日立開發邊緣AI晶片，作為支撐HMAX Industry實體AI的基礎技術
日立製作所與日立高科技針對工業設備開發了低功耗的邊緣AI晶片。其省電效率達傳統的10倍以上，無需專用伺服器即可在設備內直接進行即時數據解析。
📋 文章處理履歷
- 📰 發表: 2026年4月25日 01:10
- 🔍 收集: 2026年4月24日 16:31
- 🤖 AI分析完成: 2026年4月24日 22:31（收集後5小時59分鐘）
株式會社日立製作所（以下簡稱日立）與株式會社日立高科技（以下簡稱日立高科技），為了支撐針對工業領域的新世代解決方案群「HMAX Industry」，開發了可搭載於製造設備、檢測裝置、工業機器人、物流設備、建築及能源設施等多樣工業產品的邊緣AI晶片*1作為基礎技術。本晶片具備高速運算與省電的特性，能在設備內即時解析影像、聲音、震動等多樣的現場數據。
本次使用實機數據進行評估，確認其運算時的電力效率比傳統高出10倍以上*2，且能以適合在設備內使用的低功耗穩定運作。過去必須仰賴專用伺服器才能執行的高階檢測與監控處理，現在已有望直接在設備內部執行。這項技術已進入可實際應用於各種現場設備的階段，特別是安裝空間與耗電限制嚴格的製造現場。
未來，將以本邊緣AI晶片作為支撐實體AI應用於現場的橫向執行基礎，在現場直接處理與活用設備數據，展開有助於穩定品質、提升良率及提高生產力的數位服務。在使用結合邊緣AI晶片、輕量AI模型與軟體的評估環境下，將配合客戶的設備與生產線陸續進行導入與運用。作為融入了在工業領域積累的領域知識、以實體AI為核心的「HMAX Industry」核心技術，將擴展至整體製造業、物流、建築及能源等多樣化領域。
*1 邊緣AI晶片：直接搭載於網路終端設備（邊緣設備）上，用於在設備內執行AI推論的半導體晶片。
*2 將開發的邊緣用輕量AI模型之電力效率與最先進GPU進行比較（GPU的電力效率基於型錄數值計算）。
背景與課題
在製造現場、物流、建築及能源等工業現場，一直有即時解析設備數據，以達到穩定品質、提升生產力及提高維護效率的需求。然而，傳統的邊緣AI系統在耗電量、安裝空間以及處理多重感測器數據時的運算負荷往往成為瓶頸，導致難以全面推廣。日立過去開發了能以低功耗即時解析影像、聲音、震動等多種感測器數據的邊緣AI技術*3。本次將該成果具體化為可搭載於實際工業產品並運作的邊緣AI晶片，開始應用於「HMAX Industry」所鎖定的現場。
*3 開發強化Lumada 3.0現場應用的邊緣AI技術 - 研究開發：2025年10月14日
技術要點
1. 可直接嵌入工業產品的邊緣用輕量AI模型
日立開發了以嵌入工業產品為前提的邊緣用輕量AI模型。由於工廠或建築設施使用的設備有耗電與安裝空間的限制，需要龐大運算量的AI很難搭載於設備內。本次透過結合能捕捉影像微小差異的CNN*4與理解整體趨勢的Transformer*5，實現了設備內建所需的輕量性，以及檢測、監控等工業用途所要求的高推論精度。採用不依賴特定機種的設計，在檢測測量裝置與工業機械中進行測試評估的同時，持續擴展應用場景。
2. 縮減檢測・監控處理時間與運算負荷的應用實例
在要求高精度的檢測與監控中，拍攝多張影像與複雜的解析處理通常是瓶頸。本次作為代表案例，在半導體檢測・測量領域使用實測數據進行驗證，確認過去需要疊加多張影像才能進行的高精度測量處理，有望被針對單張影像的AI處理所取代。這帶來了在減少拍攝次數的同時確保必要精度的前景，並確認可加速線上檢測・測量*6及降低設備負荷。相同的概念也將陸續應用於零件外觀檢測或設備狀態監控等其他領域的檢測・監控裝置。
圖1 邊緣用輕量AI模型的處理結果
3. 確認獨家邊緣AI晶片能在設備內省電地執行AI處理
邊緣AI晶片透過配合執行的AI模型將運算電路與記憶體架構最佳化，其電力效率高於通用處理器。本次評估了配合邊緣用輕量AI模型運算所設計電路的晶片，確認其運算時的電力效率比傳統高出10倍以上，且能在工業設備內可使用的電力範圍內穩定運作。
本次使用實機數據進行評估，確認其運算時的電力效率比傳統高出10倍以上*2，且能以適合在設備內使用的低功耗穩定運作。過去必須仰賴專用伺服器才能執行的高階檢測與監控處理，現在已有望直接在設備內部執行。這項技術已進入可實際應用於各種現場設備的階段，特別是安裝空間與耗電限制嚴格的製造現場。
未來，將以本邊緣AI晶片作為支撐實體AI應用於現場的橫向執行基礎，在現場直接處理與活用設備數據，展開有助於穩定品質、提升良率及提高生產力的數位服務。在使用結合邊緣AI晶片、輕量AI模型與軟體的評估環境下，將配合客戶的設備與生產線陸續進行導入與運用。作為融入了在工業領域積累的領域知識、以實體AI為核心的「HMAX Industry」核心技術，將擴展至整體製造業、物流、建築及能源等多樣化領域。
*1 邊緣AI晶片：直接搭載於網路終端設備（邊緣設備）上，用於在設備內執行AI推論的半導體晶片。
*2 將開發的邊緣用輕量AI模型之電力效率與最先進GPU進行比較（GPU的電力效率基於型錄數值計算）。
背景與課題
在製造現場、物流、建築及能源等工業現場，一直有即時解析設備數據，以達到穩定品質、提升生產力及提高維護效率的需求。然而，傳統的邊緣AI系統在耗電量、安裝空間以及處理多重感測器數據時的運算負荷往往成為瓶頸，導致難以全面推廣。日立過去開發了能以低功耗即時解析影像、聲音、震動等多種感測器數據的邊緣AI技術*3。本次將該成果具體化為可搭載於實際工業產品並運作的邊緣AI晶片，開始應用於「HMAX Industry」所鎖定的現場。
*3 開發強化Lumada 3.0現場應用的邊緣AI技術 - 研究開發：2025年10月14日
技術要點
1. 可直接嵌入工業產品的邊緣用輕量AI模型
日立開發了以嵌入工業產品為前提的邊緣用輕量AI模型。由於工廠或建築設施使用的設備有耗電與安裝空間的限制，需要龐大運算量的AI很難搭載於設備內。本次透過結合能捕捉影像微小差異的CNN*4與理解整體趨勢的Transformer*5，實現了設備內建所需的輕量性，以及檢測、監控等工業用途所要求的高推論精度。採用不依賴特定機種的設計，在檢測測量裝置與工業機械中進行測試評估的同時，持續擴展應用場景。
2. 縮減檢測・監控處理時間與運算負荷的應用實例
在要求高精度的檢測與監控中，拍攝多張影像與複雜的解析處理通常是瓶頸。本次作為代表案例，在半導體檢測・測量領域使用實測數據進行驗證，確認過去需要疊加多張影像才能進行的高精度測量處理，有望被針對單張影像的AI處理所取代。這帶來了在減少拍攝次數的同時確保必要精度的前景，並確認可加速線上檢測・測量*6及降低設備負荷。相同的概念也將陸續應用於零件外觀檢測或設備狀態監控等其他領域的檢測・監控裝置。
圖1 邊緣用輕量AI模型的處理結果
3. 確認獨家邊緣AI晶片能在設備內省電地執行AI處理
邊緣AI晶片透過配合執行的AI模型將運算電路與記憶體架構最佳化，其電力效率高於通用處理器。本次評估了配合邊緣用輕量AI模型運算所設計電路的晶片，確認其運算時的電力效率比傳統高出10倍以上，且能在工業設備內可使用的電力範圍內穩定運作。