公開公報と技術課題を確認する
US20260065050A1はDEEPX Co., Ltd.を出願人として2026年3月5日に公開され、異種プロセッサによるニューラルネットワークの学習と推論を扱います。A1は出願公開を示し、特許登録の証明ではありません。本稿は公開内容の分析であり、現在の権利状態やDX-M1への全請求項の実装を認定するものではありません。
工場のカメラで製品の傷を検出する場面を考えてみます。開発用の高性能計算機で学習したモデルを、メモリ、対応演算、消費電力の制約が異なる現場の装置へ移すと、変換によって精度が変わることがあります。この工場は説明のための仮定で、導入実績や実測値ではありません。
学習と推論の役割を分ける
学習は事例からパラメータを調整する処理、推論は学習済みモデルに新しい入力を与えて結果を求める処理です。例では正解付き製品画像で学習し、ライン上の新しい画像を判定します。公報では第1のプロセッサが学習を担い、構成が異なり能力の制約がある第2のプロセッサが推論を担います。
移植はファイルのコピーだけでは完了しません。実機が必要な演算に対応し、変換後も要求される判断ができるかを確認する必要があります。モデルが収まっても、傷の見落としが増えないとは限りません。
重みと構造、軽量化の関係
重みは計算に使う数値で、構造は処理段階や接続の仕方です。数値の更新と構造変更は同じではありません。プルーニングは接続や構成の一部を削減し、量子化は数値を低い精度で表現します。計算や保存の負担を減らせる一方、精度に影響するため再学習が重要になります。
図5には学習用GPGPU（100）、推論用NPU（200）、メモリ（300）と、コンパイラ（310）、保存（320）、報告（330）の機能が示されています。コンパイラは実行先に合わせて演算を準備し、保存・報告機能はモデルや結果の受渡しを支えます。特定製品の内部構成を証明する図ではありません。
実機評価を次のモデルに反映する
流れは、学習、重みの転送、実機での推論と評価、評価結果の返送、モデル修正、再度の推論です。学習側が評価を受けて構造と重みを更新し、変更後のモデルに対応する重みを実行側へ送ります。現場のNPU自体が再学習するという説明ではありません。
図7ではGPGPUへの学習データと実行先への試験データを分け、評価を戻す経路を示しています。工場の仮定では正解付き試験画像から傷の見落としを把握し、開発側で修正して実機で再評価します。工場の業務フロー図も理解を助ける例であり、実験結果ではありません。
GPU・NPUとDX-M1の位置付け
GPUは並列計算を担い、GPGPUはその能力を汎用計算に利用することを指します。NPUはニューラルネットワーク演算向けのプロセッサです。公報ではGPGPUによる学習とNPUによる推論を異種処理の例とし、対応演算やデータ表現に合わせたコンパイルを扱います。
DEEPXはDX-M1をエッジAI向けプロセッサと位置付けています。エッジ推論は入力をすべて遠隔サーバーへ送る代わりに、データ発生源の近くで処理します。通信負担を減らし得ますが、遅延、電力、メモリ、精度は実装条件に依存します。製品の説明と特許出願の範囲は分けて検討します。
開発記録を特許分析につなげる
検討の中心はプロセッサが二つあることだけでなく、実機の評価が次のモデルの構造と重みにどう作用するかです。装置の役割、送受信情報、最適化手順、評価条件、変更前後のモデルを記録し、計算グラフの変更とパラメータ更新を区別すると技術的寄与が明確になります。
IPLEXはAI・ソフトウェアの技術分析と特許出願を支援しています。公開可能な構成図、変更点、再現可能な評価条件をご準備いただくと具体的な検討に役立ちます。関連するAI業務やテスト時学習の解説も、異なる更新方式を混同せず理解するための参考になります。
原図の表記を保持し、各図の技術的な意味を本文で説明しています。