2025年8月、NVIDIAがついにJetson Thorを一般開発者向けにリリースしました。車載AIとエッジロボティクスの両方を狙うこのSoC、スペックがヤバいです。
📦 Jetson Thorの核心スペック
- GPU: Blackwellアーキテクチャ（2560 CUDAコア + 第5世代Tensor Core 96基）
- AI性能: 最大 2,070 FP4 TFLOPS（スパース時）
- メモリ: 128GB統合メモリ
- 消費電力: 40〜130W
- カメラ入力: 最大20台同時接続
- 動画処理: H.265エンコード6x 4Kp60、8Kp30デコード対応
何が凄いかって、前世代のJetson AGX Orin（275 TOPS）と比べて約3.5倍の電力効率を達成している点。この差は、車載環境という「厳しい電力・熱制約」の中では致命的に効いてきます。
🚗 車載向け：DRIVE AGX Thor
Jetson Thorの車載グレードがDRIVE AGX Thorです。NVIDIAはすでにMercedes-Benzと提携し、新型CLAに「Drive AI」ソフトウェアをデプロイする計画を発表しています。
ここで注目すべきは、Thorが単なる「AIアクセラレータ」ではなく、車載中央コンピュータ（Domain Controller）として設計されていることです。
従来の車載E/Eアーキテクチャーでは、ADAS、コックピット、ボディ制御が別々のECUに分散されていました。これがSDV（Software Defined Vehicle）の潮流でドメイン統合されていき、最終的にはゾーンアーキテクチャー＋中央コンピュータに収束していく。Thorはまさにその「中央」を担うことを想定したチップです。
🤖 ロボティクス向け：Physical AIの土台
もう一つの狙いはヒューマノイドロボットを含む「Physical AI」分野です。
Analog Devices（ADI）はすでにJetson Thorを採用し、データセンター内でのケーブル組み立てなどを想定したロボットアームの開発を進めています。NVIDIAのIsaac Simとの組み合わせで、デジタルツイン上でポリシー訓練→実機デプロイのサイクルを高速化できるのが強みです。
要するに、Thorは「車にもロボットにも使える汎用AIコンピュータ」を狙っています。
🔬 なぜFP4が重要なのか
Jetson Thorの性能の秘密はFP4（4ビット浮動小数点）フォーマットにあります。
従来のFP16やINT8に比べて、メモリ帯域の消費を半分以下に抑えつつ、精度の落ちにくい推論が可能。Blackwell世代のTensor CoreがFP4をネイティブサポートしていることで、車載の厳しいレイテンシ要求（数十ミリ秒以内の応答）を満たしながら、大規模なTransformerモデルを走らせることができます。
これは実用上とても重要で、従来は「クラウドで推論して結果を車に送る」必要があったような処理が、車内で完結するようになることを意味します。
📊 競合状況
車載AIチップ市場は激戦です：
- Qualcomm — Snapdragon Ride Platform、2025年10月にデータセンター向けAIチップも発表しNVIDIA追撃中
- TI — TDA5ファミリーでSAE Level 3対応をうたう（2026年1月発表）
- Infineon — 車載半導体6年連続世界首位、NVIDIA Jetson Thor向けTPMソリューションを提供（← 敵ではなくパートナー）
- 中国勢 — Huawei Ascend、地平線ロボティクス Journey シリーズ等が台頭
面白いのは、Infineonのような従来型車載半導体トッププレーヤーが、NVIDIAのプラットフォームにセキュリティ部品を供給する形で協調している点。「AIコンピュータはNVIDIA、安全・セキュリティは従来勢」という棲み分けが見えてきます。
💡 E&Eアーキテクチャー視点での考察
ここからはPL経験のある視点で少し考察を。
1. ゾーン統合の加速
Thorのような1,000+ TOPSクラスのチップが実用化されると、物理的なECU統合のハードルが下がります。配線の軽量化、ハーネスコスト削減、ソフトウェアの集約化というSDVの恩恵が一気に取りやすくなる。
2. OTAアップデートの価値が跳ね上がる
ハードウェアに余裕があるということは、「後からソフトウェアで機能を追加・改善できる」余地が大きいということ。売った後の車から収益を生むモデル（サブスクリプション、機能アンロック）が現実味を帯びます。
3. 一方で、調達リスクの集中
中央コンピュータがNVIDIA一社に依存すると、サプライチェーンリスクが凝集します。特に地政学的なリスク（米中対立など）を考えると、セカンドソースや自前チップ開発の動機は依然として残る。DeepSeekやOpenAIが自前チップに走るのと同じ理屈が、車載でも働くはず。
4. 開発組織への影響
従来の「ECUごとのベンダー割り当て」から「中央プラットフォーム上のソフトウェアチーム統合」へ。これは組織構造、ベンダー管理、スキルセット全部に影響します。PLとしては、この移行期をどうマネージするかが腕の見せ所。
🎯 まとめ
NVIDIA Jetson Thorは、単なる「速いチップ」ではなく、車載E/Eアーキテクチャーの構造変化とロボティクスの実用化が交差するポイントに位置するプロダクトです。
2,070 TFLOPSを130Wで叩き出すBlackwell GPU、最大20台のカメラ、FP4による効率的な大規模Transformer推論。これらが「車内で完結する」ことで、SDVの本丸——ソフトウェアで定義される車——が一歩現実に近づきました。
もちろん課題もあります。量産車への実装コスト、ASIL-D相当の機能安全要件、NVIDIAへの依存リスク。これらをどうクリアするかが、次の2〜3年の勝負どころでしょう。
個人的には、InfineonがThor向けTPMを認証したというニュースが地味に重要だと思っています。「AIの頭脳」と「安全の守護」の組み合わせ。E&E設計者としては、この両輪をどう統合するかが、これからのアーキテクチャー設計の核心になりそうです。
参考情報：NVIDIA公式、Electronic Design（2025年8月27日）、Analog Devices プレスリリース（2025年8月25日）、Yole Group、McKinsey Edge AI in Automotive レポート