1/3ページ

このカタログをダウンロードして
すべてを見る

ダウンロード(15.1Mb)

[独占インタビュー]AI・ディープラーニングを加速するGPUコンピューティング

ホワイトペーパー

NVIDIAから見たAI・ディープラーニングの市場の最前線、そして国内製造業における可能性とは【アペルザ限定公開中】

 1993年に創業したNVIDIA Corporation(以下、NVIDIA)は、米国カリフォルニア州サンタクララにある半導体メーカーだ。同社の8割はエンジニアだ。半導体メーカーとは言いつつも、エンジニアの半数以上はソフトウェアエンジニアであり、「IT企業」と呼ぶほうがよいのかもしれない。今でこそ世界で約12,000名の従業員を抱える同社だが、この四半世紀で急成長を遂げている。2018年2月に発表された同社の通期決算、売上高は前年比41%増となる97.1億ドルだった。日本円にして1兆円を超える。

 AIやディープラーニング市場における同社の存在感は大きいが、実は売上構成では「Gaming(ゲーミング)」が同55.1億ドル、つまりゲーム関連による構成比率が56%ほどとなっており、世界的に成長が続くゲーミング市場からの収益が最も大きく、その収益をその他の新領域へ投資をしているという形だ。AI・ディープラーニングもそのひとつだ。今回、アペルザカタログでは、同社日本拠点においてエンタープライズ事業部を統括する井﨑武士氏に、NVIDIAから見たAI・ディープラーニングの市場の最前線、そして国内製造業における可能性について話を聞いた。

-- 企画編集:株式会社アペルザ(聞き手:株式会社アペルザ 和田智之)

このカタログについて

ドキュメント名 [独占インタビュー]AI・ディープラーニングを加速するGPUコンピューティング
ドキュメント種別 ホワイトペーパー
ファイルサイズ 15.1Mb
登録カテゴリ
取り扱い企業 エヌビディア合同会社 (この企業の取り扱いカタログ一覧)

この企業の関連カタログ

GTC JAPAN 2018|TOKYO / SEP 13-14, 2018
ハンドブック

エヌビディア合同会社

このカタログの内容

Page1

AI・ディープラーニングを加速する GPUコンピューティング 井﨑 武士 エヌビディア合同会社 エンタープライズ事業部 事業部長 1993年に創業したNVIDIA Corporation(以下、NVIDIA)は、米国カリフォルニア州サンタクララにある半導体メーカーだ。 同社の8割はエンジニアだ。半導体メーカーとは言いつつも、エンジニアの半数以上はソフトウェアエンジニアであり、「IT企 業」と呼ぶほうがよいのかもしれない。今でこそ世界で約12,000名の従業員を抱える同社だが、この四半世紀で急成長を遂げて いる。2018年2月に発表された同社の通期決算、売上高は前年比41%増となる97.1億ドルだった。日本円にして1兆円を超える。 AIやディープラーニング市場における同社の存在感は大きいが、実は売上構成では「Gaming(ゲーミング)」が同55.1億ド ル、つまりゲーム関連による構成比率が56%ほどとなっており、世界的に成長が続くゲーミング市場からの収益が最も大きく、 その収益をその他の新領域へ投資をしているという形だ。AI・ディープラーニングもそのひとつだ。今回、アペルザカタログで は、同社日本拠点においてエンタープライズ事業部を統括する井﨑武士氏に、NVIDIAから見たAI・ディープラーニングの市場の 最前線、そして国内製造業における可能性について話を聞いた。 GPUコンピューティングの最前線 果が、2017年5月の中国の棋士、柯潔氏との対局で、3局全勝 を収めています。 ―― NVIDIAと言えば、AIやディープラーニングの演算に用い また、世界的な画像認識のコンテストである「ImageNet」 られるGPU(Graphics Processing Unit)ですね。今、AI でも、ディープラーニングによる大きな変化がありました。 やディープラーニングの市場はどのような状況なのでしょうか。 同コンテストでは、参加者はAIを用いて静止画からオブジェ クトを抽出して競い合っています。その抽出結果におけるエ 昨年ニュースでも話題になった「AlphaGo」はご存知で ラーレート(誤答率)は、2012年頃までは10%前後でした。 しょうか。Google DeepMindが開発した「AI囲碁プログラ それが2017年に入り、最高で2.25%という水準まで上がった ム」です。過去にはチェスのAIプログラムなども存在しました のです。人間のエラーレートが5%前後と言われていますので、 が、AlphaGoがそれらと大きく異なるのは、囲碁はチェスな 人間の認識率を遥かに上回ったと言えるでしょう。これも ど他のボードゲームと比較しても圧倒的に局面のパターンが多 AlphaGoの例と同様、ディープラーニング、ニューラルネッ く、想定される全局面のパターンを事前にプログラミングして トワークが活用されるようになったことに起因します。 対戦させるということが難しいという点です。 ―― 近年、AIやディープラーニングの技術は加速度的に進化 Google DeepMindでは、ここにディープラーニングを活用 している印象を受けますが、これにはどのような要因がある し、局面のデータをハードコードするのではなく、用意された のでしょうか。 大量の棋譜データを画像として学習し、その後プログラム同士 を戦わせることで、自ら学習を行わせました。その象徴的な結 大きくは3つの要因があると当時スタンフォード大学の人 1
Page2

工知能研究所長であったフェイ・フェイ・リーが述べています。 扱う場合、1個のGPUでは時間がかかりますし、複数個にする アルゴリズムの進化、ビッグデータ、そしてGPUの3つです。 場合も様々なパラメータをGPU間でやりとりしなければなら ず、GPU間の通信速度によって全体のパフォーマンスが落ち AIには冬の時代もありました。認識精度が実用レベルに上が る可能性があります。ここにNVLink™ を用いることで、GPU らなかったのが主な要因です。しかし、2010年頃から、アル 間の通信を300GB/秒の速度で行うことができ、全体のパ ゴリズムの技術課題が解消し始め、AIのトレーニングに必要と フォーマンスを落とすことなく、複数GPUによる並列処理が なる大量のデータが入手可能となり、また、GPUの高速演算 可能になるのです。 性能により、開発期間が大きく短縮化されたことで、こうした 状況が変わってきました。 こうしたGPUやその周辺技術の進化により、複雑・多層の ニューラル・ネットワークの演算が短時間で可能になり、冒頭 性能という点では、ムーアの法則という言葉を聞いたことが で紹介したAlphaGoやImageNetのようなことが実現している あるかもしれません。半導体の性能曲線が指数関数的に上昇す のです。 ることを予測したものです。実は、CPUの性能向上について は、既にムーアの法則が成立しなくなっているのです。これは 「量子効果」がその理由です。ムーアの法則では(微細化技術 製造業におけるAI・ディープラーニング の進化により)「半導体の集積率は18ヶ月で2倍になる」と言 われていますが、この微細化技術が進みすぎると、半導体が熱 ――製造業についてはいかがでしょうか。 くなりすぎてしまい動作周波数を上げることができなくなりま 製造業におけるAI・ディープラーニングは市場としてはま す。半導体の中は絶縁層がありますが、量子の世界まで行くと、 だまだ発展途上であり、決して成熟してはいません。国内で 「トンネル効果」により絶縁層からリーク電流が流れ、熱が発 もスタートアップを含む様々な企業が、クライアントの要件 生するためです。 を聞きながら構築に試行錯誤していくなかで、ようやく最近 2006年以降、市場に流通するCPUの「◯◯GHz(ギガヘル になり「こんなことができる」というものが具体化してきた ツ)」などの数値はそこまで大きく変わっていません。では、 というのが現状だと考えています。 どのようにして処理能力を向上させているかというと、現在は 用途が広がりつつある分野としては、主には検査、メンテ デュアルコア(2コア)やクアッドコア(4コア)など、複数コア ナンス、制御などの分野が挙げられるでしょう。例えば、海 (CPUを複数搭載)にすることで処理能力を向上させている 外ではGE(ゼネラル・エレクトリック)社におけるプラント のです。 の外観検査へのAI活用や、フォックスコン(鴻海)社では基 一方で、GPUは当初よりこの複数コアの設計コンセプトに 板の実装不良、半導体製造における検査などにAI・ディープ 立っており、最近のGPUではおよそ4,000から5,000コアに分 ラーニングの活用が始まっています。 けて処理を行っています。更に、当社のNVIDIA® NVLink™ 国内では、ファナックやコマツの事例が有名かもしれませ は、そのGPUを複数配置しての分散学習・並列処理における ん。特に2015年12月の「国際ロボット展」でのファナック 「GPU間の通信速度」の課題も解決しました。 のデモンストレーションは記憶に新しいのではないでしょう 例えば、ひとつのモデル計算においても大量の画像データを か。これは、同社のアームロボットが金属製のワークをピッ 2
Page3

キングするデモンストレーションでした。センサーで取得し たワークの三次元画像データから、「ワークの取り出しやす さ」を自動判別し、ピッキングします。ポイントはティーチ ングを施していない状態から、8時間の機械学習のみで、ピッ キング成功率を90%まで高めたという点です。ロボット が自律的に学習し、与えられた仕事を行うという先行的な事 例となりました。 また、昨年の「GTC Japan」(2017年12月13日に開催され たNVIDIA主催のGPUテクノロジーイベント)での基調講演で は、コマツからスマートコンストラクションにおけるAI活用 が発表されました。具体的にはドローンカメラにより現場の 3D画像データを収集、地形データや、人や機械の位置を可視 ローンをはじめ、カメラやセンサーを使った情報認識や解析、 化し、工機・建機の管理、現場の安全性や生産性向上を図る 推論、計算処理など、自律型ロボットの性能を格段に向上させ ものです。ここには当社のNVIDIA® Jetson™ が、エッジ側で られる可能性があります。また、このJetson™ Xavier™ を中 のAIコンピューティングのプラットフォームとして利用され 核とするのが、当社のロボティクス・プラットフォームである ます。 NVIDIA® Isaac™ であり、同プラットフォーム上では、シ ミュレーション環境も提供し、開発者がJetson™ Xavier™ を ―― 製造業におけるAIやディープラーニングの市場は、今後 用いたロボットのトレーニングやテストを行うこともできます。 どのように変化していくと考えられているのでしょうか。 これまでもAI・ディープラーニングによって様々な領域・業 これまではオンラインで学習も推論も行うユースケースが 界におけるソフトウェア・オートメーションが進んできました。 多く、世界最先端のデータセンター向けGPUであるNVIDIA® これからは、当社の製品を含め、より高性能なエッジコン Tesla® V100 など、当社のGPUがオンプレミスやクラウド環 ピューティングが可能になることによって、より多くの生産現 境を含め、多くの研究者やエンジニアに利用され、その可能 場や工程において、カメラやセンサーとAIとが接続されること 性を広げてきました。一方、製造業の現場で活用されるAI・ で、マシンは自らの脳を獲得し、様々なインテリジェント・マ ディープラーニングの推論環境としては、オフラインでの動 シンが生まれるのではないかと考えています。 作や設置環境の理由から、急速にエッジシフトが進んでいく でしょう。 ――読者の方へのメッセージがございましたらいただけますで しょうか。 一方で、画像センサやカメラの性能も上がってきています。 例えば、画像データの解像度が上がれば伝送されるデータ量 ディープラーニングの技術により、まさに第4次産業革命が も当然膨れ上がりますし、そうした状況下では、エッジ側に 起こりつつあります。ボーダレス化が進む中、海外との競争を もより高い処理性能が求められます。 避けて通ることはできません。正しい知識や理解をもって、自 社の課題に、迅速かつ最適なソリューションを選択することが、 2018年6月に発表した当社のJetson™ Xavier™(ジェット 今まで以上に大事になってきます。今回の特集企画においては、 ソン・エグゼビア)も、こうした高性能なエッジコンピュー NVIDIAのパートナー企業を始めとした、様々なソリューショ ティングをターゲットとした製品のひとつです。同製品は世 ン・プロバイダも紹介されますので、まずは、自社の課題やAI 界初の組込型AIコンピュータボードで、90億個以上のトラン 導入のねらいから相談してみてください。 ジスタを搭載しており、30TOPS(30テラフロップス=1秒 当たり30兆回)の演算処理を行うことができます。 ――ありがとうございました。 これにより、従来型のSoCなどでは対応が難しかった、 エッジ側での多数のアルゴリズムを同時且つ高速な処理が可 能になります。インテリジェント・マシン、つまりAGVやド 3 ×