半導体は「起きる時間」を短くできるか――東北大学とアイシン、65.7ミリ秒起動のAIチップを開発

「考える」前に、まず起動する

カメラが人の動きを捉え、装置が「何が写っているか」を判断する。工場のセンサー、電池で動く見守り機器、ロボットにとって、画像認識そのものの演算だけが時間と電力を食うわけではない。電源が入ってから基本ソフトを起動し、記憶装置からAIの重みデータを読み込み、ようやく計算に取りかかる。その準備にも代償がある。

東北大学と株式会社アイシンは11月２日、準備にかかる時間とデータ移動を大幅に減らしたAI向けの半導体を発表した。16ナノメートルの製造技術を用い、32メガバイトの磁気メモリをチップ内に組み込んだ試作システムで、電源投入からOS起動まで65.7ミリ秒、物体検出１フレーム当たりのエネルギー50.7ミリジュールを報告した。開発は大学と自動車部品メーカーの共同研究である。

65.7ミリ秒は「認識までの時間」ではない

数字を読むには三つの段階を分ける必要がある。65.7ミリ秒は電源投入から基本ソフト（コンパクトLinux）の起動までの測定値だ。画像を認識するAIの推論時間は別にあり、大学と企業は従来構成との比較で約10.16倍の処理高速化を示す。電源投入から物体検出までを通算したシステム全体では約25.2倍としている。

したがって「65.7ミリ秒で物体を検出するAI」あるいは「すべてのAIが50分の１の電力で動く」と読むのは正しくない。実証対象は小型の物体検出モデルTiny YOLOv3であり、研究者が設定した比較システムに対する結果だ。「約39倍」の起動高速化も、何と比較した値かを添えて初めて意味を持つ。

32MBの「消えない記憶」をチップに

鍵になるのはSTT-MRAM（スピン移行トルク型磁気抵抗メモリ）である。一般的なDRAMは高速だが、電源を切ると情報が消える。一方、SSDなどの不揮発性記憶装置は情報を保持できるが、起動時にプログラムやAIモデルを別のメモリへ運ぶ操作が必要になり得る。STT-MRAMは磁性体の状態を使ってデータを保持する不揮発性メモリで、電源が切れても内容が残る。

新しいAI SoC（システム・オン・チップ）は32MBの組込みSTT-MRAMにOSの起動情報とAIモデルの重みを置いた。小型の推論器と記憶を同じチップ上で近接させ、外部DRAMやSSDとのやり取りに伴う遅れを減らす。これは、メモリそのものの中で全演算を実行する「インメモリ計算」と同義ではない。研究チームが使う用語は「近メモリコンピューティング（Near-Memory Computing）」だ。

「データの移動」が計算の足を引っ張る

コンピューターは演算器だけでは動かない。大量の数値を繰り返し利用する画像認識では、学習済みモデルの重みを必要な場所へ移す負荷が無視できない。特に装置を短時間だけ動かして休ませる場合、毎回の起動と転送が実際の仕事より長くなることもある。

研究グループは８ビットと16ビットを使い分けるハイブリッド乗算方式と重み共有を採用し、限られたメモリ容量にTiny YOLOv3の処理を収めた。単に高速メモリを積んだだけでなく、モデルと演算回路を容量に合わせて設計した成果と捉えるべきだ。大容量の生成AIモデルを32MBに載せたわけではない。

50.7ミリジュールという数字を測る

研究者らはTiny YOLOv3による物体検出の１フレームについて、50.7mJというエネルギー値を報告した。共同発表では従来方式比で約50分の１と説明する。これは一枚の画像を処理するために消費したエネルギーの指標であり、ワットで表す瞬間的な消費電力や、一日中使用した場合の総電力量とは異なる。

たとえば「50分の１」を製品寿命や電池の持ちにそのまま置き換えることはできない。センサー、通信回路、待機状態、電源変換の損失など、完成品には別のエネルギー消費がある。基準構成、測定境界、演算精度、実行条件をそろえた追試が、設計の汎用性を判断するうえで重要になる。

磁気メモリの長い研究史

磁性を情報記憶に使う研究は今に始まったものではない。磁気トンネル接合の抵抗変化を利用するMRAMは、磁化方向の違いを電気的なデータとして扱う。STTは電流によって磁化状態を切り替える方式で、高密度化と半導体製造工程への組込みが研究されてきた。2010年代後半にはSTT-MRAMの実用化が進み、車載マイコンなどへの応用も注目された。

東北大学はスピントロニクスの重要拠点の一つである。電気通信研究所などでは磁気トンネル接合をナノメートル領域まで小さくする研究や、スピン軌道トルクなど別の書き込み方式の研究を積み重ねてきた。今回の成果を突然現れた「魔法の半導体」として描くより、材料から回路、システム実証まで続いてきた研究の一段階として読む方が正確だ。

仙台の大学と自動車部品メーカーが組んだ意味

共同発表に名を連ねたのは、東北大学国際集積エレクトロニクス研究開発センター（CIES）の遠藤哲郎教授らと、株式会社アイシンの研究者である。論文の著者には、東北大学の遠藤哲郎、李奕、池田正二、安平光雄と、アイシンの成瀬峰信、山田洋が記載されている。役職と氏名の表記は大学の11月２日付日本語資料による。

アイシンは自動車部品を主力とする企業であり、組込み機器を長期間安定して使う要件に日常的に向き合う。大学は材料・メモリと回路の研究基盤を持つ。この組み合わせは車載分野との接点を示すが、今回の試作品が特定の量産車に採用されると発表されたわけではない。研究成果の一部は新エネルギー・産業技術総合開発機構（NEDO）の委託業務による。

なぜ16ナノメートルが重要か

今回のSoCは16nm FinFET技術を用いた。FinFETはトランジスタを立体的な構造として作る技術で、論理回路を高密度に集積する製造世代の一つだ。重要なのは「最新の最小寸法」であることではない。計算回路と大量の組込み磁気メモリを、実際のシリコン上で動作させた点に研究上の価値がある。

ただし、試作チップと量産可能な製品の距離も大きい。歩留まり、製造費用、メモリの保持特性、書換え耐久性、温度範囲、長期信頼性、設計ツールへの対応など、実装にあたって検証すべき条件が残る。今回の資料は一般向けの市場投入日や製品価格を示していない。

カメラ、ロボット、車――使い道はまだ候補

電源を入れた直後だけ仕事をして、すぐ休む装置には向いている可能性がある。たとえば一定間隔で画像を確認するカメラ、状態変化を見つける産業用監視機器、電池で動くロボットの一部機能などだ。起動を速め、待機時の無駄を減らせれば、電源設計や通信量の削減にもつながり得る。

しかし自動車への採用には、安全規格、温度・振動への耐性、リアルタイムの保証、ソフト更新とセキュリティなど独自の条件がある。「車載AIが50倍省電力になった」という実証はまだ示されていない。AIをクラウドから端末へ移す場合も、認識精度やモデル更新の運用を併せて評価する必要がある。

国際会議で示される成果と「世界初」の範囲

研究成果は、台湾・台中で11月１～４日に開かれるIEEE Asian Solid-State Circuits Conference（A-SSCC）2026の採択論文として、11月２日の「Domain-Specific Accelerators」セッションに掲載された。論文番号は1014で、題名には65.7ms、50.7mJ/frame、32MBの組込みMRAMが明記されている。学会のプログラムと要旨から、何を対象に性能を測った研究なのかを独立に確認できる。

大学とアイシンは「世界初」と打ち出す。ただし、その表現がどの条件の組み合わせに対する最初なのか、広い半導体史のすべてと照合した独自検証は行っていない。チップの新規性を評価する際は、従来の組込みMRAM、AI向け専用回路、メモリ近接演算と区別しなければならない。

企業と研究者が次に示すべきデータ

量産を見据えた検証では、第一に対応できるAIモデルの種類と精度、第二に実際の機器を含めた起動から推論までの電力、第三に連続稼働・間欠稼働の双方での熱・耐久性が問われる。外部記憶をなくした設計は容量上限と引き換えであり、より大きなモデルを扱う際には追加のメモリや更新方法が必要かもしれない。

第三者による同条件のベンチマーク、製造コスト、量産時の歩留まり、実機の安全性試験は、11月２日の公開資料だけでは確認できない。50.7mJという測定値は魅力的だが、それがすぐに電池使用期間を50倍にするという意味ではない。研究から産業への橋を渡すには、ここからが重要になる。

「速く計算する」から「動かさずに計算する」へ

これまで計算機の進歩は演算の速さで語られがちだった。東北大学とアイシンの試作は、計算に必要な情報を毎回遠くから運ばないことにも価値があると教える。記憶と演算を近づけ、電源を切っても必要な情報を残し、短時間だけ機械を起こす。小さなチップが示したのは、仕事の前に費やしていた時間とエネルギーを見直す発想だ。

65.7ミリ秒はOSが立ち上がるまでの時間。50.7ミリジュールは特定の物体検出モデルが１フレームを処理するエネルギー。両者は違う物差しだ。その違いを守って読むなら、この半導体は「AIを何倍も賢くする装置」ではなく、AIを必要なときだけ効率よく働かせるための、確かな試作段階の前進といえる。