AIと半導体が共進化する時代に、技術者は何を学ぶべきか。東大・小菅敦丈先生が語るキャリアの指針

“どんよりムード”から一変。AIが半導体を復活させた

——現在、半導体業界ではかつてないほどのパラダイムシフトが起きていると言われています。最先端の研究現場から見て、今の状況をどのようにとらえていますか。

小菅：私が学生だった約10年前、半導体業界はムーアの法則（※1）が限界を迎えつつあり、学会全体にも若干の“どんよりムード”が漂っていました。「プロセッサの性能をさらに高めたところで、スパコンや気象予測以外に使い道はあるのか？」といった閉塞感が、業界全体に広がっていたのです。

ところが、ディープニューラルネットワーク（※2）が登場して一気に普及し始めて以降、膨大な計算需要が生まれ、先端半導体やメモリーの需要が爆発的に高まりました。半導体産業全体も再び活気を取り戻し、研究開発が急速に進むようになったのです。

——AIの進化が、半導体の研究開発そのものを大きく変えているということでしょうか。

小菅：はい。現在ではAIの進化と半導体の進化が互いに影響を与え合う「共進化」のフェーズに入っています。今の時代の半導体研究は非常にエキサイティングです。

これまでの伝統的な半導体研究は、クリーンルームに閉じこもってデバイスの信頼性を極めるようなスタイルが中心でした。しかし今は、最先端のAIモデルと半導体をどう組み合わせれば、新しいアプリケーションや社会実装ができるかが問われる時代です。ハードウェアだけでなくAIモデルそのものも知らなければならない。学ぶべき領域は格段に広がっていますが、それだけ研究の可能性も大きく開けています。

※1 半導体の集積回路上のトランジスタ数が、およそ18〜24ヶ月ごとに倍増するという経験則
※2 ディープラーニングの学習方法のひとつで、画像認識や音声認識などのAI技術の基盤となっている

AI時代の壁。爆発的に増大する消費電力問題に挑む

——小菅先生は、民間企業での研究開発を経て、現在はどのようなテーマに取り組まれているのでしょうか。

小菅：私が企業で携わっていたのは、実際の工場や物流におけるオートメーション技術、そして多種多様なセンサーを使ったエッジAIの研究です。

そこで痛感したのが、現場で求められる性能面でのハードルの高さでした。建設機械や自動車、工場のロボットなどは、稼働時に人の生命に関わるため、私たちが普段使っているPCなどとはまったく異なるレベルの安全基準を求められます。粉塵や水分、振動やエラーへの耐性を備え、過酷な環境で信頼性高く動き続けなければならないのです。私たちが開発した、最新のAIモデルを組み込んだオートメーション技術のプロトタイプは、現場の方々から「これでは使えない」と一蹴されてばかりでした。

現場の需要に応えようとする中で、AIの進化に対し、それを動かす“器”である半導体の性能向上が追いついていないことを肌で感じました。AIのアルゴリズムはどんどん進化していきます。昔はCNN（画像認識などに使われる深層学習アルゴリズム）を実装すればよかったのが、今は基盤モデルや生成AIを車に載せていかなければなりません。それに対応できる半導体を開発したときには、さらに計算需要が高まっている。いわば終わりのないいたちごっこです。これを解消するには、もっと根本的な半導体技術の向上が必要なのではないかと考えました。

——それが、アカデミアへ移り、より抜本的な研究に取り組むきっかけになったのでしょうか。

小菅：はい。前職で学んだ「産業の現場での課題」という視点を持ちつつ、原理原則の面から研究して半導体技術の性能向上に寄与し、日本発の強い基盤技術をつくりたいと考えました。

現在、なめらかな動きを実現するヒューマノイドロボットの開発を各社が進めていますが、こうしたロボットを実社会で稼働させようとすると、既存のチップでは大量の熱が発生し、バッテリーも短時間で消耗してしまいます。この膨大な消費電力という課題を克服するため、私は大きく分けて2つのアプローチからAIチップの研究を進めています。

1つ目は、大規模言語モデルなどを処理する大規模コンピューティングへのアプローチです。従来、メモリーチップはロジックチップの上に平置きし、平面的に積層されていました。しかし、この構造には熱がこもりやすく、外部へ逃がしにくいという限界があります。 そこで考案したのが、チップを立て、互いに直交する方向に積層する3次元集積技術「MOSAIC（Massive Orthogonal Stacking Assembly of IC）」です。この構造によって放熱性能を高めるとともに、大容量のメモリーを実装しながら、消費電力を大きく削減できます。結果として、大規模なAIモデルを、より少ない数のGPUで動かせるようになります。

2つ目は、ロボットやセンサーなどの端末に搭載するエッジAIへのアプローチです。半導体は、データをメモリーへ書き込んだり、読み出したりする際に多くの電力を消費します。そこで、メモリーへのアクセスそのものを可能な限り減らし、超低消費電力かつ低遅延でAI処理を行える設計を追求しています。その一つが、脳の神経回路網の配線パターンを模した「布線論理型（ワイヤードロジック型）」（※3）と呼ばれる方式です。端末側でも高度なAIを無理なく動かせるチップの実現が、この研究の狙いです。

※3 ニューラルネットワークの各ニューロン・シナプスの演算処理を、命令実行ではなく回路の配線パターンそのものとして直接チップに焼き込む実装方式。汎用プロセッサのような命令フェッチ・デコードが不要になるため、消費電力を大幅に削減できる

設計のハードルを生成AIで超える。ノウハウからアイデアの時代へ

——半導体の微細化や高性能化が進む中で、設計の難しさも増しているのでしょうか。

小菅：はい。実は、設計フェーズでは長年、非常に大きな課題を抱えてきました。

半導体は微細化が進むにつれて、設計難易度が加速度的に上昇します。5年ほど前、米国のある研究者が指摘していたのですが、25年前の180nmプロセスでは、設計マニュアルは100ページほどでした。それでも大変だったのに、最新のFinFET（※4）の16nmや7nmといったプロセスになると、マニュアルは1000ページを優に超えます。

マニュアルがこれほど分厚くなるのは、微細化が進むほど、トランジスタの構造そのものが複雑になっていくからです。かつては平面的だった構造が、性能を保つために立体的なものへと変わり、さらに、微細な回路を設計図通りに製造するための細かなルールも膨大に増えていく。守るべき制約が積み重なっていった結果、その知識を身につけるだけで何年もかかるようになってしまったのです。

博士課程は3〜5年なのに、半導体の学習だけで学生は何年も費やさなければならない。これはイノベーションを阻害しかねない大問題です。ただ、企業では分業体制があったので表面化せず、改善しようという動きがなかった。だから5年ほど前まで、私たちアカデミアの人間は頭を抱えていたのです。

そこに登場したのが生成AIです。分厚いマニュアルをAIに読み込ませ、「こういう設計をしたい」と指示すれば、最適な実装方法をサジェストしてくれるようになりました。設計のハードルとコストが極端に下がったのです。数年前までは考えられなかった規模のチップが、今ではアカデミアでもつくれるようになってきました。

——AIが設計をサポートしてくれるとなると、そうした大きなメリットもある一方で、「人間のエンジニアの仕事は減るのでは？」と不安に思う学生もいるかもしれません。

小菅：まったく逆です。むしろ、エンジニアのできる仕事がどんどん増えていく、非常にやりがいのある時代になったと伝えたいですね。

これまでの半導体設計では分厚い仕様書を読みとく職人芸が求められましたが、今は生成AIを活用することで、そのプロセスをショートカットできます。浮いた時間で「こんなAIと組み合わせたらどうなるだろう？」と、次々に新しいアイデアを実装して試せるようになりました。エンジニアの価値が、ノウハウ勝負からアイデア勝負へとシフトしているのです。

AIによって仕事が奪われるのではなく、これまで手が届かなかった領域に挑戦できるようになる。今、半導体を学ぶおもしろさは、まさにそこにあると思います。

——エンジニアたちが実際に試行錯誤できる環境づくりとして、小菅先生は「半導体の民主化」に取り組まれています。次回は、その具体的な仕組みや、半導体分野における「アジャイルなものづくり」がもたらす未来についてうかがいます。

※4 トランジスタのチャネル部分をヒレ（フィン）状に立体化した構造。従来の平面型トランジスタに比べて電流の制御性が高く、微細化してもリーク電流を抑えられるため、10nm台前後の先端プロセスで広く採用されている