工場のAIチップ選定に普遍的な答えはない。重要なのは、そのタスクが訓練か、推論か、超低レイテンシ制御かである。GPUは高スループットの並列演算に適し、NPUは固定モデルの推論で最も高いエネルギー効率を発揮し、FPGAは可変プロトコルとマイクロ秒級の応答で優れる。工場ではこの3者は互いの代替ではなく、役割分担と共存がより一般的である。
1. 中核概念と技術原理
GPUはもともとグラフィックスレンダリング向けに設計され、その中核的な強みは膨大な数の並列演算ユニットにある。2025年、NVIDIAはBlackwell UltraとRubinアーキテクチャのロードマップを進め、推論性能とHBM4メモリを重視しつつ年次での反復サイクルへ移行している。AMDのInstinct MI350/MI400シリーズはCDNA4アーキテクチャと3nmプロセスに基づき、ハイエンドの訓練・推論市場に直接挑む。IntelはGaudi 3と後続のFalcon Shoresアーキテクチャを進め、オープンなエコシステムとコストパフォーマンスを重視する。工場ではこれらのチップが主に、外観検査モデルの訓練、多チャンネルHD映像の分析、大規模な欠陥検出推論を担う。
NPUは、ニューラルネットワークの推論に特化して設計されたオンチップのアクセラレーションエンジンである。現在のAI PCや産業用エッジボックスは一般に40~60 TOPSクラスのNPUを搭載し、軽量な大規模モデルをローカルで動かせる。その特性は低消費電力、安定したレイテンシ、制御可能なコストである。ある電子工場はPCBのはんだ接合部の欠陥認識のためにNPUベースのエッジボックスをライン脇に配備し、1台あたり15W未満でファン冷却なし、制御キャビネットへ直接組み込んでいる。
FPGAはフィールドプログラマブルゲートアレイで、論理セルを繰り返し再プログラムできる。工場では高速I/O制御、多軸モーションの同期、プロトコル変換ゲートウェイによく登場する。自動車部品企業がプレスラインでマイクロ秒級の緊急停止応答を必要とすると仮定する。GPUとNPUのスケジューリング遅延は十分に安定せず、FPGAのハード論理は確定的な応答を実現する。AIセンサーの方向でもFPGAとの融合が進んでおり、たとえばイベントカメラがミリ波レーダーと協調してロボットの障害物回避を行う場合、前端のピクセルレベルの前処理をFPGAが担う。
2. 主流製品とソリューションの比較
訓練の場面ではGPUを見る。NVIDIAのBlackwell UltraとAMDのMI350シリーズはいずれも大規模モデル訓練を狙い、HBM4メモリの帯域は前世代の2倍以上である。Intel Gaudi 3はコストパフォーマンスとオープンなエコシステムで優位に立ち、予算に敏感で単一エコシステムに縛られたくない工場に適する。
推論の場面ではNPUのほうがコスト効率が高い。車載AIや産業用エッジボックスは主にNPUでローカル推論を行い、40 TOPSもあれば70億パラメータのモデルを動かせる。ある家電工場は組立ラインの末端でNPUボックスを外観検査に使い、モデルを固定した後は推論の消費電力がGPUソリューションの10分の1で済んでいる。
超低レイテンシと可変プロトコルの場面ではFPGAが代替不可能である。FPGAには命令セットのオーバーヘッドがないため、信号入力から出力までの経路はナノ秒級に達する。欠点は開発の敷居が高く、ハードウェアエンジニアがRTLコードを書く必要があり、モデルの反復がGPUやNPUほど容易でないことである。
3. 工場AIハードウェアの典型的な応用場面
外観検査はGPUとNPUの主戦場である。高解像度の産業用カメラは毎秒数GBの画像データを生成する。GPUはバッチ推論で高いスループットを発揮し、NPUは単一ステーションでの固定モデル推論でより電力効率が高い。
予知保全は主にNPUとセンサー融合を使う。振動、温度、電流の信号で異常検知を行い、エッジのNPUで処理するため、データが工場の外に出ない。
モーション制御と安全の緊急停止にはFPGAを使わなければならない。多軸同期はマイクロ秒級のジッタを要求し、FPGAのハード論理は確定的なレイテンシを実現する。AIセンサーがイベントカメラとミリ波レーダーを融合する場合、前端のピクセルレベルの前処理をFPGAが担う。
4. 選定基準と導入の推奨
まずタスクが訓練か推論かを見分ける。訓練にはGPUを選び、推論にはNPUを優先し、超低レイテンシ制御にはFPGAを選ぶ。
次にモデルが固定されているかを見る。モデルの反復が頻繁ならソフトウェアスタックを備えたGPUかNPUを使い、モデルが固まった後はFPGAによるハードウェア化加速を検討できる。
電力と冷却が導入形態を決める。工場の制御キャビネットの空間は限られており、NPUソリューションはファンレスにできるが、GPUソリューションは通常専用の空気ダクトが必要である。
エコシステムとツールチェーンは無視できない。NVIDIAのCUDAエコシステムが最も成熟し、AMDのROCmが追い上げ、IntelのoneAPIはクロスアーキテクチャ対応を重視し、FPGAはベンダーがHLS高位合成ツールを提供する必要がある。
15以上の業界で120社超の顧客に対応する中で、ベンダーは工場のAIハードウェア選定で最も多い誤りは高い演算性能を盲目的に追うことで、電力と冷却のコストが最終的に想定を大きく上回る点だと分かった。3,200台超の導入実績からの経験は、エッジ推論の場面でNPUのエネルギー効率の優位が最も明瞭に現れることを示している。
5. 技術動向と展望
GPUは年次反復とHBM4メモリへ進化し、推論性能が新たな焦点になっている。NPUは40~60 TOPSの水準で普及し、AI PCや産業用エッジボックスはローカルでの大規模モデル推論を標準搭載するようになる。FPGAはニューロモルフィックコンピューティングと融合し、イベントカメラやミリ波レーダーが産業検査、ロボティクス、自動運転で低レイテンシ知覚を実現する。3種類のチップは工場で長く共存し、選定の論理は「どれが最強か」から「どれがタスクに最も適合するか」へ移る。