ナレッジセンター
目次

自動運転AI演算プラットフォームは生のTOPSから演算と効率の併存へ移行

1. 業界の背景:演算競争から効率競争へ

ここ数年、自動運転AI演算プラットフォームの中核指標はピークTOPSであった。しかし2025年以降、流れは変わった。NVIDIAはBlackwell Ultra(B300)とRubinアーキテクチャのロードマップを発表し、推論性能とHBM4メモリ帯域を明確に最優先に置き、Rubinプラットフォームは2026年の量産を予定している。AMDはInstinct MI350シリーズ(CDNA 4アーキテクチャ)を投入してMI400を予告し、大規模モデルの学習と推論のエネルギー効率に注力する。IntelはGaudi 3と後継のFalcon ShoresでAIアクセラレーション市場に参入した。同時にエッジAIデバイスの展開が急速に進み、Qualcomm、MediaTek、AppleなどのオンデバイスAI PCやスマートフォン向けチップのNPU演算性能は一般に40から80 TOPSを超えている。スマート交通において、こうした変化は、自動運転の演算プラットフォームに求められるのが単に動くことではなく、省電力で安定して動き続けることになったことを意味している。

2. 中核概念と技術原理

自動運転AI演算プラットフォームは、本質的に車載または路側に組み込まれたヘテロジニアス・コンピューティングシステムである。通常3つの部分からなる。知覚前処理ユニット、推論アクセラレーションユニット、機能安全アイランドである。知覚前処理はカメラ、ミリ波レーダー、ライダーの生データに対してノイズ除去、位置合わせ、特徴抽出を行う。推論アクセラレーションユニットはTransformer、BEV知覚、オキュパンシーネットワークなどのモデルをNPUやGPUクラスタで実行する。安全アイランドは、メインの演算ユニットが故障しても車両が最小リスク状態に到達できることを保証する。

際立つ技術動向は2つある。第一はイベントドリブン型ビジョンを融合したAIセンサーで、画面が変化した領域でのみ演算を起動し、無駄な電力を大幅に削減する。第二はニューロモルフィックコンピューティングのエンジニアリング検証への投入で、スパイキングニューラルネットワークを用いてミリ波やビジョンの時系列信号を処理し、遅延をミリ秒級まで下げる。NVIDIA Jetson ThorやIntelのエッジAI Boxはいずれも、ロボティクスやスマートマニュファクチャリング向けにモジュール化と低消費電力へ向かっている。

3. 主流製品とソリューションの比較

車載の自動運転演算プラットフォームは現在、おおむね3つの路線に分かれる。

第一はNVIDIAのOrinとThorの路線である。Orinは量産の主力であり続け、ThorはTransformerエンジンとFP8精度によって演算性能を2000 TOPS級に引き上げ、L3以上の高度運転支援に適する。利点はCUDAとTensorRTのツールチェーンが揃った成熟したエコシステムであり、欠点は消費電力が比較的高く冷却の要求が厳しいことである。

第二はQualcommのSnapdragon Ride路線で、コックピットと走行の演算を単一のSoCに統合し、NPUで推論を行うためエネルギー効率に優位性がある。コックピットと走行の統合を狙うコスト重視の中位モデルに適する。

第三はMobileyeのEyeQシリーズと、中国のHorizon RoboticsのJourneyシリーズである。EyeQはアルゴリズムとシリコンを密結合した専用ASICの路線で、柔軟性を犠牲にして非常に低い消費電力を実現する。Journey 6シリーズはオープンなツールチェーンを重視し、自動車メーカーが一部のモデルを自社開発できるようにする。

路側のエッジ演算ボックスでは、NVIDIA Jetson ThorとIntelのエッジAI Boxが代表的な例である。前者は複数の映像ストリームに対するリアルタイム推論に適し、後者は産業用の安定性と長期供給に優位性がある。選定はTOPSだけで決めるべきではなく、実効的な演算利用率、メモリ帯域、機能安全の認証レベルを見るべきである。

4. スマート交通の典型的な応用シーン

シーン1:都市部NOA。自動車メーカーが20万元前後のモデルで都市部のナビゲーション支援を提供したいとする。演算プラットフォームはBEV知覚、予測・計画、オキュパンシーネットワークを同時に実行しなければならない。Orin X 1台では演算が不足し、Orin X 2台またはThor 1台なら余裕が残る。重要な指標はフレームレートの安定性と電力の上限である。

シーン2:路側のインテリジェント知覚。電子機器工場が構内道路で車路協調を導入し、エッジAIボックスに8台のカメラと4台のミリ波レーダーを接続して、歩行者の侵入警告や車両軌跡の予測を行う。このシーンは車載グレードの認証を必要としないが、低遅延と広温度域での動作が求められる。Jetson Thorのようなモジュール型ソリューションがよく適合する。

シーン3:ロボタクシー。モビリティ企業が特定エリアでロボタクシーを運行するとする。演算プラットフォームはライダーの点群と初期段階のビジョン融合に対応し、さらに冗長電源とフェイルデグラデーションの仕組みを備えなければならない。こうした設計は通常2つの演算ユニットで相互にバックアップし、消費電力は500ワットを超え、冷却と電源設計に極めて高い要求を課す。

5. 選定基準と展開の推奨事項

第一に、機能安全のレベルを定めること。L2の運転支援はASICや中位の演算性能のSoCで足りるが、L3以上は冗長性とISO 26262 ASIL-D認証を考慮しなければならない。

第二に、演算性能だけが指標ではないこと。メモリ帯域とNPUの実効利用率に注意を払う。200 TOPSをうたっていても、実際にTransformerを動かすと利用率が30パーセントに満たない設計は多い。

第三に、電力と冷却が展開形態を決める。空冷、液冷、ヒートスプレッダーでは、車両への実装方法への影響が大きく異なる。

第四に、ツールチェーンの成熟度が開発サイクルを決める。CUDAエコシステムは最も充実しているがNVIDIAのハードウェアに縛られ、オープンなツールチェーンは柔軟だが強力なエンジニアリングチームを必要とする。

第五に、サプライチェーンの安定性である。車載グレードのチップは通常10年を超えるライフサイクルを持つため、選定時にはベンダーの供給コミットメントと長期サポート計画を確認する。あるソリューションベンダーは現在3,200台を超える端末が稼働し、15以上の業界で120社を超える顧客をカバーしており、エコシステムの成熟度の参考になる。

6. 技術動向と展望

2026年にRubinプラットフォームが量産に入ると、HBM4メモリが車載の大規模モデル推論効率を大きく改善する。同時にエッジAIデバイスはモジュール化と低消費電力へ向かい、NPUの演算性能が40から80 TOPSを超えると、マルチモーダル大規模モデルをオンデバイスで動かすことはもはや理論ではなくなる。イベントドリブン型ビジョンとニューロモルフィックコンピューティングを融合したAIセンサーは、知覚の遅延と電力をさらに削減する。スマート交通において、自動運転AI演算プラットフォームの競争は、ピーク演算性能から、ワット当たりの実効推論スループットと機能安全の冗長性へと移る。この2つの軸のバランスを取れた者が、次の量産採用の主導権を握る。

分野: AIハードウェア百科