Nota、ロボットVLA推論をQualcommのエッジNPU上で実行

韓国のAI最適化企業Notaは9月22日、視覚言語行動、いわゆるVLAのロボットモデルを、GPUや外部サーバーを使わず、QualcommのDragonwing IQ-9075 NPU上だけで実行したと発表した。同社が報告したデモは、ロボットアームが音声指示に応じてキューブを移動する内容だった。このテストでNotaは、最適化前の構成では36秒だった作業時間が、最適化後に12秒へ短縮されたとしている。一方、タスク成功率は最適化後が92%で、最適化前の93%と比べて1ポイント低いと報告された。

Notaが変更したとしている点

この発表は企業による開示であり、独立機関が検証したベンチマークではない。Notaによれば、今回の変更は単なるハードウェア置き換えではなく、ロボットAIのワークロードをエッジNPU上で実行できるようにする最適化の取り組みだった。同社は、モデル圧縮、NPUグラフ最適化、複数NPUユニットの利用、アクション高速化を手法として挙げている。これらを組み合わせることで、VLAモデルをGPUやロボットシステム外部のサーバーに依存せず、Qualcommのプロセッサ上でローカル実行できるようにした、という位置づけである。

この実用上の違いは重要だ。VLAモデルは、知覚、言語理解、物理的な動作を結びつけなければならない。Notaが説明したデモでは、ロボットアームはキューブを移動する音声指示を解釈し、それを一連の動作へ変換する必要があった。したがって、報告された改善は、単独のニューラルネットワーク演算だけではなく、エンドツーエンドのデモタスクに関するものだ。36秒から12秒への短縮は、その特定の構成において、指示から動作完了までのサイクルが短くなったことを示している。

Notaはまた、最適化後の推論が最大7倍高速化したとも報告している。この数値は、デモされたタスク時間が3分の1になったこととは分けて読む必要がある。推論速度はモデルの計算を指す一方、ロボットアームのタスクには、指示処理、知覚、動作実行などの追加段階が含まれる。2つの測定は同じ方向を示しているが、同じものを説明しているわけではない。同社の主張は、最適化によってモデル実行が改善され、その結果としてロボットの動作シーケンスが実質的に短縮された、というものだ。

最適化後の構成はどう動くのか

確認されている情報には、モデルサイズ、ロボットハードウェアの詳細、キューブの配置、キューブ移動タスクを超える指示文言、元のシステムアーキテクチャは含まれていない。言えるのは、NotaがVLAワークロードをQualcommのDragonwing IQ-9075 NPUへ移し、GPU実行と外部サーバー処理の双方を避けたという点である。これは、デモがオンデバイス推論を軸に構成されていたことを意味する。ロボットAIタスクに必要な計算は、遠隔処理へ送られるのではなく、エッジアクセラレータによってローカルに処理された。

モデル圧縮は、Notaが用いたとしている手法の一つである。一般的に、圧縮はモデルの計算負荷を下げ、より厳しい処理能力やメモリの制約内で動作できるようにする。この事例で重要なのは、圧縮だけが結果を生んだという主張ではなく、より広い最適化パイプラインの一部を構成していたという点だ。追加の技術パラメータは示されていないため、36秒から12秒への短縮のうち、圧縮とその他の変更がそれぞれどれだけ寄与したかを定量化することはできない。

NPUグラフ最適化も、同社が挙げた構成要素である。これは、モデルの計算グラフを対象となるニューラル処理ハードウェアに合わせて適応させることを指す。エッジNPUでは、性能はモデルの理論上の大きさだけでなく、演算がどのように配置され、アクセラレータでどのようにサポートされるかにも左右される。Notaの発表は、複数NPUユニットの利用を含む、この種のハードウェアを意識した最適化に成果を帰している。同社はさらに、推論改善をロボットの動作パイプラインへ結びつける要素として、アクション高速化にも言及している。

提供された事実によれば、この結果は9月11日にKRAINで実演された。そのため、示された数値は、多数の環境にわたる広範な評価ではなく、デモ結果として扱うべきものだ。同社は、最適化後のタスク成功率を92%、最適化前を93%と報告している。報告どおりであれば、この1ポイント差は、示された速度改善がこの成功指標の大きな低下を伴わなかったことを示唆する。ただし、試行回数、テスト条件、失敗の定義がないため、その差の統計的な意味は確定できない。

数字が示すこと、示さないこと

最も強く裏づけられる結論は、NotaがQualcommのDragonwing IQ-9075 NPU上でVLAロボットモデルのオンデバイス実行デモに成功し、提示されたキューブ移動タスクを従来の3分の1の時間で完了したと報告している、という点である。この発表はまた、同社が自社の最適化構成で推論の高速化を最大7倍と測定した、というより限定的な主張も支えている。これらはデモに基づく企業報告の性能値であり、独立した実験室測定ではなく、再現条件が公開された公開ベンチマークスイートでもない。

これらの数値は、すべてのVLAロボットワークロードが同じNPU上で同じ高速化を得られることを証明するものではない。また、最適化されたシステムが、異なる物体、指示、運用環境を含むより多様なタスクで92%の成功率を維持することも証明していない。確認済みの事実には、他のエッジプロセッサ、GPU、サーバーベースのシステム、競合する最適化プラットフォームとの比較は含まれていない。そのため、この発表はNotaの特定実装を示す材料として分析できるが、ロボットAIのハードウェアやソフトウェアの一般的な順位づけとしては扱えない。

36秒だった元の構成についても、提供資料では十分に説明されていない。そのため、元の設定が最適化なしの同じエッジハードウェアを使っていたのか、異なる実行経路だったのか、または別の構成だったのかは不明である。この点は、前後比較をどこまで解釈できるかを制限する。Notaが説明する中心的な変更は、外部計算を使わず、Qualcomm NPU上でモデルを最適化実行したことだ。同社が報告した実用上の結果は、音声によるキューブ移動指示をより速く完了したという点にある。

実用上の含意

ロボティクスにおいて、このような手法の実用上の含意は、AI駆動の制御タスクの一部で遠隔計算への依存を減らせる可能性にある。ロボットがVLAモデルをローカルに処理できれば、その段階の推論を外部サーバーへ送る必要がないシステム設計を採れる。確認されている事実には、消費電力、遅延の内訳、熱挙動、コストに関する測定値は含まれていないため、ここではそれらの要素を評価できない。それでも、このデモは、ロボットAIモデルをエッジNPUのリソースに収めて動かせるかという明確な工学上の問いに向けられている。

GPUではなくエッジNPU上で動かすことは、展開時の制約に関係する可能性もあるが、発表はその制約を定量化していない。バッテリーへの影響、筐体要件、システム全体の部品コストについても述べていない。裏づけられている関連点はより狭い。Notaは、自社の最適化手法により、モデルをQualcommのDragonwing IQ-9075 NPU上で動作させ、報告結果においてタスク成功率をほぼ変えずに、デモされたタスクをより速く完了できたとしている。

この話におけるNotaの立場は、ロボットメーカーそのものというより、最適化企業としてのものでもある。同社は2015年にKAISTで設立され、NetsPresso最適化プラットフォームを展開し、2025年11月にKOSDAQへ上場した。この背景は、今回の発表を、ロボットAIに適用した最適化技術のショーケースとして位置づける。したがって、このデモは、ロボットアームの目に見える動きに関するものでもある一方、負荷の高いVLAワークロードをエッジハードウェアへ適応させる取り組みに関するものでもある。

この発表には、最適化が汎化性能にどう影響するのか、より複雑なタスクでシステムがどう動くのか、示されたシナリオの外で結果がどれだけ再現可能なのかなど、重要な問いが残る。それでも、企業が報告したデータの範囲内では、この事例には技術的な意味がある。Notaは、VLAロボットモデルをQualcommのエッジNPUへ移し、その構成でGPUや外部サーバーを不要にし、特定の音声キューブ移動タスクを36秒から12秒へ短縮したとしている。