Physical AIは、メモリ、電力、アーキテクチャの課題によりハードウェアの限界を押し広げています

icon币界网
共有
AI summary icon概要
物理AIシステムは産業を再構築していますが、メモリ、電力、アーキテクチャの課題がハードウェア設計に負担をかけ、流動性と暗号市場には新たな障壁が生じています。Bitjieは、チップメーカーがエッジAIに対応するため、計算能力、I/O、セキュリティのバランスを取ってシステムを再設計する必要があると指摘しています。Strategy&は、2030年までに物理AI市場が430億ユーロに達する可能性があると予測しています。CFT規制により、不確実な環境での信頼性と安全性を確保するために、カスタムハードウェアとソフトウェアのソリューションが不可欠になっています。
CoinGapeが報道:

自律マシンは複数の業界を変革すると期待されていますが、メモリのボトルネック、電力制約、専用アーキテクチャ、セキュリティ要件により、チップ設計者は全体のシステムを見直すことを余儀なくされています。

要点:

  • より多くの計算能力だけでは、物理AIのボトルネックを解決することはできません。処理能力は、メモリ帯域幅、効率的なインターフェース、十分な電力供給、および放熱能力と一致しなければなりません。
  • 物理AIには、その最終的な機能と環境に合わせてカスタマイズされたシステムアーキテクチャが必要です。
  • 本格的な実装は厳密な検証に依存します:エッジケースをカバーし、システムの動作を理解し、セキュリティを検証する必要があります。

物理AIは広範な応用へ向かって進んでいますが、これらのセンサー駆動システムを構築するには、エンジニアリングチームが複数の技術的課題を同時にかつ継続的に解決しなければなりません。

アナリストは、物理AI市場が大幅に成長すると予測しています。自律システムは、交通、製造、医療、エネルギーなど複数の業界を根本的に変革すると期待されています。PwC傘下のStrategy&は、2030年までに世界の物理AI市場規模が約4300億ユーロに達する可能性があると予測しており、これは自律システムが複数の業界で持つ商業的潜力を反映しています。

Synopsysの自動車および物理AIインターフェースIP上級ディレクター、Licinio Sousaは、「物理AIシステムは自動車からロボットやドローンへと拡大しており、これらのアプリケーションの開発ボトルネックはシステム全体にわたります。AIはデータセンターからエッジへと移行しており、ロボット、ドローン、車両などの機械にとって、その推進力は自律性、プライバシー、パーソナライズ、より迅速な応答、およびクラウドへの依存度の低減にあります。」

解決すべき技術的課題のリストは長く、互いに複雑に絡み合っている。メモリ容量と帯域幅を向上させ、遅延と消費電力を削減し、製品寿命を延ばし、セキュリティを検証する必要がある。さらに難しいのは、これらの課題のいずれかを解決しても、他の場所で新たな問題が発生する可能性があることである。

専用アーキテクチャ

これらのシステムレベルのボトルネックを解決するには、特定の用途に特化し最適化された高度なハードウェアとソフトウェアが必要です。

Arterisの副社長兼最高製品・マーケティング責任者、セキュリティソリューション総括責任者であるMichal Siwinskiは、「特定のワークロードに最適化され、カスタマイズされた計算について話し始める必要があります。これが物理AIの魅力の所在です。そのワークロードはハードウェアに高度に最適化される必要があります。私たちは基本的にASICの本来の意味に戻っているのです——ASICは本来、高度なアプリケーション専用で極めて最適化されたものであり、汎用的であるべきではありません。このようなトレンドはすでにいくつか現れています。今後は、ソフトウェア、ハードウェア、ワークロードの間で、非常に具体的なアプリケーション向けのより柔軟なシステムがどのように進化し続けるかが注目されます。なぜなら、モデルの変化ははるかに速いからです。」

マイクロン・テクノロジーの自動車事業システムアーキテクト、バサントン・カラウニティは、最近のJEDECオートモーティブフォーラムで次のように述べました。「ロボットは新しいAIスタックではありません。ロボットはADASシステムからリアルタイム感知、経路計画、運動制御を継承し、スマートキャビネットから自然言語理解、コンテキスト推論、ヒューマン・マシン・インターフェースを継承しています。エムボディード・インテリジェンスにおけるより大きな課題は、これらの2つのワークロードを同時に実行し、最後に情報を交換することです。これが両分野の共通点です。しかし、差異も存在し、それはチャネル規模の違いを示しています。自動運転車は比較的構造化された道路環境で動作し、より大きな電源——車両のバッテリー——からエネルギーを供給されます。一方、ロボットは非構造化された三次元環境で動作します。[ロボット]は複数の自由度を維持し、物体を操作し、バランスを保ち、命令の意図を理解する必要があります。自動車と比較して、ロボットはより制限された電源でこれらすべてを実行しなければなりません。」

これらの差異は、さまざまなアプリケーション間で大きく異なります。自動運転車は既存の交通インフラ内を走行しますが、予測不可能な道路状況に対応しなければなりません。一方、移動ロボットや人型ロボットは、構造がより緩やかな環境でナビゲーションを行い、操作とバランスを調整しながら、より制限された電力予算内で動作する必要があります。一方で、産業用ロボットは制御された環境で動作し、固定電源に接続されます。これらの差異により、あらゆる形態の物理AIに最適化された単一のアーキテクチャを設計することが困難になります。

設計者は、システムアーキテクチャを最初からこれらの要件に基づいて構築しなければなりません。

Sousaは次のように述べています。「ワークロードとモデルが進化するにつれ、各タイプのマシンの特定の要件に合わせて設計された専用シリコンが登場しています。我们的客户持续在应对对先进VLA(视觉-语言-动作)模型的需求。在硬件层面,这意味着更密集的计算和AI引擎。与此同时,用例范围太广,使得单一的单片架构变得更难适用,因此正转向chiplet方案,在这种方案中,计算、AI、内存和I/O可以通过基于UCIe接口的方式,按具体用例进行扩展。」

チップレットは、異種計算、メモリ、I/Oの要件が先進パッケージングを正当化する場合、拡張可能な物理AIプラットフォームへの潜在的な道を提供する。しかし、カスタムパッケージング、熱管理、ダイ間通信により、コストと複雑さが上昇する可能性もある。より小型で高度に統合され、電力消費、サイズ、コストに制約のあるシステムには、モノリシックSoCがより適している可能性がある。

これらの制約はハードウェアとソフトウェアの両方に適用されます。Siemens EDAのEDA AIおよびSolido製品責任者であるSathish Balasubramanianは、「センサーはユースケースに焦点を当てるようになり、優れたユースケースを確保し、カスタマイズする必要があり、その上にソフトウェア層を設ける必要があります。私はいつも、現実世界のすべてがアナログであると冗談を言い、私たちはそれをデジタルに抽象化しようとしているため、最も重要なことの一つは冗長性です。センサーはすでに十分に優れています。私たちは視覚、熱、圧力、その他のあらゆるものを感知できます。レーダーその他の分野でも十分に進歩しています。より重要なのは、センサーが環境の中で動作し、環境を劣化させることなく捉える、または冗長性を内蔵する方法を確保することです。」

ただし、冗長性の効果は、コンポーネントが独立して故障できるかどうか、およびシステムが故障を認識して対応できるかどうかによって異なります。環境条件が複数のセンサーに同時に影響を与える可能性がある場合、センサーを単に増加させるだけでは信頼性の高い動作を保証できません。

ワークロードやユースケースに応じて計算アーキテクチャをカスタマイズすることにも、トレードオフが伴います。Analog Devicesの企業副社長兼自動車事業責任者であるYasmine Kingは、「知能を感知が実際に発生する場所にどれだけ近づけるべきかという問題があり、ここには張り合いがあります。知能をシステム全体に分散させると、更新がより複雑になります。一方、集中化すればOTA更新を1か所から行うことができ、パッチや修正が容易ですが、データに迅速に対応する必要がある場合、遅延が生じる可能性があります。車両では、歩行者が突然車の前に飛び出してきた場合、極めて迅速に反応できる必要があります。したがって、知能をどこに配置するかは、どのようなセンシング情報を収集したいか、そしてどのくらい迅速に反応したいかによって決まります。」

ヤシン・キングは2026年10月27日にReuters Automotive 2026で発言しました。

スマート配置は、計算パフォーマンスだけでなく、応答時間、通信帯域幅、消費電力、更新可能性、分散コンポーネントの調整間のバランスを取るアーキテクチャ上の意思決定です。集中型計算は管理を簡素化できますが、ローカル処理は通信遅延を削減し、接続が切断された場合でも重要な機能を維持できます。

物理AIの「メモリーワール」

メモリ容量、帯域幅、遅延、および消費電力は、物理AIの主要なボトルネックである。一部のメモリ技術は供給制約に直面する可能性がある。真の課題は、単に十分なメモリデバイスを増やすことではなく、厳格な電力消費と熱制限の下で、ますます要求が高まるAIワークロードにデータを供給できるメモリサブシステムを設計することである。

Sousaは、「数十億の関連モデルパラメータも、ストレージ、メモリ、処理ユニット間で保存および転送される必要があります。現在、これを『メモリワールド』と呼びます。メモリ使用量が継続的に増加する中、DRAMは処理のボトルネックとならないために、LPDDR6のような超高速インターフェースが必要です。」

性能は、アクセスパターン、レイテンシ、データの再利用、キャッシュ容量、メモリコントローラの効率、およびデータを移動するために必要なエネルギーにも依存します。ワークロードがメモリ階層の他の部分に制約されている場合、単に原始的な帯域幅を向上させても得られる利点は限定的になる可能性があります。

ワークロードに最適化されたシステム設計は、一部のメモリ負荷を軽減するのに役立ちます。Balasubramanianは次のように述べています。「適切なサイズのメモリ、適切なサイズの計算、冗長性、そして熱量と電力予算に収まるすべての要素が非常に重要です。何より、サイズが重要です。プリウスに100ガロンの燃料タンクを搭載することはありません。10ガロンの燃料タンクが必要です。この例えはメモリにも当てはまります。巨大なDRAMを必要とせずに、十分なキャッシュと内蔵SRAMでメモリを管理できます。重要な要件は常にDRAMに保存できますが、必要に応じて他のデータをフラッシュメモリやSRAMに移動できます。メモリパスに関しては、DRAMからSRAMへ、そして実際の計算へ、最終的に物理的なAIを実現するまで、キャッシュの一貫性が非常に重要です。」

これらのメモリ技術の間には大きなトレードオフがあります。オンチップSRAMやキャッシュは、頻繁に使用されるデータへの高速アクセスを提供しますが、その容量はシリコン面積とコストによって制限されます。外部DRAMはより大きな容量を提供し、フラッシュメモリはモデル、ソフトウェア、およびアクティブなメモリに保持する必要のない情報に対して不揮発性ストレージを提供します。

これらの階層間で情報を移動させると、一部の容量要求は削減されますが、伝送オーバーヘッドと遅延が増加します。一方、キャッシュ一貫性は、情報を異なる記憶技術間で移動するだけでなく、キャッシュとメモリ内のデータコピーを一致させることを目的としていますが、これにもさらにオーバーヘッドが生じます。したがって、エンジニアは作業セット、データの局所性、アクセス頻度を考慮しながら、各階層にどの程度のメモリを割り当てるかを決定する必要があります。

自動車メモリの革新は、物理的AI問題の解決方法において重要な位置を占める可能性がある。

Imagination Technologiesの製品管理上級ディレクター、ロブ・フィッシャーは、「現在、この技術は私たちの自動車製品ラインと非常に密接に関連しており、ロボット側からの需要のほとんどは自動車側から直接来ています。多くの自動車メーカーが、自社のチップを自動車およびロボットプラットフォームの両方として位置づけています。そのため、4ビット、6ビット、8ビットのサポートは、エッジ埋め込みアプリケーションにおけるメモリ帯域幅とメモリ使用量に大きく貢献します。データセンターにとってはそれほど重要ではありませんが、影響は異なります。データセンターでは、ワード幅をより小さなビット幅で使用することで、より大きなモデルを実行できます。一方、自動車やロボットアプリケーションでは、逆にこの特性を活用し、メモリ使用量を削減できます。モデルを必要な機能のみに制限し、それを収容するためのメモリと帯域幅を削減するのです。」

较低精度の表現は、モデルのストレージとメモリ帯域幅の要件を削減できるため、組み込みAIにとって特に魅力的です。しかし、その利点は、選択した数値形式をアクセラレーターが効率的にサポートできるかどうか、および量子化がアプリケーションに必要な精度を維持できるかどうかに依存します。6ビット表現などの形式は、パッキングや実装のオーバーヘッドをもたらす可能性があり、そのために設計されていないハードウェアでは利点が制限されることがあります。

フラッシュメモリは、自律システムのメモリを管理する上で重要な役割を果たしています。

Sousaは次のように述べています。「DRAMは容量、消費電力、入手可能性の面で制限されています。より高速なストレージ帯域幅はロード時間を短縮するため、同じDRAM予算でより大きなモデルをサポートできます。これらのシステムはバッテリーで継続的に動作し、通常はアクティブな放熱機構がないため、毎回のデータ転送が電力を消費し、遅延を増加させます。したがって、機械的・電子的・ソフトウェア的要素のすべてが消費電力を削減し、効率を向上させる必要があります。MIPI、UFS、LPDDR、PCIeなどのインターフェースには、バーストデータを迅速に転送した後、長時間の低消費電力アイドルモードに切り替えるための技術が組み込まれています。」

より高速な不揮発性メモリは、モデルの読み込み遅延を短縮し、適切なモデル分割または重みストリーミング技術と組み合わせることで、DRAM容量が限られたシステムでも、利用可能なアクティブメモリを超える総モデル占用量のワークロードを実行可能にします。ただし、ストレージの帯域幅自体は、任意の時点におけるDRAMに格納可能なデータ量を増加させることはありません。

これらのデータを転送するためのインターフェースは、電源管理メカニズムと動作特性においても異なります。その効率は、具体的な仕様、実装方法、転送モード、および低消費電力状態に入る機会に依存します。

市場規模が十分に大きければ、物理AIのメモリ要件は、新しいメモリ技術または既存技術のバリエーションの開発を必然的に必要とする可能性がある。

ラムバスの優秀なエンジニアで優秀な発明家であるスティーブン・ウーは、「メモリはすべての物理AIに必要な重要な技術です。違いは、一部の市場では既存のメモリのみを利用する一方で、他の市場は十分に大きくなり、独自のメモリタイプや既存メモリのバリエーションを必要とする可能性があるということです。HBMではすでにそのような状況が見られています。人々は以前、他の種類のメモリを使用していましたが、市場が急激に拡大しました。LPDDRが登場する前の時代を振り返ると、スマートフォンはただ低消費電力であるという偶然の結果で、グレーディングされた選別されたDDRデバイスを使用していました。市場が十分に大きくなると、人々は『それなら、専用のデバイスを作ってしまおう』と考えるようになります。物理AIも十分に大きな市場に成長する可能性があり、需要の差が十分に大きければ、別のメモリが登場するかもしれません。」

この専門化が実現するかどうかは、需要の規模と一貫性に依存します。データセンターとは異なり、物理AIの適用分野はコスト、容量、耐久性、帯域幅、温度、エネルギー効率において大きく異なります。この多様性により、ある市場では既存のメモリ技術の改良が好まれ、他の市場では専用設計のソリューションがより適している可能性があります。

エッジケースを検証する

安全条件下、まれで予期しない状況を含めてシステムを安定して動作させることが、もう一つの大きな課題です。物理AI開発者が重機、医療機器、その他の安全上重要な技術に注目する中で、検証問題を解決することが特に重要です。

バラスブラマニアンは、「物理AIをあらゆる生産環境に導入する前に、確立すべき検証のフィードバックループが極めて重要であり、これが私たちが最も重要なことだと考えています。たとえば、大規模な停電が発生した場合、地震が起こって外部の光ファイバー电缆が切断された場合、または停電が発生した場合、エッジ側でこのようなシナリオをどのように管理しますか?センサーの近くに何らかの計算能力、メモリ、そして知性を保持することが非常に重要であり、人々はユースケースの要件に基づいて最も重要な要素を特定してこれを実現しています。産業環境では、いつアセンブリラインを停止すべきですか?いつ戻って電話をかけたり、アラームを鳴らしたり、他の対応を取るべきですか?これらはすべて単一のセンサー内で処理されるべきことです。」

これらのシナリオは、セキュリティ上重要な機能が常にクラウド接続や集中型意思決定に依存できるわけではないことを示しています。通信または電力システムが故障した場合に故障を検出したり、保護アクションをトリガーしたり、デバイスを定義された安全状態に移行したりするには、ローカル処理が不可欠である可能性があります。

しかし、検証と確認は問題の異なる部分を解決します。検証は設計が定められた要件を満たしているかを確認するために行われ、確認はシステムが想定される運用環境で適切に動作するかをチェックします。セキュリティ保証には、危害分析、故障注入テスト、共通原因故障評価、および適用される基準への準拠証拠が含まれる場合があります。

したがって、システムは関連するハードウェアおよびソフトウェアスタックに基づいて信頼を構築し検証し、セキュリティ要件を各ユースケースに適合させる必要があります。

補助ロボットスタートアップのATDevの共同創業者であるOwen Kentは、「車いす用製品を開発する際、他の物理AIアプリケーションと同様に、特定の要件があります。品質管理システムや第三者による電磁両立性テストにおいて、これらのハードウェアを実際に限界まで試す必要があります。カスタム製かどうかにかかわらず、使用するハードウェアの安全性を検証できるようにしなければなりません。」

開発者にとって、これはコンポーネントが通常の動作時に正しく機能するかどうかを評価するだけでなく、センサーの劣化、通信障害、予期しない入力、その他の予見可能な危険に対するシステム全体の応答を評価することを意味します。多くのアプリケーションでは、コンポーネントレベルのテストが必須ですが、それだけではシステムレベルの安全性を証明することはできません。

結論

物理AIの実際の制約は、認識から行動までの全プロセスにわたって存在する。設計者は、モデルとハードウェアをタスクに適合させ、利用可能な電力消費と熱予算内でデータを移動させ、条件や接続が変化した際の機械の動作を検証しなければならない。システムの他の部分がそれを支えられる場合にのみ、計算能力を増強することが真に有効である。

バラスブラマニアンは、「センサーからプロセッサ、アクチュエータに至るまでの全経路で、標準的で低消費電力かつ検証済みのインターフェースから始めることが重要です。これにより、設計者は予測可能な動作、エコシステム間の相互運用性、およびシリコンで検証された構成要素を提供できます。」

関連する例として、MIPI Camera Security Frameworkがあります。これは、Camera Service Extensions(CSE)2.0仕様と補完的なセキュリティ仕様を統合しています。CSE 2.0は、CSI-2カメラデータのデータ整合性保護とオプションでの暗号化をサポートし、より広範なフレームワークは、イメージングシステムコンポーネントの認証およびセキュアセッションの確立を扱います。

彼は、「これは、イメージセンサーからSoCまでの整合性、認証、機密性をカバーするエンドツーエンドのセキュリティをカメラデータに提供します。また、設計者には計算負荷やトラフィックオーバーヘッド、消費電力、遅延を最小限に抑えるための柔軟なオプションを提供し、セキュリティを最悪の場合に合わせるのではなく、アプリケーションに応じて最適化できます。」

この違いは重要です。機密性はオプションであり、保護レベルは実装されたセキュリティサービスと設定によって異なります。より広範なフレームワークにより、開発者は各データストリームに同じ保護を適用するのではなく、保護と処理オーバーヘッド、電力消費、遅延の間でバランスを取ることができます。

自律マシンをより強力にするだけでは不十分です。それらは現実世界の制約のもとで信頼性を持って動作しなければなりません。物理AIにとって、メモリ、電力、帯域幅を節約できるアーキテクチャの選択は、予測可能な動作、耐障害性、および大規模展開に必要なセキュリティ保障をもサポートしなければなりません。

データ移動拡張は物理AI用:すべてのシナリオに一つのソリューションが適用されるわけではありません。

エッジとクラウドAIの役割を再定義する:ローカルインテリジェンスの競争が進行中です。

ブレンダン・ヘファーナン

免責事項: 本ページの情報はサードパーティからのものであり、必ずしもKuCoinの見解や意見を反映しているわけではありません。この内容は一般的な情報提供のみを目的として提供されており、いかなる種類の表明や保証もなく、金融または投資助言として解釈されるものでもありません。KuCoinは誤記や脱落、またはこの情報の使用に起因するいかなる結果に対しても責任を負いません。 デジタル資産への投資にはリスクが伴います。商品のリスクとリスク許容度をご自身の財務状況に基づいて慎重に評価してください。詳しくは利用規約およびリスク開示を参照してください。