コンピューティング能力がAIイノベーションに与える影響を理解する

人工知能（AI）とコンピューティング能力は、非常に密接に関係しています。コンピューティング能力は、コンピューターシステムによるタスクの処理と実行を支えるため、AIアプリケーションに欠かせません。こうしたアプリケーションでは、複雑なアルゴリズムや大規模なデータセットを扱うために、膨大な計算リソースが必要となります。そこでGPUが重要な役割を果たします。GPU（グラフィックス処理ユニット）は、もともと画像や動画の処理を高速化するために設計されましたが、AIに必要な大規模なデータ処理やディープラーニングのタスクを扱ううえで不可欠な存在になっています。

ここ数年で、AIは飛躍的に進歩してきました。当然ながら、AIハードウェアもその成長に対応し、進歩し続ける必要があります。ある調査によると、GPUの性能は2003年以降、約7,000倍に向上しています。

より高性能で高速かつ効率的なハードウェアによって、研究者やエンジニアはますます複雑なAIモデルを開発できるようになります。人工知能の需要拡大に応えるため、AI向けコンピューティングインフラがどのように進化しているかを見ていきましょう。

AIハードウェア：関心の高まり#

AI開発におけるGPUの役割は明らかです。GPUは、AIモデルの学習とデプロイに必要な複雑な計算を高速化する高性能プロセッサです。現代のAI技術の基盤とも言えます。しかし、注目を集めているのはGPUだけではありません。

AI専用に開発され、GPUと競合するチップも登場し始めています。AIの処理をさらに高性能かつ高速にするため、こうしたチップは一から設計されています。AIコンピューティングの未来を改善するため、研究や開発が数多く進められています。AIの計算能力に投資する企業が多いこともあり、AIハードウェアの世界市場は2023年に537億1,000万ドルと評価され、2033年までに約4,735億3,000万ドルに成長すると予測されています。

なぜ最近、AIハードウェアの進歩が話題になっているのでしょうか？ 専用AIハードウェアへの移行は、さまざまな分野でAIアプリケーションへの需要が高まっていることを反映しています。AIソリューションを成功させるには、ハードウェアに起きている変化を把握し、先を行くことが重要です。

AIハードウェアの主要企業#

大手ハードウェアメーカーは、社内開発、戦略的パートナーシップ、買収を通じて性能と効率を高め、次世代ハードウェアの開発を競っています。

図1。AIハードウェアをリードする企業。

Appleは外部GPUの使用から、自社製MシリーズチップとAIアクセラレーション用ニューラルエンジンの開発へと移行し、厳格に管理されたエコシステムを強化しています。一方、GoogleはTensor Processing Unit（TPU）インフラへの大規模な投資を続けています。TPUはGPUよりも高速でエネルギー効率に優れるよう設計されたAIチップであり、大規模なAIソリューションの学習とデプロイに適しています。

同様に、AMDもInstinctシリーズのアクセラレーターでAIハードウェア分野に参入し、データセンターやハイパフォーマンスコンピューティング向けの用途をターゲットにしています。また、NVIDIAは、A100やH100 Tensor Core GPUなど、AIワークロードに最適化されたGPUの開発を引き続き重視しています。

こうした既存企業だけでなく、多くのスタートアップや研究機関も新しいAIチップアーキテクチャに取り組んでいます。たとえば、GraphcoreはIntelligence Processing Unit（IPU）を用いたスパース計算を専門としています。Cerebras Systemsは、極めて大規模なAIワークロードに特化した巨大チップ、Wafer Scale Engineを提供しています。

AIハードウェアの最新の進歩#

最新のAIハードウェアを見ていきましょう。

2024年4月9日、Intelは最新のAIチップGaudi 3を発表しました。Intelによると、このチップはNVIDIAのH100 GPUを上回る性能を発揮します。

• 電力効率は2倍以上、AIモデルの処理速度は1.5倍です。
• マザーボードとのバンドル構成や単体カードなど、柔軟な構成で利用できます。
• MetaのLlamaやアブダビのFalconなど、さまざまなAIモデルでテスト済みです。Stable Diffusionや、音声認識用のOpenAI Whisperを含む各種AIモデルの学習とデプロイに有効であることが実証されています。

図2. IntelのGaudi 3。

Gaudi 3に先立つ2024年3月18日、NVIDIAは最新のAIプラットフォームBlackwellを発表しました。このプラットフォームは、さまざまな分野でのブレークスルーを支えるよう設計されており、次のような特徴があります。

• NVIDIAは、Blackwellを「世界で最も高性能なチップ」と称しています。
• Blackwellは、2,080億個のトランジスタを搭載したデュアルダイGPUと、10 TB/sのチップ間インターコネクトを備え、データセンター規模の生成AIにおける性能と効率の新たな基準を打ち立てています。
• Google Cloud、Amazon Web Services、Microsoft Azureなどの大手クラウドサービスプロバイダーは、生成AI、ディープラーニング、クラウドコンピューティングサービスの進歩を推進するため、Blackwellを活用する計画を発表しています。

図3. NVIDIAのBlackwell。

カスタムAIチップの台頭#

一方、複数の大手テクノロジー企業が、自社サービスを支える独自のカスタムAIチップを開発しています。

2024年4月10日、MetaはMeta Training and Inference Accelerator（MTIA）の最新バージョンを発表しました。すでにMetaのデータセンターで稼働しているこの第2世代チップは、演算性能とメモリ帯域幅が向上しています。こうしたアップグレードは、FacebookやInstagramなどのプラットフォームにおけるランキングエンジンやレコメンデーションエンジンといった、MetaのAIアプリケーションの性能を支えています。

図4. MTIAの最新バージョン。

同様に、Google、Amazon、Microsoftなどの大手企業も、今年カスタムシリコンチップを発表しています。これは、コスト構造を最適化し、NVIDIAなどのサードパーティサプライヤーへの依存を減らすための戦略的な取り組みです。

AIハードウェアはどこで使われているのでしょうか？#

AIハードウェアは、さまざまな業界における多様なAIソリューションを支えています。医療分野では、MRIやCTスキャンなどの医用画像システムを稼働させ、複雑なタスクを処理するとともに、大量のデータを効率よく処理して、迅速で正確な診断を可能にします。

金融機関では、不正検知や投資の最適化を目的に、AIアルゴリズムでデータを分析しています。金融データ分析は複雑であるため、膨大な計算処理を効果的に行うには、高度なハードウェア性能が必要です。

自動車業界では、自動運転車のリアルタイムセンサーデータ処理にAIハードウェアが役立っています。物体検出や衝突回避などのタスクには、迅速な意思決定と乗客の安全を実現するため、高い処理能力を備えた高度なハードウェアが必要です。

図5。自動運転車の頭脳。

小売業者は、AIを活用したレコメンデーションエンジンで購買体験をパーソナライズし、売上を伸ばしています。各部門にわたる膨大な顧客データを分析して、好みを予測し、関連商品を提案します。多様なデータセットの分析とパーソナライズされたレコメンデーションの生成には、リアルタイムの応答とユーザーエンゲージメントの向上を可能にする高度なハードウェアが必要です。

小売店に関する別の例として、コンピュータービジョンを使って顧客の行動を監視・分析する方法があります。小売業者は、顧客が周囲の環境とどのように関わるかを把握し、人気商品を特定して、人の往来のパターンを検出できます。これらの知見をもとに、売上向上に向けて店舗レイアウトや商品の配置を最適化できます。大量の動画データをリアルタイムで処理するには、計算能力が重要です。動きや相互作用を正確に追跡するには、堅牢なハードウェアが欠かせません。これがなければ、データ処理の速度と精度が損なわれ、顧客行動分析の効果が低下します。

これはほんの一例です。製造業から農業まで、AIハードウェアはあらゆる場所で活用されています。

計算能力でAIをスケールさせる#

AIハードウェアは、多くの場合、大規模なタスクに対応できるように構築されています。世界中の業界でAIがどの規模で導入されているのかを把握するのは難しいものの、AIをスケールさせるには適切なハードウェアが必要であることは明らかです。

BMWとNVIDIAの協業を例に挙げてみましょう。BMWは年間250万台の自動車を生産しており、その事業規模は非常に大きいものです。BMWは、品質管理や予知保全から物流、サプライチェーン管理まで、さまざまな製造プロセスを最適化するためにAIを活用しています。

こうしたニーズに応えるため、BMWはNVIDIAのQuadro RTX 8000やRTX搭載サーバーなど、高度なAIハードウェアソリューションを利用しています。これらの技術により、AIの導入が容易になり、スケーラビリティも高まります。

計算能力はAIソリューションのさまざまな要素に影響します#

AIアプリケーションに計算能力を提供するだけでなく、選択するAIハードウェアは、モデルの性能、モデル変換の必要性、デプロイの柔軟性、全体的な精度にも影響します。AIモデルは、学習とテストを終えた後、選択したデプロイ先のプラットフォームで実行できる形式に変換されることがよくあります。

ただし、モデル変換によって精度が低下する可能性があるため、事前に考慮する必要があります。ONNX（オープンニューラルネットワーク交換形式）などの統合ツールは、多様なハードウェアプラットフォームにAIモデルをデプロイするための標準形式を提供できます。YOLOv8のような人気モデルで、ユーザーがカスタム学習したモデルをさまざまな形式でエクスポートし、複数のデプロイ先に対応できるようにしているのも、このためです。

エネルギー効率はAIコンピューティングの未来に不可欠です#

高度なAI計算能力の影響はAIにとどまらず、エネルギー分野にも及んでいます。

図6. 持続可能なAIハードウェアに向けて。

たとえば、高度な大規模言語モデル (LLM) であるMetaのLlama 3は、それぞれ24,576基のNVIDIA H100 GPUを搭載した、独自構築のデータセンタークラスター2基を使用してトレーニングされました。ソフトウェアの改善も相まって、この構成により、Llama 3のトレーニング効率はLlama 2と比べて約3倍になりました。このように、AIハードウェアの進歩は、エネルギー効率の高い運用にも貢献しています。

さらに、Sam Altmanのような人物が関わることで、AIとエネルギーのつながりへの注目が高まっています。OpenAIのCEOとして知られるAltmanは最近、原子力エネルギー企業のOkloを上場させました。革新的な核分裂技術を持つOkloは、エネルギー生産の変革を目指しており、AI運用に不可欠なデータセンターへの電力供給も期待されています。ここ数年では、Microsoftの共同創業者Bill GatesとAmazonの創業者Jeff Bezosも、原子力発電所に投資しています。

回路の先へ#

今後、AIハードウェアは大きく飛躍すると見込まれており、特に量子コンピューティングの台頭が注目されています。AIモデルが複雑化するにつれて、その能力を最大限に引き出すために専用ハードウェアが重要になります。AI専用チップから量子コンピューティングの研究に至るまで、ハードウェアのイノベーションが、より複雑で影響力のあるAIソリューションの開発を推進します。

AIについて詳しく知るには、GitHubリポジトリをご覧いただき、コミュニティにご参加ください。最新のブログ記事では、Formula Oneのレースやロボティクスなど、さまざまな分野でのAI活用をご紹介しています。