自動運転AI演算プラットフォームのソリューションは、本質的に車載のリアルタイム推論とクラウド規模の訓練を二つのハードウェア路線に分けるものであり、電力、演算、安全の間の均衡点を見いだした者が最初に配備できる。
1. 中核となる概念と技術原理
自動運転AI演算プラットフォームは単一のチップではなく、センサーの入力からアクチュエータの出力までの完全な演算の連鎖である。カメラ、ライダー、ミリ波レーダー、超音波、IMUのデータを同時に処理し、数十ミリ秒以内に知覚、融合、予測、計画を完了せねばならない。中核となる指標は三つある。演算(TOPSまたはTFLOPS)、電力(ワット)、機能安全の水準(ASIL-D)である。
技術的には、車載の推論は主に低精度の固定小数点演算に依拠する。FP8とFP4の形式は、精度の損失をほとんど伴わずに演算密度を倍にできるため主流になりつつある。クラウドの訓練はHBMの高帯域メモリと大規模なインターコネクトに依拠する。NVIDIAのRubinアーキテクチャはHBM4と3nmプロセスで訓練と推論を統合し、AMDのMI400シリーズはCDNA 5アーキテクチャに基づいてFP8/FP4の低精度演算を強化し、IntelのJaguar ShoresはGaudiとXeアーキテクチャを統合して推論とHPCの融合した場面を担う。これらのデータセンター級のチップが、自動運転モデルの反復の速さを決める。
車両とクラウドの間には、もう一層のエッジ演算機器がある。QualcommやMediaTekの新世代の端末側AIチップは10W未満でローカルの大規模モデルを動かせるようになり、園区内の物流車や無人配送車のような低速の場面に、クラウドへの回送を要さない推論の解を与えている。
2. 主要製品とソリューションの比較
自動運転AI演算プラットフォームは現在、おおむね三つの路線に分かれる。
第一はデータセンターの訓練プラットフォームである。NVIDIAのRubinアーキテクチャは超大規模な訓練と推論の統合を重視し、HBM4のメモリ帯域が千億パラメータ級モデルの訓練時間を大きく圧縮する。AMDのMI400シリーズはCDNA 5アーキテクチャで挑み、FP8/FP4の演算密度で明確な利得があるため、モデルの事前学習と蒸留に適する。IntelのJaguar Shoresは推論とHPCの融合路線をとり、シミュレーションと閉ループ試験に適する。
第二は車載級の推論プラットフォームである。こうしたソリューションはASIL-Dの機能安全と低遅延を重視し、演算は通常数十から数百TOPS、電力は20Wから100Wに収まる。チップベンダーはNPU、ISP、MCUを1つのSoCに統合し、基板の面積とハーネスの重量を減らす。
第三はエッジ側のAI演算ボックスである。産業用AIハードウェアとAIセンサーの着地が速まっている。イベントカメラ、ニューロモルフィックセンサー、AIを統合した産業用視覚モジュールは低遅延の欠陥検出と予兆保全を実現できる。こうした機器は10W未満で動き、路側機や車路協調の場面に適する。
3. スマート交通向けAIハードウェアの典型的な応用場面
無人清掃車を手がける企業を想定しよう。その演算プラットフォームは視覚知覚、ライダーSLAM、経路計画を同時に動かさねばならない。車両は車載級の推論チップでリアルタイム推論を行い、路側はエッジAI演算ボックスで死角を補い、クラウドはデータセンターのGPUでモデルを反復する。この車・路・クラウドの三層アーキテクチャはスマート交通の標準的な型になりつつある。
電子機器工場が園区内に自動物流車を配備する場合も考えよう。そこではローカル推論の遅延と電力がより重要である。端末側AIチップはローカルの大規模モデルを動かし、映像ストリームをクラウドへ戻さないため、帯域を節約しデータの準拠性も満たす。ここでの産業用AIセンサーの役割は従来の光電スイッチを置き換えることで、イベントカメラで高速の動きを検出し、ニューロモルフィックセンサーで異常な振動を監視する。
もう一つの場面は高速道路のAIガントリーである。ガントリー上の産業用視覚モジュールは、ナンバープレート、車種、危険物標識をリアルタイムに認識し、構造化したデータを地域のエッジサーバーへ上げねばならない。こうした配備は乗用車よりも広温度、防塵、電磁耐性においてはるかに高い要求を課す。
4. 選定の優先順位と導入の推奨事項
自動運転AI演算プラットフォームを選ぶ際は、演算より先に場面を見る。低速の閉じた場面は端末側AIチップを優先すべきで、低電力、コストの制御、高精度地図が不要という利点がある。高速の開かれた場面は車載級の推論プラットフォームを使わねばならず、十分な機能安全の水準を持たないソリューションは直ちに除外される。クラウドの訓練プラットフォームはモデルのパラメータ数と反復の頻度で選び、HBMの容量とインターコネクト帯域がピーク演算より重要である。
導入では、車載に十分な熱の余裕を残すこと。AIチップの持続的な演算はピークの60〜70%にとどまることが多い。路側機器は給電と雷保護を解決せねばならず、エッジAI演算ボックスの広温度範囲は少なくとも摂氏マイナス20度から70度を覆うべきである。クラウドのクラスタは液冷を事前に計画する必要がある。RubinやMI400といったチップの熱設計電力はすでに空冷の限界に近づいている。
5. 技術動向と展望
今後2年、自動運転AI演算プラットフォームは三つの方向へ進む。一つは訓練と推論の統合で、Rubinアーキテクチャはすでに両段階を同じメモリシステムに置き、モデルの反復サイクルは数か月から数週間へ圧縮される。二つは端末側の大規模モデルの搭載で、QualcommやMediaTekの新しいチップが10W未満でのローカル大規模モデル実行を可能にし、低速の無人車が最初に恩恵を受ける。三つはAIセンサーと演算プラットフォームの融合で、イベントカメラやニューロモルフィックセンサーはもはや単なる取得端ではなく、軽量な推論ユニットを内蔵し、演算の一部をセンサーの内部へ移す。
スマート交通の実務者にとって、ハードウェアの選択はもはやTOPSの数値だけに頼れない。電力、機能安全、ツールチェーンの成熟、長期的な供給能力が、ソリューションが実際に動くかどうかを決める。このソリューションとそのベンダーは15以上の業界で120社を超える顧客に提供し、3,200台を超える端末を導入してきた。その経験が示すのは一つである。自動運転AI演算プラットフォームの着地は決して単一のチップではなく、センサーからクラウドまでの一連のエンジニアリング上の取引である。