都市AIビデオ監視のハードウェアアーキテクチャの核心は、AI演算をクラウドからエッジへ下ろし、カメラは撮影のみでバックエンドが集中分析する従来の形を、インテリジェントなフロントエンド撮影、エッジ推論、クラウド側調整という3階層の構造で置き換えることにある。典型的な都市AIビデオ監視ハードウェアは、AIカメラ(AIセンサーとオンチップ推論を備える)、エッジAI演算ボックスまたはエッジサーバー、中央推論クラスタで構成され、映像構造化と物体検出は可能な限りエッジで完了し、構造化結果と例外クリップのみを返送する。直接的な利点は、帯域依存の低減、応答遅延の短縮、そしてネットワークが落ちても個々のデバイスが現地で判断を続けられることである。
1. 都市AIビデオ監視のハードウェアアーキテクチャはどのような層で構成されるのか
分解すると3層になる。フロントエンドはAIカメラとAIセンサーで、撮像と最初の推論を担う。一般的な構成は200万から800万画素のCMOSセンサーとNPU統合SoCの組み合わせで、演算性能は1TOPS未満から数十TOPSに及び、人物、車両、ナンバープレート、ヘルメットといった対象の検出と属性抽出をカメラ内部で直接行える。中間層はエッジAI演算機器で、エッジ演算ボックス、ファンレス産業用PC、GPUや専用アクセラレータカードを搭載したエッジサーバーなどの形態があり、1台で4本から数十本の映像ストリームを接続して多ストリームの並列デコードと二次分析を行う。中央層はクラウドまたは機械室の推論クラスタで、拠点をまたぐデータ融合、長周期の検索、モデルの再訓練を担う。
アーキテクチャ進化の要点は演算の分散にある。従来は映像分析をセンターに集中させ、千本規模のプロジェクトではバックホール帯域と中央GPUの台数に高い要求が出ていた。現在は軽量モデルをカメラに、中規模モデルをエッジボックスに、複雑なモデルをセンターに置く階層推論が形成されている。NVIDIA Blackwell Ultra(GB300)とRubinのロードマップは推論性能とHBM4メモリの強化を強調し、AMD MI350/MI400、Intel Gaudi 3、Xe2アーキテクチャがAIアクセラレーション市場に参入しており、これらセンター側チップの反復は主に機械室の推論密度に影響する。エッジ側ではQualcomm、MediaTek、NVIDIA Jetson Thorといったプラットフォームがオンデバイスの大規模モデル推論を進め、エッジボックスでより大きな視覚モデルを動かせるようにしている。
2. フロントエンドインテリジェンスとエッジ推論のソリューションはどう違い、どう比較されるか
演算の配置場所で分類すると、違いは遅延、帯域、モデルの複雑さに集中する。
第一のカテゴリはカメラ内推論で、一般にAIカメラやインテリジェントIPCと呼ばれる。利点はポイントごとの独立性、最小の遅延、バックホール帯域をほとんど使わないことで、顔検出、ナンバープレート認識、区域侵入など規則が明確な軽量タスクに適する。限界は演算と電力が制約され、モデルのパラメータ数が小さく、複雑な行動分析を扱えないことである。
第二はエッジ演算ボックスやエッジサーバーでの集中推論である。1台で複数の映像ストリームを管理し、モデルの選択肢が広く、多クラス検出と追跡が可能で、ローカルストレージと切断復帰後の再送に対応する。フロントエンド推論と比べると映像デコードと多ストリームスケジューリングのオーバーヘッドが増えるため、選定ではユニットあたりの対応ストリーム数とストリームあたりの演算配分を検討しなければならない。
第三は中央クラスタ推論である。演算資源が最も豊富で、カメラ横断の追跡、大規模検索、モデル訓練に適するが、安定したバックホール回線に依存し、遅延は秒単位で測られる。
比較の軸は4つを推奨する。ストリームあたりの演算と対応ストリーム数、コーデック能力(H.264/H.265、複数ストリームの同時デコード可否)、モデルの互換性(ONNXなどの一般的な形式や量子化配備に対応するか)、動作温度と保護等級である。屋外の都市拠点では広温度と防塵・防水への注意が必要で、エッジボックスは通常マイナス20から60度Cでの動作が求められる。
3. このハードウェアが本当に適用できるスマートシティシナリオはどれか
適するシナリオには明確な共通点がある。拠点が分散し、リアルタイム応答が必要で、バックホール帯域が限られることである。
都市区の道路チェックポイントのシナリオを考える。AIカメラがナンバープレート認識と車種分類をカメラ内で完了し、エッジボックスが複数のチェックポイントをまたいで車両軌跡を結合し、構造化記録のみをアップロードし、センターがナンバープレートの偽造照合と要注意リストの照合を行う。こうしたタスクは規則が明確で対象種別が単一であるため、エッジ推論の効果が明瞭である。
キャンパスの出入口と周辺のシナリオを考える。AIカメラが顔検出と越境検知を行い、エッジデバイスが許可・拒否リストの照合と警報連動を実行し、ネットワークが落ちても現地の音声・光による警報が作動し証拠もキャッシュされる。これは遅延に敏感で、クラウドへの依存をできるだけ小さくすべきシナリオである。
もう一つのカテゴリは、都市管理における路上販売や廃棄物の山の識別である。対象の形状が多様で誤報率を低く抑える必要があるため、すべてをフロントエンドの小型モデルに押し付けるより、エッジボックスでより大きなモデルを動かし人手のレビューを組み合わせる方が適する。
逆に、長周期の行動分析や多数の拠点をまたぐ全体検索が必要なタスクでは、中央クラスタが依然として代替不可能である。
4. 選定と配備で必ず押さえるべき頻出課題は何か
互換性の確認方法。フロントエンドカメラとエッジデバイス間のプロトコルを確認する必要があり、ONVIFとGB/T 28181が一般的な接続標準である。RTSPのストリームアドレスと符号化形式を事前に整合させなければ、接続はできてもデコードできない結果になる。
演算の見積もり方。公称のTOPS値に頼らず、ストリーム数×ストリームあたりの必要演算×モデル冗長係数で見積もり、モデル更新用に30パーセント程度の余裕を確保する。多ストリーム同時実行では、デコード能力が最初にボトルネックになることが多い。
環境と電力の考え方。屋外のエッジボックスはIP保護等級と広温度要件を満たす必要があり、ポール設置では放熱と雷保護を考慮する。電源はPoEか現地のDCが一般的で、長いケーブルでは電圧降下を計算しなければならない。
実施手順はおおよそ次のとおりである。現地調査と画角の検証、ネットワークとプロトコルの総合調整、モデル選定としきい値の校正、小ロットの試運転で誤報と検出漏れを観察し、その後バッチで拡張する。期間は拠点数とネットワーク改造の範囲に依存し、通常は週単位で進む。
コスト構成は主にフロントエンドカメラ、エッジ演算デバイス、ネットワークとストレージ、モデル適応とデバッグの人件費であり、とくにエッジデバイスの演算構成が総コストへの影響が最も大きい。ピーク値のために演算を積み上げるより、ストリーム要件で選定する方が経済的である。
5. このアーキテクチャはどのようなシナリオに適し、どのようなシナリオに適さないか
拠点が分散し、リアルタイム性が要求され、バックホール帯域が限られる都市ガバナンスのシナリオに適する。たとえばチェックポイント、周辺防護、キャンパス出入口、重点区域の侵入検知、ネットワーク断時にも現地判断が必要な状況である。また入荷材料と照明条件が比較的安定し、対象カテゴリが明確な工程レベルの視覚タスクにも適する。
適さないシナリオも同じくらい明確に述べなければならない。強い逆光、濃霧、補光のない夜間低照度の拠点では、フロントエンドの小型モデルの誤報率が明らかに上がり、補光の追加評価とモデル調整が必要となる。複雑な行動の意味理解や数十本以上のストリームをまたぐ長周期検索が必要なタスクでは、エッジ演算では不足し、中央クラスタに任せるべきである。連続フレームにわたる高精度の計測が必要なシナリオでは、一般的なAIカメラの解像度とフレームレートでは不足する可能性があり、産業グレードの視覚ソリューションを別途評価しなければならない。選定段階でシナリオの境界を明確にしておくことは、仕様を積み上げるよりも後の手戻りを減らす。