工場におけるAIチップの選定に唯一の正解はなく、鍵となるのは工程のタクト、環境条件、アルゴリズムの改善頻度である。GPUは学習と高スループット推論に適し、NPUは低消費電力のエッジ領域でコストパフォーマンスに優れ、FPGAは決定論的な低遅延とセンサフロントエンドの融合で力を発揮する。三者は代替関係ではなく、生産ラインのタスクごとに階層化して配備するものである。
1. GPU、NPU、FPGAがそれぞれ解決する課題
GPUの核心的な強みは並列の浮動小数点演算と大きなメモリ帯域である。NVIDIA Blackwell Ultra(GB300)を例に取ると、推論性能の向上を重視し大容量のHBM3eメモリを搭載しており、複数の高精細映像を処理して比較的大きな画像モデルを動かす工場のタスク、たとえばライン全体の外観再検査や多ステーションの行動認識に適する。CDNA4アーキテクチャに基づくAMD Instinct MI350シリーズも学習と推論の市場を狙い、サーバ配備に第二の選択肢を与えている。こうしたチップは通常、産業用PCやエッジサーバに搭載され、数百Wを消費し、ファンまたは液冷を必要とする。
NPUはSoCに統合されたニューラルネットワーク専用ユニットで、QualcommやMediaTekがこの2年に発表した高演算低消費電力のエッジAI SoCが典型例である。推論タスクを専用回路に作り込むことで、一般的な画像分類や検出モデルで高いエネルギー効率を発揮し、消費電力は数Wから十数Wで、設置スペースの限られるファンレスのエッジ推論ボックスやAI PC形態のワークステーション端末に適する。Intel Gaudi 3とXeon 6のプラットフォームは企業サーバ側からエネルギー効率とAI推論の配備を重視し、データセンターと工場の機械室をつなぐ中間層を形成している。
FPGAのプログラマブルロジックアレイは決定論的な遅延とセンサフロントエンドの前処理に適する。画像、ライダー、振動に対応する産業用マルチモーダルAIセンサは、推論ユニットをセンサ端に組み込む方向へ進んでおり、FPGAは複数信号の同期取得、フィルタリング、軽量推論によく使われ、遅延をマイクロ秒まで抑えられ、OSのスケジューリングの影響も受けない。欠点は開発のしきい値が高く、アルゴリズムを変えるたびに再合成と再配線が必要になることである。
2. 工場における三種のチップの核心的な違いの比較
演算密度では、GPU1枚の演算性能が最も高く集中推論に適し、NPUは演算性能が中程度だが電力あたりの演算性能が最も良く、FPGAは絶対的な演算性能は低いが決定論的な遅延と柔軟なインターフェースで優位に立つ。
アルゴリズムへの適合では、GPUはTransformer、大規模モデル、マルチタスクネットワークを最も成熟して支える。NPUはベンダーのツールチェーンがオペレータライブラリをどこまで網羅するかに依存し、枝刈りと量子化の後は円滑に動くがカスタムオペレータでは制約を受けることがある。FPGAは固定的で成熟した軽量ネットワークに向き、アルゴリズムの改善が頻繁な場合は経済性が悪い。
配備形態では、GPUはボードやボックスの形で筐体と電源を必要とすることが多く、NPUは端末のメインボードに直接組み込まれ、FPGAは取得カード、スマートカメラ、センサモジュールの中に現れることが多い。
ライフサイクルコストでは、GPUは購入価格が高く消費電力も大きいが開発人件費は比較的安い。NPUはハードウェアが安く低消費電力だが、モデルの移植と量子化の調整に投資が必要である。FPGAはハードウェアは中程度だがロジック開発の人件費が最も高い。選定では3年間に何回アルゴリズムを改善するかを見込むべきである。
3. AIハードウェアが本当に必要とされる工場作業
自動車部品会社のダイカスト工場で、振動センサとエッジ推論による予知保全を行う場合を例に取る。センサ端はFPGAで複数の振動信号を同期サンプリングしスペクトル特徴を抽出し、推論ボックスはNPUで異常分類モデルを動かす。ミリ秒の遅延要件があり電力も制約されるため、GPUを追加するより理にかなった組み合わせである。
電子工場のSMT後のAOI再判定ステーションを例に取る。複数の高精細カメラが同時に撮像し、不良種別が多く、モデルも大きく四半期ごとに更新されるため、ステーションの脇にGPUを載せた小型エッジサーバを置くほうが確実で、NPUはフロントエンドの粗選別として明らかな良品を除き、GPUの負荷を下げる役割を担う。
さらに工場レベルの画像学習とモデル配信を考える。モデルの学習とバージョン管理は工場の機械室のGPUサーバが担い、学習済みの量子化モデルを各ステーションのNPU端末へ配信する。これが現在の現実的なGPUとNPUの階層構成である。FPGAはセンサと取得のフロントエンドに残り、生データを整えてから上位へ渡す。
4. 選定と導入で見るべき要点
互換性はプロトコルから始まる。エッジ推論ボックスはライン上に既存のOPC-UA、Modbus TCP、Profinetのゲートウェイに接続できなければ、データが入ってこない。モデル形式については、ベンダーのツールチェーンがONNXや自社の学習フレームワークの書き出し形式に対応しているかを確認し、オペレータの網羅性を事前に検証しておきたい。導入時に未対応の後処理オペレータに気づく事態を避けるためである。
性能指標はTOPSだけを見てはならない。工場の推論は1フレームの遅延とスループットの安定性をより重視するため、バッチサイズ1での実測遅延と、72時間連続運転での電力と温度の挙動を明確に問うべきである。環境要件では、工場の現場は40℃を超えることが多く粉塵と電磁干渉もあるため、ファンレスNPUボックスではスロットリング戦略を、GPU方式では筐体の保護等級とフィルタの保守間隔を確認する必要がある。
導入手順は、まず単一ステーションのPoCから始める。実際のラインのデータで2週間動かし、精度とタクトが合うかを検証してから、バッチ配備を論じる。コスト構成には、ハードウェア以外にモデルの量子化調整の人件費、現場ネットワークの改修、その後のアルゴリズム改善の工数を含めなければならない。とくにFPGA方式では、ロジック開発のリソースが手元にあるかを見極める必要がある。
よくある誤りは、学習用カードをそのまま生産ラインの脇へ移すことである。学習用カードは消費電力と冷却の要件が高く、ライン環境では満たせないことが多い。もう一つの誤りは、NPUでは小さなモデルしか動かないと思い込むことである。実際には、量子化した中規模の検出モデルをエッジNPUでリアルタイム推論するのはかなり一般的で、決め手はツールチェーンの成熟度にある。
5. 適合判断:どのシナリオに何を選び、どこで無理をしないか
GPUが適するシナリオ。複数の高精細映像に対する集中推論、モデル更新が頻繁な場合、工場レベルの学習と推論を一体化したマシン。適さないのは、冷却条件のない単一ステーションの低消費電力改修プロジェクトである。
NPUが適するシナリオ。ステーションレベルの外観検査、エッジ推論ボックス、AI PC形態の検査端末で、タクトが安定し量子化と検証が済んだモデルを使う場合。適さないのは、量子化しない大規模モデルや高度にカスタムなオペレータを必要とする研究的なタスクである。
FPGAが適するシナリオ。マルチモーダルセンサのフロントエンド融合、マイクロ秒の決定論的遅延、特殊なインターフェースプロトコルを持つ取得段階。適さないのは、アルゴリズムがまだ急速な試行錯誤の段階にある場合や、ロジック開発能力を持たないチームである。
中規模以上の工場の多くには混成アーキテクチャが適する。センサ端のFPGAが前処理を担い、ステーションのNPUがリアルタイム推論を担い、工場レベルのGPUが学習と難事例の再判定を担う。チップの種類を決める前に、各作業の遅延の上限、電力の予算、モデル更新の頻度を明確にしておくほうが、先にチップを選んでから用途を探すよりはるかに確実である。ERP時代から数十年にわたり事業を展開し、120万社の顧客にサービスを提供し、累計数千万台の端末を導入してきたベンダーの産業経験も、工場のハードウェア選定の成否は紙の上の演算性能ではなく、インターフェースと現場への適応で決まることを示している。