2026-06-17 — views

フィジカルAIの演算基盤 — ロボット量産を支えるシリコン全覧（2026年中）

自動運転車と人型ロボットを動かす推論・学習チップのベンチマーク比較——Jetson Thor、HW4、Dojo、EyeQ Ultraほか、2026年中時点の最新データ。

演算レイヤーはフィジカルAIのタイムラインを静かに制約する

ロボットの量産にはシリコンの下限がある。自動運転車は厳格な消費電力制約のもとでレーダー・LiDAR・カメラデータをリアルタイム融合する車載推論チップを必要とする。人型ロボットは70キログラム以下のシャーシの中でバッテリー駆動のまま基盤モデルを動かすエッジプロセッサを必要とする。そのモデルを学習させるには、テラバイト規模のロボットデモンストレーションデータを処理できる大規模な計算クラスタが必要だ。

Waymo・Tesla・Figure AIなど、フィジカルAI企業のあらゆるタイムライン予測は、突き詰めれば利用可能なシリコンへの予測である。本記事では、この分野を駆動するチップをベンチマークする——車両やロボットに搭載される推論ハードウェア、そしてモデルの背後にある学習用計算リソースの両方を対象とする。

TOPSの定義について： Tera-Operations Per Second（TOPS）は推論ワークロードのINT8精度で計測される。学習チップは異なる指標（BF16またはFP16のTFLOPS）を使用する。両者は直接比較できない——学習と推論は異なるワークロードだからだ。以下の表ではそれぞれ分けて示す。

第1節 — シリコンベンチマーク総覧表

以下の表は2026年中時点でフィジカルAIに関連する主要推論チップを網羅している。TOPS数値はINT8（別途記載がない限り）。消費電力は典型的な動作電力（ピークTDPではない、別途記載がない限り）。「商業ステータス」は一般的な商業入手可能性を示す。一部のチップは割り当て制または段階的展開中。

チップ	メーカー	TOPS (INT8)	消費電力 (W)	メモリ／帯域幅	主な用途	商業ステータス
Jetson Orin NX	NVIDIA	100	10–25	16 GB LPDDR5、102 GB/s	エッジロボティクス、ドローン、産業用	一般入手可能
Jetson Thor	NVIDIA	800	約60	128 GB/s（推定）	次世代人型ロボット、高度なロボティクス	段階的 / 割り当て中
HW4（FSD コンピュータ）	Tesla	1,000+（Tesla発表値）	約50–80（各チップ）	カスタムLPDDR5	Tesla車両自律推論	量産中（Model S/X/3/Y/Cybertruck/Cybercab）
HW4 デュアルチップ	Tesla	2,000+（Tesla発表値）	約100–160（合計）	HW4 2基並列	高冗長性Teslaモデル	量産中
Dojo D1 タイル	Tesla	非該当——学習チップ	約350（各タイル）	各タイル900 GB/s	ニューラルネット学習（推論ではない）	学習クラスター専用
Snapdragon Ride Elite	Qualcomm	700+	未完全公開	自動車グレードECC LPDDR5	ADAS、L2+/L3 自動運転	量産中（OEM展開中）
EyeQ Ultra	Mobileye	176	約10	統合型LPDDR5	L4自動運転推論	2025年より入手可能
TPU v5e	Google	非該当——学習チップ	約170（各チップ）	HBM2e、各Pod 1.6 TB/s	クラウドモデル学習（WaymoニューラルネットなどΩ	Google Cloudのみ（単体販売なし）

表の読み方： TOPS数値は各メーカーの測定方法によって大きく異なる——Teslaの1,000+の主張はTesla独自のベンチマーク手法を使っており、NVIDIAが公表するINT8数値とは直接比較できない可能性がある。メーカー間のTOPS比較は方向性の参照として捉え、正確な数値としては扱わないこと。消費電力効率（TOPS/W）はモバイルや車両アプリケーションでより意味のある指標だ：HW4は約12–20 TOPS/W（推定）、EyeQ Ultraは約17 TOPS/W、Jetson Orin NXは動作点によって約4–10 TOPS/Wとなる。

Tesla Dojo D1： 各D1タイルはBF16精度で362 TFLOPSを提供する。TeslaのExaPOD構成——3,000枚のD1タイルとスイッチングファブリック——は総学習算力100 exaFLOPSを目標とする。これは学習システムであり推論チップではない。車両には搭載されない。

第2節 — 誰が何を使うか：企業レベルの計算スタック

車両やロボットの推論チップは全体像の半分に過ぎない。学習計算——モデルを構築するためのクラウドまたはプライベートクラスター——も同様に重要だ。以下の表は主要なフィジカルAI企業を両レイヤーにマッピングする。

企業	車載推論チップ	学習計算	備考
Waymo	カスタムASIC（Waymo Driverチップ、第5世代）	Google Cloud TPU v4/v5クラスター	車載チップの詳細は限定的；Google Cloudの関係が学習規模を提供
Tesla	HW4（シングルまたはデュアル）	Dojo + NVIDIA H100クラスター（移行中）	積極的な垂直統合——学習をDojoへ移行中；HW4は自社設計
Figure AI	NVIDIA Jetson Thor	NVIDIA DGX / H100クラスター	基盤モデルは車外で学習；Thorが車載推論を担当
Agility Robotics（Digit）	Intel / NVIDIAエッジ計算（混在）	AWSクラウド計算	Amazon親会社がAWSインフラを提供；車載チップ詳細は限定的
1X Technologies	NVIDIA Jetson Thorプラットフォーム	NVIDIA DGXベース	OpenAIとのパートナーシップがモデル学習スタックに影響
Boston Dynamics（Atlas）	カスタムアクチュエータ計算 + NVIDIA Isaacプラットフォーム	NVIDIA Isaac Sim / クラウド学習	Isaacプラットフォームでシミュレーション→実機転換を実施
Apptronik（Apollo）	NVIDIAベースのエッジ計算	AWS / NVIDIA（推定）	Google/Samsung投資；学習スタックは未完全公開

この表が示すもの： TeslaとWaymoは推論と学習の両端で垂直統合または深い連携を実現している。人型ロボットスタートアップ群——Figure、1X、Apptronik——は推論でNVIDIA Jetson Thorに、学習でNVIDIA DGXインフラに集中している。これが第5節で論じる単一ベンダー依存リスクを生み出している。

第3節 — Teslaの垂直統合優位性

Teslaは計算レイヤーにおいて、他のすべてのフィジカルAI企業とは構造的に異なる立場を占める。車両に搭載する推論チップ（HW4）とモデル構築に使う学習シリコン（Dojo D1）の両方を自社設計している。このスタックの両端を同時に支配する他のフィジカルAI企業は存在しない。

垂直統合がTeslaにもたらすもの

NVIDIA輸出規制の影響を受けない学習パイプライン。 Dojo D1タイルは米国のツールチェーンとサプライチェーンで設計・製造される。米国政府が特定の市場向けNVIDIA H100・A100チップの輸出を制限するとき、DojoベースのTeslaの学習パイプラインは影響を受けない。輸出規制が進化するにつれ、これは時間とともに複利で成長する戦略的非対称性だ。

車両規模でのTOPS当たりコスト。 HW4はTeslaの車両生産ラインの一部として製造・統合される。推論計算のコストは車両ハードウェアマージンに分散される。Mobileye EyeQ UltraやQualcomm Snapdragon Ride Eliteをサードパーティコンポーネントとして購入すれば、ベンダーマージン層が加わり調達依存も生じる。Teslaは自社設計と統合によって両方を排除している。

学習計算：Dojo vs. NVIDIA H100クラスター比較。 TeslaのExaPODは3,000枚のD1タイルで100 exaFLOPS のBF16学習算力を目標とする。同等の100 exaFLOPS のNVIDIA H100クラスターには約3,100基のH100 GPU（各SXM5ピーク時に約32 TFLOPS BF16）が必要となる。データセンター価格（推定）では、その規模のH100クラスターは数億ドルのハードウェアに加え電力・冷却インフラを意味する。TeslaのDojoは同等の規模をより低い総所有コストで実現するよう設計されている——ただし、このコスト主張の外部検証は2026年中時点で公開されていない。

トレードオフ： 垂直統合にはエンジニアリングリスクが伴う。Dojo開発は当初公開されたタイムラインよりも時間がかかっており、Teslaは移行期間中もNVIDIA H100クラスターを学習に使い続けている。Dojoを主要学習基盤として完全移行することは2026年中時点では達成された転換ではなく、表明された目標だ。

第4節 — Waymoの計算スタック

Waymoのアプローチは重要な点でTeslaと逆だ：自社チップを設計しない代わりに、親会社Alphabet/Googleを通じて業界最強の学習インフラに深く統合されている。

車載推論：Waymo Driverチップ

WaymoはオンボードASIC——第5世代Waymo Driverチップを開発した。このチップの詳細仕様は公開されていない。これはWaymoが技術的差別化を保護する慣行と一致している。Waymoの公開情報から分かることは：

Waymo Oneセンサースイート全体のリアルタイムセンサー融合を処理：カメラ、LiDAR、レーダー
完全な無人運転を可能にする認識・予測・計画スタックをオンボードで実行
各世代のチップは前世代より消費電力効率と処理スループットが向上している

Waymoはその推論チップを販売・ライセンス供与していない。Waymo One車両専用に製造されており、汎用自動車チップではない。

学習：Google Cloud TPUの規模優位性

WaymoはGoogle Cloud TPU v4・v5インフラでニューラルネットを学習させる。Google CloudのTPU Pod構成はexaFLOP規模の算力に達する。これによりWaymoは、市場価格ではなくGoogle親会社との関係を反映したコスト構造で、どの人型ロボットスタートアップもNVIDIAのクラウドインスタンスで調達できる規模と同等かそれ以上の学習算力を獲得できる。

構造的含意： Waymoの学習規模優位性は、スタートアップが追加の資金調達ラウンドで複製できるものではない。Google TPUインフラへのコスト価格アクセスは構造的な堀だ。Waymoの制約は算力ではない——データの多様性（より多くの都市・条件・エッジケースでの走行距離）と車両製造規模だ。

第5節 — 人型ロボットスタートアップへのNVIDIAボトルネック

人型ロボットスタートアップが単一の推論プラットフォーム——NVIDIA Jetson Thor——に集中していることは、人型ロボット量産の議論ではあまり取り上げられない供給集中リスクを生み出している。

Thorがデフォルトになぜなるか

Jetson Thorは商業的に入手可能な人型ロボット規模のエッジ計算モジュールの中で最高のTOPS/W比率を提供する。800 TOPSと約60Wで、外部計算接続なしに大型ビジョン-言語-アクションモデルのオンボード推論を可能にする。NVIDIAのIsaacロボティクスプラットフォーム——シミュレーション、学習パイプライン、デプロイツール——はJetsonハードウェアとネイティブに統合される。独自のシリコンチームを構築せずに迅速に進めたいスタートアップにとって、ThorプラスIsaacは合理的な選択だ。

割り当て問題

NVIDIA Jetson ThorはデータセンターGPU需要とNVIDIAの内部エンジニアリングと製造能力を競い合う高複雑度のシステムオンモジュールだ。2026年中時点で、Jetson Thorは割り当て制にあると報告されている——つまり人型ロボットメーカーからの需要が直ちに入手可能な供給を超えている。これは新しいJetsonモジュールの標準的な製品ライフサイクルと一致する：初期生産数は限られており、割り当て優先度はNVIDIAが管理する。

これが量産タイムラインに意味すること

Jetson ThorをオンボードコンピュートとするFigure AI・1X Technologies・Apptronikのような企業にとって——ロボットハードウェアの量産は一定程度NVIDIAの生産割り当て決定に制約される。最高の人型ロボットフレームを設計し、最高の基盤モデルを学習させ、最高の顧客契約を締結しても、Thorモジュールの納期が6–12ヶ月かかれば、実際の生産速度はエンジニアリング能力ではなくシリコンに制約される。

TeslaとWaymoはこの制約から隔離されている。 Teslaは自社チップのHW4を使用する。Waymoは独自のカスタムASICを使用する。どちらも車載推論でNVIDIAに依存しない。この制約は、早期段階では合理的なトレードオフだった商業的NVIDIAハードウェアの高速経路を選択し、カスタムシリコンへの投資をしなかった人型ロボットスタートアップのみに降りかかる——しかし量産規模ではボトルネックになる。

長期的解決策： 有意義な量産規模に達した人型ロボットはシリコンの内製か外注かの決断を迫られる。シリーズC以降の企業にはカスタムASIC開発（3–5年のプログラム）を探索するか、NVIDIAと優先割り当て契約を交渉する資本がある。どちらも短期解決策ではない。2026–2028年の期間、NVIDIA Thor割り当てが上限となり、人型ロボット産業がどれほど速くスケールできるかの現実的制約となる。

ベンチマーク文脈：これはフィジカルAIシリーズ第5弾

このトラッカーはフィジカルAIを複数の角度からカバーするシリーズの第5弾だ：

運用量産指標 — 生産数、展開規模、走行距離
人型ロボット技術 — ハードウェア世代、巧緻性ベンチマーク、基盤モデル能力
AV安全・規制 — カリフォルニアDMVデータ、NHTSA事故報告、州許可地図
投資・バリュエーション — 資金フロー、調達ラウンド、暗示的バリュエーション
計算・シリコン — 本記事

計算レイヤーは前4記事のすべてのトピックの底にある。運用量産（第1弾）は一定程度利用可能な推論チップ数の関数だ。人型ロボット技術ベンチマーク（第2弾）はどのモデルがオンボードでリアルタイム実行できるかにかかっている。投資の絵柄（第4弾）は最終的にどの企業が自社のシリコンスタックを管理し、どの企業がサードパーティの割り当てに依存するかによって形成される。シリコンはフィジカルAIの最も目立つレイヤーではない——しかし最も根本的なレイヤーだ。