ナレッジセンター
目次

工場AIチップの選択:GPU、NPU、FPGA

工場AIチップの選定に万能の答えはない。鍵は自分の作業がどの層に属するかである。学習と超大規模モデルの推論はGPU、固定された視覚推論と低電力のエッジボックスはNPU、超低遅延を要しアルゴリズムがまだ進化しているライン検査はFPGAとなる。この三つの路線は工場において互いの代替ではなく、役割を分担する。

1. 中核概念と技術原理

GPUは大規模並列計算の路線を取り、数千の演算コアで行列演算を同時に処理する。エコシステムは成熟しており、CUDA体系が学習側の事実上の標準を形成している。NVIDIAの最新ロードマップではBlackwell Ultra(GB300)が推論性能とHBM4高帯域メモリを重視し、Rubinアーキテクチャは2026年からの立ち上がりが予定されており、GPUベンダーが推論側にも重心を移していることが分かる。AMDのInstinct MI350/MI400はCDNA4アーキテクチャと3nmプロセスを用い、データセンター学習市場での追走を加速している。こうしたチップは消費電力が大きく冷却とラックスペースを要するため、工場サーバ室やエッジデータセンターでの集中推論に適する。

NPUはニューラルネットワーク推論のために設計されたアクセラレータで、畳み込みや行列積といった演算子をハードウェアに固定し、高いエネルギー効率を得る。IntelはCore UltraのNPUでオンデバイスAI PCの領域に入り、Qualcomm、MediaTek、Appleは高演算NPUを端末チップに搭載し、AI PCやAIスマートフォンを主流形態にした。工場ではNPUはスマートカメラ、エッジ推論ボックス、産業用PC向けのアドイン演算カードとして現れることが多く、消費電力は数ワットから数十ワットで、固定モデルを長時間動かす全数検査や設備振動監視に適する。

FPGAはフィールドプログラマブルゲートアレイで、利用者が自らハードウェア論理を記述し、ナノ秒級の決定論的遅延と柔軟なインターフェースを実現し、産業用カメラやセンサの高速バスへ直接接続できる。欠点は開発の敷居が高く、ハードウェア技術者がRTLを書く必要があり、アルゴリズムを変えるたびに再合成が要ることである。GPUやNPUが不得意とする場面、たとえば超高速の視覚トリガ、マルチセンサ融合、プロトコル変換に適する。

2. 主要ソリューションの比較

演算密度では単体GPUカードが最も強く、大規模モデルや複数の高解像度映像ストリームの同時解析に適する。単体NPUチップは演算が中程度だが電力あたり性能が良い。FPGAは絶対演算では優位がないが、決定論的遅延とインターフェースのカスタマイズで勝る。

ソフトウェアエコシステムでは、GPUのCUDAと推論フレームワークのサポートが最も整い、モデル移行コストが低い。NPUはベンダーのツールチェーンに依存し、モデルの量子化や枝刈りに適応作業が必要になる。FPGAは専用のハードウェア開発チームを要し、アルゴリズムの反復サイクルが長い。

導入形態では、GPUはサーバ室への集中配備に適し、1台のサーバで複数カメラを駆動して集中推論する。NPUは各作業台や各機械の脇に分散配置するエッジボックスに適する。FPGAはカメラやキャプチャカードの内部に組み込み、フロントエンドの前処理を担うのに適する。

コスト構造では、GPUは単点投資が大きいが汎用性が高く、複数作業で共有すると費用対効果が出る。NPUは1台あたりが安く、規模を増やすと総コストを抑えられる。FPGAは初期の開発投資が大きいが量産時のハードウェアコストは抑えられ、大量複製に適する。

3. 工場AIハードウェアの典型的な応用場面

自動車部品企業のプレス工場で、表面欠陥検査をミリ秒級のサイクルで行い、アルゴリズムがすでに安定しているとする。ライン脇のNPUエッジボックスが最適で、1台あたり数ワットから十数ワットで、追加の冷却改修も不要である。

電子工場のSMT実装後のAOIステーションでは、複数のHDカメラが同時に撮像し、欠陥種別が多くモデルも反復し続ける。GPUサーバでの集中推論のほうが柔軟で、新モデルの稼働はソフトウェアの変更だけで済み、ハードウェアを変える必要がない。

精密組立工場で、複数のセンサとカメラにわたるマイクロ秒級の同期トリガが必要な場合はどうか。通常のGPUやNPUのスケジューリング遅延は決定性が十分でないため、フロントエンドの取得と前処理をFPGAで行い、有効フレームを選別してからバックエンドの推論へ送るのが一般的な実務である。

産業AIハードウェアとAIセンサは急速に収斂している。イベントカメラ、スマートビジョンセンサ、エッジ推論モジュールはスマートマニュファクチャリングやロボティクスで規模導入されており、多くのスマートカメラは内部がNPUとイメージセンサの一体構成で、外部の演算ボックスを不要にしている。

4. 選定の要点と導入提案

まず作業の種類を見る。学習、大規模モデル推論、マルチストリーム映像解析はGPU、固定モデル・低電力・分散配置はNPU、超低遅延・高速インターフェース・未確定のアルゴリズムはFPGAである。

次にモデルの反復頻度を見る。アルゴリズムチームが毎週モデルを変えるならFPGAは選ばない。合成のたびに中断が生じるためである。モデルが半年変わらないならNPUが最も費用対効果に優れる。

現場条件も見る。ライン脇に空調もラックスペースもないならGPU方案はほぼ排除される。Camera Link、GigE Vision、EtherCATといった産業バスへの接続が必要なら、チップとボードのインターフェース対応を事前に確認する。

導入ではアーキテクチャを階層化する。フロントエンドはNPUまたはFPGAで前処理と軽量推論、バックエンドはGPUで複雑なモデルと集中管理を担い、1つのチップですべてを賄おうとしない。冷却と電源はピーク定格を割り引くのではなく、定格での連続稼働を前提に設計する。

5. 技術動向と展望

GPU側ではHBM4と推論専用アーキテクチャにより1台あたりの推論スループットがさらに上がり、2026年にRubinが立ち上がると工場サーバ室の推論密度は一段上がる。NPU側ではAI PCやAIスマートフォンが育てたデバイス側エコシステムが産業界へ波及し、産業用PCやスマートカメラが民生品のNPUで推論する例がますます一般的になる。FPGA側では、DSPと論理資源を束ねたAIエンジン内蔵の異種デバイスを各社が推進し、開発の敷居を下げつつある。

より長期的には、産業AIハードウェアとAIセンサの境界は薄れる。カメラ内のNPU、キャプチャカード内のFPGA、産業用PC内のGPUが標準になる。選定ではチップの型番にこだわらず、完成機の形態、ツールチェーンの成熟度、現場インターフェースとの適合を吟味すべきである。ERP時代から数十年かけて築いた産業基盤を持ち、120万社の顧客にサービスし、累計数千万台の端末を導入してきた立場から言えば、ハードウェア選定の許容度は想像以上に大きい。鍵は自分の作業がどの層に属するかを明確にすることである。

分野: AIハードウェア百科