ナレッジセンター
目次

工場AIチップの選び方:GPU、NPU、FPGA

工場AIチップの選定に普遍的な答えはない。GPUは学習と高スループット推論に適するが消費電力とコストが高い。NPUは固定された視覚推論タスクで最高のエネルギー効率を発揮するが柔軟性は限られる。FPGAは低遅延とインターフェースのカスタマイズで勝るが開発のしきい値が高い。ラインサイクルが安定しモデルが成熟した欠陥検出はまずNPUを見るべきで、機種が多く小ロットでモデル反復が頻繁なワークステーションはGPUが適し、マイクロ秒級の決定論的応答と特殊なセンサーインターフェースが必要なシナリオに限ってFPGAを検討する価値がある。

1. 工場AIチップが実際に解決する課題

工場のAIハードウェアが担うべきことはクラウドとは異なる。クラウドは電力と冷却を自由に使えるが、工場の制御盤、エッジボックス、産業用カメラは内部空間が限られ、年間を通じて40度を超える環境に置かれ、振動と電磁妨害に耐えなければならない。チップ選定は本質的に、演算、電力、リアルタイム性、インターフェースの豊富さ、開発サイクルの間でバランスを取ることである。

GPUの強みは並列浮動小数点演算と大きなメモリ帯域にあり、複数モデルや大バッチ推論を同時に実行するのに適する。NPUは畳み込みや行列積といった演算子を専用回路で実装し、ワットあたりの演算性能が高いが、演算子のサポート一覧が固定されているため独自レイヤーはCPUへフォールバックしやすい。FPGAはプログラマブルロジックでパイプラインを組み、推論遅延をマイクロ秒まで圧縮でき、Camera LinkやGigE Visionといった産業用インターフェースに直接接続できるが、ハードウェアエンジニアがRTLを書く必要があり、アルゴリズムの反復サイクルは週単位で測られる。

2. GPU、NPU、FPGAの選択肢の中核的な違い

工場への導入という観点では、違いは4つの次元に集中する。

演算密度と電力。GPUカードは演算が高いがボード電力が100Wを超えることが多く、アクティブ冷却と大きな筐体空間が必要になる。NPUモジュールは通常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、小型エッジボックスへの統合に適する。FPGAの電力はその中間だが、実際の実効演算は公称ゲート数ではなくロジック資源の利用率とタイミング収束に依存する。

モデルの柔軟性。GPUは主要なフレームワークとカスタム演算子を最も完全にサポートし、新しいモデルの適用が速い。NPUはベンダーのツールチェーンの演算子カバー範囲に依存し、選定では検出、セグメンテーション、OCRの一般的なネットワークがサポート一覧にあるかを確認する必要がある。FPGAはモデルの量子化とロジック資源へのマッピングが必要で、アルゴリズムが長期的に安定しているシナリオに適する。

リアルタイム性。GPUの推論遅延は通常ミリ秒級で、バッチとスケジューリングの影響を受ける。NPUは固定モデルでエンドツーエンド遅延を1ミリ秒以内にできる。FPGAは前処理、推論、後処理をすべてパイプライン化でき、遅延の決定性が最も優れ、高速ラインのトリガーと同期制御に適する。

インターフェースと統合。工場設備は一般にGigE Vision、USB3 Vision、Camera Link、EtherCAT、OPC-UAを用いる。FPGAはネイティブに柔軟で、NPUの選択肢は主にSoCに統合され、GPUの選択肢は通常ホストのPCIe拡張や外付けフレームグラバに依存する。選定ではセンサーからチップまでの経路のプロトコル変換コストを明確に計上しなければならない。

3. どの工場工程がこれらのチップを本当に必要とするか

電子機器工場がSMT後のAOI再判定を行い、1枚あたり2秒以内に結果を出すサイクルで、欠陥分類ネットワークが成熟しているとする。ここではNPUのエッジボックスで足りる。低消費電力でライン脇に設置でき、モデルが固まれば頻繁な変更も不要である。

自動車部品企業が鋳造品表面を多機種・小ロットで検査し、欠陥種別がしばしば追加され、エンジニアが毎週モデルを再学習しなければならないとする。GPUの産業用PCがより適し、学習と推論を同じ機械に置けてアルゴリズムチームの反復が演算子のサポートに制約されない。

高速包装ラインがフライングショット検査を必要とし、トリガーから出力まで数百マイクロ秒で、排除機構も同期させる必要があるとする。ここではハードリアルタイム経路を持つFPGAまたはSoCの選択肢だけが意味を持ち、汎用GPUのスケジューリングの揺らぎでは排除の窓を逃す可能性がある。

予知保全を見ると、振動や電流の信号はサンプリングレートが高いがモデルは比較的固定されているため、NPU統合の産業用コントローラやスマートセンサーがデバイス上で直接特徴抽出と異常判定を行い、全波形をアップロードせずに済む。

4. 選定と導入で注意すべき重要な問い

モデルは対象チップで動くか。TOPSの数値だけを見ず、自社のモデルで試験して演算子のサポート、量子化の精度劣化、実際のスループットを確認する。特にNPUでは後処理がツールチェーン内で完了するかを検証する。

熱と電力の条件は合うか。工場の電気盤内部の温度は室温より高いことが多く、GPUの選択肢は気流経路と電力余裕を計上する必要があり、NPUとFPGAの選択肢も広温度域の型番で確認しなければならない。

インターフェースの連鎖は端から端までつながるか。産業用カメラとチップの間でどのプロトコル変換が発生し、タイムスタンプとトリガー信号をどう同期するかが、実際のサイクル目標を満たせるかを決める。

開発と保守のコストはどう計算するか。FPGAの選択肢はハードウェアエンジニアの投入を確保し、NPUの選択肢はツールチェーンの学習コストを計上し、GPUの選択肢は装置全体の電力と熱の改修コストを含める。3者はチップの単価だけで比較できない。

ソフトウェアスタックは既存システムとどうつながるか。推論結果は通常OPC-UAやModbus TCPでMESやSCADAへ入り、警報とトレーサビリティデータをどう保存するかを選定段階で確認し、チップが届いてから統合で行き詰まらないようにする。

5. 適合性の判断:どのシナリオに何を選び、どこで無理をしないか

NPUに適するシナリオは、モデルが成熟・安定し、電力と空間に制約があり、単一工程・単一モデルの外観検査、オンデバイスの予知保全、産業用カメラやロボットコントローラへの内蔵推論である。モデル構造を頻繁に変えるワークステーションや大バッチ学習には適さない。

GPUに適するシナリオは、複数モデルの並列、頻繁なモデル反復、ローカルでの学習と推論の併用、空間と電力に比較的余裕のあるワークステーションである。マイクロ秒級の決定論的応答や極めて小型の組み込み設置には適さない。

FPGAに適するシナリオは、高速トリガーと同期制御、特殊な産業用インターフェースへの直接接続、アルゴリズムが長期的に固定され遅延の決定性への要求が極めて高い場合である。アルゴリズムがまだ探索段階のプロジェクトや、チームにハードウェアロジックの開発能力がない場合は適さない。

専用AIチップをまだ採用すべきでない類型もある。欠陥サンプルが不足し入荷工程のばらつきが大きく検査基準がまだ固まっていない工程では、早い段階でチップアーキテクチャを固定するよりも、撮像とルールベースのアルゴリズムを先に安定させるほうが価値がある。反射が強く変形が大きく材料が混在するラインでは、どのチップを選んでも撮像の方式とモデルの汎化を別途評価する必要がある。

ERP時代から数十年かけて築かれた産業ソフトウェアとハードウェアの経験から判断すると、120万社の顧客に数千万台の端末を展開してきた実績が示すのは、工場AIチップの選定は最終的に工程のサイクル、モデルのライフサイクル、保守能力という3つの制約に戻るということである。チップの仕様は出発点にすぎない。

分野: AIハードウェア百科