ナレッジセンター
目次

工場のAIチップ選び:GPU、NPU、FPGA

工場のAIチップの選定に万能の答えはない。鍵は自分の作業がどの軸に落ちるかである。大規模モデルを訓練するならGPUを選び、固定したビジョン推論ならNPUを選び、低遅延のセンサー融合が必要ならFPGAを検討する。

I. 中核概念と技術原理

工場のAIチップは大きく3つの路線に沿う。GPUは大規模な並列演算の道をとり、数千のコアが同時に動作し、行列の多い深層学習の訓練やバッチ推論に適する。エコシステムが最も成熟しており、CUDAはほぼ業界の既定の言語になっている。NPUはニューラルネットワーク向けに特化したアクセラレータで、畳み込みや行列積などの演算をハードウェアのパイプラインに固定し、エネルギー効率が高く占有面積も小さく、エッジ推論ボックス、産業用カメラのモジュール、AI PCでよく見られる。FPGAはプログラマブルなロジックのアレイで、利用者が回路の論理を自ら焼き込み、遅延はマイクロ秒まで下がり、インターフェースのタイミングも柔軟で、複数センサーの同期取得や決定論的なリアルタイム制御に適する。

3つの本質的な違いは、柔軟性と効率のトレードオフにある。GPUは最も汎用だが電力消費が大きく、NPUは最も効率的だがニューラルネットワークが使う種類の演算にしか向かず、FPGAはその中間に位置し、開発の難しさと引き換えに決定論とインターフェースの自由度を得る。

II. 主流製品・ソリューションの比較

GPUの陣営は動きが速い。NVIDIAはBlackwell Ultra(GB300)を発表し、Rubinアーキテクチャのロードマップを公表して、推論性能とHBM4の高帯域メモリを重視し、Rubinプラットフォームは2026年の量産を計画している。AMDのMI350やMI400シリーズはCDNA4アーキテクチャと3ナノメートルプロセスで、大規模モデルの訓練と推論のエネルギー効率を着実に高めている。こうした製品は工場の中央の訓練サーバーや大規模な検査の推論クラスタに適するが、消費電力と冷却の要求が高く、ラインの脇に置くならキャビネットの条件を考える必要がある。

NPUの路線はより現場に近い。Intel Xeon 6とGaudi 3アクセラレータの組み合わせはデータセンター側を担いつつ、18AプロセスのPanther LakeといったエンドポイントのAIチップも配置している。エッジ側ではQualcomm、MediaTek、NVIDIA Jetson OrinシリーズがNPUの演算を十数ワットから数十ワットの電力の枠に収めており、AI PC、AIスマートフォン、エッジ推論ボックスがこれほど速く普及した理由でもある。電子機器工場がラインの終端にNPUモジュールに基づくビジョン検査ボックスを複数配備するなら、1台あたり30ワット未満で検査ステーションのすぐ脇に置け、専用の機器室が要らない。

FPGAは特定のシーンで地歩を保つ。複数のイベントカメラや3Dビジョンセンサーのデータ同期と前処理では、FPGAの決定論的な遅延をGPUやNPUで置き換えるのは難しい。自動車部品会社が高速のプレス部品を、カメラのフレームレートが高くトリガーのタイミングが厳しい条件で検査するとしよう。前端の取得と前処理をFPGAで行い、結果をNPUへ送って分類するのはよくある組み合わせである。

III. 工場AIハードウェアの典型的な応用シーン

外観検査は最も一般的なシーンで、NPUモジュールと産業用カメラでエッジの検査ノードを構成し、外観の欠陥や組立の完全性に適する。設備の予知保全は別の道をとり、振動、温度、電流のセンサーを高いサンプリングレートで融合し、応答のリアルタイム性が求められるため、FPGAまたはリアルタイムのコアを持つNPUがより適する。ロボットの知覚は3Dビジョン、イベントカメラ、エッジNPUを把持の位置決めと障害物回避のために結びつけ、遅延と電力の双方に敏感である。工場レベルの大規模モデルの用途、例えば工程パラメータの最適化やマルチモーダル検査モデルの訓練は、依然としてGPUサーバーの担当である。

IV. 選定基準と導入提案

まず作業の種類を問う。訓練か推論か、バッチのオフラインかオンラインのリアルタイムかである。次に遅延の下限を問う。ミリ秒ならNPUでよく、マイクロ秒ならFPGAが必要になる。続いて電力と熱を計算する。ラインの脇に空調のあるキャビネットがなければ、高消費電力のGPUを無理に押し込んではならない。ソフトウェアのエコシステムも見る。GPUはフレームワークの対応が最も広く、NPUはベンダーのツールチェーンの成熟度に依存し、FPGAは専任のロジックの開発者を必要とする。最後に拡張の余地を残す。工場のAIの要件は半年ごとに変わるため、インターフェースと演算をきつく固定しすぎてはならない。

V. 技術動向と展望

推論はエッジへ移り、HBM4と3ナノメートルプロセスが単カードの推論スループットを押し上げ続けるが、現場がより気にするのは十数ワットでどれだけ大きなモデルを動かせるかである。産業用AIハードウェアとAIセンサーの収斂も加速し、イベントカメラ、3Dビジョン、エッジNPUモジュールはスマートマニュファクチャリングとロボットの知覚の標準的な組み合わせになりつつある。GPU、NPU、FPGAは互いを置き換えるのではなく、作業に応じて層を分けて導入される。クラウドの訓練はGPU、現場の推論はNPU、決定論的な取得はFPGAという構図は、当面変わらない。

分野: AIハードウェア百科