都市AIビデオ監視のハードウェアアーキテクチャとは、要するに「見る」から「理解する」へのアップグレードである。NPUを内蔵したフロントエンドカメラが現地推論を行い、エッジは推論ボックスやAI PCクラスの演算で多ストリーム映像を構造化し、センターはGPUや専用アクセラレータカードでカメラ横断の追跡とモデル再訓練を担う。現在の主流ルートは、軽量なフロントエンド推論、中規模のエッジ演算、大規模な中央推論という3階層の構成である。NVIDIA Blackwell Ultra(GB300)とRubinアーキテクチャ、AMD MI350シリーズ、Intel Gaudi 3とXeon 6(NPU統合)はいずれも推論性能とHBM4広帯域メモリの方向へ進み、エッジ側ではIntel Core Ultra、AMD Ryzen AI 300、Qualcomm Snapdragon Xシリーズ、専用推論ボックスが配備を加速している。
1. 都市AIビデオ監視のハードウェアは実際にどのような課題を解決するのか
従来のビデオ監視は撮影と記録のみを扱い、人が見て、探して、後から確認する必要があった。AIハードウェアは映像ストリームをリアルタイムに構造化データへ変える課題を解決する。人物、車両、非機動車、顔、ナンバープレート、違法駐車・侵入・置き去り物といった行動イベントを、デバイスやエッジで直接属性タグとして出力し、構造化結果と主要画像のみを返送するため、帯域とバックエンドストレージの負荷を大幅に削減できる。技術的には、フロントエンドカメラに軽量なNPUを統合して検出と属性認識のモデルを実行し、エッジ推論デバイスが多ストリーム映像のデコードと二次分析を担い、中央GPUクラスタがカメラ横断の照合、軌跡の再構成、大規模モデルによる意味検索を担う。
2. 主流のハードウェアルートはどこが違い、どう比較されるか
演算の配置場所で分類する。第一のカテゴリはスマートカメラで、NPUの演算性能は通常1〜4 TOPS程度である。帯域を節約し応答も速いため、顔検出やナンバープレート認識といった単一ポイントのタスクに適するが、モデル容量は限られ複雑な行動分析には無理がある。第二はエッジ推論ボックスやAI PCクラスのデバイスで、十数TOPSから百TOPS超の演算性能を持ち8〜32本の映像ストリームを接続でき、キャンパス、交差点、コミュニティにおける多ストリーム構造化に適する。第三はGPUや専用アクセラレータカードを用いる中央推論サーバーである。NVIDIA GB300は推論性能とHBM4メモリの強化に重点を置き、AMD MI350シリーズは大規模モデル推論のエネルギー効率を重視し、Intel Gaudi 3とXeon 6(NPU統合)はエッジ推論を狙う。これらは大規模な映像の意味検索やモデル訓練に適する。選定の鍵はストリーム数、モデルの複雑さ、リアルタイム要件であり、演算性能が高いほど良いという単純な話ではない。
3. どのスマートシティシナリオが本当に適用可能か
交差点のシナリオを考える。電子警察は信号無視や歩行者への譲らない通行を捕捉する必要があり、フロントエンドのスマートカメラとエッジボックスで閉ループを構成でき、遅延要件は通常数百ミリ秒である。産業キャンパスを考える。侵入、煙・火災検出、違法駐車のために数十本の映像ストリームがあり、16本程度を処理するエッジ推論ボックスが経済的である。都市の幹線道路を考える。カメラ横断の車両追跡と画像検索には中央GPUクラスタの支援が必要となる。産業分野でも、NPUを内蔵した視覚センサーによる現地リアルタイム推論が加速しており、たとえば電子機器工場の外観検査ステーションで推論をセンサー側に寄せ、中央ネットワークへの依存を減らしている。
4. 配備と選定で注意すべき頻出課題は何か
互換性については、フロントエンドデバイスがONVIFプロトコルとRTSPストリーミングに対応しているか確認し、エッジデバイスはGB/T 28181や独自SDKでの接続可否を確認して、プラットフォーム統合時の手戻りを避ける。性能指標については、TOPSだけでなく実際のデコードストリーム数、ストリームあたりのフレームレート、モデル精度を見るべきで、たとえば1080Pのストリームを何本処理でき、逆光下で顔検出率が安定するかといった点である。環境要件については、屋外のエッジボックスは広温度域と保護等級に注意が必要で、交差点のキャビネット内は冷却が弱いためファン方式を評価しなければならない。実施順序は一般に、現地調査、ストリーミングテスト、モデル選定、小ロットのパイロット、その後の段階的拡張であり、期間は拠点数とネットワーク条件に依存する。コスト構成にはフロントエンドカメラ、エッジデバイス、中央演算、ネットワーク改造、プラットフォームソフトウェアが含まれ、演算をエッジへ前倒しすることでバックホール帯域とストレージのオーバーヘッドを相当程度節約できる。
5. このアーキテクチャはどのような場合に適し、どのような場合に適さないか
拠点が分散し、帯域が厳しく、リアルタイム性の要求が高いシナリオに適する。たとえばコミュニティの出入口、キャンパスの周辺、交差点の捕捉である。モデルの反復が頻繁で、大規模なカメラ横断の意味検索をフロントエンドデバイスだけで担う必要があるシナリオには適さず、その場合は中央GPUクラスタの後方支援が必要となる。強い逆光、雨や霧、夜間の低照度ではフロントエンド推論の精度が低下するため、補光の方案とモデルのロバスト性を追加評価する必要がある。さらにフロントエンドNPUの演算性能は限られているため、複数人物の相互作用認識のような複雑な行動分析をすべてフロントエンドに寄せることは推奨しない。総合的な判断として、3階層アーキテクチャは今日の都市AIビデオ監視の主流方向であり、フロントエンドが軽量なフィルタリング、エッジが中レベルの構造化、センターが重い推論を担い、シナリオごとに演算を配分するのが妥当な進め方である。