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今、演算、電力、リアルタイム応答のバランスを取る

1. 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、本質的に車両に搭載された高性能コンピュータである。カメラ、ライダー、ミリ波レーダー、超音波センサーからの複数のデータストリームを同時に処理し、知覚、予測、計画、意思決定の全過程を数十ミリ秒のうちに完了しなければならない。中核となる指標はピーク演算性能ではなく実効演算性能、すなわち電力と熱の制約の下で実際にどれだけの推論性能を維持できるかである。

現在の主流設計はヘテロアーキテクチャを採る。GPUまたはNPUが深層学習推論を担い、CPUが論理とスケジューリングを担い、ISPが画像信号を担い、安全アイランドチップが機能安全を担う。NVIDIAの最新Rubinアーキテクチャを例に取ると、HBM4メモリと3nmプロセスを用いて学習と推論を統一しているが、車載側でより重視されるのはその車載グレードの派生品である。AMDのMI400シリーズはCDNA 5アーキテクチャに基づき、AI学習向けのフラッグシップを対象とし、NPUを統合したAPU設計によってエッジに参入する。Intelの後継Lunar LakeチップはNPUの強化を優先し、低消費電力の端末側推論を狙う。これは長時間の待機を要する自動運転のデータ記録や匿名化のシーンにとって重要である。

センサー側も変わりつつある。SonyやSamsungのスマートイメージセンサーはAI処理ユニットを統合し、ピクセルレベルで直接イベントドリブン型の検出を行い、変化した領域だけをメインコントローラに渡せる。このブレインインスパイアードな手法は、バックエンドの演算負荷を大幅に減らせる。

2. 主流製品とソリューションの比較

車載AI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。

第一は汎用GPU路線で、NVIDIAのOrinと後継のThorシリーズに代表される。利点は成熟したエコシステムと完全なCUDAツールチェーンがあり、自動車メーカーやTier 1サプライヤーが導入しやすいことである。欠点は消費電力が比較的高く、通常は液冷または大型のヒートシンクが必要になることである。

第二は専用ASIC路線で、TeslaのFSDチップや一部の中国系ベンダーの自社開発NPUに代表される。利点はエネルギー効率が高く、特定のネットワーク構造に最適化することでワット当たりの性能が汎用GPUの2倍から3倍に達することである。代償は柔軟性であり、アルゴリズムの反復がハードウェアの未対応の演算子に突き当たる可能性がある。

第三はエッジAIボックスと外付けNPUによる分散路線である。産業グレードのAIボックスは専用NPUを統合し、ローカルでのリアルタイム大規模モデル推論に対応する。産業団地の物流車両、港湾のAGV、無人鉱山トラックといったシーンで現実的である。単一車両のフルスタック自動運転を狙うのではなく、特定エリア向けに堅実な知覚と意思決定を構築する。

絶対的に優れた路線はない。乗用車の前装量産は第一と第二に寄り、後付けの商用車や閉鎖的なシーンは第三に寄る。

3. スマート交通AIハードウェアの典型的な応用シーン

第一のシーンは都市部NOAである。自動車メーカーが20都市でナビゲーション支援を提供したいとする。車載の演算プラットフォームはBEV知覚、オキュパンシーネットワーク、予測・計画モデルを同時に実行しなければならない。ここではGPU路線と高演算NPUの組み合わせがより確実である。市街地の道路はコーナーケースが多く、演算の冗長性を十分に確保する必要があるためである。

第二のシーンは幹線物流である。物流車隊が幹線でL2プラスの支援を導入し、主にアダプティブクルーズコントロールと車線維持を行う。このシーンは演算の要求は低いが、長期の安定稼働が必要で、電力と冷却が主要な検討事項になる。ここではエッジAIボックス方式のほうが実際に適しており、1台を30ワット未満に抑えれば車両側の冷却システムを変更せずに済む。

第三のシーンは閉鎖的な産業団地での無人配送である。電子機器工場が構内で時速20キロ以下、固定ルートの無人シャトルを運行したいとする。このシーンはNPUを統合したAI PC方式や、スマートセンサーと低消費電力の推論チップの組み合わせでも対応できる。コストが低く、導入が速く、保守も簡単である。

第四のシーンは路側知覚である。スマート交差点の路側AIボックスは、複数のカメラとレーダーのストリームを同時に処理し、物体検出と軌跡追跡を行い、結果をV2Xで車両に送らなければならない。こうした装置は通常、屋外のキャビネットで広い温度域にわたって動作するため、産業グレードチップの信頼性に高い要求が課される。

4. 選定基準と展開の推奨事項

自動運転AI演算プラットフォームを選ぶ際は、まずシーンを見て、次に演算性能を見る。

乗用車の前装量産では、車載認証を優先する。AEC-Q100とISO 26262の機能安全レベルは厳格な閾値である。演算要件はセンサー構成から逆算する。800万画素カメラ1台のBEV知覚には概ね10から20 TOPSの実効演算が必要で、ライダーの点群処理にはさらに20から30 TOPSが加わる。2重の冗長性を確保しておくのが賢明である。

後付けの商用車や閉鎖的なシーンでは、電力とコストを優先する。エッジAIボックス方式は通常、マイナス20度から70度の広温度域での動作に対応する。導入時には電源の安定性に注意すべきで、車両の電圧変動は大きく、広入力の設計が必要になる。

ソフトウェアエコシステムも無視できない。GPU路線のCUDAエコシステムは最も成熟し演算子ライブラリも揃うが、ライセンス費用が高い。ASIC路線は通常独自のツールチェーンを伴い、移行コストはアルゴリズムチームの技術スタック次第である。エッジAIボックスは一般にONNXやTensorRTに対応し、汎用性は両者の中間に位置する。

熱設計は早い段階から関与させる必要がある。高演算のプラットフォームは熱が集中し、乗用車では空冷が厳しくなりつつある。液冷はコストが高いが効率的に熱を逃がす。自動車部品企業が後付けのADASを構築する場合、パッシブ冷却のエッジAIボックスで十分であり、液冷は不要である。

5. 技術動向と展望

第一の動向は学習と推論の統一である。NVIDIAのRubinアーキテクチャはHBM4と3nmプロセスを組み合わせ、学習と推論が1つのアーキテクチャを共有するため、自動車メーカーはクラウドの学習と車載への展開を1つのツールチェーンで行え、反復が大幅に速くなる。

第二の動向はNPUの普及である。Intelの後継Lunar LakeチップはNPUの強化を優先し、エッジAIデバイスは広く行き渡りつつある。今後2年から3年で、10から20 TOPSのNPUは現在のMCUと同じくらい当たり前になり、あらゆる車両がローカル推論能力を持つようになる。

第三の動向はセンサーのインテリジェント化である。SonyやSamsungのスマートイメージセンサーはAI処理をピクセル層に置き、イベントドリブンとブレインインスパイアードコンピューティングによってバックエンドの演算負荷を1桁減らせる。車両全体の電力とコストの削減に価値がある。

第四の動向はオンデバイス大規模モデルである。産業グレードのAIボックスやAI PCはすでにローカルでのリアルタイム大規模モデル推論に対応しており、自動運転もその流れにある。70億パラメータのマルチモーダルモデルを車載で動かしてシーン理解を行うことは、エッジAIチップ上ですでに可能だが、フレームレートはまだ低い。3nmとHBM4が普及するにつれて、このボトルネックは徐々に解消される。

この分野にはすでに15以上の業界で120社を超える顧客があり、3,200台を超える端末が稼働している。エッジAIハードウェアがスマート交通に想定より速く浸透していることを示している。プラットフォームを選ぶ際に最新のプロセスノードを追う必要はなく、シーンに合ったエネルギー効率が重要である。

分野: AIハードウェア百科