エッジAIはNVIDIA一択を変えられるか

AIを現場の機器に載せるとき、学習に使った計算基盤と、推論を動かす半導体を別々に選べるなら、製品設計の自由度は広がります。エッジAIチップの挑戦は、その選択を実用的にできるかにあります。

MONOistの「日本発スタートアップのエッジAIチップがNVIDIA超え、AI処理性能は3.36PFLOPS：人工知能ニュース」によると、EdgeCortixはフィジカルAI向けの「RAIDEN」を発表しました。最大構成のFP4演算性能は3.36PFLOPSで、Jetson AGX Thorの公称値の約1.6倍です。
サンプル提供は2027年初頭、量産は同年後半の計画で、現時点では発表段階の性能です。

1.6倍からは分からない実用性能

この比較が示すのは、組み込み向け製品の演算性能に競争相手が現れたことです。データセンターでの大規模学習まで含めた、NVIDIAの計算基盤全体の優劣は判断できません。

比較条件にも注意が必要です。NVIDIAの技術解説では、2070TFLOPSはスパースFP4、つまり疎性を利用した演算の値です。RAIDEN側も同じ条件かを確認しなければ、倍率を処理速度の差とは読めません。実際の導入では、同じモデルが必要な精度を保ち、電力と応答時間の制約を満たすかが判断材料になります。

それでも、検証する価値はあります。対象業務を絞れば、あらゆるAI処理で勝つ必要はなく、その製品が必要とする推論で優位性を示せれば採用候補になるからです。

選択肢を増やす鍵は移植の手間

RAIDENは、演算用のダイを1個、2個、4個と組み合わせる設計を採ります。処理規模に応じた構成を選べる点は、用途ごとに機器を設計するチームにとって機会です。ただし、構成ごとの電力や価格が要求に合うかは、別途評価が必要です。

開発現場で次に効いてくるのがソフトウェアです。NVIDIAはJetPackやCUDAに加え、ロボット向けのIsaacなどを提供しています。既存の実装がこれらに依存していれば、チップの変更にはモデルの移植だけでなく、周辺処理の修正や再検証も伴います。

例えば画像検査なら、推論単体が速くても、画像の前処理やデータ転送が詰まれば検査時間は短くなりません。比較対象を撮影から判定まで広げ、モデル更新時に必要な作業量まで測ることで、初めて乗り換えの利益が見えます。

推論先を選べる設計が競争を生む

開発チームにとって現実的なのは、代表的な推論処理を一つ切り出し、同じ入力と合格基準で比較できる状態を作ることです。ハードウェアに依存する処理を分離しておけば、新しいチップを評価するたびに製品全体を作り直す負担も抑えられます。

エッジAIチップがNVIDIA中心の構造を変える入口は、用途ごとに推論先を選べるようになることです。RAIDENの実力は今後の実機検証に委ねられますが、採用側が移植と評価のコストを下げられれば、性能競争を自社の選択肢の拡大につなげられます。

関連記事

参考文献

コメント

タイトルとURLをコピーしました