2026年7月、ソフトバンク・ソニー・ホンダ・NECら44社が出資する「ノエトラ（Noetra）」が国産フィジカルAI基盤モデルの開発を開始し、経済産業省が初年度3,873億円・5年間で総額1兆円の支援を決定しました。

しかし「フィジカルAI」という言葉を聞いて、こんな疑問を持った方も多いのではないでしょうか。

「ChatGPTのような生成AIと、フィジカルAIって何が違うの？半導体も同じGPUを使うんじゃないの？」

答えは「まったく違います」。生成AIとフィジカルAIは、使う半導体の種類・サイズ・設計思想から根本的に異なります。この違いを理解することが、ノエトラが半導体業界に与えるインパクトを正確に読み解く鍵になります。

Contents
  1. 1. そもそも「生成AI」と「フィジカルAI」は何が違うか
  2. 2. 半導体要件の比較：全体マップ
  3. 3. 生成AIが必要とする半導体：データセンター集中型の巨大インフラ
  4. 4. フィジカルAIが必要とする半導体：エッジ分散型の低電力設計
  5. 5. ノエトラが目指す半導体アーキテクチャ
  6. 6. 生成AI vs フィジカルAI：半導体市場への影響を整理
  7. まとめ

1. そもそも「生成AI」と「フィジカルAI」は何が違うか

まず前提として、両者の定義を整理します。

項目生成AI（Generative AI）フィジカルAI（Physical AI）
代表例ChatGPT、Gemini、Claude、Stable Diffusion産業ロボット、自動運転車、AIドローン、工場自動化
活動空間デジタル空間（テキスト・画像・音声の生成）物理空間（現実世界でのセンシング・判断・行動）
出力文章・画像・コードなどのデータモーター制御・アクチュエーター動作などの物理的行動
遅延許容度秒〜分単位でも許容されるミリ秒以下（人が転倒する前に止まれなければ無意味）
設置場所主にクラウドデータセンターロボット・車・工場内のエッジデバイス

「フィジカル（物理）」という名のとおり、フィジカルAIは現実世界に直接介入します。カメラ・LiDAR（Light Detection And Ranging：光学測距センサー）・加速度センサーなど多様なセンサーから入力を受け取り、ミリ秒単位でリアルタイムに判断・動作しなければなりません。この「時間の壁」が、半導体要件を根本から変えます。

2. 半導体要件の比較：全体マップ

生成AIとフィジカルAIの半導体要件を、6つの軸で比較します。

要件生成AIフィジカルAI
主役チップGPU（Graphics Processing Unit：画像処理装置を転用したAI演算装置）NPU（Neural Processing Unit：神経回路推論専用プロセッサ）、SoC（System on Chip：1チップに複数機能を統合した回路）
メモリ種別HBM（High Bandwidth Memory：高帯域幅メモリ）3E/4、容量重視（80GB〜）LPDDR5X（低電力DDR5X）、SRAM（Static RAM：静的ランダムアクセスメモリ）、容量より速度・低電力重視
消費電力GPU1枚あたり300W〜700W（データセンター冷却で対応）デバイス全体で数W〜数十W（バッテリー駆動・放熱制約あり）
処理場所クラウドデータセンター集中デバイス内エッジ処理（クラウド往復不可）
入力データテキスト・画像・音声（単一または少数モダリティ）カメラ・LiDAR・IMU・温度・圧力など多数センサーを同時処理
プロセスノード最先端（NVIDIA B200：TSMC 4NP、次世代Rubin：3nm以降）用途により幅広く（7nm〜28nm、自動車用途は信頼性重視で旧世代も多い）

3. 生成AIが必要とする半導体：データセンター集中型の巨大インフラ

大規模GPUクラスターの構造

ChatGPTのようなLLM（Large Language Model：大規模言語モデル）を学習・推論させるには、数千〜数万枚のGPUをネットワーク接続した巨大なクラスターが必要です。

NVIDIA H100/H200/B200といったデータセンター向けGPUは：

  • 消費電力：1枚あたり350W〜700W（空冷では追いつかず液冷が前提）
  • HBMメモリ容量：80GB〜192GB（GPUとHBMをシリコンインターポーザー上に並べたパッケージ）
  • HBM帯域幅：3.35TB/s〜4.8TB/s（毎秒数テラバイトのデータをGPUコアに供給）

なぜHBMが不可欠か

LLMは数十億〜数千億のパラメータ（重み）を持ちます。推論時にはこれらの重みを毎回メモリからGPUに読み出す必要があり、このメモリ読み出し速度がボトルネックになります（「メモリウォール」と呼ばれる問題）。

HBMはDRAMチップを3D積層しTSV（Through-Silicon Via：シリコン貫通電極）で接続することで、従来のDDR DRAMの10倍以上の帯域幅を実現。このHBMなしには、現代の生成AIは動作しません。

学習 vs 推論の違い

フェーズ概要主な半導体
学習（Training）大量データからモデルの重みを最適化する。数週間〜数か月かかるNVIDIA H100/B200 × HBM3E/HBM4、数千〜数万枚規模
推論（Inference）学習済みモデルに入力を与えて出力を得る。リアルタイム性が求められるNVIDIA H100/L40S、または専用推論チップ（Google TPU、AWS Trainium等）

4. フィジカルAIが必要とする半導体：エッジ分散型の低電力設計

なぜクラウドに送れないか——「1ms の壁」

工場ロボットのアームが予期せぬ障害物を検知して停止する。自動運転車が飛び出した歩行者を回避する。これらは数ミリ秒以内（1ms〜10ms）の判断が要求されます。

仮にデータをクラウドサーバーに送信して処理しようとすると：

  • 通信往復遅延（ラウンドトリップ）：国内5G回線でも最低20〜50ms
  • サーバー処理時間：さらに数ms〜数十ms
  • 合計：50ms〜100ms以上が最低限かかる

時速60kmで走る車は1秒間に16.7m進みます。100ms（0.1秒）の遅延でも1.67mも進んでしまいます。フィジカルAIにとって「クラウド送信してから判断する」という設計は、原理的に成立しません。すべての判断をデバイス内で完結させる「エッジ処理」が必須です。

エッジAI半導体の設計思想：PPA

エッジAI半導体の設計はPPAの三角形をどうバランスさせるかで決まります。

  • P（Performance：性能）——リアルタイム推論に必要なTOPS（Tera Operations Per Second：毎秒1兆回の演算）性能
  • P（Power：電力）——バッテリー駆動・放熱制約のある環境での消費電力の最小化
  • A（Area：面積）——ロボット・車に内蔵できるチップサイズの制約

データセンターGPUは性能最優先でPowerとAreaを犠牲にできますが、エッジデバイスでは3つすべてを同時に最適化しなければなりません。これがエッジAI半導体の難しさです。

NPUとSoC：エッジ推論の主役チップ

NPU（Neural Processing Unit）は、ニューラルネットワークの行列演算（積和演算）に特化した専用プロセッサです。GPUと異なり汎用性は低いですが、特定の推論タスクをGPUの数十分の一〜数百分の一の電力で実行できます。

2026年時点の代表的なエッジAI半導体：

製品メーカー用途AI性能消費電力
Snapdragon X EliteQualcommPC・ノートPC75 TOPS〜23W（全体）
Apple M4AppleMac・iPad Pro38 TOPS（NPU）〜20W
Intel Core Ultra 200IntelPC・産業用最大180 TOPS（全体）9〜55W
NVIDIA Jetson OrinNVIDIAロボット・自動運転275 TOPS15〜60W
Renesas RZ/V2Hルネサス産業・組込み80 TOPS（DRP-AI）3〜7W

センサーフュージョンという追加難題

フィジカルAIは単一センサーではなく、複数のセンサーを同時処理（センサーフュージョン）します。

  • カメラ：RGB画像、30〜120fps（毎秒フレーム数）、ピクセル単位の認識
    • 半導体：CMOSイメージセンサー（ソニーが世界シェア約50%）
  • LiDAR（Light Detection And Ranging）：3D点群データ、障害物の距離・形状を計測
    • 半導体：ToF（Time of Flight：光の飛行時間計測）チップ、MEMS（Micro Electro Mechanical Systems：微小電気機械システム）ミラー
  • IMU（Inertial Measurement Unit：慣性計測装置）：加速度・角速度で姿勢・動きを把握
    • 半導体：MEMS加速度センサー、ジャイロスコープ

これらを同時・低遅延で融合処理する専用SoCの設計は、単純なNPUより遥かに複雑です。

5. ノエトラが目指す半導体アーキテクチャ

ノエトラが開発する国産フィジカルAI基盤モデルは、「クラウド（学習・大規模推論）」と「エッジ（リアルタイム制御）」の2層構造で設計されると考えられます。

層役割必要な半導体国内主要プレイヤー
クラウド層（学習）製造・医療・物流現場のセンサーデータで基盤モデルを学習・更新AI GPU（当面NVIDIA依存）、HBM4、超高速ネットワーク（InfiniBand）NEC（スパコン「SX-Aurora」）、富士通（「富岳」後継）
エッジ層（推論・制御）現場のロボット・機械がリアルタイム判断・動作低電力NPU、センサーSoC、LPDDR5X、MRAM（高速不揮発メモリ）ルネサス（産業SoC）、ソニー（CMOSセンサー）、キオクシア（フラッシュ）

注目すべきは、ノエトラの44社出資企業の中にソニーグループ（CMOSイメージセンサー世界1位）とNEC（産業向けエッジAIチップ・ベクトル演算プロセッサ）が含まれていること。これは偶然ではなく、センサーフュージョンからエッジ推論まで日本企業が得意とする半導体で縦断するという戦略の現れです。

6. 生成AI vs フィジカルAI：半導体市場への影響を整理

2025〜2030年の半導体需要を両者の視点で整理すると、成長するセグメントが異なります。

半導体セグメント生成AI需要フィジカルAI需要
データセンターGPU★★★★★（爆発的成長）★★☆（学習フェーズのみ）
HBM（HBM3E/HBM4）★★★★★★★☆（エッジではLPDDR5X）
エッジAI NPU/SoC★★☆（推論のみ）★★★★★（急拡大）
CMOSイメージセンサー★☆（一部）★★★★★（ロボット・自動車全般）
車載マイコン・SoC★☆★★★★★
MRAM（次世代不揮発メモリ）★★☆★★★★（エッジキャッシュ需要）
パワー半導体（SiC/GaN）★☆★★★★（モーター制御）

ノエトラが生み出す最大のインパクトは、エッジAI NPU・CMOSセンサー・車載SoCの3セグメントです。これらはまさに日本企業（ルネサス・ソニー・キオクシア・ロームなど）が競争力を持つ分野であり、ノエトラの成功は日本の半導体産業全体の競争力強化に直結します。

まとめ

生成AIとフィジカルAIは、同じ「AI」でも半導体の要件がまったく異なります。

  • 生成AI：データセンター集中・超大型GPUクラスター・HBM重視・電力は問わない
  • フィジカルAI：エッジ分散・低電力NPU/SoC・センサーフュージョン・ミリ秒応答が必須

ノエトラの1兆円プロジェクトは、この「フィジカルAI半導体」の需要を一気に引き上げる可能性を持っています。日本企業が強みを持つセンサー・エッジSoC・車載半導体の各分野で、2026年以降の数年間に大きな変化が起きるかもしれません。

関連記事：ノエトラ（Noetra）とは？フィジカルAI国産基盤モデルの全貌と半導体業界への影響｜SiC半導体とは？EV向け主役材料を徹底解説｜スピントロニクス（スピン半導体）決定版解説

Post Views: 23
AI半導体 GPU HBM LiDAR Noetra NPU SoC エッジAI エッジ推論 センサーフュージョン ソニー ノエトラ フィジカルAI ルネサス 低電力半導体 生成AI
ABOUT ME
semi-connect編集室
半導体業界の技術・企業・市場動向を発信するブログ「semi-connect.net」の管理人。半導体プロセス・前工程・後工程からエレクトロニクス企業の財務分析まで、業界の基礎から最新情報をわかりやすく解説します。