| Google TPU v6e | 米国 / Google | TPU専用設計 | 918 TFLOPs bf16 | 32GB HBM | 約1.6 TB/s | 非公開 | 最大256チップのTPU Podでスケール可能。 |
| Huawei Ascend 910 | 中国 / Huawei | Da Vinci、7nm級 | 約256 TFLOPS FP16 | HBM | 約1.2 TB/s | 約350W | 2019年発表のHuaweiの主力AIチップ。 |
| Huawei Ascend 910C | 中国 / Huawei | チップレット設計 | 約800 TFLOPS FP16(推定) | 約96〜128GB HBM | 約3.2 TB/s | 約310W | A100/H100クラスを意識した設計。 |
| Biren BR100 | 中国 / Biren | デュアルダイGPU、TSMC 7nm CoWoS | 256 TFLOPS FP32 / 約2048 TOPS INT8 | 64GB HBM2E | 約2.3 TB/s | 約550W | 約770億トランジスタのデータセンターGPU。 |
| Biren BR104 | 中国 / Biren | 単一ダイGPU | 約128 TFLOPS FP32 | 32GB HBM2E | 約819 GB/s | 約300W | PCIeアクセラレータカード向け。 |
| Cambricon MLU370‑X8 | 中国 / Cambricon | MLUarch03、7nm | 96 TFLOPS FP16 / 256 TOPS INT8 | 48GB LPDDR5 | 約614 GB/s | 約250W | MLU‑Linkで複数カードを接続可能。 |
公開されているスペックを見る限り、純粋な理論演算性能では米国製アクセラレータが依然として優位です。
例えばAMDのMI325Xは
という非常に高い半精度性能を持っています。
GoogleのTPU v6eも
という性能を持ち、GoogleのAIモデル(Geminiなど)を支えるクラウドインフラとして設計されています。
中国側ではHuaweiのAscend 910Cが
と推定され、Nvidia A100クラスに近い性能を狙っています。
またBirenのBR100は
というAI推論・トレーニング向けの高い演算性能を持っています。
AIモデルの巨大化に伴い、メモリ容量と帯域幅は計算性能と同じくらい重要になっています。
AMD MI325X
TPU v6e
Huawei Ascend 910C
Biren BR100
AIトレーニングでは巨大なテンソルを頻繁にメモリへ読み書きするため、帯域幅がボトルネックになることが多いのが特徴です。
現代のAIモデルは1枚のチップではなく、数百〜数千のアクセラレータを接続したクラスタで学習されます。
代表例:
Google TPU v6e
Cambricon MLU370‑X8
Biren GPU
このため現在のAI競争では、単一チップ性能よりもクラスタ設計が重要になりつつあります。
半導体製造技術は性能と電力効率に直結します。
例えばBirenのBR100は
で製造されています。
HuaweiのAscendシリーズでは
など複雑な供給チェーンが使われていると報告されています。
米国企業は通常、TSMCなど最先端ファウンドリを利用できるため、製造技術面で優位とされることが多いです。
AIハードウェアの成功は、ソフトウェアに大きく依存します。
米国側の例
中国側ではHuaweiが
というフレームワークを推進しています。
実際のAI開発では
などの要素が採用を大きく左右します。
現在のAIアクセラレータ市場にはいくつかの特徴があります。
1. 米国が性能とエコシステムで先行
AMDやGoogleなどのチップは、公開スペックでは依然としてトップクラスの性能を示しています。
2. 中国は国産代替路線を強化
Huawei Ascend、Biren GPU、Cambriconなど複数のチップが開発され、海外GPUへの依存を減らそうとしています。
3. 勝負は「AIインフラ全体」へ
今の競争はチップ単体ではなく
を含む総合戦になっています。
AIモデルが今後さらに巨大化すれば、アーキテクチャ設計・メモリ技術・ソフトウェア基盤の差が、どのプラットフォームが主流になるかを左右する可能性が高いでしょう。