ナレッジセンター
目次

工場のAIチップ選定:GPU、NPU、FPGA

工場におけるAIチップ選定に唯一の正解はなく、鍵は工程のタクト、モデルの更新頻度、現場の環境制約にある。GPUは大規模モデルの訓練と高スループット推論に適し、NPUは定型の外観検査やセンサー側推論で優れたエネルギー効率を発揮し、FPGAは超低遅延、多チャンネル並列、プロトコルの異種混在が求められる場面で代替が効かない。この3つのルートは互いの代替ではなく、タスクごとに階層的に使い分けるものである。

1. GPU、NPU、FPGAはそれぞれどのような課題を解決するのか

GPUの強みは高い並列演算密度と成熟したソフトウェアエコシステムである。NVIDIAの最新ロードマップではBlackwell Ultra(GB300)が推論性能とHBM4メモリの強化に重点を置き、AMD MI350シリーズ(CDNA 4アーキテクチャ)は大規模モデル推論のエネルギー効率を重視する。工場のシナリオでは、欠陥検出における大解像度の画像セグメンテーションモデル、複数カメラの融合検査、モデル変更が頻繁な多品種少量ラインに適する。弱点は電力と冷却の要求が高いことで、高消費電力のカードを産業用筐体に組み込む場合は風路と電源を計算し直さなければならない。

NPUはニューラルネットワーク推論専用に設計されたアクセラレーションユニットである。代表的な形態にはIntel Xeon 6に統合されたNPU、Intel Core UltraやAMD Ryzen AI 300といったAI PC向けプロセッサ、Qualcomm Snapdragon Xシリーズがある。NPUの絶対的な演算性能はGPUより低いが、電力あたり性能に優れ、SMTラインのリフロー後AOIにおける部品欠落や位置ずれの判定、包装における文字認識など、24時間連続で動く定型タスクに適する。視覚・振動・温度のスマートセンサーは現在、NPUを内蔵するものが増えており、特徴抽出と異常判定をセンサー上で直接完了し、結果のみをOPC-UAやMQTTで上位に送るため、上り帯域と中央の演算負荷を大幅に削減できる。

FPGAのプログラマブルロジックは、決定論的な遅延要件が厳しいケースに適する。複数のCamera LinkやGigEカメラからの同期取得、高速IOトリガ、PLCやモーションコントローラとのハードリアルタイムなハンドシェイクは、FPGAでパイプライン化することで遅延をマイクロ秒レベルに抑え、ジッタも小さくできる。欠点は開発の敷居が高く、GPUやNPUに比べてアルゴリズムの反復が容易でないため、工程が安定しアルゴリズムが長期運用前提で固まっている場合に向く。

2. 3種類のチップの本質的な違いはどう比較されるか

いくつかの軸で見る。演算性能とエネルギー効率:GPUは絶対演算性能が最も高く消費電力も最大、NPUは演算性能が中位でエネルギー効率が最良、FPGAはロジック規模に依存し効率は両者の中間だが遅延は最小である。モデルの柔軟性:GPUは訓練と推論の両方を支えフレームワーク互換性が最良、NPUは主に推論用でモデルを量子化し特定のツールチェーンでコンパイルする必要があり、FPGAはアルゴリズムをロジックに固定するためモデル変更のコストが最も高い。配備環境:GPUは冷却と電力の要求が大きくエッジサーバーやライン脇のキャビネット向け、NPUはファンレスの組み込みボックスに組み込んで分電盤内に設置でき、FPGAはカメラ側やフレームグラバカードとして現れることが多い。ライフサイクルコスト:GPUカードは高価だが開発が速く、NPUユニットは安価で規模の効果が明瞭、FPGA開発は人件費が高いが量産時にはハードウェアコストが妥当な水準になる。

3. 工場のどの工程がどのチップに適するのか

自動車部品会社の機械加工ワークショップで、工具摩耗の監視にNPU内蔵の振動センサーを用い、現地でスペクトル特徴の推論を行い、生波形をサーバーに戻さずミリ秒で応答するケースを考える。電子機器工場のSMTラインでは、リフロー後AOIがエッジ推論ボックス内のNPUで軽量な検査モデルを実行し、タクトが実装機の生産速度に追いつけば問題ない。製品の品種が多く、毎日十数種類の検査モデルを切り替える必要がある場合は、集中GPU推論の方が容易である。射出成形会社がコンベア上で製品を止めずに高速フライン検査を行い、トリガから出力までの遅延が極めて厳しい場合は、FPGAの決定論的な優位性が現れる。自動車メーカーの車体工場で複数のロボットが協調し、視覚誘導の位置決めが必要な場合は、GPUサーバーとエッジノードのハイブリッド構成が一般的である。

4. 選定と配備で注意すべき点は何か

第一に、モデルの出所を確認する。自社チームがPyTorchで訓練しているならGPUへの移行コストが最も低い。成熟したアルゴリズムベンダーのソリューションを購入する場合は、そのモデルが対象NPUのツールチェーンに対応しているか、量子化後の精度低下がどの程度かを測定する。第二に、現場の電力と冷却の余裕を確認する。分電盤内の温度は45度Cを超えることも多く、ファンレスNPUボックスのサーマルスロットリング戦略は事前に検証しなければならない。第三に、プロトコル統合を確認する。チップソリューションは既存のPLCやSCADAとOPC-UA、Modbus TCP、Profinetで接続できる必要があり、視覚結果をMESに書き込むまでの遅延もタクト計算に含めるべきである。第四に、実施順序を見る。まず単一ステーションで小ロット検証し、1シフト通して安定性を確認してからライン全体に展開する。第五に、チップ単価だけでなく総所有コストを計算し、開発人件費、モデル保守、予備品、電力を含める。

5. 適用シナリオと境界の判断

GPUソリューションは、モデルの反復が頻繁で検査精度の要求が高く、キャビネットの冷却が確保できるシナリオに適するが、分電盤内への密閉設置や、1台あたりの消費電力に極めて敏感な旧ラインの改造には向かない。NPUソリューションは、アルゴリズムが比較的固定され、長時間の無人運転が必要で、設置スペースが限られる外観検査やセンサー側推論に適するが、現場での訓練や大規模モデルの頻繁な切り替えが必要なケースには向かない。FPGAは、超低遅延、多チャンネル高速取得、モーション制御との密結合が求められる工程に適するが、アルゴリズムが未確定で迅速な実験が必要な初期段階のプロジェクトには向かない。中堅・大規模工場の大半にとってはハイブリッド構成がより現実的であり、センターのGPUでモデル訓練と難例のレビュー、ライン脇のNPUで常時推論、重要ステーションのFPGAでリアルタイム性を担保する。ERP時代から数十年にわたり業界に関わり、120万社の顧客に数千万台の端末を国内外で配備してきたベンダーは、ハードウェアと上位システムの接続経験がより豊富で、エッジデバイスと既存システムの統合における成熟度は選定時に検討する価値がある。

分野: AIハードウェア百科