🧠⚡🔬🔧
Chapter 2 — コンピュータの設計

CPU / GPU / NPU / FPGA
何が違う？

現代のコンピュータは「1つのCPU」ではなく、用途に特化した複数のプロセッサが協調して動いている。それぞれの設計思想と使い道を理解しよう。

Section 1

なぜ CPU 1つじゃ足りないのか

📈

ムーアの法則の限界

「トランジスタ数は2年で2倍」は 2010年代に鈍化。クロック周波数は 2004年頃から約 4GHz で頭打ち（熱問題）。速度向上の手段がなくなった。

🔀

マルチコアへの転換

1コアを速くする代わりに、コアを増やして並列処理する方向へ。デュアルコア→8コア→128コアへと進化。ただし並列化できないタスクには限界がある（アムダールの法則）。

🧩

ヘテロジニアス化

「汎用」ではなくタスクに特化した専用プロセッサを使い分ける時代へ。CPU + GPU + NPU + FPGA が1チップ（SoC）に統合されることも。

📌 Apple M4 Ultra の例 — 1チップの中身
🧠
CPU
32コア
P + E コア
🎮
GPU
80コア
グラフィクス・計算
🤖
NPU
32コア
AI/ML 専用
💾
Unified Memory
192 GB
全コアで共有

Apple M4 Ultra は約 3,600 億個のトランジスタを1チップに搭載。消費電力を抑えながら圧倒的な性能を実現。

Section 2

各プロセッサの設計思想

🧠
CPU — 汎用の王様
Central Processing Unit

設計思想

「何でもできる1人の天才」の設計。複雑な分岐・条件判断・順序処理が得意。コアは少ないが1コアあたりの処理能力が極めて高い。

✅ 得意 複雑な条件分岐・シングルスレッド処理
✅ 得意 OS・アプリの実行（汎用タスク全般）
❌ 苦手 単純な演算を何億回も繰り返す処理

主要技術

  • 🔀 アウト・オブ・オーダー実行 — 依存関係のない命令を並び替えて効率化
  • 🔮 分岐予測 — if 文の結果を先読みして投機実行
  • ⚡ P コア + E コア — 高性能コアと省電力コアを使い分け（Intel / Apple）
  • 📦 大きなキャッシュ — 数十 MB の L3 キャッシュでメモリ遅延を隠蔽
💡 実例： Intel Core Ultra 9 285K（24コア、最大 5.7 GHz）、AMD Ryzen 9 9950X、Apple M4 Pro（14コア）
🎮
GPU — 並列処理の怪物
Graphics Processing Unit

設計思想

「単純な作業をこなす数万人の作業員」の設計。NVIDIA H100 では 1万6896個の CUDA コアが同時に動く。1コアあたりの能力は低いが、大量のコアで並列処理する。

✅ 得意 行列演算（ピクセル・AI・物理シミュレーション）
✅ 得意 同じ処理を大量データに一斉適用（SIMD）
❌ 苦手 複雑な分岐が多い逐次処理

グラフィクス→AI への転換

🖼️ 元々の用途（グラフィクス）

3D ゲームのピクセル色計算。「100万ピクセル全部に同じシェーダーを適用」は GPU の独壇場。

🤖 現在の主役（AI/ML）

ニューラルネットワークの学習＝行列のかけ算の繰り返し。GPU の得意技と完全に一致したため、ChatGPT・画像生成AI などはすべて GPU で動いている。

💡 実例： NVIDIA H100（AI データセンター）、RTX 4090（ゲーム・研究）、Apple M4 GPU（80コア統合GPU）
🤖
NPU — AI 演算の専門家
Neural Processing Unit / AI Accelerator

設計思想

「行列演算だけに特化した超省電力チップ」。GPU より演算の種類は限られるが、特定の AI 推論タスクでは GPU の数十倍のエネルギー効率を実現。常時起動しても電池が保つ。

✅ 得意 軽量 AI 推論（顔認証・音声認識・写真の被写体検出）
✅ 得意 オンデバイス AI（クラウド不要・プライバシー保護）
❌ 苦手 汎用計算・大規模モデルの学習

主要プレイヤー

Apple Neural Engine A/M チップ搭載・38 TOPS
Google TPU v5 データセンター向け・918 TFLOPS
Qualcomm Hexagon Snapdragon 搭載・Android AI
NVIDIA Tensor Core GPU 内蔵の AI 特化ユニット
💡 身近な例： iPhone の「写真の人物をすぐ認識」「Siri のオフライン音声認識」「夜景モード」はすべて NPU が処理している。
🔧
FPGA — 書き換えられる回路
Field-Programmable Gate Array

設計思想

「ハードウェアを現場（Field）でプログラムできる」のが名前の由来。内部に数万〜数百万個の LUT（ルックアップテーブル）があり、Verilog コードを書き込むことで任意の回路を実現できる。

✅ 得意 ハードウェアプロトタイピング（チップ製造前の動作確認）
✅ 得意 リアルタイム信号処理（通信・レーダー・映像）
❌ 苦手 汎用 OS の実行・高コストな大量生産

CPU vs FPGA — どう違う？

CPU の動き方

メモリから命令を1つずつ読み出し→デコード→実行。汎用的だが、時間がかかる。

FPGA の動き方

回路自体がその処理専用の形になっている。データが入ったら即座に結果が出る（組み合わせ回路として動作）。

🔬 研究・開発用途：

新しいCPU設計のプロトタイプ検証。チップを製造する前にFPGAで動作確認し、バグを修正。Intel・AMD・Appleもすべてこの手順で設計する。

📡 産業用途：

5G 基地局の信号処理・航空宇宙の制御システム・金融の高頻度取引（マイクロ秒単位の応答が必要）・医療画像処理など。

🎓 この授業との繋がり： Verilog 入門で書いた加算器・ALU のコードは、そのまま FPGA に書き込んで実機動作させることができる。授業で設計した回路が実際のハードウェアになる！
Section 3

特性比較チャート

5つの軸でそれぞれの強みを比較（5段階評価）

評価軸 🧠 CPU 🎮 GPU 🤖 NPU 🔧 FPGA
⚠️ 注意：評価はあくまで相対的なもの。実際の性能はアーキテクチャ世代・製品・ワークロードによって大きく異なる。「汎用性が高い＝悪い」ではなく、用途に合った選択が重要。
Section 4

このタスク、どのプロセッサ？

タスクをクリックして、最適なプロセッサを考えてみよう

Section 5

まとめ早見表

プロセッサ コア数の目安 設計の一言 主な用途 代表製品
🧠 CPU 4〜128コア 汎用・直列処理の高速化 OS・アプリ・ゲームロジック Intel Core / AMD Ryzen / Apple M4
🎮 GPU 数千〜1万6千コア 並列・行列演算の大量処理 グラフィクス・AI学習・科学計算 NVIDIA H100 / RTX 4090 / AMD RX 7900
🤖 NPU 16〜数千コア（専用） AI推論の省電力特化 顔認証・音声認識・オンデバイスAI Apple Neural Engine / Google TPU / Hexagon
🔧 FPGA 数万〜数百万 LUT 書き換え可能な専用回路 プロトタイピング・通信・リアルタイム制御 Xilinx Virtex / Intel Stratix / Zynq

次のステップ

Chapter 3 → OS を知る 🌐

CPU・GPU・NPU を管理するのは OS の役割。次はソフトウェア側から見てみよう。
Verilog 演習 → FPGA 設計体験 🔧

Verilog で書いた回路は FPGA に書き込める。まずはシミュレーションから始めよう。