出典
ガイド
コツを学ぶ
プロンプトやスタイル、AI画像生成を使いこなすコツを、ステップごとに解説するガイドです。
読み込み中...
AIツール・モデル
Appleの中止された自動運転カーが、現在のシリコンを支えるAIチップアーキテクチャを生み出した
Charmloop 編集チーム· 編集部·
プロンプトやスタイル、AI画像生成を使いこなすコツを、ステップごとに解説するガイドです。
Appleのキャンセルされた自動運転カープログラム――コンシューマー向けデバイスのロードマップではなく――こそが、クリエイターや開発者が今日頼りにするオンデバイスAI性能をMシリーズチップにもたらした真の理由だ。
自動運転プラットフォームの開発初期、Appleはデータセンターに頼ることなくリアルタイムのセンサーフュージョンと意思決定を処理できる、本格的なオンデバイスAI処理が必要だという結論に達した。この要件により、Appleのチップチームは当時のスマートフォンに必要なものをはるかに超えるニューラルエンジン設計へと向かうことになった。車載プロセッサ自体は完成しなかったが、The Vergeの報道によれば、その過程で築かれたエンジニアリングの基盤が、最終的にApple SiliconのAIアーキテクチャへと直接受け継がれた。
実際の結果として、M1からM4 Ultraに至るMシリーズチップは、本来ラップトップではなく車両向けに設計されたニューラルエンジンハードウェアを搭載している。自動車の基準からすれば「過剰設計」であるこの仕様が、Macで大規模なAIモデルをローカル実行するうえでまさに理想的なスペックとなっている。
AppleのMシリーズチップのAI処理能力は、中止された自動運転カープログラムに起源を持つ。
DiffusersやComfyUIといったツールを通じてStable Diffusion、FLUX、あるいは類似のパイプラインをローカルで実行しているAIアートクリエイターにとって、実質的な意味はこうだ――Apple Siliconのニューラルエンジンには、コンシューマーデバイス単体の用途を超えた余裕がある。この余剰キャパシティこそが、M3およびM4搭載MacBookが、わずか2年前なら専用GPUを必要としていた速度で量子化モデルを実行できる理由だ。
オンデバイスの優位性は純粋な速度だけにとどまらない。ローカル推論はAPIコストがかからず、使用制限もなく、画像データが端末の外に出ることもない――商業プロジェクトやセンシティブなキャラクターデザインに取り組むクリエイターにとって重要な考慮点だ。ローカル生成で何が可能かを探っているなら、Charmloopのガイドでこれらのワークフローに特化したモデルのセットアップと最適化を解説している。
この系譜は、Appleのハードウェアが向かう方向性も示唆している。カープログラムのチップ設計上の野心がすでにM1世代に組み込まれていたとすれば、M4 Ultraとその後継機はその基盤の上にさらに数年分のイテレーションを重ねたものであり、白紙からの出発ではない。この複利効果こそが、トレーニングは依然としてCUDAの領域であるとしても、推論ワークロードにおいてApple SiliconがNvidiaのコンシューマーGPUラインとの競争力を増し続けている理由だ。
Appleのカーは、失敗したムーンショットが有用な技術を静かに生み出した唯一の例ではない。高い野心を持つプロジェクトがキャンセルされても、そのエンジニアリング成果が隣接製品に生き続けるというパターンは、大手テック企業では十分一般的であり、ほとんど隠れた資金調達戦略と言えるほどだ。ここでの違いはスケールにある――Appleは棚上げにする前に10年以上と数十億ドルをカーに費やしたと報じられており、それはチップのR&D予算も相応に大きかったことを意味する。
AI生成環境のハードウェアを選ぶ人にとって、結論は具体的だ。現行Macハードウェアのニューラルエンジンは、自動運転カーのワークロードを処理するために設計された。それと比べれば、120億パラメータの画像モデルを実行することは、元の仕様より軽い要求だ。設計上のキャパシティと実際のワークロードのこのギャップこそが、パフォーマンスの余裕が宿る場所であり、Apple Siliconがオンデバイスなら熱設計電力を超えた性能を発揮し続ける理由でもある。
Appleの次世代チップはM5の名称を持つと予想されており、2024年のカープログラム正式中止後に完全に設計された初めての世代となる。それがアーキテクチャ上の野心を変えるのか、それともカープログラムが始めたものを単に洗練させるだけなのか――注目すべき問いはそこにある。
