ナレッジセンター
目次

工場AIチップの選定:GPU、NPU、FPGAのどれを選ぶか

工場AIチップの選定に普遍的な正解はない。重要なのはタスクの種類、消費電力の予算、導入環境である。学習と大規模モデル推論にはGPU、固定した外観推論と低消費電力のエッジ用途にはNPU、超低遅延が必要なライン、変化の多いプロトコルを扱うライン、ハードウェアレベルのカスタマイズが必要なラインにはFPGAを選ぶ。

1. 工場AIハードウェアがにわかに重要になった理由

ここ数年、工場のAIの多くは品質検査の実証段階にとどまっていた。産業用PC1台とコンシューマ向けグラフィックスカード1枚で欠陥検出モデルを1つ動かせば十分と見なされていた。しかし状況は変わった。1本の生産ラインで外観検査、振動予測、エネルギー最適化、AGVの運行計画、ロボットピッキングが同時に動き、それぞれ異なる形のAIチップを必要とする。NVIDIAは2026年にRubinプラットフォームを量産へ移行し、AMDのInstinct MI350シリーズはCDNA4アーキテクチャを採用、IntelはGaudi 3とFalcon ShoresでAIアクセラレータ市場に参入し、エッジ側ではQualcomm、MediaTek、AppleのオンデバイスNPUが一般に40〜80 TOPSを超える。産業AIハードウェアは、1枚のグラフィックスカードですべてを賄う方向から、モジュール化・低消費電力・用途特化の設計へと移りつつある。

2. 中核となる概念と技術原理

GPU:グラフィックス処理ユニットであり、本質は多数の並列演算コアである。行列積の比重が大きい深層学習の学習と大規模モデル推論に適する。工場が多チャンネルのHD映像解析、大規模モデルによる生産計画支援、デジタルツインのシミュレーションを必要とするなら、GPUが第一選択となる。欠点は消費電力とコストが高いこと、さらに冷却と電源への要件が厳しいことである。

NPU:ニューラル処理ユニットであり、ニューラルネットワーク推論に特化して設計されたASICクラスのチップである。利点はエネルギー効率が極めて高いことで、同じ演算量なら消費電力はGPUの数分の一になる場合がある。オンデバイスAI PC、スマートフォン、エッジボックスのNPUはすでに40〜80 TOPSに達し、YOLO系の検出モデルや軽量なセグメンテーションネットワークを動かすのに十分である。工場では固定ワークステーションでの外観検査や設備の音紋による異常検知に適する。

FPGA:フィールドプログラマブルゲートアレイである。ロジックセルを導入後にも再構成できるため、プロトコルが変わる場面、極端に低い遅延が要求される場面、前処理と推論を融合したい場面に適する。例としては高速ラインのトリガ同期、複数カメラのミリ秒レベルの同期、独自のセンサインターフェースがある。欠点は開発の敷居が高いことで、ハードウェアエンジニアがHDLを書く必要があり、開発期間はGPUやNPUより長い。

3. 主要製品とソリューションの比較

工場への導入という観点では、3つの路線がある。

第一はGPUアクセラレータカードの路線である。NVIDIAのBlackwell Ultra GB300は推論性能とHBM4メモリに重点を置き、Rubinアーキテクチャのロードマップは2026年の量産を示す。AMDのInstinct MI350シリーズはCDNA4アーキテクチャを採用し、MI400も予告されている。IntelのGaudi 3とFalcon Shoresは別の選択肢となる。こうしたソリューションは工場の中央推論サーバに適し、複数ライン、複数カメラ、複数モデルからの同時リクエストを統一的に処理する。

イラスト

第二はエッジNPUモジュールの路線である。NVIDIA Jetson Thor、Huawei Ascendのエッジモジュール、QualcommやMediaTekのオンデバイスチップはいずれも低消費電力とモジュール化へ向かっている。典型的な事例として、電子機器工場がSMT実装の後にエッジAIボックスを追加し、AOIの再判定モデルをNPUで動かすケースがある。単体の消費電力を15W未満に抑えられるため、追加のファンなしでラインの電気盤に直接設置できる。

第三はFPGAとAIセンサを融合させる路線である。イベントカメラ、ミリ波レーダー、ニューロモルフィックコンピューティングをFPGAと組み合わせ、低遅延の知覚を実現する。自動車部品メーカーがプレス部品の表面欠陥を検査する場合を考えよう。通常のカメラは高速でぶれが生じるが、イベントカメラは輝度が変化した画素だけを出力するためデータ量が少なく遅延も小さい。前処理をFPGAが担い、分類をNPUが担えば、チェーン全体をミリ秒レベルの遅延まで押し下げられる。

4. 工場AIハードウェアの代表的な用途

1. 外観検査。工場AIで最も成熟した用途である。高精度の欠陥検出はGPUサーバでの集中推論、固定した単一ステーションの検査はNPUエッジボックス、高速ラインはFPGAによるトリガと前処理を使う。

2. 予知保全。振動、温度、電流の信号を高速でサンプリングする。FPGAはリアルタイムのフィルタリングと特徴抽出に、NPUは異常検知モデルに、GPUは設備をまたぐ相関分析に適する。

3. ロボットピッキングとAGVの運行計画。NVIDIA Jetson Thorなどのモジュールは移動ロボットに適し、NPUの演算能力で視覚SLAMと把持姿勢の推定をこなしながら、消費電力とサイズを抑えられる。

4. 産業用AIセンサ。イベントカメラとミリ波レーダー、ニューロモルフィックコンピューティングの組み合わせは、自動運転や産業検査において低遅延の知覚を提供する。安全ライトカーテンの置き換えが一例で、人が進入したことをミリ波レーダーが検知し、従来のカーテンより応答時間が短い。

5. 生産計画とエネルギー最適化。これらのタスクのモデルは大きくないが、データのスループットと同時実行性への要求が高く、GPUサーバやクラウド推論のほうが適している。

5. 選定基準と導入のアドバイス

第一にタスクの種類を見る。学習と大規模モデル推論にはGPU、固定した外観推論にはNPU、超低遅延や頻繁に変わるプロトコルにはFPGAを選ぶ。NPUで完了できる固定検査タスクにGPUを使うべきではない。消費電力の面でもコストの面でも合理的でない。

イラスト

第二に消費電力と冷却を見る。工場の盤はスペースが限られ、エッジ機器は通常ファンレスや低消費電力が求められる。NPUモジュールと低消費電力のFPGAはここで明確に優位である。

第三に開発エコシステムを見る。GPUにはCUDAがあり、NPUはそれぞれ独自のツールチェーンを持ち、FPGAはハードウェアエンジニアを必要とする。選定時には自社の技術スタックを考慮する。

第四に長期の保守を見る。工場設備のライフサイクルは通常5〜10年であり、チップの供給サイクルとツールチェーンの更新方針を事前に評価しておく必要がある。

産業AIハードウェアの統合において、ZEVONは長年にわたり製造業のお客様にサービスを提供しており、導入済みエンドポイントは3,200以上、15以上の業界で120以上のお客様を抱える。工場AIハードウェアの選定にあたり、ZEVONはまずタスクの種類と導入環境を明確にし、そのうえでGPU、NPU、FPGAのいずれのソリューションが適するかを合わせる。これにより万能型のアプローチが招く資源の浪費を避けられる。ZEVONのESOP(Electronic Standard Operating Procedure)は産業AIハードウェアと上位アプリケーションをつなぎ、チップの演算能力を生産ラインのタクトタイムに実際に着地させる。

6. 技術動向と展望

第一の動向は、推論性能が主戦場になることである。NVIDIAのRubinプラットフォーム、AMD MI400、Intel Falcon Shoresはいずれも推論の最適化へ向かい、HBM4メモリの帯域が重要な指標となる。

第二の動向は、エッジNPUの演算能力が上昇し続けることである。40〜80 TOPSはすでにオンデバイスチップに搭載されており、今後2年でエッジ機器はより複雑なモデルを動かし、現在は工場の中央GPUサーバが担うタスクの一部がエッジへ移る。

第三の動向は、AIセンサの融合である。イベントカメラ、ミリ波レーダー、ニューロモルフィックコンピューティングの組み合わせが、低遅延・低消費電力の知覚を産業検査と自動運転へ広げる。

第四の動向は、モジュール化と低消費電力である。NVIDIA Jetson ThorやHuawei Ascendのエッジモジュールといった製品により、工場AIハードウェアは組み立てブロックのように導入できる。製造業のお客様にサービスを提供する中で、ZEVONはモジュール型のソリューションがラインのAI改修サイクルを大きく短縮し、規模を広げても複製しやすいことを見いだしている。

一言でいえば、工場AIチップを選ぶ際は、そのタスクが学習か推論か、集中かエッジか、固定か変化かを見極め、そのうえでGPU、NPU、FPGAのどれにするかを決める。最良のチップは存在せず、ラインのタクトタイムに最も合うチップがあるだけである。

分野: AIハードウェア百科