自動車部品大手のアイシンと東北大学は2026年11月2日、不揮発性メモリー「STT-MRAM」を搭載した16ナノメートルプロセスのAI半導体を開発したと発表しました。OSの起動に必要なデータとAIモデルをチップ内に保存し、外部のDRAMやSSDから読み込む工程を減らすことで、電源投入からOS起動までの時間を65.7ミリ秒に短縮しています。

研究チームによると、従来方式と比べてOS起動は38.59倍、AI処理は10.16倍高速化しました。物体検出に必要なエネルギーは1フレーム当たり50.7ミリジュールで、従来比50分の1になったとしています。自動車、ロボット、監視カメラ、IoT機器など、端末側でAIを動かす「エッジAI」の高速起動と省電力化につながる技術として注目されます。

アイシンと東北大が開発したSTT-MRAM搭載AI半導体とは

今回開発されたのは、32MBの組み込みSTT-MRAMを搭載した16ナノメートルFinFETプロセスのAI SoCです。SoCは「System on a Chip」の略で、演算、制御、メモリーとの接続など、システムに必要な複数の機能を一つの半導体へまとめたものです。

開発には、東北大学国際集積エレクトロニクス研究開発センターの遠藤哲郎教授のチームとアイシンのチームが参加しました。成果の一部は、新エネルギー・産業技術総合開発機構（NEDO）の委託事業によるものです。

研究チームは、16ナノメートルプロセスのAI SoCにSTT-MRAMを組み込んだ事例として世界初と説明しています。ただし、ここでいう「世界初」は研究チームが示した条件に基づく表現です。異なる製造プロセス、メモリー容量、用途まで含め、あらゆるMRAM搭載半導体で初めてという意味ではありません。

成果は11月1日から4日まで台湾で開催された半導体集積回路技術の国際学会「IEEE Asian Solid-State Circuits Conference 2026」で発表されました。現段階では研究開発用の実証チップであり、量産開始時期、採用車種、販売価格などは公表されていません。

STT-MRAMは電源を切ってもデータが消えない

STT-MRAMは、磁気を利用して情報を記録する不揮発性メモリーです。「Spin-Transfer Torque Magnetoresistive Random Access Memory」の略称で、日本語ではスピン注入磁化反転型磁気抵抗メモリーなどと呼ばれます。

一般的なDRAMは高速に読み書きできる一方、電源を切ると保存していたデータが失われます。このため、機器を起動する際には、SSDなどの不揮発性ストレージからOSやAIモデルを読み出し、DRAMへ転送しなければなりません。

STT-MRAMは電源が切れても情報を保持できるため、OSの起動データやAIモデルをチップ内に残せます。機器の電源を入れるたびに外部ストレージから大量のデータを転送する必要がなくなり、起動時間と消費電力を抑えられる可能性があります。

今回のAI SoCでは、AIが推論に使う「重みデータ」に加え、OSのブートデータも32MBのSTT-MRAMへ格納しました。演算回路の近くにデータを置く「近メモリーコンピューティング」の構成を採用し、外部メモリーとの通信を減らしています。

OS起動は従来の2535.3ミリ秒から65.7ミリ秒へ

研究チームが示した比較では、従来方式で電源投入からOSのカーネル起動までに2535.3ミリ秒かかっていたのに対し、開発したAI SoCでは65.7ミリ秒でした。約2.5秒から約0.066秒への短縮で、速度に換算すると38.59倍です。

AIによる物体検出の処理時間は、従来方式の594.6ミリ秒から58.5ミリ秒へ短縮されました。こちらは10.16倍の高速化です。電源投入からOS起動、物体検出までを含むシステム全体では、処理時間を25.2分の1に短縮したとしています。

ただし、65.7ミリ秒という数字は、電源投入からOSが起動するまでの時間です。電源を入れてから物体検出の結果が出るまでの全時間を示した数字ではありません。OS起動とAI処理の測定結果を分けて見る必要があります。

高速起動が重要になる例として、車載カメラやセンサーがあります。必要なときだけ機器を起動する設計では、起動に数秒かかると、その間に周囲の状況が変わる可能性があります。起動時間を短縮できれば、停止中の回路を増やして待機電力を抑えつつ、必要な場面ではすぐに認識処理を始める設計がしやすくなります。

物体検出の消費エネルギーを50分の1に削減

開発したAI SoCは、「Tiny YOLOv3」と呼ばれる物体検出モデルを使い、画像1フレームの処理に必要なエネルギーを50.7ミリジュールに抑えました。研究チームは、従来方式の50分の1に相当すると説明しています。

AI処理では、計算そのものだけでなく、メモリーと演算回路の間でデータを移動する際にも電力を消費します。AIモデルが大きくなるほど読み出す重みデータが増え、外部メモリーとの通信が処理速度と消費電力の両面で負担になります。

今回の構成では、重みデータを演算回路に近いSTT-MRAMへ保存し、外部のDRAMやSSDとのデータ転送を省きました。演算回路だけを高速化するのではなく、データを置く場所と転送経路を見直したことが省エネルギー化の中心です。

32MBという限られた容量で物体検出を動かすため、8ビットと16ビットの演算を組み合わせるハイブリッド乗算アーキテクチャと、複数の処理で同じ重みを利用する重み共有技術も採用しました。必要な精度を維持しながらモデルを小さく収める設計です。

自動車やロボットで期待される理由

エッジAIは、カメラやセンサーから得た情報をクラウドへ送らず、車両やロボットなどの機器側で処理する仕組みです。通信を待たずに判断できるため、応答時間を短くしやすく、映像や位置情報を外部へ送り続けない設計にもつながります。

自動車では、周辺監視、乗員の状態確認、駐車支援、車内の音声認識など、多数のAI機能が使われています。すべての制御装置を常時動かすと待機電力が増えるため、必要な機能だけを素早く起動できる半導体には一定の需要があります。

工場や物流施設で使うロボットでも、カメラによる物体認識、作業員の検知、製品の外観検査などへ応用できる可能性があります。バッテリーで動く搬送ロボットの場合、AI処理に使う電力を抑えられれば、稼働時間の延長や充電回数の削減につながります。

屋外の監視カメラや農業用センサーなど、電源や通信環境に制約がある機器にも適しています。常時映像を送信せず、異常を検知したときだけ記録や通信を始めれば、通信量と消費電力の両方を減らせます。

一方、今回の成果だけで自動運転車や市販ロボットへの採用が決まったわけではありません。自動車向け半導体には、温度変化、振動、長期間の使用、書き換え回数、故障時の安全性など、研究室での処理速度とは別の評価が必要です。

32MBの容量とTiny YOLOv3には限界も

今回使用されたTiny YOLOv3は、処理の軽さを重視した比較的小規模な物体検出モデルです。最新の大規模言語モデルや高精度な画像生成AIを32MBのメモリーへそのまま格納できるわけではありません。

生成AIや高度な自動運転向けモデルでは、数百MBから数GB以上の重みデータを扱う場合があります。STT-MRAMの容量を増やすとチップ面積や製造コストへ影響するため、どの規模のAIを搭載し、どの処理を外部メモリーへ残すかという設計上の判断が必要です。

また、発表された50分の1という消費エネルギーの比較は、研究チームが設定した従来方式と測定条件に基づく値です。異なるAIモデル、解像度、半導体、ソフトウェアを使った製品と、そのまま比較することはできません。

公開された発表資料だけでは、物体検出の精度、評価に使った画像データ、繰り返し測定した際のばらつきなど、製品性能を判断するための情報は限られています。高速化や省電力化と引き換えに認識精度が変化していないかも、今後確認すべき点です。

日本の半導体開発にとってどんな意味があるのか

AI半導体の競争では、データセンター向けの高性能GPUが注目されがちです。しかし、自動車、産業機械、家電、社会インフラなどでは、最大性能だけでなく、起動時間、消費電力、耐久性、コストが重要になります。

日本企業が強みを持つ自動車部品や産業機器と、大学が研究を進めてきたスピントロニクス技術を組み合わせた点は、今回の開発の特徴です。海外の高性能半導体と同じ領域だけで競うのではなく、エッジAIに必要な機能を用途別に最適化する方向性を示しています。

ただし、研究用チップの開発から量産までは距離があります。製造歩留まり、長期信頼性、ソフトウェア開発環境、量産コスト、供給能力を整えなければ、優れた試作結果がそのまま市場シェアにはつながりません。

量産時にどの製造拠点を使うのか、STT-MRAMを含む工程を安定して確保できるのかも焦点です。国内技術として紹介される成果であっても、設計ツール、製造装置、材料、半導体工場などは国際的な供給網に支えられています。

今後は容量拡大と実製品での検証が焦点

今後の注目点は、STT-MRAMの容量をどこまで拡大できるか、より新しいAIモデルでも同様の効果を得られるかです。実際のカメラやセンサーを接続した状態で、認識精度、発熱、消費電力、起動の安定性を検証する必要があります。

自動車で利用する場合は、電源が不安定になった際の動作、データの破損防止、ソフトウェア更新、サイバーセキュリティへの対応も欠かせません。AIモデルをチップ内へ保存する構成では、モデルの更新方法や不正な書き換えを防ぐ仕組みも重要になります。

アイシンと東北大学は、今回のAI SoCによって外部メモリーへの依存を減らし、高速起動と低消費エネルギーを両立できる可能性を示しました。次の段階では、研究用の数値を実際の自動車やロボットで再現し、量産コストと信頼性を含めた利点を示せるかが問われます。

まとめ

アイシンと東北大学が開発したAI半導体は、32MBのSTT-MRAMにOSの起動データとAIモデルを保存し、電源投入からOS起動までの時間を65.7ミリ秒に短縮しました。Tiny YOLOv3による物体検出では、AI処理時間を従来比約10分の1、消費エネルギーを50分の1に抑えたとしています。

高速起動と省電力化は、車載機器、ロボット、カメラ、IoTセンサーなどのエッジAIで重要な要素です。一方、現時点では実証チップであり、量産時期や製品への採用計画は明らかになっていません。今後はメモリー容量、認識精度、耐久性、製造コストを含む実用環境での検証が焦点になります。