Li Autoのチップ戦略、車載からデータセンターへ拡大

Li Autoは、運転支援を超えてチップ戦略を拡大していると報じられており、Google Newsでの今回の掲載は、単なる自動車関連の新製品発表を超える対立軸を浮かび上がらせた。8月15日に浮上した報道によると、この中国の自動車メーカーは現在、データセンター向けアプリケーションにも関心を示しているようだ。この主張が事実なら、Li Autoは顧客、インフラ、技術要件が異なる市場に踏み込むことになる。

この報道は、Li AutoがMach M100プロセッサーを開発段階から量産車へ投入した後に出てきた。同社はまた、登記上の事業範囲にチップ設計と販売を含む別法人も設立している。これらの具体的な動きは、より広範な半導体戦略を裏付けるものだが、それだけで商用データセンター製品の存在を確認するものではない。

この区別は重要だ。推論アーキテクチャは、競争力のあるサーバーアクセラレーターにならなくても、複数種類のAIモデルを支えられる。Li AutoはM100で大規模言語モデルのワークロードを文書化しているが、データセンター向けチップ、導入スケジュール、外部顧客については公表していない。

最も明確な比較対象はNioだ。同社のGeniTechチップ部門はすでに、運転支援、具身知能、エージェント推論向けのプロセッサーを披露している。Xpengもまた、Turingプロセッサーを車両とロボティクスの両方で使用している。したがってLi Autoは、自動車用シリコンをより広いAIプラットフォームへ転換する競争に加わっているのであって、この戦略を単独で生み出したわけではない。

Google Newsの報道が実際に変えるもの

この新たな主張は対象市場を変えるが、検証済みの証拠の量を変えるものではない。

これまでLi Autoの公開されたチップ戦略は、車内での推論に焦点を当てていた。推論とは、学習済みAIモデルを実行して予測や行動を生成するプロセスだ。この処理には、カメラデータの解釈、運転状況の理解、車両の次の動きの選択が含まれる。

8月15日の報道は、このストーリーにデータセンターを加えた。データセンター向けアクセラレーターは通常、多数のユーザーやデバイス向けにモデルを実行する集中型コンピューティング環境で使われる。電力、冷却、ネットワーク、メモリ、信頼性、ソフトウェアの要件は異なる。

この拡大が重要なのは、Li Autoが以前からM100を単なる狭義のビジョンプロセッサー以上のものとして提示していたためだ。同社の技術論文は、このチップを自動運転、言語モデル、知的なヒューマンインタラクション向けの汎用AI推論アーキテクチャとして説明している。著者らは運転ワークロードと並行して大規模言語モデルも評価した。

しかし、公開情報にはサーバービジネスを確認するために必要な要素がいくつも欠けている。Li Autoは、名称の付いたデータセンター向けプロセッサーを発表していない。製造パートナー、サーバー顧客、導入場所、ラック設計、商用リリース日も明らかにしていない。

したがって、慎重な読み方は明快だ。Li Autoは、自社アーキテクチャを車両以外へ広げる方法を模索しているように見える。入手可能な証拠は、同社がその移行を完了したことを示してはいない。

タイミングはこの報道のもっともらしさを強めている。Li Autoは7月13日、上海でXinchuang Zhiheを登記した。公開企業情報を引用したチップ企業の報道によると、その事業範囲には集積回路設計、技術サービス、チップ製品販売が含まれる。

別個の法人組織は、専門人材の採用、知的財産の保有、資金調達、親会社外への製品販売を可能にし得る。ただし、それらの行動が実際に起こることを保証するものではない。Li Autoは、この法人の最終的な役割を公に説明していない。

この曖昧さこそがニュースの核心だ。同社はより広範なチップ事業を構成する複数の要素を整えつつ、意図する商業的な形を明言していない。データセンターという主張はそれらを結び付けるが、開示された製品計画ではなく、あくまで報じられた方向性にとどまる。

Google Newsの読者は、集約と検証も区別すべきだ。掲載によって報道は発見しやすくなるが、主張に対する責任は元の発行元に残る。配信経路にGoogleが加わったからといって、報じられた計画が企業発表に変わるわけではない。

M100はLi Autoに技術的な出発点を与える

Li Autoにとって最も強い証拠は、動作する車載チップアーキテクチャであり、実証済みのデータセンタープラットフォームではない。

Mach M100は、Li Autoが社内開発したニューラルプロセッシングユニットを中心に構築されたシステム・オン・チップだ。Li Autoによると、各チップは1,280 TOPS、すなわち毎秒1兆回単位の演算性能を提供する。新しい車両構成では2基のチップを使用し、公称合計性能は2,560 TOPSとなる。

TOPSは演算スループットのおおまかな指標になる。ただし、完全な性能比較を示すものではない。精度形式、メモリ帯域幅、モデル互換性、利用率、レイテンシー、ソフトウェアの成熟度が、チップが実際にどれだけ有用な仕事をこなせるかを決める。

Li Autoによる最も詳細な公開説明は、M100 architecture論文にある。この設計はオーケストレーションされたデータフローコンピューティングを採用し、テンソルが処理要素を通過する方法をスケジューリングする。テンソルとは、ニューラルネットワークで一般的に使われる多次元データ構造だ。

従来の汎用グラフィックスプロセッサーは、キャッシュとプログラム可能な実行構造に大きく依存している。M100は、より多くのスケジューリング責任をコンパイラとランタイムに移す。Li Autoは、予測可能なデータ移動によりハードウェアのオーバーヘッドを減らし、推論の利用率を高められると主張している。

このモデルとチップの協調設計は重要だ。同社はニューラルネットワーク、コンパイラ、オペレーティングシステム、プロセッサーをまとめて調整できる。外部チップサプライヤーは、ソフトウェア、タイミング、製品サイクルが異なる多くの顧客を支援しなければならない。

この論文は、選定されたワークロードにおいてM100をNvidiaのThor-Uと比較している。テストには、改変された自動運転ベンチマーク、Li Autoの運転モデルの一部、LLaMA2-7Bが含まれる。後者は、およそ70億のパラメータを持つ言語モデルだ。

Li Autoは、評価対象の1コンポーネントで0.1ミリ秒のデコードレイテンシーを報告し、Thor-Uでは0.3ミリ秒だった。また、プリフィル段階では0.84ミリ秒を報告し、Thor-Uの1.74ミリ秒と比較した。これらは同社が作成したベンチマーク結果であり、独立した製品レビューではない。

ベンチマークの選定には慎重な扱いが必要だ。Li Autoは、自社で導入しているソフトウェアをより適切に表現するため、自動運転モデルの1つを改変した。これはLi Auto車両にとっての実世界での関連性を高める可能性がある。一方で、他のプラットフォームとの広範な比較を難しくすることもある。

テストは、M100が従来型のカメラ認識以上の処理を実行できることを示している。しかし、サーバー規模の学習、マルチチップネットワーキング、仮想化、データセンターラック内での持続的な稼働を示すものではない。こうした能力には、追加のハードウェア層とソフトウェア層が必要となる。

推論でさえ、車両外へ移れば変化する。自動車では、比較的固定されたセンサーストリームに対して迅速な結果が求められることが多い。クラウドサービスは、モデルやシーケンス長を切り替えながら、数千のクライアントから予測不能なリクエストを受ける可能性がある。

メモリ容量もまた、大きな分岐点となる。車載プロセッサーは、既知のハードウェア制約に合わせて選ばれたモデルを対象にできる。データセンター事業者は、柔軟性、高いメモリ可用性、変化するワークロード間での効率的な共有を求める。

ネットワーキングも重要になる。1基の車載コントローラーは、数百の同種システムと連携することなく、広範なローカル処理を実行できる。大規模なデータセンターシステムには、アクセラレーター間でパラメータや中間結果を移動させる高速インターコネクトが必要だ。

Li Autoの論文はモジュール式でスケーラブルなアーキテクチャを説明しており、これは同社にさらなる開発の基盤を与える。それでも、アーキテクチャのスケーラビリティと商用導入可能なサーバープラットフォームは別の成果だ。

信頼できる短期的な可能性は、限られたモデル群に最適化された推論アクセラレーターだろう。この道筋は、すべてのデータセンターワークロードで直ちに競争するよりも、Li Autoの既存経験によく適合する。また、予測可能なデータ移動を重視する同社の姿勢も維持できる。

本当の競合相手は汎用GPUモデルだ

Li Autoは、緊密に設計された推論用シリコンが、柔軟なサプライヤープラットフォームを効率とコストで上回れるかを検証している。

Li AutoがNvidiaの車載プロセッサーを使用してきたため、Nvidiaが明白な参照点となる。しかし、主な対立はLi Auto対1社のベンダーという構図より大きい。特化したモデル・チップ統合と、成熟した汎用コンピューティングプラットフォームとの競争だ。

サプライヤー製チップは幅広いソフトウェアエコシステムを提供し、多数のモデルをサポートする。自動車メーカーは、半導体プログラム全体に資金を投じることなく開発を始められる。また、業界をまたいで共有されるツール、ライブラリ、文書、エンジニアリング知識にもアクセスできる。

この柔軟性にはトレードオフがある。汎用プラットフォームには、1社の自動車メーカーには不要かもしれない機能が含まれる。Li Autoは、未使用の機能、キャッシュのオーバーヘッド、予測しにくい挙動が、選定したワークロードの効率を下げる可能性があると主張している。

内製チップにより、Li Autoはどの演算が最も重要かを決められる。コンパイラを自社モデル向けに設計し、そのモデルを利用可能なハードウェアに合わせて改訂できる。同社はまた、1つのアーキテクチャを前提に、車両電子機器、熱設計上の制約、冗長性を計画できる。

この垂直統合は、すでに研究室での主張を超えている。Li Autoによると、Mach M100は改良版L9、L8、L6車両で量産に入った。同社の以前の量産ロードマップでは、2026年中の車両導入を目標としていた。

この車載展開は、新しいチップ企業が通常持たないもの、すなわち確約された社内顧客をもたらす。Li Autoは自社車両プログラムを通じてプロセッサーを出荷し、運用データを収集できる。最初の生産量を作るために外部販売は必要ない。

データセンターでは、その優位性の一部が失われる。外部の購入者は、性能、エネルギー使用量、信頼性、ソフトウェアサポート、供給可能性を既存製品と比較する。彼らはLi Autoの車両スタックや製品ロードマップを共有していない。

そのため、ソフトウェアの移植性が決定的になる。データセンター顧客は、測定可能な利点がなければ、すべてのモデルを新しいアクセラレーター向けに再設計しない。Li Autoには、移行を実用的にする開発ツールと、購入者の投資を守る継続的なサポートが必要になる。

異なるモデルをハードウェア上に確実にマッピングできるなら、コンパイラ中心のアーキテクチャは役立つ。同じ依存関係は、モデルサポートが変化するAI手法に遅れれば不利にもなり得る。単純なプロセッサーが有用なのは、ソフトウェアが押し出された複雑さを吸収できる場合に限られる。

ここでGoogle Newsの主張は戦略的に興味深くなる。Li Autoは、データセンターを完全に別の市場としてではなく、推論ハードウェアのもう1つの到達点と見ている可能性がある。中央で開発されたモデルは、サーバー、車両、ロボット、その他のデバイスで関連するアーキテクチャ上で動作し得る。

こうした連続性は、エンジニアリングの重複を減らせる可能性がある。チームは、複数の物理システムに展開する前に、共有コンパイラの手法を用いてモデルを最適化できる。それがこの戦略の魅力的な姿だ。

難しい側面には、断片化したハードウェア、不完全なツール、互換性のない導入先が含まれる。そうなれば、エンジニアはプラットフォームの違いへの対応により多くの時間を費やし、統合によるはずだった節約は消えてしまう。

Li Autoにとって当面の課題は、自社が設計したワークロード以外でも、そのアーキテクチャが効率を維持できることを証明する点にある。社内での成功は、自社のスタックを理解していることを示す。外部で採用されれば、そのスタックが他社にも価値を提供できることを示すだろう。

NioとXpeng、車載チップをより広い競争へと拡大

Li Autoは、すでにチップを単一の車両機能を超えて展開している競合各社と対峙している。

Nioは2025年6月、子会社GeniTechを設立した。同部門は後に、運転支援、フィジカルAI、エージェント推論向けの複数のプロセッサを発表した。CnEVPostによると、この事業は約30億元の資金調達を完了したという。

この分離はLi Autoにとって前例となった。チップ部門はまず社内のエンジニアリング組織として始まり、その後に独立したアイデンティティと、より広い製品範囲を獲得できる。資金調達によって、開発コストを投資家により明確に示すことも可能になる。

Nioの車載プロセッサNX9031は量産車に搭載されている。同社はその後、より幅広い推論シナリオを対象とする追加チップについても説明している。その歩みは、自動車メーカーが車両への導入を、より大きな半導体計画の出発点として利用できることを示している。

XpengもTuring AIプロセッサでこれに近い道筋をたどっている。同社はこのチップを車両に搭載し、ロボティクス事業とも結び付けた。このアプローチは、自動車とロボットを、知覚・推論・制御という課題を共有する物理プラットフォームとして扱うものだ。

Li Autoは、物理世界の中で知覚し行動するAIシステムを「エンボディド・インテリジェンス」と表現している。6月のLivis Dayイベントでは、車両、AIエージェント、オペレーティングシステム、ハードウェアを結び付けた。同社のチップ戦略は、このより広い枠組みに適合している。

したがって、これら自動車メーカー間の競争は、ピーク時の演算性能の主張にとどまらない。各社は運転モデルの基盤となるコンピューティング層を掌握したいと考えている。また、その投資をより多くの製品やワークロードに活用したいとも考えている。

BYDはさらに圧力を加えている。同社は独自のスマートドライビング用チップの取り組みを公表しており、報道によればDenzaブランドを通じた量産導入を計画している。Teslaは、社内の運転スタックを中心に車載コンピュータを設計する歴史的なモデルを提供している。

これらの事例はいずれも、データセンター事業の成功を保証するものではない。ただし、汎用チップへの依存を続けることが戦略上の制約に見え得る理由は示している。チップは製品コスト、ソフトウェアの開発日程、機能の提供可能性、サプライチェーンへの露出に影響を与える。

この動きは、現代の運転システムの経済性への対応でもある。より大規模な視覚・言語・行動モデルには、より多くの演算能力が必要となる。視覚・言語・行動モデルは、視覚入力と言語ベースの推論を、操舵やブレーキなどの行動へ結び付ける。

Li Autoの経営陣も、この競争をアーキテクチャ、オペレーティングシステム、モデル、コンパイラ、製造にまたがる共同設計の問題として説明している。この見方は、複数のエンジニアリング層を調整できる企業に有利に働く。

ただし、調整には固定費の増加が伴う。チップ開発には専門チーム、設計ツール、知的財産、製造能力、パッケージング、テスト、継続的なソフトウェア保守が必要だ。企業はこうしたコストを、十分な数の製品と生産量に分散させなければならない。

車両事業の外でチップやコンピューティングサービスを販売できれば、その計算を改善できる可能性がある。一方で、競争の激しい自動車市場から経営陣の注意をそらす可能性もある。Li Autoは、こうした優先順位をどのように両立させるかを明らかにしていない。

上海に設立された別法人は、両方の可能性を残している。車載チップ開発のための管理上の拠点にとどまる可能性がある一方、ロボット、産業システム、データセンターに供給する独立サプライヤーになる可能性もある。

Nioの前例は後者の道筋の可能性を高めるが、Li Autoの判断を確認するものではない。法人登記の記録は認められた事業活動を示すものであり、事業計画そのものではない。

だからこそ、この報じられた拡張は、勝利宣言をせずに報じる価値がある。Li Autoは、AIハードウェア市場全体で選択肢を確保しようとする企業のように振る舞っている。だが、どの選択肢が製品になるのかは、まだ示していない。

データセンター参入の主張がなお証明していないこと

最大の不確実性は、Li Autoが販売可能なプラットフォームを持つのか、それとも理論上より広い適用範囲を持つアーキテクチャにとどまるのかという点だ。

Li Autoの公開資料は、関連する3つの事実を裏付けている。同社はM100を開発し、複数の推論ワークロードをテストし、そのチップを車両に導入した。しかし、データセンター向け製品ラインの存在までは示していない。

サーバーチップには、明確に定義されたワークロードが必要になる。言語モデルの推論、マルチモーダル処理、自動運転シミュレーション、産業用エージェントなどを対象とする可能性がある。どの選択をするかによって、必要なメモリ、ネットワーク、ソフトウェア、システム設計は変わる。

学習は、推論よりもはるかに難しい拡張となる。学習では、大規模データセットを繰り返し処理してパラメータを更新し、モデルを構築する。高精度演算、大容量メモリ、高速インターコネクト、成熟した分散ソフトウェアが必要となる。

Li AutoはM100を主に推論プロセッサとして位置付けている。同社の技術論文は、自動運転の実行、言語モデル推論、インタラクションのワークロードを重視している。読者は、データセンターに関する報道を学習分野の競合製品の証拠と解釈すべきではない。

製造も未知数だ。Li Autoによれば、車載向けM100は5ナノメートルプロセスを採用している。同社は主要な製品発表においてファウンドリーを公表しておらず、サーバー向け派生製品がどのように生産能力を確保するかも説明していない。

輸出規制とサプライチェーン上の制約は、中国における先端半導体の計画を複雑にする。設計チームは、利用可能な製造プロセス、知的財産、メモリ、パッケージング、生産設備を考慮しなければならない。こうした制約は、開発日程と達成可能なシステム性能の両方に影響する。

独立したベンチマークも存在しない。Nvidiaハードウェアとの比較として報じられた内容は、Li Auto自身、または同社のテストに基づく報道によるものだ。顧客には、完全なシステムと代表的なワークロードを使った再現可能な測定が必要となる。

ピークTOPSはボトルネックを隠し得る。プロセッサは高い演算スループットを提供していても、メモリからのデータ待ちになることがある。別のプロセッサはピーク性能の数値が低くても、ソフトウェアとデータパスがより適切に機能することで、アプリケーションをより速く完了できる場合がある。

信頼性の基準も異なる。車載チップは、温度変化や長い製品寿命を含む、厳格な安全性・環境要件に対応する。データセンターは、継続的なサービス、リモート管理、ワークロードの分離、大規模かつ効率的な交換を優先する。

そのため、車載グレードのエンジニアリングは価値があるものの、サーバー運用者の要件を自動的に満たすわけではない。Li Autoはサーバーボード、ネットワーク、冷却、オーケストレーション、監視、顧客サポートを自社で構築するか、パートナーと連携する必要がある。

事業性も同様に不透明なままだ。Li Autoは、自社車両全体における機能の制御と潜在的なコスト削減を通じて、M100を正当化できる。データセンター製品には、外部需要または大規模な社内コンピューティング需要が必要だ。

同社の社内モデル開発は、テストの場を提供する可能性がある。Li Autoは運転モデルの学習と評価、フリートデータの処理、シミュレーションワークロードの実行を行っている。しかし同社は、自社のデータセンターでM100由来のハードウェアを使用しているとは述べていない。

したがって、8月の報道は意欲を示すシグナルとして読むべきだ。これは、Li Autoが自社の知的財産をどこへ展開したいのかを示唆している。エンジニアリングや商用化がどこまで進んだかを示すものではない。

同社の年次報告書も、意図する車載上の利点を強調している。Li Autoは、長期的なハードウェアコストを最適化しながら、社内シリコンによってコンピューティング効率と安全性を向上させることを見込んでいる。

これらの目標は、同社の車両戦略に特有のものだ。データセンター構想には、それ独自の測定可能な目標が必要になる。売上高、稼働率、顧客獲得、運用コスト、社内コンピューティングの削減額は、アーキテクチャに関する表現よりも明確な証拠となる。

ガバナンス上の問題もある。Li Autoがチップ資産を新法人へ移管する場合、投資家は所有権、資金調達、知的財産権、購買関係を理解する必要がある。詳細な取引は発表されていない。

こうした隔たりが埋まるまでは、最も妥当な結論は限定的なものにとどまる。Li Autoには信頼できるチップ開発能力があり、追加市場を求める理由もある。しかし、完全なデータセンター事業を実証したわけではない。

Li Autoのチップ構想を試す3つのシグナル

製品仕様、外部導入、透明性の高いベンチマークが、これが広がりのある物語以上のものになるかを決める。

第1のシグナルは、名称を持つデータセンター製品だ。Li Autoまたはそのチップ法人は、プロセッサの対象ワークロード、プロセス技術、メモリシステム、電力枠、発売スケジュールを開示する必要がある。サーバーボードやリファレンスシステムがあれば、計画はより具体的になる。

その発表では、推論と学習も区別すべきだ。推論に特化したアクセラレータであれば、M100のもっともらしい拡張となる。大規模学習を幅広くカバーする主張には、はるかに多くの証拠が必要となる。

第2のシグナルは、外部顧客または独立して文書化された導入事例だ。クラウド事業者、自動車メーカー、ロボティクス企業、産業顧客の存在は、Li Autoの社内スタックを超える需要を示すことになる。Li Auto自身のコンピューティング施設内での導入であっても、有用な検証となる。

その導入の質は、宣伝目的の提携よりも重要だ。読者は、運用規模、対応モデル、稼働率、顧客がそのハードウェアを選んだ明確な理由を確認すべきである。

第3のシグナルは、独立した性能・効率テストだ。有用な結果は、同じ精度、バッチサイズ、モデル、レイテンシー目標、電力条件で完全なシステムを比較するものとなる。ソフトウェア構成とベンチマーク手法も開示されるべきだ。

Li Autoの社内結果は、出発点となる仮説を示している。これらは、オーケストレーションされたデータフローが、選定された推論タスクで効率的に機能し得ることを示す。独立テストでは、この優位性がより幅広いワークロードや実際の運用制約の下でどこまで維持されるかが明らかになる。

車両での採用も、もう1つの重要な補助指標である。L9、L8、L6での量産により、Li Autoは信頼性を実証し、コストを管理する機会を得る。サーバーでの利用を検証できなくても、車載での力強い実績はアーキテクチャの信頼性を支えることになる。

新しいチップ法人にも注目すべきだ。新たな資金調達、経営幹部の任命、採用、特許、資産移管があれば、独立事業になりつつあるのかが明確になる。沈黙が続けば、より限定的な管理上の解釈を支持することになる。

競合各社の反応も、市場の方向性を示す助けとなる。NioのGeniTech拡大と、XpengによるTuringのクロスプラットフォーム利用は、車載チップがより広いフィジカルAI戦略の基盤になりつつあることを示唆している。

しかし、サーバーコンピューティングは別の試練である。Nvidiaと中国国内のアクセラレータ供給企業は、シリコンだけでなくエコシステムを通じても競争している。Li Autoは、同社のツールが開発者の作業を単に移し替えるのではなく、削減すると説得しなければならない。

開発者や企業の購入担当者にとって、当面の教訓は8月の報道だけを基にプラットフォームを選定しないことだ。有益なポイントは、車載AIチームが推論スタックの所有をますます望むようになっている点にある。

この傾向は、物理的な機械の近くで動作するモデル向けに、特化型の代替手段を生み出し得る。一方で、互換性のないアクセラレータ間でソフトウェアサポートを分断する可能性もある。購入者は、測定されたアプリケーション性能、導入ツール、長期サポートを求めるべきだ。

Li Autoにとって、その戦略的な論理は理解できる。M100には大きなエンジニアリング投資が必要であり、より広いワークロードに対応できれば、その投資をより多くの製品に分散できる。アーキテクチャはすでに、運転、言語モデル、人間とのインタラクションを対象としている。

商業的な実証は依然として示されていない。Google Newsの見出しは意欲をうかがわせることはできても、顧客、ソフトウェアの成熟度、運用データを提供するものではない。そうした要素は、その後の開示で明らかになる必要がある。

したがって次の問いは明確だ。Li Autoは実際の導入実績を伴うデータセンター製品を発表するのか、それともM100は、より広い志向を持つ有力な車載プラットフォームにとどまるのか。答えは、またしても大まかなチップの主張ではなく、仕様、顧客の証拠、独立したテストを通じて明らかになるはずだ。