Nvidiaは、リアルタイムで動作するロボット、ドローン、ビジョンAIシステムの構築を目的とした新しいエッジAIプラットフォーム「Jetson Orin Nano 2」を発表しました。同社は、テキストや画像を生成するだけでなく、物理世界で感知し行動する機械であるフィジカルAIを現実世界へ展開する取り組みを続けています。

火曜日に発表されたこのプラットフォームは、2027年前半に提供開始される見込みで、NvidiaのAmpereアーキテクチャシリコンの新バージョンを基盤としています。Nvidiaは、初期顧客としてマシンビジョン企業のCognex、建設機械メーカーのDoosan Bobcat、ロボット掃除機スタートアップのMaticを発表しました。この顔ぶれは産業用、商用、コンシューマー用途にまたがっています。

Nvidiaによれば、Nano 2は前世代の2倍の性能、または同等の性能レベルで最大40%の低消費電力を実現します。エッジシステムはAIをデータセンターではなくデバイス上で直接実行するため、この2つの数値は、サーバーの電力や冷却設備に頼らずリアルタイムで反応しなければならないバッテリー駆動のロボットやドローンにとって重要です。

メディアブリーフィングでNvidiaのロボティクスおよびエッジAI担当バイスプレジデント、Deepu Talla氏は、今回のリリースはモデル精度が「転換点」に達したことに対応するものだと述べました。

「かつては大規模なデータセンターと多数のGPUを必要としていた処理が、今ではNvidia Jetson上で実行できます」と同氏は語りました。「現在、昨年の最大規模のモデルと同等の最先端精度を達成できるようになっています」

高性能AIモデルへのアクセスが向上していることはロボティクス産業にとって好材料であり、Talla氏によれば、ようやく高度なフィジカルAIがエッジで実用化されつつあります。

「ロボティクスは3つのコンピュータ問題です」と同氏は述べました。「最初のコンピュータは知能の学習をすべて行う場所で、中間の2番目のコンピュータはすべてのテストとポリシー評価を行う場所です。最後の3番目のコンピュータがランタイム、つまりロボットの脳であり、それがNvidia Jetsonです」

エッジでのリアルタイムモデル実行

Nvidiaによれば、Orin Nano 2は最新の小型・中型の言語モデルおよびビジョン言語モデルをリアルタイムで実行できます。Talla氏はNvidia独自のNemotronモデルを例に挙げ、最新のNemotron 3.5 LightningがJetson上で約115トークン/秒で実行できると述べました。

この性能はハードウェアの改良だけでなく、モデル学習の進歩によっても支えられています。Talla氏はこの進展を、より質の高い学習データ、モデルアーキテクチャの改善、そしてより大規模なモデルを使って小規模モデルを学習・蒸留できる能力に帰しました。その結果として、従来のシステムよりも高速で容易なロボット学習フレームワークが実現するとしています。

ロボティクスのコスト削減

「これまでロボットのプログラミングは非常に時間とコストがかかるものでした」とTalla氏は述べました。「しかし現在、自律機能によってロボットのプログラミングは極めて容易になりつつあり、エントリーレベルでのAIアプリケーションの爆発的な増加がすでに見られます」

この変化により、AIモデルがより多くのプログラミング作業を自動化することで、大量生産向け産業用途以外でもロボティクスが経済的に成立する可能性があります。

Nvidiaが2014年から開発者向けに展開してきたJetsonファミリーは、同社のエッジコンピューティング事業の中核を担ってきました。この分野ではNvidia以外にも、Qualcomm、AMD、IntelがエッジAIワークロード向けプロセッサを販売しています。

ペンシルベニア大学工学・応用科学部教授のBen Lee氏は、ロボットがローカルで動作するためにますます高性能なモデルを必要とする中で、エッジAIにおけるNvidiaの既存の地位が強力な出発点になると述べました。

「NvidiaはJetsonプラットフォームでエッジAIチップの重要な市場を獲得してきました」とLee氏は述べました。「より高性能なAIプロセッサの統合と推論のための追加ソフトウェアサポートの提供は、ロボティクスやその他の自律システムで新しいAIモデルの使用を可能にするでしょう」

Lee氏はまた、従来の産業環境以外へのロボット展開の経済性についても言及し、より成熟したソフトウェアスタックは、これまで低価値アプリケーションでのロボティクス導入を困難にしてきたエンジニアリング負担を軽減できると述べました。

「ロボティクスにとっての課題は、一般的な低価値ユースケースではエンジニアリングコストを正当化するのが難しいことです」と同氏は述べました。「これらのロボットやプロセッサのプログラミングを容易にする成熟したソフトウェアスタックは、エンジニアリングの労力を減らし、コストを下げるでしょう」

小型モデル、より大きな存在感

Informa TechTarget傘下のOmdiaアナリスト、Alexander Harrowell氏によれば、Nvidiaのロボティクス市場への提案は、そもそも何を「小型モデル」と見なすかという大きな変化の中で登場しています。

「より多くのAIがロボットに搭載されるようになり、小型のマルチモーダルトランスフォーマーがこの分野で一般的になっているのは確かです」とHarrowell氏は述べました。

この区別は、業界がNvidiaのスペックをどう読み解くかにとって重要だと同氏は指摘します。

「小型AIモデルは大幅に優れて重要にはなっていますが、小型モデルと見なされるものは変化しています」と同氏は述べ、Hugging Face上の典型的なモデルは約1,000万〜1億パラメータから30億〜80億パラメータへと大型化していると指摘しました。Hugging FaceはAIモデルが共有される広く利用されている公開リポジトリです。

Harrowell氏は、Orin Nano 2のハードウェアが実際に何をサポートできるかについてはより懐疑的でした。

「Nano 2のスペックを見ると、制約要因はメモリ容量です」と同氏は述べました。

2027年前半まで提供が予定されていないため、最終的なハードウェアがどれだけのメモリを搭載するか、そしてどのモデルがその範囲内に収まるかは、開発者がこのプラットフォームを中心にシステムを計画する際に検討すべき重要なポイントとなるでしょう。

出典：AI Business