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チップの選択に万能の答えはない。鍵は自分の推論作業がどの曲線上にあるかである。高スループットの大規模モデル推論ならGPUを優先し、固定された外観検査ラインならNPUを優先し、超低遅延のセンサ融合ならFPGAを優先する。

工場のAIハードウェアは明確に分化しつつある。一方でNVIDIAはBlackwell Ultra(B300)を発表しRubinアーキテクチャのロードマップを示して、推論性能とHBM4メモリを重視し2026年のRubinプラットフォーム量産を進める。AMDはInstinct MI350/MI400シリーズを投入し、CDNA4アーキテクチャと3nmプロセスで大規模モデルの学習と推論のエネルギー効率を強化する。IntelはGaudi 3とXeon 6シリーズで推論のコストパフォーマンスを重視しつつ、Falcon ShoresによるGPUアーキテクチャ統合を進める。他方でQualcommやMediaTekの新世代エッジAI SoCはNPUの演算を押し上げ続け、AI PCやエッジ推論ボックスが生産ラインの脇に現れ、イベントカメラ、スマートビジョンセンサ、NPU統合型の産業用カメラが欠陥検出やロボット知覚で規模導入に入っている。チップ選定は、最も高いものを買うことから、最も適合するものを買うことへ移った。

1. 中核概念と技術原理

GPU、NPU、FPGAの違いは、本質的に計算アーキテクチャが作業の形にどれだけ合うかである。

GPUは大規模並列の路線を取る。NVIDIA Blackwell Ultraを例にすると、多数のストリームプロセッサと高速メモリを束ね、行列積中心の深層学習推論、とくに大規模モデルで高帯域メモリのスループットを要する作業に適する。HBM4が導入されたのはまさにメモリ帯域のボトルネックを緩和するためである。AMDのCDNA4アーキテクチャも同様の考え方で、ワットあたりの学習と推論のエネルギー効率を強調する。こうしたチップの強みは汎用性と成熟したエコシステムで、CUDAやROCmがかなり充実した演算子ライブラリとフレームワーク適応を提供する。

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ある。畳み込み、行列積、活性化関数といった固定の演算をハードウェア回路にし、汎用性の一部をエネルギー効率と引き換えにする。エッジAI SoCのNPUは通常数TOPSから数十TOPSで、軽量な欠陥検出モデルや音声コマンド認識を数ワットで動かせる。NPUを産業用カメラに統合すれば、すべての生データを戻さずにセンサ端で一次判定ができる。

FPGAのプログラマブルな性質がその位置を決める。工場の作業には遅延に極めて敏感なものがあり、たとえば高速ラインのトリガ信号処理や複数センサの時刻同期融合では、決定論的遅延が必要で、GPUやNPUのスケジューリングのオーバーヘッドが負担になる。FPGAは論理回路を専用のデータパスに焼き込めるため、遅延をマイクロ秒級まで下げられる。代償は開発の敷居の高さで、ハードウェア記述言語や高位合成ツールが必要になり、アルゴリズムの反復はGPUほど容易ではない。

2. 主要製品とソリューションの比較

工場への配備という観点では、三つの路線は三つの典型的なハードウェア形態に対応する。

GPU方案はボード型・モジュール型のアクセラレータカードに代表される。NVIDIAのBlackwell UltraとAMDのMI350シリーズはライン単位または工場単位の推論サーバを狙い、マルチストリームHD映像解析や大規模モデルによる工程パラメータ最適化に適する。IntelのGaudi 3は推論のコストパフォーマンス路線を取り、Xeon 6シリーズはAI加速を汎用CPUプラットフォームに載せ、別途アクセラレータカードを追加したくない場面に適する。こうした方案の利点は成熟したソフトウェアスタックで、主要な深層学習フレームワークが直接対応しモデル移行コストが低い。欠点は電力と冷却の要求が高く、ラック配備が工場のサーバ室環境に要求を課すことである。

NPU方案はSoCやモジュールとして現れることが多い。QualcommやMediaTekの新世代エッジAI SoCはCPU、GPU、NPUを1チップに統合し、典型的な電力は数ワットから十数ワットで、産業用カメラ、ロボットコントローラ、エッジ推論ボックスに収まる。NPU統合型の産業用カメラは欠陥検出でますます一般的になり、撮像と一次推論を同じ装置で完結させ、データ転送の段数を減らす。利点は配備の柔軟性、コストの抑制、消費電力の小ささである。欠点は演算の上限が限られ超大規模モデルを動かせないこと、ベンダー間でNPUのツールチェーン差が大きく、モデルの量子化と配備に適応作業が必要なことである。

FPGA方案はボードやモジュールとして機器に組み込まれる。ロボット知覚や高速検査では、複数のイベントカメラ、LiDAR、力覚センサのデータを時間的に整合させフィルタリングしてから主プロセッサへ渡すセンサ融合の前処理にFPGAがよく使われる。その価値はピーク演算ではなく、決定論性とインターフェースの柔軟性にある。選定では開発資源を評価しなければならない。チームにハードウェア論理設計の能力がなければ、FPGAの隠れたコストは比較的高くなる。

3. 工場AIハードウェアの典型的な応用場面

自動車部品企業がプレス部品の表面欠陥検査を行いたいとする。ライン速度が高く、カメラのフレームレートも高く、欠陥種別は比較的固定されている。この場面ではNPU統合型の産業用カメラが撮像と推論を1台で完結させ、OK/NG信号をPLCへ直接送れるため、応答チェーンが短く配線も簡単である。欠陥種別が頻繁に変わりモデルを頻繁に差し替える必要があるなら、GPU推論サーバのほうが適し、モデルの反復とバージョン管理をサーバ側で行い、カメラは撮像だけを担う。

電子工場のSMT実装後検査も典型的な例である。複数のHDカメラが同時に動作し、部品のずれ、欠落、極性の誤りを検出する。こうしたマルチストリーム並列推論の場面ではGPUのスループット優位が明確で、1台の推論サーバで複数のカメラを駆動できる。しかし単一または2ストリームの低速検査なら、エッジNPUボックスで足り、GPUは不要である。

ロボット知覚の場面はより複雑である。ある企業が視覚、力覚、近接センサを融合する協働ロボットのピッキングを構築するとする。イベントカメラは非同期の画素イベントストリームを出力し、そのデータ形式は従来のフレーム画像と異なる。こうした非同期データの前処理と特徴抽出にはFPGAが適し、結果を主コントローラへ送って判断させる。NPUの役割は軽量な物体認識モデルの実行で、GPUはオフライン学習やシミュレーションに現れることが多い。

4. 選定の要点と導入提案

最初の選定課題は、どのチップの演算が多いかではなく、推論作業をどこで完結させるかである。ライン端で完結するならNPUのエネルギー効率とツールチェーンの成熟度を優先し、工場のサーバで完結するならGPUのスループットとフレームワーク互換性を優先し、ハードリアルタイムの信号処理ならFPGAの遅延指標の評価を優先する。

第二に、モデルのライフサイクルを見る。工場のAIモデルは配備したら終わりではなく、欠陥サンプルが蓄積し工程も変わる。モデルの反復はGPU方案が最も円滑で、NPU方案ではベンダーのツールチェーンがオンライン更新や量子化の再コンパイルに対応するかを確認し、FPGA方案では後の調整のために論理資源を残す。

第三に、環境制約を見る。工場の温度変化、粉塵、電磁干渉は現実の問題である。GPUサーバには適切なサーバ室環境が必要で、エッジNPU機器やFPGAモジュールの産業温度範囲対応は事前に確認する。電力予算も明確に計算する必要があり、生産ラインの脇に高電力の機器を追加すると、配電と冷却がチップそのものより厄介になることがある。

第四に、チームの能力を見る。GPUのソフトウェアエコシステムは最も厚く人材確保も比較的容易である。NPUのエコシステムは明らかに分断されているため、ベンダーが完全なモデル配備ツールと演算子サポートリストを提供するかを確認する。FPGAはハードウェア工学の能力を最も要求するため、適切なチームがなければ慎重にすべきである。

展開のペースは単点検証から始める。1本のライン、1つの作業台を選び、実際のデータで推論チェーンを動かしてから横展開を検討する。ERP時代から数十年の深みを持ち、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、国内外の市場をカバーする産業ソフトウェア・ハードウェアの提供者は、ラインデータの接続と機器管理に深い経験を蓄積しており、その価値はボードを売ることではなく、チップ選定を既存のMESやPLCシステムと結びつけることにある。

5. 技術動向と展望

2026年前後にはいくつかの方向が注目に値する。NVIDIA Rubinプラットフォームの量産移行に伴いHBM4メモリの普及がGPUの推論スループットの上限をさらに引き上げ、工場単位の推論サーバの密度が上がる。AMDとIntelの推論コストパフォーマンス競争は中位の工場AIハードウェアの選択肢を広げる。エッジ側ではNPUの演算が上がり続け、AI PC形態の推論ボックスが生産ラインの脇の新たなカテゴリになるかもしれない。センサ端ではイベントカメラとスマートビジョンセンサのコストが下がり、NPU統合型の産業用カメラが高級検査から一般検査へ広がる。

工場にとってチップ選定は、配電網を構成する作業に近づいていく。万能のチップを探すのではなく、作業ごとに層を分け、エッジNPUが素早い判断を、エッジGPUがマルチストリーム推論の集約を、FPGAがハードリアルタイムのリンクを守る。三つの路線は代替ではなく分業である。選定の中核能力は、作業の特徴を明確に分解し、適切な選択肢に合わせることである。

分野: AIハードウェア百科