2026年のビジネスを変えるエッジAIの全貌
要点：エッジAIとは、端末側で人工知能を動作させる技術を指し、通信コストの削減やリアルタイムでの判断が求められる現代社会において、不可欠なソリューション（※2）となっています。
近年、AI（人工知能）の活用はクラウド上での大規模な学習から、より現場に近い端（エッジ）での推論（※3）へとシフトしています。
従来のシステムでは、膨大なデータを一度インターネット上のサーバーへ送信します。
その結果を待つ必要がありました。
しかし、自動運転や製造業のライン監視といった秒単位の遅れも許されないシーンでは、このタイムラグ（※4）が大きな課題となっていました。
そこで注目されているのがエッジAIです。
カメラやセンサーといった機器自体に高性能なAIチップを搭載することで、その場で即座に解析と判断を実行します。
この仕組みにより、高速なレスポンス（※5）だけでなく、個人情報や機密情報を外部に送るリスクを抑えた、強固なセキュリティ環境の構築が可能になりました。
本記事では、
- エッジAIの定義
- クラウドAIとの決定的な違い
- 2026年における最新の活用事例
までを詳しく解説します。
今後のDX（※6）推進や新規事業の検討において、なぜエッジAIが最適な選択となるのか、その理由を紐解いていきましょう。
- ※1 デバイス：PC、スマートフォン、センサー、カメラなどの端末機器。
- ※2 ソリューション：業務上の課題を解決するためのシステムやサービス。
- ※3 推論：学習済みのAIモデルに新しいデータを与え、予測や判断を行うこと。
- ※4 タイムラグ：データの送受信や処理にかかる時間のズレ。
- ※5 レスポンス：システムに指示を出してから反応が返ってくるまでの速さ。
- ※6 DX：デジタルトランスフォーメーション。デジタル技術による社会やビジネスの変革
エッジAIとは？最新の仕組みと注目される理由
要点：エッジAIの仕組みは、従来のクラウド型とは異なります。
端末そのものに高度な演算能力を持たせることで、通信の遅延をゼロに近づけます。
リアルタイムな判断を実現する点にあります。
エッジAIの定義とクラウドAIとの違い
エッジAIとは、
- カメラ
- センサー
- スマートフォン
などのデバイス（エッジ）側で人工知能のアルゴリズムを実行させる技術を指します。
クラウドAIが膨大なリソースを持つサーバーで処理を行うのに対し、エッジAIはデータの発生源のすぐ近くで推論（※7）を行うのが最大の特徴です。
- 処理場所: クラウドは中央集権型、エッジは分散型。
- 通信負荷: クラウドは全データを送信するが、エッジは必要な結果のみを送信。
- 応答性: エッジはタイムラグを極限まで削減し、即座に動作を制御可能。
2026年における最新の仕組み：エッジ生成AIの登場
2025年から2026年にかけて、エッジAIの技術革新は目覚ましい進化を遂げました。
特に言語モデルや画像生成モデルを小型化し、インターネットに接続していないローカル環境でも動作させるエッジ生成AIが普及しています。
- NPU搭載デバイス: 2026年の最新PCやスマホには、AI処理専用のNPU（※8）が標準搭載され、省電力かつ高性能な推論が可能になりました。
- モデルの軽量化: 蒸留（※9）や量子化（※10）といった手法により、大規模なAIモデルを端末のメモリに収まるサイズまで圧縮。オフラインでも高度な判断を下せます。
なぜ今、エッジAIがこれほど注目されているのか
社会全体のデジタル化（DX）が進む中で、エッジAIが不可欠とされる理由は3つの課題解決にあります。
- セキュリティとプライバシー: 2026年は個人情報保護の法的要件がさらに厳格化されています。カメラ映像などをクラウド上へアップロードせず、端末内で解析して「異常あり」という結果だけを送るエッジAIは、最高のセキュリティ対策となります。
- 5G/6G時代の通信コスト抑制: IoT（※11）機器の増加により、すべてのデータを送信するとネットワークの帯域を圧迫し、莫大な通信費用が発生します。エッジ側で不要なデータを削減することが、経営判断として重要になっています。
- リアルタイム性の追求: 自動車の自動運転や産業用ロボットの制御において、0.1秒の遅れは事故に直結します。クラウドを介さない即時実行こそが、次世代インフラの基盤となります。
- ※7 推論：学習済みのモデルを使って、新しいデータから予測や判定を導き出すこと。
- ※8 NPU：Neural Processing Unit。AIの計算を効率的に行うための専用プロセッサ。
- ※9 蒸留：大規模なモデルの知識を、より小さなモデルに継承させる軽量化手法。
- ※10 量子化：データの精度を調整することで、計算負荷やメモリ消費を抑える技術。
- ※11 IoT：モノのインターネット。あらゆるデバイスがネットに繋がる仕組み。
エッジAIのメリットと導入の利点
要点：エッジAIの最大の利点は、データの発生源で直接処理を行うことで、
- 通信遅延の解消
- セキュリティの強化
そして運用コストの大幅な削減を同時に実現できる点にあります。
究極のリアルタイム性と応答速度
自動運転や産業用ロボットの制御、工場の製造ラインにおける異常検知など、一瞬の遅れも許されない現場において、エッジAIは圧倒的な強みを発揮します。
- タイムラグの排除: データをクラウドへ往復させる必要がないため、即座に判断と実行が可能です。2026年の最新技術では、ミリ秒単位での高速推論（※12）が標準となっています。
- オフライン環境での動作: インターネット回線が不安定な場所や、地下・山間部などの通信環境が整っていない場所でも、デバイス単体で安定して稼働し続けます。
強固なセキュリティとプライバシー保護
機密情報や個人情報の扱いが厳格化される中、データを「外に出さない」という選択は最大の防御となります。
- 情報漏えいリスクの低減: 監視カメラの映像や音声認識の結果などを、クラウド上にアップロードせず端末内で完結させます。外部からの攻撃対象となるポイントを最小限に抑え、プライバシーポリシー（※13）の遵守も容易になります。
- 特定データの選択的送信: エッジ側で個人を特定できる情報を削除・匿名化し、統計データのみをクラウドへ送るといった、インテリジェントな管理が可能です。
通信コストとストレージ費用の大幅削減
IoT（※14）デバイスが膨大に増え続ける現代において、全てのデータを送信・保存することは経営上の大きな負担となります。
- 通信帯域の節約: カメラ映像などの大容量データをそのまま転送するのではありません。エッジAIで「異常あり」と判定された瞬間のみ、あるいは要約されたテキストのみを送信します。これにより、回線の圧迫を防ぎます。
- クラウド利用料の最適化: クラウド側のデータセンターで処理する量を劇的に減らすことで、従量課金のコストを抑え、投資対効果（ROI）を最大化できます。
現場の生産性と品質管理の向上
製造業や小売業などの最前線において、エッジAIは人間の目や耳の代わりとなり、自動化を強力に支援します。
- 高精度な不良品検知: 深層学習（※15）を用いた画像解析により、人間では見逃しがちな微細な傷や不良を、高速に流れるライン上で即座に検出します。
- 予兆保全による機会損失の防止: 機器に設置されたセンサーが振動や音の変化を把握し、故障する前にアラートを鳴らします。これにより、突発的な停止による損害を未然に防ぐことが可能です。
- ※12 推論: 学習したAIモデルを用いて、新しい入力データから予測や結果を出す工程。
- ※13 プライバシーポリシー: 個人情報の取扱い方針。
- ※14 IoT: Internet of Things。モノがネットに繋がる技術。
- ※15 深層学習: ディープラーニング。多層のニューラルネットワークによる高度なAI。
クラウドAIとの違いと使い分け
要点：クラウドAIは大規模な学習や高度な分析に適し、エッジAIは現場での素早い推論（※16）に特化しているという、明確な機能の分担が存在します。
処理場所とリソースの違い
クラウドAIは、世界中に広がる膨大な計算リソースを持つデータセンターで処理を行います。
一方、エッジAIは手元のデバイスや現場に設置された小型のハードウェアで直接データを扱います。
- クラウドAI: GPU（※17）を大量に並べたサーバーにより、数テラバイトの膨大なデータから学習モデルを構築するのに適しています。
- エッジAI: 電力やサイズに制約がある中で、最適化されたアルゴリズムを用いて、特定の判断を高速に実行することに優れています。
データ通信とネットワークへの依存
クラウドAIは常にインターネット接続が前提であり、回線の速度や安定性にパフォーマンスが大きく左右されます。
- 通信の遅延: クラウドへデータを送り、結果が戻るまでには必ず遅延（※18）が発生します。2026年の高度な自動運転などでは、このわずかな遅れが致命的となります。
- オフラインの強み: エッジAIはローカルで完結するため、たとえネットワークが遮断されても、監視や制御といった重要な機能を継続することが可能です。
最適な使い分けのシナリオ
ビジネスの現場では、どちらか一方を選ぶのではなく、目的に応じて組み合わせることが主流となっています。
- エッジAIが向いているケース: カメラによるリアルタイムな侵入検知、工場の不良品チェック、スマートフォンの顔認証など。
- クラウドAIが向いているケース: 全国の店舗売上データの将来予測、数年分の医療記録に基づいた診断支援、大規模な言語モデルの開発など。
活用事例：社会を支えるエッジAI
要点：2026年現在、エッジAIは
- 製造
- 交通
- 小売
といったあらゆる分野で実用化が進み、私たちの生活をより安全で効率的なものに変えています。
スマートファクトリーと製造業
工場内のあらゆる箇所にセンサーやAIカメラを設置し、生産ラインの稼働状況を即座に可視化します。
- 異常検知と予兆保全: モーターのわずかな振動の変化をエッジで解析し、故障する前にメンテナンス（※19）を促します。
- 外観検査: 深層学習（※20）を用いた画像解析により、高速で移動する部品の傷を人間の目よりも正確に、かつリアルタイムで検出します。
次世代モビリティと自動運転
自動車は、もはや走る高性能なエッジサーバです。
車両そのものが周囲の状況を判断することで、安全な走行をサポートします。
- 衝突回避: 車載カメラが歩行者や障害物を検知した際、クラウドに問い合わせる時間を省き、即座にブレーキを作動させます。
- 渋滞緩和: 交差点に設置されたエッジAIが道路の混雑を把握し、信号のタイミングを自律的に調整します。
小売業とスマートストア
実店舗での顧客体験を向上させるために、エッジAIがバックエンドで活躍しています。
- 動線分析: カメラ映像をエッジで匿名化（※21）し、どの棚に関心が集まっているかを分析します。データをクラウドに送らないため、プライバシー保護とマーケティングを両立できます。
- 棚割の最適化: 商品の在庫状況をセンサーで監視し、品切れを即座に店員へ通知します。
- ※16 推論: 学習済みのAIが、新しいデータに対して答えを出すこと。
- ※17 GPU: 画像やAIの高度な計算を高速に行うためのプロセッサ。
- ※18 遅延: データの伝送や処理にかかる時間のズレ（レイテンシ）。
- ※19 メンテナンス: 設備やシステムを正常な状態に保つための保守作業。
- ※20 深層学習: ディープラーニング。人間の脳の仕組みを模した高度な学習技術。
- ※21 匿名化: 個人を特定できる情報を削除し、統計データとして扱えるようにすること。
エッジAIを実現するハードウェア技術
要点：2026年の最新トレンドは、AI処理に特化したNPU（※24）や、柔軟な設計が可能なFPGA（※25）の普及であり、これらがエッジでのリアルタイムな意思決定を支える基盤となっています。
最新のAIチップとNPUの性能
2026年現在、多くのエッジデバイスには、NPUと呼ばれる専用のプロセッサが搭載されています。
これにより、電力効率（※26）が飛躍的に向上しました。
- 高い処理能力: 最新のNPUは、わずか2.5ワット程度の消費電力で、1秒間に数十兆回の計算（TOPS）を実行できます。
- 低負荷での動作: CPU（※27）や汎用GPU（※28）に頼らずAI処理を行うため、デバイスが熱くなりにくく、バッテリー持ちが格段に良くなっています。
FPGAやASICの役割
特定の産業向けや製造現場では、ASIC（※29）やFPGAが重要な役割を果たしています。
- ASICによる極限の最適化: 特定のタスク（例：工場での画像解析）専用に設計されたASICは、無駄な回路を削ぎ落とすことで、最高のスピードを提供します。
- FPGAの柔軟性: システムの構築後でも内部の回路を書き換えられるFPGAは、進化の速いAIモデルの更新に即座に対応できる強みがあります。
導入時の課題とデメリット
要点：エッジAIの導入には、ハードウェアのリソース制約や、大量の端末を管理する運用負荷といった、解決すべき課題も存在します。
計算リソースとメモリの制約
クラウド上の膨大なサーバー群と比較すると、エッジデバイスのメモリや計算能力には物理的な限界があります。
- メモリのボトルネック: 2026年においても、大規模言語モデル（※30）をそのまま動かすにはメモリ量が不足するケースがあります。モデルのさらなる軽量化（※31）が不可欠です。
- 性能と精度のトレードオフ: モデルを小さくしすぎると、推論の精度が低下するリスクがあるため、用途に応じたバランス調整が求められます。
デバイスの運用とメンテナンス
数百、数千台の端末を現場に設置する場合、それらを常に最新状態に保つのは困難を極めます。
- 一斉アップデートの手間: セキュリティパッチ（※32）や最新のAIモデルを全デバイスに安全に配布する仕組みが必要です。
- 物理的な故障への備え: 屋外や工場などの過酷な環境では、機器の故障が発生しやすく、保守体制の整備が重要なポイントとなります。
- ※22 エッジAI: データの発生源（エッジ）に近い場所で直接AIを動かす技術。
- ※23 モデル最適化: AIモデルのサイズを小さくし、計算速度を上げる技術。
- ※24 NPU: AIの計算処理に特化した専用プロセッサ（Neural Processing Unit）。
- ※25 FPGA: 製造後でも構成を書き換え可能なプロセッサ（Field Programmable Gate Array）。
- ※26 電力効率: 消費した電力に対して、どれだけの処理が行えるかという性能指標。
- ※27 CPU: コンピュータの基本処理を行う汎用的な「脳」（Central Processing Unit）。
- ※28 GPU: 画像処理やAIの並列計算に優れたプロセッサ。
- ※29 ASIC: 特定の用途のために専用設計された集積回路。
- ※30 大規模言語モデル: 人間のような文章を生成する高度なAI（LLM）。
- ※31 軽量化: AIの精度を保ちつつ、データ量や計算量を減らすこと。
- ※32 パッチ: ソフトウェアの不具合や脆弱性を修正するための追加プログラム。
2026年最新トレンドと限定情報
要点：2026年の最新市場では、NPU（※35）を搭載したAI PCの普及と、マルチエージェント（※36）システムの商用化により、エッジ側での自動化が製造やオフィスのあり方を再定義しています。
マルチエージェントとActionable AIの台頭
2026年の大きな潮流として、複数のAIが役割を分担します。
- 営業
- 分析
- 実行
を分業するマルチエージェント化が加速しています。
- 自律的な実行: 従来のAIは質問に答えるだけでしたが、2026年のActionable AIは、CRM（※37）やERP（※38）などの基幹システムと完全同期しながら、メール送信やレポート作成を自動で完結させます。
- Human-in-the-loop: 重要なアクションの前に人間の最終承認ステップを設けることで、自律性と安全性のバランスを保つ運用が一般的になっています。
CES 2026で発表された最新デバイスとチップ
2026年1月に開催されたCES 2026（※39）では、次世代のエッジAI専用ハードウェアが相次いで発表されました。
- Intel Panther Lake: AI PC向けの次世代プロセッサ。前世代比でNPU性能が大幅に向上し、ローカルでの生成AI利用がさらにスムーズになりました。
- NVIDIA Jetson T4000: Blackwell（※40）アーキテクチャをベースにした最新のエッジモジュール。産業用ロボットやドローンにおいて、物理的AI（※41）の高度な制御を可能にします。
- Qualcomm Dragonwing シリーズ: ドローンやスマートカメラ向けにオンデバイスAIを強化。低消費電力でありながら、8Kビデオのリアルタイム解析を同時に実行できます。
日本国内の先進的な活用事例
2026年、日本の大手企業や中小企業は、労働力不足への対策としてエッジAIを中核インフラに据えています。
- 富士通 (工場向けエッジAI): 製造現場でのリアルタイム最適化により、ラインの稼働率を最大化。不具合の予兆を即座に検知します。停止時間をゼロに近づけています。
- セガ (ゲーム開発): 最新のAI PC（Core Ultra 3等）を活用します。クオリティを維持したままローカル環境で高度なグラフィック処理を実現。
- ソニー (センサー内AI): イメージセンサー内で直接データ処理を行うことで、低遅延かつ高精度な動体解析を実現し、店舗監視や交通管理で活躍しています。
- ※33 データ処理: 収集した情報を加工・解析すること。
- ※34 Actionable AI: 単なる情報提示に留まらず、具体的なアクション（実行）までを行うAI。
- ※35 NPU: AI処理に特化した専用プロセッサ。
- ※36 マルチエージェント: 複数のAIプログラムが相互に協力して複雑なタスクをこなす仕組み。
- ※37 CRM: 顧客関係管理システム。
- ※38 ERP: 企業資源計画システム（基幹業務システム）。
- ※39 CES: 世界最大級の家電・IT見本市。
- ※40 Blackwell: NVIDIAの最新GPUマイクロアーキテクチャ。
- ※41 物理的AI: ロボットなど、現実世界で物理的に動作するAI。
導入時の課題とデメリット
要点：エッジAIはメリットが多い反面、デバイスごとの計算リソースの限界や、分散した機器を維持管理する運用コストといった課題を正しく把握し、対策を講じる必要があります。
計算リソースとメモリの物理的制約
クラウド上の大規模なデータセンターとは異なります。
エッジデバイスには搭載できるCPU（※43）やメモリの量に物理的な限界があります。
- モデルの軽量化が必須: 2026年の高度な深層学習（※44）モデルを動かすには、蒸留（※45）や量子化（※46）といった技術を駆使して、精度を維持しつつ容量を削減する高度な設計スキルが求められます。
- 処理速度と精度のトレードオフ: リアルタイム性を重視してモデルを簡略化しすぎると、検知の精度が低下するリスクがあり、用途に合わせた精密な調整が不可欠です。
分散したデバイスの運用と保守
- 工場
- 店舗
- 屋外
など広範囲に設置された数百台規模の端末を管理するのは、従来の集中型システムよりも困難を極めます。
- 一括アップデートの難易度: セキュリティパッチや最新の学習済みモデルを、全デバイスへ安全かつ即座に配布するプラットフォームの構築が必要です。通信環境が不安定な場所での更新失敗は、システム全体の停止を招く可能性があります。
- 物理的な故障への対応: 過酷な環境にさらされるセンサーやカメラは故障率が高くなりがちです。遠隔での死活監視（※47）や、故障を未然に防ぐ予兆保全の仕組みを導入段階から組み込むことが、ランニングコストを抑えるポイントとなります。
セキュリティとデータの整合性
データを外に出さない強みがある一方で、エッジ側での物理的な盗難や不正アクセスへの備えが重要です。
- デバイス自体の保護: 現場に設置された機器そのものが外部から攻撃を受けるリスクを考慮し、暗号化チップの採用や物理的なロックなど、多層的なセキュリティ対策が求められます。
よくある質問 と 回答 (FAQ)
要点：エッジAIの導入を検討する際に多い悩みや、クラウド版との使い分けに関する疑問を解消し、スムーズな意思決定を支援します。
Q1. エッジAIを導入する際、どのようなハードウェアを選べばいいですか？
A. 使用するAIモデルの負荷によります。2026年の標準的な画像解析であれば、
- NPU（※48）搭載のAI PC
- NVIDIA Jetsonなどの専用モジュール
がおすすめです。
低電力で長時間運用したい場合は、FPGA（※49）や最新のRISC-V（※50）ベースのチップも有力な選択肢となります。
Q2. 既存のクラウドシステムをすべてエッジに移行すべきですか？
A. いいえ。
- 大規模なデータの蓄積
- 数年スパンでのトレンド分析
- 超大規模言語モデル（※51）の学習
などは、引き続きクラウドが最適です。
現場での即時判断が必要な機能だけをエッジに切り出すハイブリッド構成が、最も効率的なソリューションです。
Q3. 導入後の AIモデル の 更新 は どのように行いますか？
A. OTA（※52）と呼ばれる無線経由のアップデート機能を活用するのが一般的です。
2026年の運用現場では、MLOps（※53）ツールを用いて、現場で収集したデータをクラウドで再学習させ、最適化された最新モデルを再びエッジへ配信するサイクルを自動化しています。
- ※42 制約：物事を行う上での自由な活動を制限する条件。
- ※43 CPU：コンピュータの主要な計算装置（中央処理装置）。
- ※44 深層学習：多層のニューラルネットワークを用いるAI技術（ディープラーニング）。
- ※45 蒸留：大きなモデルの知識を小さなモデルに継承させる手法。
- ※46 量子化：データの表現を簡略化して計算量を減らす技術。
- ※47 死活監視：システムが正常に動作しているかを継続的にチェックすること。
- ※48 NPU：AI処理に特化した専用プロセッサ。
- ※49 FPGA：製造後に回路を書き換え可能な半導体。
- ※50 RISC-V：オープンソースの新しいプロセッサ命令セット。
- ※51 大規模言語モデル：ChatGPTなどの基盤となる膨大な知識を持つAI（LLM）。
- ※52 OTA：Over-The-Air。無線通信によるソフトウェア更新。
- ※53 MLOps：機械学習（Machine Learning）の運用（Operations）を効率化する手法。
導入による具体的なコスト削減効果とROIシミュレーション
要点：エッジAIは、クラウド利用料の劇的な削減や人件費の効率化を実現します。
製造業の品質検査などの現場では、初年度での投資回収も現実的なシナリオとなっています。
通信コストとクラウド利用料の削減
エッジAIの最大の経済的メリットは、データ通信量の最小化です。
- シミュレーション例: 24時間稼働する監視カメラ100台の映像をすべてクラウドへ送る場合、年間で数千万円の通信費用とストレージ（※55）費用が発生します。
- エッジAI導入後: デバイス（※56）内で解析を行い、検知イベント時のみ送信することで、通信量を99%以上削減。年間数万円〜数十万円単位まで運用コストを抑えることが可能です。
製造現場における人件費削減とリスク回避
2026年の製造業における品質検査への導入事例では、圧倒的なROI（※57）が報告されています。
- 初期投資額: 約5,000万円（AIチップ搭載カメラ、システム開発、現場構築を含む）。
- 削減効果: 検査工程の人員を50%削減し、年間3,000万円の人件費を削減。
- リスク回避価値: 従来、年間2億円規模の損失リスクとなっていた不良品の流出を、高精度な画像解析（※58）でゼロに抑制。
- 結果: 人件費削減分だけで約1.7年で投資回収。リスク低減効果を含めれば、導入直後から多大な利益を生んでいると判断されます。
ROIを最大化するための算出方法
エッジAIの価値を正しく評価するには、以下の3つの指標を組み合わせるのがおすすめです。
- 直接的効果: 通信費、クラウド利用料、人件費の直接的な削減。
- 間接的効果: データのリアルタイム処理によるリードタイム（※59）の短縮、生産性の向上。
- 戦略的効果: 強固なセキュリティ（※60）によるブランド信頼の向上、オフライン環境での事業継続性の確保。
- ※54 エッジAI: 端末側で直接AIを動かす技術。
- ※55 ストレージ: データを保存しておくための装置や場所。
- ※56 デバイス: PC、カメラ、センサーなどの端末機器。
- ※57 ROI: 投資利益率。投じた費用に対してどれだけの利益が得られたかの指標。
- ※58 画像解析: AIが画像データの内容を判別・抽出すること。
- ※59 リードタイム: 発注から納品、あるいは工程の開始から終了までにかかる時間。
- ※60 セキュリティ: データの盗難や改ざんを防ぐための安全対策。
まとめ：未来を創るエッジAIの展望
要点：2026年、エッジAIはあらゆる産業の基盤となり、安全性と効率を両立させた自律型社会の実現に向けて不可欠な存在へと進化しています。
エッジAIは、単なるデータ処理の方法という枠を超え、私たちの生活やビジネスの現場に「知能」を直接組み込む変革をもたらしました。
- クラウドとのハイブリッドな連携
- NPU（※61）を搭載した高性能ハードウェアの普及
により、その可能性はさらに拡大しています。
今後、5Gや6Gといった次世代ネットワークの発展とともに、分散型AIとしてのネットワーク構築が当たり前になるでしょう。
機密情報を守りつつ、即座に最適なアクションを実行できるエッジAIは、労働力不足やエネルギー問題といった社会課題を解決する最強のツールとなります。
貴社においても、小規模なPoC（※62）から始め、現場に即したエッジAIの活用を検討することで、2026年以降の競争優位を確実に築くことができるはずです。
- ※61 NPU: AI処理専用のプロセッサ。
- ※62 PoC: 新しい概念や技術が実現可能かを検証する工程。