ニュースの概要
半導体IPを手がけるCevaが、エッジ端末からAI基盤までを一つの設計思想でカバーする次世代NeuPro NPUポートフォリオを発表した。常時稼働するセンサー処理や画像認識に加え、生成AI、複数の情報を組み合わせるマルチモーダルモデル、AIエージェントまで対応範囲を広げた点が特徴だ。共通アーキテクチャとソフトウェア基盤を用いることで、製品ごとにAI処理部を作り直す負担を抑える。Cevaは第1世代と比べ、面積当たりのAI処理性能を最大2倍、電力効率を最大50％高めたと説明している。
引用元: Ceva、マルチモーダルAI対応の次世代NeuPro NPUポートフォリオを発表（PR Newswire / Financial Times Markets）
分析・見解
小型端末から生成AIまで同じ設計思想でつなぐ狙い
従来のAI半導体は、監視カメラ向け、車載向け、スマートフォン向けなど、用途ごとに最適化される傾向が強かった。低消費電力を優先する回路と、大規模モデルを動かす回路では必要な性能が異なるためだ。しかし製品開発の現場では、音声、画像、各種センサーを同時に扱う機器が増えている。用途別に別々の処理基盤を採用すると、ソフトウェアの移植や検証に時間がかかる。
NeuProの意義は、単なる演算性能の向上ではなく、異なる機器を共通の開発環境で扱おうとしている点にある。小型端末で得た推論処理の知見を、産業機器や車載システムへ展開しやすくなる。IPとして導入する企業にとっては、製品系列をまたいだ再利用が投資回収の鍵になる。
面積当たり性能の向上は部品価格と発熱を左右する
AI処理回路では、最高速度だけでなく、チップ上の面積と消費電力が重要だ。面積当たりの処理性能が最大2倍になれば、同じ半導体サイズでより大きなモデルを動かせる。あるいは、必要な性能を保ったままチップ面積を縮小し、部品価格や基板の占有面積を抑えられる可能性がある。エッジ機器では冷却部品を小さくできるため、設計の自由度も上がる。
ただし、最大値は特定の処理条件で得られる数字であることが多い。実際の製品では、メモリーへのデータ移動、モデルの圧縮、入力画像の解像度、通信処理が性能を左右する。評価時には毎秒の演算回数だけでなく、1回の推論に必要な電力量、待ち時間、メモリー容量まで確認すべきだ。
マルチモーダル化で重要になるデータの扱い方
画像と音声、位置情報、温度などを組み合わせるマルチモーダルAIは、単一の画像認識よりも現実の状況を理解しやすい。工場なら、映像だけでなく機械音や振動を加えることで、故障の兆候を早く見つけられる。店舗や物流施設でも、映像と入退場情報を組み合わせれば、異常検知の精度を高められる。
一方で、入力が増えるほどプライバシー管理とデータ設計は難しくなる。すべての情報をクラウドへ送る方式では、通信費と遅延に加え、映像や音声の漏えいリスクも増える。端末側で前処理や推論を完結できれば、送信するデータを結果や警告だけに絞れる。NPUの価値は、計算能力だけでなく、データを外へ出さない構成を実現する手段にもある。
AIエージェント対応はソフトウェアの継続性で決まる
AIエージェントは、質問に答えるだけでなく、複数の手順を組み合わせて作業を進める仕組みだ。端末上でエージェントを動かすには、言語モデルの推論に加え、センサー入力、記録の検索、機器制御を短い待ち時間で処理する必要がある。単発の画像認識よりも、処理の種類が多く、ソフトウェア基盤の使いやすさが結果を大きく左右する。
ここで重要なのは、今日のモデルだけでなく、数年後のモデルも動かせるかである。命令形式の変更、量子化と呼ばれるモデル圧縮、更新後の安全検証に対応できなければ、回路性能が高くても製品寿命は短い。Cevaの共通基盤が成功するかは、対応モデルの数と開発者向けツールの成熟度で決まる。
ビジネスへの影響
製品計画では処理性能より総保有費用を比べる
企業がNeuProのようなNPUを選ぶ際は、毎秒の演算性能だけで判断しない方がよい。チップ面積、メモリー容量、冷却部品、通信費、モデル更新費を合算し、製品一台を何年運用するかで比較する必要がある。例えば監視端末を数万台導入する場合、1台あたりの電力削減が小さくても、年間の電気代と保守費に大きな差が出る。
評価試験では、自社の実データを使い、画像だけ、画像と音声、生成AIの三つに分けて測定するとよい。待ち時間が許容範囲に収まるか、オフライン時にも機能するか、モデル更新で再設計が不要かを確認する。最大性能の数字より、実際の業務で安定して動くかが投資判断の基準になる。
共通基盤は開発費を下げるが依存先も生む
複数の製品を展開するメーカーにとって、共通アーキテクチャは大きな利点になる。低価格端末で使った処理部品や開発知識を、上位機種へ移しやすくなるからだ。開発者を製品ごとに分ける必要も減り、認証や品質試験の手順を標準化できる。特に、機器メーカーが自社で大規模なAI半導体チームを持たない場合、IP導入による時間短縮は重要である。
ただし、特定のIP供給元への依存は長期的なリスクになる。供給元のロードマップ、ライセンス条件、サポート期間、第三者ソフトウェアとの互換性を契約前に確認すべきだ。NPUだけでなく、中央処理装置、画像処理部、メモリーとの接続条件も設計初期に詰める必要がある。
導入の順番は常時処理から始めると失敗しにくい
いきなり高度な生成AIや自律型エージェントを製品の中心に置くと、精度、説明責任、更新管理でつまずきやすい。まずは異常検知、音声起動、画像分類など、目的と評価指標が明確な処理から始めるのが現実的だ。常時稼働する処理で電力削減と応答速度の効果を確認し、その後に生成AI機能を追加する段階的な方法が向いている。
経営層は、AI機能の追加数ではなく、現場の作業時間、通信量、誤検知率、保守回数がどれだけ変わるかを追うべきだ。NPUの競争は、半導体の性能表から、運用データを継続的に改善できる製品設計へ移っている。