ヒューマノイドロボットでの深層学習向け計算プラットフォーム比較

(Comparing Computing Platforms for Deep Learning on a Humanoid Robot)

田中専務

拓海さん、最近部下から「ロボットに深層学習を載せろ」と言われて困っているんです。ハードの違いで何が変わるのか、結局どれを買えばいいのか教えてくださいませんか。

AIメンター拓海

素晴らしい着眼点ですね！大丈夫、一緒に整理すれば必ず見えてきますよ。今回の論文は、NUCというCPU重視の機器とJetson TX2というGPU重視の組み込み機器を、ヒューマノイドロボットでの深層学習処理に使えるか比較したものです。

田中専務

なるほど。で、CPUとGPUって要するに何が違うんでしたっけ。うちの事業で言えば、早く意思決定できるか、電気代が上がらないかが問題でして。

AIメンター拓海

素晴らしい着眼点ですね！簡単に言うと、CPUはいろいろな仕事を順序良くこなす汎用の頭脳、GPUは同じ計算を大量に同時処理するための専用装置です。ここで要点を3つにまとめます。まず、同じ処理でもハード次第で速さが変わること、次に消費電力がロボットの運用時間に直結すること、最後にソフトウェアの対応状況が実際の性能を大きく左右することです。

田中専務

これって要するに、見かけ上GPUが得意でも、ソフトがうまく使えていなければ意味がない、ということですか？

AIメンター拓海

その通りです。特にTensorFlowのようなフレームワークがCUDA（GPU向けのソフト環境）を使うよう最適化されていると、GPUの利点を引き出せますが、そうでないとCPU中心の機器が勝つ場面もあります。ですからハードの選定は、使いたいアルゴリズムと電力条件をセットで判断する必要があるんです。

田中専務

なるほど。要は運用の制約（バッテリや現場）を含めて、どのハードで何を動かすかを決めるべきだと。分かりました、最後に私の言葉で整理してもよろしいでしょうか。

AIメンター拓海

ぜひお願いします。失敗を恐れず学びながら進めれば、必ず導入できますよ。

田中専務

分かりました。要するに「ソフトがGPUを活かすか、電力と運用時間の制約を含めて判断する」という点と、「現場でのバッテリ負荷を考えると必ずしもGPUが常に正解ではない」ということですね。よし、部下に説明して進めます。