表的なツールだ。マルチクラウド（複数の Public Cloud 併用）は NIST 分類には含まれていないが、現実の選択肢として無視できない。

IaaS / PaaS / SaaS / FaaS の境界

サービスモデルの 3 種類に、近年は FaaS（Function as a Service）が事実上の第 4 区分として加わる。境界は「ユーザーが管理する範囲」で決まる。

IaaS (Infrastructure as a Service) はサーバ・ストレージ・ネットワークの「箱」を貸すモデル。OS から上はユーザー責任。代表例は AWS EC2、Azure Virtual Machines、Google Compute Engine。自由度は最大だが、運用負荷も最大だ。

PaaS (Platform as a Service) は OS とミドルウェアまでをマネージドで提供し、ユーザーはアプリケーションとデータだけを管理する。代表例は AWS Elastic Beanstalk、Azure App Service、Google App Engine。アプリ開発に集中したいが、OS のチューニングは不要という用途に向く。

SaaS (Software as a Service) は完成済みのアプリケーションを利用する。Microsoft 365、Google Workspace、Salesforce などが典型例。利用者はデータと設定のみを管理する。

FaaS (Function as a Service) はイベント駆動の関数単位で計算資源を提供するサーバーレスモデル。AWS Lambda、Azure Functions、Google Cloud Functions / Cloud Run が該当する。インフラを意識せず、コードと実行時間だけが課金対象になる。

ユーザー管理範囲をビジュアル化すると、責任分担が明確になる。

AI ワークロードでは、推論 API のホスティングに FaaS、モデル学習に IaaS の GPU インスタンス、データ加工パイプラインに PaaS、文書要約のような汎用業務に SaaS（Claude や ChatGPT）と、用途に応じて使い分けるのが標準だ。クラウドコンピューティング 入門でつまずきがちなのが、この境界の理解だ。「PaaS と SaaS の違いは何か」と聞かれて即答できれば、CLF-C02 の Cloud Concepts ドメインは半分終わっている。

実務的な使い分けの目安はこうだ。ML エンジニアが自由にコンテナを焼きたい場合は IaaS（EC2 + ECS / EKS）、WebAPI を素早く立てたいが運用は最小化したい場合は PaaS（App Runner / Elastic Beanstalk / App Service）、断続的な推論や定期バッチは FaaS（Lambda / Functions）、営業や法務が日常業務で使う AI は SaaS（Claude / Copilot / Gemini Apps）。一つのプロダクトに 4 種類すべてが共存することも珍しくない。

リージョン / アベイラビリティゾーン / エッジロケーション

クラウドが「設定可能な計算資源のプール」である以上、それが物理的にどこに置かれているかは無視できない。3 強は世界中にリージョン（地理的ブロック）を展開し、その中に複数のアベイラビリティゾーン（AZ、独立した電源・冷却・ネットワークを持つデータセンター群）を持つ。さらに、コンテンツ配信の最終ホップとしてエッジロケーションを配置する。

2026 年 5 月時点の概数で、各社の物理プレゼンスは次のとおりだ（公式 Global Infrastructure ページ参照）。

リージョンの選び方は、レイテンシ・コンプライアンス・データ主権・料金の 4 軸で決まる。日本の読者なら、AWS の ap-northeast-1（東京）/ ap-northeast-3（大阪）、Azure の Japan East / Japan West、GCP の asia-northeast1（東京）/ asia-northeast2（大阪）が標準選択肢になる。個人情報を扱うサービスは国内リージョン必須、グローバル配信なら US リージョン + CDN という構成が現実的だ。

東京リージョンの典型的なレイテンシは、国内ユーザーからの往復で 5〜15 ミリ秒、US East（バージニア北部）からは 130〜170 ミリ秒。AI 推論 API のように 1 リクエスト数百ミリ秒以上かかるワークロードでは、ネットワーク遅延は支配的ではないが、リアルタイム音声対話のような用途では国内リージョン必須になる。料金は東京リージョンが US East の 110〜120% 程度に設定されており、コスト最適化のためにあえて US リージョンを選ぶケースもある。

AZ の概念は障害設計に直結する。本番ワークロードは必ず複数 AZ にレプリカを置く、これがクラウド設計の鉄則で、AWS Solutions Architect Associate (SAA-C03) の Resilient Architectures ドメインで深掘りされる。Multi-AZ 構成にしておくと、データセンター 1 棟が停電・火災で停止しても、もう一方の AZ がトラフィックを引き受けてサービスは継続する。AWS RDS の Multi-AZ オプション、Aurora の 3 AZ × 6 コピー自動レプリケーション、これらが代表的な実装例だ。

エッジロケーションは AZ とは別の概念で、コンテンツ配信や DDoS 対策、エッジ計算のフロントエンドとして機能する。CloudFront、Azure Front Door、Cloud CDN がこのレイヤーを担当し、世界中の数百拠点で静的コンテンツやキャッシュをユーザーに近い位置から配信する。AI 推論でも、Cloudflare Workers AI や AWS Lambda@Edge のように、エッジで軽量推論を走らせる選択肢が増えている。

共有責任モデル — クラウドのセキュリティ哲学

3 強に共通する設計哲学が「共有責任モデル (Shared Responsibility Model)」だ。これは、セキュリティとコンプライアンスの責任をクラウド事業者と顧客の間で明確に分担する考え方で、AWS では「Security OF the Cloud」（事業者責任）と「Security IN the Cloud」（顧客責任）という言い方をする。

事業者の責任範囲は、データセンターの物理セキュリティ、ハードウェアのメンテナンス、ホスト OS、ハイパーバイザー、グローバルネットワーク、これらすべてだ。顧客の責任範囲は、ゲスト OS のパッチ適用、アプリケーションコード、IAM ロール設定、データの暗号化、ネットワークの ACL、これらすべてだ。境界は使うサービスタイプによって動く。EC2（IaaS）ではゲスト OS まで顧客責任だが、Lambda（FaaS）ではコード以外すべて事業者責任になる。

クラウドコンピューティング 入門の最重要トピックの 1 つがこの責任分担で、CLF-C02 の Domain 2（Security and Compliance、30% 配点）の核を成す。「データの暗号化は誰の責任か」「EC2 のホスト OS パッチは誰が当てるか」、こうした問いに即答できるレベルが、認定試験の合格水準だ。

実務面では、責任の取り違えが事故を招く。「クラウドだから安全」と思い込んで、S3 バケットをパブリック公開のまま放置する、IAM ポリシーで FullAccess を全員に付与する、こうしたミスは事業者の責任範囲外で、すべて顧客の損失になる。クラウドは「セキュリティの肩代わり」ではなく「セキュリティの土台」だ、という認識を入門段階で持っておく価値は高い。

AWS / Azure / GCP — 3 強の市場シェアと強み

クラウドコンピューティング 入門で最初に把握すべきマクロ環境が、3 強の市場構造だ。Synergy Research Group の 2026 年第 1 四半期データによれば、世界のクラウドインフラ支出は四半期で $129B、年率成長率は 35% に達した。

シェアでは AWS が依然首位だが、成長率では Google Cloud が +63% で他社を引き離している。生成 AI ブームの追い風を Google が TPU と Vertex AI、Microsoft が Azure OpenAI Service の独占供給で受け止め、AWS は Bedrock のマルチモデル戦略で対抗、という構図だ。AWS の伸び率が下がっているように見えるが、絶対額では依然として 3 社中最大の成長を遂げている。

トップ 3 で世界シェア 63% を占める寡占構造は、過去 5 年間ほぼ変わらない。第 4 位以降は Alibaba Cloud、Oracle Cloud、IBM Cloud と続き、近年は CoreWeave / Crusoe / Nebius / Anthropic / ByteDance のような「ネオクラウド」勢が GPU 専業で急成長している。Synergy のレポートでも、tier 2 プロバイダーで成長率が高い 5 社のうち 3 社が生成 AI 関連の新興勢力だ。

3 強は API レイヤーでは互換性のないサービスを提供しているが、上位層では一定の収斂が進んでいる。共有責任モデル、リージョン / AZ の階層構造、無料利用枠の存在、これらは 3 社共通の業界標準で、1 社をマスターすれば他社の理解が大幅に加速する。これが「最初は AWS から学ぶ」のが定石とされる理由だ。

「最初に学ぶべきは AWS か Azure か」という議論は SNS で定期的に再燃するが、結論は単純だ。シェア・教材の豊富さ・求人数で AWS が抜けているため、最初の 1 社は AWS が無難。次に学ぶのは、勤務先や顧客環境で使われている方を選ぶのが現実解だ。3 社の概念モデルは共通点が多いので、2 社目以降は学習時間が半分以下で済む。

AI ワークロードで見るクラウドの使い分け

AI エンジニア視点で 3 強を見ると、得意領域が明確に分かれる。

生成 AI の基盤モデル提供では、AWS Bedrock が Claude / Llama / Nova / Titan / Mistral / Stability AI / Cohere / AI21 / OpenAI GPT OSS のマルチモデル戦略、Azure OpenAI Service が GPT-5 系を提供、Vertex AI が Gemini を中心に Anthropic Claude も提供、という棲み分けになる。GPT-5.5 を API で使うなら Azure OpenAI または OpenAI 直接 API、Claude を使うなら Bedrock または直接 Anthropic API、Gemini を使うなら Vertex AI、というのが現状だ。

カスタムシリコンでも 3 社が独自路線を取る。AWS は Trainium（学習）/ Inferentia（推論）、Microsoft は Maia 100、Google は TPU v5p / v5e。NVIDIA H100 / B200 への依存を減らしつつ、自社ワークロードに最適化したシリコンを提供する戦略は 3 社共通だ。価格対性能比では、Inferentia / TPU は NVIDIA より 30〜50% 安価という公称値があり、推論コストの最適化に直結する。

MLOps プラットフォームは AWS SageMaker、Azure Machine Learning、Google Vertex AI Pipelines が競合する。どの陣営も「Notebook → 学習 → デプロイ → モニタリング」のフルライフサイクルをカバーする。エクスペリメント管理、モデルレジストリ、特徴量ストア、A/B テスト、ドリフト検知、これらの構成要素は 3 社で命名規則こそ違うが機能はほぼ等価だ。

ベクトル検索 / RAG パイプラインもそれぞれが提供する。AWS は OpenSearch + Bedrock Knowledge Bases、Azure は AI Search、Google は Vertex AI Vector Search。さらに、Pinecone / Weaviate / Qdrant のようなサードパーティをマーケットプレイス経由で導入することも可能で、ロックインを避けたい場合の現実解になる。

メイカーやスタートアップ視点では、API のシンプルさで Google、エンタープライズ機能で AWS、Microsoft 製品との統合で Azure、というのが大まかな選び方だ。複数を併用する「マルチクラウド」も現実的な選択肢で、ロックイン回避と価格交渉力の確保に有効に働く。

クラウド学習ロードマップ — 認定資格から実務まで

クラウドコンピューティング 入門を超えて実務レベルに到達するには、認定資格を学習のペースメーカーとして使うのが効率的だ。3 社それぞれが入門〜上級のラダーを用意している。

学習リソースは AWS Skill Builder（Individual $29/月、年額 $299）、Microsoft Learn（無料）、Google Cloud Skills Boost（$29/月）。Microsoft が無料を貫いているのは、Azure シェア拡大戦略の一環で、コスト感度の高い学習者には大きな魅力になる。Google も Innovators Plus（$299/年）で年 1 回の試験バウチャーを含むパッケージを提供しており、上手く使えば実質無料に近い。

AI エンジニア向けの王道ルートは、AWS Cloud Practitioner で全体像を掴み、AWS Solutions Architect Associate で設計力を体系化し、その後 AI Practitioner や Machine Learning Engineer で AI 特化に深化する流れだ。1 社で固めた後に Azure AZ-900 や GCP Cloud Digital Leader でクロストレーニングすると、マルチクラウド適性も身につく。

学習時間の目安は、CLF-C02 が 30〜50 時間（クラウド初学者）、SAA-C03 が 80〜150 時間（CLF 取得後）、Professional レベルが 200〜300 時間。社会人なら CLF を 1 ヶ月、SAA を 3 ヶ月、Professional を 6 ヶ月のペースで進めるのが現実的だ。試験料は CLF-C02 が $100（公式 JPY ¥15,000、年 1 回 4 月に為替更新）、SAA-C03 が $150（¥22,500）、Professional が $300。3 認定をフルで揃えても $550 程度の投資で済む。

実務で直接効くのは、認定よりも「自分のプロジェクトで本物のクラウドアカウントを動かす」経験だ。Free Tier（2025-07-15 以降の新規アカウントは $200 クレジット + 6 ヶ月の Free Plan）を使って、EC2 立ち上げ、S3 にファイル配置、Lambda で簡単な API、IAM でロール設定、CloudWatch でメトリクス確認、ここまでを 1 週間でやり切れば、CLF-C02 の半分は手で覚えたことになる。

まとめ — 次の一歩は CLF-C02

クラウドコンピューティング 入門は、NIST の定義、サービスモデルの境界、地理トポロジー、市場構造、AI 連携の 5 軸を押さえれば、骨格として完成する。ここから先は、具体的なサービスを試験範囲レベルで深掘りする段階に入る。最も歩留まりが良いのは AWS Certified Cloud Practitioner (CLF-C02) 認定の取得だ。$100（公式 JPY ¥15,000、2026 年 4 月時点）の受験料で 4 ドメイン約 30 サービスを体系化でき、Azure / GCP の理解も加速する。

Anthropic 認定 (CCA) や Anthropic Academy 完全ガイド 2026 — 無料16コースでClaudeをマスターするロードマップ（2026-04-06 公開） と並行して、クラウド側の認定ラダーを進めるのが、2026 年の AI エンジニアの標準キャリアパスだ。Claude API 入門 2026（2026-04-09 公開） で API レベルの実装感覚を、CLF-C02 でインフラレベルの設計感覚を、両軸で習得していく。

クラウドは「使える」と「設計できる」の間に大きな距離がある。クラウドコンピューティング 入門の段階でその距離を可視化し、認定資格をマイルストーンに据えれば、6 ヶ月で AWS Solutions Architect Associate まで到達できる。CLF-C02 の試験仕様、ドメイン配点、Well-Architected Framework と Cloud Adoption Framework の詳細は、別記事で深掘りする。

参照

• NIST Special Publication 800-145 — The NIST Definition of Cloud Computing
• Synergy Research Group — Cloud Market Q1 2026
• AWS Global Infrastructure
• Microsoft Azure Geographies
• Google Cloud Locations
• AWS Skill Builder Pricing
• Microsoft Learn
• Google Cloud Skills Boost
• Amazon Bedrock
• Azure OpenAI Service
• Google Cloud Vertex AI

ブラウザだけでできる本格的なAI画像生成【ConoHa AI Canvas】

swiftwand

X

AIを使って、毎日の生活をもっと快適にするアイデアや将来像を発信しています。 初心者にもわかりやすく、すぐに取り入れられる実践的な情報をお届けします。 Sharing ideas and visions for a better daily life with AI. Practical tips that anyone can start using right away.