生成AIの進展により、AI半導体の競争は新たな局面に入りつつあります。これまで主役だったGPUに対し、「NPU（Neural Processing Unit）」という新しい計算機アーキテクチャが注目を集めています。中でも、富士通が打ち出した戦略は、単なる性能競争とは一線を画すものです。それは「AIを高速に処理する」のではなく、「AIが流れる前提で計算機を設計する」という発想に基づいています。本記事では、GPUとNPUの本質的な違いから、A64FXの技術的意義、1ナノ世代の現実、さらにはデータフロー機械という新しい計算モデルの中身までを徹底的に解説します。AI半導体の「中身が見えない」という違和感を出発点に、構造そのものが変わるとはどういうことなのかを、技術と戦略の両面から明らかにしていきます。
1. 日本のAI半導体はなぜ遅れたのか
日本は半導体の材料・装置分野では世界的優位を保ってきましたが、データセンター向けCPUやGPUといった計算機アーキテクチャでは後れを取りました。その中で富士通は例外的にHPC分野を継承し続けており、今回のNPU開発はその延長線上に位置づけられます。本章では、日本の立ち位置と富士通の特異性を整理します。
1-1 日本企業の強みと空白領域
日本企業は長らく、半導体産業の上流に強みを持ってきました。具体的には、材料（シリコンウェハ、レジスト）、製造装置（露光装置、成膜装置）、メモリなどの分野です。しかし一方で、データセンター向けCPUやGPUといった「計算の中核」を担う領域では、事業撤退や競争力低下が相次ぎました。
その結果、現在のAIインフラは、NVIDIAやAMDといった海外企業に大きく依存しています。特にGPUはAI学習の標準となり、日本企業が入り込む余地は極めて限られていました。
1-2 富士通が持つ例外的ポジション
その中で富士通は例外的な存在です。同社はスーパーコンピュータ「京」や「富岳」に代表されるHPC分野で、独自のCPU設計を継続してきました。その成果がA64FXです。
A64FXは単なるCPUではなく、メモリ帯域やベクトル演算を極限まで強化した設計であり、「AIにも適応可能なCPU」としての性質を持っていました。この延長線上に、今回のNPU戦略が位置づけられます。
2. GPUとNPUの違いは「構造」にある
GPUとNPUの違いは、単なる性能や用途の差ではありません。本質的な違いは「命令中心か、データ中心か」という計算モデルの違いにあります。GPUは汎用的な命令実行機であり、NPUはデータが流れることで計算が進む構造を持っています。この違いが電力効率や用途を決定づけます。
2-1 GPUの本質：命令駆動型アーキテクチャ
GPUはSIMD（単一命令・複数データ）を前提とした汎用計算機です。命令デコーダを持ち、分岐や条件処理も扱えるため、多様な処理に対応できます。しかしその分、制御回路が複雑になり、電力効率は低下します。
AIの学習ではこの柔軟性が重要ですが、推論では過剰な機能となる場合が多いのです。
2-2 NPUの本質：データフロー型計算機
NPUは根本的に異なる思想で設計されています。命令は最小限に抑えられ、データが流れることで自動的に計算が進行します。分岐や汎用性を捨てる代わりに、極めて高い電力効率を実現します。
この違いは、「何を計算するか」ではなく「どうデータが流れるか」にあります。NPUは、計算機というより「配線された回路」に近い存在です。
3. データフロー機械とは何か
NPUの中核にあるのがデータフロー機械です。これは従来のノイマン型計算機とは異なり、命令ではなくデータの流れによって計算が進む構造を持ちます。本章では、配線・演算・メモリという三層構造から、その内部を具体的に解説します。
3-1 配線がアルゴリズムになる世界
データフロー機械では、配線そのものがアルゴリズムを定義します。データは一方向に流れ、途中で分岐や逆流は基本的に発生しません。この構造により、無駄な制御が排除されます。
従来のように「命令を順番に実行する」のではなく、「データが流れると自動的に計算される」仕組みです。
3-2 メモリ最適化が構造を変える
最大の特徴は、メモリが演算器の近くに配置される点です。従来のCPUやGPUでは、メモリは階層構造を持ち、アクセス遅延が問題となっていました。
一方、NPUではSRAMを演算器の隣に配置し、データを「取りに行く」のではなく「そこにある」状態を作ります。これにより、メモリアクセスのボトルネックが根本的に解消されます。
さらに、重みを固定する「Weight Stationary」や、出力を内部に保持する「Output Stationary」といった最適化により、データ移動を極限まで削減します。
4. 富士通NPUの戦略とAI半導体の未来
富士通のNPU戦略は、GPUとの性能競争ではなく「構成設計」による差別化にあります。CPUとNPUの統合、電力効率の最適化、推論特化という方向性は、AIインフラ全体の構造を変える可能性を持っています。本章ではその戦略と今後の展望を整理します。
4-1 1nm競争ではなく構成で勝つ
半導体業界では「1nm」といった微細化競争が注目されがちですが、富士通はそこを主戦場としていません。重要なのは、どのように計算機を構成するかです。
推論処理に特化し、CPUとNPUを近接配置することで、データ移動を最小化し、電力効率を最大化する。この設計思想が核心です。
4-2 AI計算機はどう進化するのか
今後のAIインフラは、以下のような役割分担に収束していく可能性があります。
- GPU：学習（高性能・高電力）
- NPU：推論（低電力・高効率）
- CPU：制御・OS
この構造は、単なるハードウェアの進化ではなく、「計算のあり方そのもの」の変化を意味します。
富士通が目指しているのは、「速いコンピュータ」ではなく、「AIが自然に流れるコンピュータ」です。この思想は、ポストGPU時代の基盤となる可能性があります。
まとめ
AI半導体の進化は、単なる性能向上ではなく、計算モデルそのものの変化を伴っています。GPUからNPUへの移行は、その象徴的な出来事です。
富士通の取り組みは、日本が再び計算機アーキテクチャの中心に戻る可能性を示しています。重要なのは、「どれだけ速いか」ではなく、「どのように計算するか」です。
データフロー機械という新しい概念は、AI時代の基盤となるかもしれません。今後の動向に注目していく必要があります。
〆最後に〆
以上、間違い・ご意見は
以下アドレスまでお願いします。
全て返信できていませんが 見ています。
適時、改定をします。
nowkouji226@gmail.com
