図1　nVidiaのCEOであるJen-Hsun Huang��

GPU（グラフィックスプロセッサ・ユニット）はこれまで3次元画�気鱸Wき、光の陰影などつけてより�^真に�Zづけるといったゲーム応��が主な����だった。それがCPUを��佐する高性�Ε灰鵐團紂璽謄�ング（HPC）にGPUを使うようになり、さらにその����をAIのパターン認識とその学�{に応��するようになった。今�QのGTC（GPU Technology Conference）はAI�k色だった。同社CEOのJen-Hsun Huang��(図1)の基調講演のタイトルは「ディープラーニング：AI革命」と��しており、その様子をよく表している。

nVidiaは単にGPUの応���J囲をゲームからコンピューティング�\術やAIへと広げてきただけではない。むしろAIに使うデバイスとして����する�気�威��を発ｧすることがわかってきたことによる。例えば、音�m認識に����すると、��来の言��や文脈の��長抽出を��いたコンピュータアルゴリズムで���Qしていた�桔，犯罎戮董�誤認識率が下がったというデータが出てきた。2016�Q9月16日にマイクロソフトが発表した、AIを使った音�m認識の誤認識率は��来の10%以�屬�ら2%��度に�jきく下がっている（図2）。

図2　音�m認識はディープラーニングにより誤認識率は2%に　出�Z：nVidia　Microsoftのデータを引��

通常の会�Bをしていると、「あー」とか「えー」とか�T味のない言��が�Hく、そのような無�Gな言��を認識するためのアルゴリズムは��要がないはず。しかし��来のコンピュータアルゴリズムは��ての言��を認識するように努めてきた。これに�瓦靴董�AIでは、「あー」や「えー」は�T味のない言��だと判��して切り捨てればよい。「あー」や「えー」を含めた音�mの複雑なパターンからパターンそのものの��長を抽出し、類��性などから�T味づけ学�{を行うことによって、認識率は�屬�った。AIでは、何�h�v・何万�vと学�{して覚えたパターンを参照パターンとして使い、�瑤燭茲Δ淵僖拭璽鵑�現れたら、参照パターンと比較し判��するのである。

nVidiaのAIシフトは、クルマの世�cにも広がってきている。もともとnVidiaは、5�Qほど�iからクルマにGPUを搭載し、ダッシュボードに�]晶パネルを導入し、そこに�Wくスピードメータやタコメータを、きれいな画�気派集修垢襪海箸鰆`的としていた。ダッシュボードへの�W��によるドライバー�мqが�`的だった。残念ながらこの����は、�k�陲離�ルマメーカーにしか採り入れられなかった。もちろん、クルマへの�]晶パネルの採��はまだ進んでいない。

ところが、�O動運転�Zが�R�`を集めるようになってくると、ドライバー�мqのテクノロジーは�k変した。ドライバーの�i�気砲△������颪�クルマなのか、人なのか、�O転�Zなのか、クルマでもトラックなのか、乗���Zか、人間の眼と同じレベル以�屬寮��Δ�求められるようになった。するとパターン認識�\術が極めて�_要になってくる。そこでAIの登場、というシナリオが出てきた。

AIにGPUを使う理�yは、AI、��にディープラーニングではニューラルネットワークの�}法と�k致するからだ。ここでは神経細胞をまねた構�]の情報伝達システムを�W��する。ニューロン（神経細胞）1個は、��神経や音�mなどの�H数の入��信�､��N細胞に入ると、最初の�N細胞では、入ってきたすべての入��信��(x1〜xn)に�_み（a1〜an）を�Xけ、それらを�Bし合わせる。最後に���Qした�T果をyとして出��する。これは、GPUが�u�Tな積和演�Qそのものだ。この�_みを学�{によって変えていくと、出��yも変わる。神経細胞は小�Nだけで1000億個あるといわれているため、電子�v路では、このような細胞をできるだけ�H数���Tして、神経ネットワークを構成していく。

ディープラーニングの応��分野は、画�鞠Ъ韻箍嗣m認識などのパターン認識�\術。それらをベンチマークとして、nVidiaのコア�\術であるGPUの性�Ω��屬皺��]している。2016�Qに発表したGPUであるPascalは、3�Q�iに発表したGPUのKeplerの65倍の性�Δ魴eつ。16nm FinFET�\術や3D-IC�\術であるHMB2メモリなどの先端�\術を��いている。Pascalはもはやスーパーコンピュータを構成する�_要な�\術でもある。

図3　2016�Qに発表した新GPU「Pascal」　16nm FinFETやTSVメモリなど先端�\術の�修澄―儘Z：nVidia

GPUはグラフィックス、すなわち「お絵かき」専��のプロセッサである。絵を書く場合のデッサンに相当するのが小さな��角形（トライアングル）をつなぎ合わせていく、という作業である。その�屬某Г鯏匹襦淵譽鵐瀬螢鵐亜砲箸い�作業を経て絵を完成させる�lだが、実はレンダリング作業を�jきな画�Cの�k�陲任蓮��瑤燭茲Δ平Г魏薪戮眦匹辰討い觝邏箸妨�える。実際、1��のフレーム�屬任蓮�画�Cを分割し、色を格納しているメモリからディスプレイ�屬某Г鯆イ���ける作業そのものをしており、まさに並�`処理していることに等しい。CPUは、分岐命令により様々な作業を担わなければならないため、単純な並�`処理は向かない。単純な並�`処理こそ、GPUが最も�u�Tとする作業である。この作業は、�瑤燭茲Δ焚��気箍嗣mなどのパターンを何度も覚え込ませる「学�{」と�瑤討い襦�だからGPUは、マシンラーニング、ディープラーニングに向いているという�lだ。

ディープラーニングでは、IoTやスマートデバイスなどからのデータを学�{し、ニューラルネットワークで何度も繰り返し、推�bを行い、IoTにフィードバックする（図4）。GPUはこの中で学�{と推�bを担っている。例えば、推�b��のアクセラレータであるTesla P4/P40は、CPUと比べて、P4はエネルギー効率が40倍、P40は性�Δ�40倍という。さらに、最新のGPUモジュールとして、推�bエンジンを最適化する性�Δ魴eつTensorRT、組み込みスーパーコンピュータのJetson TX1など高性�Δ凌�����をHuang��は紹介した。

図4　AIではIoTから学�{、ニューラルネットワーク、推�bマシンというサイクルを何度も繰り返す　出�Z：nVidia

日本では、工場��ロボットのファナックと提携した。ファナックの工場にnVidiaのAI��GPUモジュールを導入し、ロボットを賢くすることによって、ユーザーの�攵奟率を�屬欧茲Δ箸いα世い�ある。

�i述したように、AIを使ったパターン認識は、クルマの�O動運転にも向いた�\術である。クルマの�i�気砲△襪發里鯒Ъ韻掘��v�cするのか、停まるのか、という判��も行う。クルマが高�]�O路か�k般�Oか、クルマの周囲にあるもの、なども認識する。さらに�����颪�ずっと�iからあったのか、突��出てきたものか、ずっと�{�_しているものか、だったらどのようにすべきか、などを判��する。判��ができたら、ブレーキをかけるのか��へ寄るのか、などのアクションをとる。アクションは�U御�Uのマイコンを含むECU、アクチュエータで行う。アクション以外はAIで情報処理することができる。

これまでの�O動運転は、クルマの検出・認識、さらには白線検出などを行い、サラウンド検出も加えていた。やはり�`印となる白線などの�����颪���要だった。�����颪���まれば、AIを使わなくてもコンピュータ���Qだけでも情報処理はできた。しかし、�`印のない、例えば�僂涼罎痢屬韻發里澆繊廚鯀�るようなハンドル操作となると、「�究�式はない。ハンドル操作は���Qではなく行動（Behavior）である。だから、経�xを積んだ学�{、すなわちAIが��要なのだ」とHuang��は講演で述べている。

ただ、GPUの�cき所は、消�J電��がまだ�jきいことだ。これまでよりは少なくなったとはいえ、まだ数��WではLSIとして�jきい。さらに下げるための試みとしてIBMのTrueNorthチップやGoogleのTPU（Tensor Processing Unit）などAI専��のプロセッサが登場している。ここに日本の半導��メーカーにもチャンスがある。