DirectML

DirectMLとは

DirectMLは、Microsoftが開発したWindows向けの機械学習ハードウェア加速APIです。DirectX 12の一部として提供され、CPU、GPU、NPUなどのハードウェアを自動的に使い分け、最適なパフォーマンスでAI推論を実行します。Copilot+ PCの全AI機能を支える中核技術です。

DirectMLは2018年にDirectX 12の低レベルAPI群のひとつとして公開され、当初はGPUによるディープラーニング推論の高速化が主目的でした。その後、Intel・AMD・QualcommがそれぞれNPU（Neural Processing Unit、AI推論専用の演算チップ）を自社シリコンに搭載するようになったことで、DirectMLは「GPU向けAPI」から「CPU・GPU・NPUを横断するハードウェア抽象化レイヤー」へと役割を拡張しました。2024年以降のCopilot+ PC戦略において、DirectMLはWindows Copilot RuntimeとONNX Runtimeの両方から呼び出される共通基盤という位置づけになっています。

重要なのは、DirectMLはそれ自体が「モデルを学習・実行するランタイム」ではなく、あくまで行列演算などの個別オペレーターをハードウェアに割り当てるための低レベルAPIだという点です。実際にアプリ開発者が触れるのは、DirectMLを内部で利用するONNX RuntimeやWindows ML、TensorFlow-DirectMLといった上位のフレームワークであることがほとんどで、DirectML単体を直接呼び出すのはゲームエンジンやドライバ開発など、ごく低レベルな実装を行う一部の開発者に限られます。

DirectMLの仕組み（アーキテクチャ）

DirectMLは、アプリケーションとハードウェアの間に位置する「抽象化レイヤー」として機能します。処理の流れを層構造で示すと、次のようになります。

層	役割	具体例
アプリケーション層	AI機能を持つアプリ本体	Photoshop、DaVinci Resolve、自社開発アプリ
フレームワーク層	モデルの読み込み・推論制御	ONNX Runtime、Windows ML、TensorFlow-DirectML
DirectML層	演算（オペレーター）をハードウェアにマッピング	畳み込み・行列積などをGPU/NPU命令に変換
DirectX 12層	低レベルなハードウェア制御	メモリ管理、コマンドキュー
ドライバ層	「メタコマンド」によるベンダー独自最適化	Intel・AMD・Qualcommが提供
ハードウェア層	実際の演算処理	NPU、GPU、CPU

ポイントは「メタコマンド」という仕組みです。DirectMLは畳み込みや行列積といった標準的な演算パターンを認識すると、各ハードウェアベンダーがドライバレベルで提供する最適化済み実装（メタコマンド）に処理を委譲します。これにより、DirectML自身は汎用的な処理経路を持ちつつ、実際の性能はベンダーごとのチューニングに任せるという分業が成立しています。裏を返せば、同じDirectML APIを呼び出しても、ドライバのバージョンやベンダーの最適化状況次第で実際の推論速度に差が出る点は理解しておく必要があります。

DirectMLの特徴

1. ハードウェア非依存

• 自動最適化：Intel、AMD、NVIDIA、Qualcommすべてのハードウェアに対応
• プロセッサ選択：タスクに応じて最適なプロセッサを自動選択
• ドライバレベル対応：ハードウェアベンダーが最適化

2. 幅広いモデル対応

• TensorFlow：TensorFlow-DirectMLで対応
• PyTorch：PyTorch-DirectMLで対応
• ONNX：ONNX Runtimeと統合
• Windows ML：Windowsアプリで機械学習を簡単に利用

3. DirectX 12との統合

• 既存のDirectX 12インフラを活用
• ゲームエンジンとの統合が容易
• グラフィックスとAIの同時処理

この統合により、たとえばゲーム内でのアップスケーリングやNPC（ノンプレイヤーキャラクター）の挙動生成といった「グラフィックス処理とAI推論を同時に走らせる」用途でもDirectMLが利用されています。同一のコマンドキューやメモリ管理の仕組みをグラフィックス処理とAI推論で共有できるため、GPU上でレンダリングとAI処理を切り替えるオーバーヘッドが小さく済む点は、独立したAI専用APIには無い強みです。

具体例・ユースケース

Copilot+ PC標準機能での利用

• Windows Studio Effects：ビデオ会議中の背景ぼかし・アイコンタクト補正・自動フレーミングをNPU上でリアルタイム処理し、CPU/GPU負荷をほぼゼロに抑える
• Live Captions：再生中の音声をローカルで文字起こし・翻訳。クラウドに音声データを送らずに字幕表示できる
• Cocreator：ペイントアプリ上でプロンプトやスケッチからAI画像を生成する機能。NPU実行により数秒単位で下書きが更新される
• Recall：画面のスナップショットをローカルで解析・インデックス化し、自然言語で過去の操作履歴を検索

サードパーティアプリでの利用

• Adobe Photoshop / Premiere Pro：Neural FiltersやAIオブジェクト選択など、Sensei系のAI機能の一部がDirectML経由でGPU/NPUを利用
• DaVinci Resolve：AIによる自動文字起こし、話者検出、被写体マスクなどの処理をハードウェアアクセラレーションで実行
• Stable Diffusion（DirectML版のonnxruntime-directml経由）：NVIDIA以外のGPU/NPU環境でも画像生成モデルをローカル実行できるようにする代表例
• Whisper（ONNX変換版）：音声認識モデルをクラウドAPIなしでローカル実行し、議事録アプリなどに組み込まれるケースが増えている

代表的なCopilot+ PC対応チップとNPU性能の目安

Copilot+ PCの認定要件は「NPU性能40 TOPS（Tera Operations Per Second＝1秒あたり兆回の演算）以上」が目安とされており、DirectMLはこれらのNPUをすべて同じAPI経由で利用できるようにしています。主要チップの傾向は次の通りです。

チップ / ベンダー	NPU名称	NPU性能の目安	用語集リンク
Qualcomm Snapdragon X Elite / Plus	Hexagon NPU	45 TOPS程度	Arm版Windowsで動作
Intel Core Ultra 200V（Lunar Lake）	Intel AI Boost	48 TOPS程度	x86版Windowsで動作
AMD Ryzen AI 300シリーズ（Strix Point）	AMD XDNA 2	50 TOPS程度	x86版Windowsで動作

数値は各社の公表値をもとにした目安であり、実際の実効性能はモデルの種類・精度（量子化の有無）・ドライバのバージョンによって変動します。TOPSの値は「理論上のピーク性能」であり、実アプリでの体感速度とは必ずしも比例しない点にも注意してください。DirectMLはこれらすべてのNPUに対して同じコード（例：ONNX RuntimeのDmlExecutionProvider）で対応できるため、開発者はチップごとに実装を分ける必要がありません。

メリット・デメリット

DirectMLの採用を検討する際は、「ハードウェア横断で動く汎用API」であることの裏返しとして生じる制約も理解しておく必要があります。

メリット

• ベンダーロックインの回避：Intel・AMD・Qualcomm・NVIDIAのいずれのGPU/NPUでも、コードを書き分けずに同じアプリを動かせる
• 導入の容易さ：ONNX Runtime経由であればpip install onnxruntime-directmlとプロバイダー指定だけで利用開始でき、CUDAのようなツールキット個別インストールが不要
• フォールバックの自動化：対応NPU/GPUが無い環境でも、自動的にCPU実行に切り替わるため、アプリがクラッシュしにくい
• OSレベルの統合：Windows Studio EffectsやRecallなど、OS標準機能と同じ土台で自社アプリのAI機能を実装できる
• プライバシー面の利点：ローカル推論が前提のため、音声・画面データなどをクラウドに送信せずに処理できる

デメリット・注意点

• Windows専用：DirectX 12ベースのため、macOSやLinuxでは利用できない（Linux/クロスプラットフォーム展開にはONNX RuntimeのほかのExecution Providerが必要）
• 学習（トレーニング）には非対応の領域が多い：DirectMLは基本的に推論（インファレンス）向けであり、大規模モデルの学習用途ではCUDA＋PyTorch/TensorFlowの組み合わせが依然として主流
• ピーク性能はベンダー専用APIに劣る場合がある：NVIDIA GPUでの学習・推論速度を最優先するなら、DirectMLよりCUDAを直接使う方が高速なケースが多い
• ドライバ依存の性能差：同じDirectML APIでも、GPU/NPUベンダーのドライバ最適化（メタコマンド実装）の成熟度によって実効速度に差が出る
• 対応オペレーターの制約：最新の演算パターン（特定の量子化形式や新しいTransformer系レイヤーなど）が、CUDAより後追いでサポートされることがある
• デバッグ情報が少なめ：CUDAのNsightのような成熟したプロファイリングツール群と比べると、DirectML固有のデバッグ・可視化ツールは選択肢が限られる

他のAI APIとの比較

項目	DirectML	CUDA	OpenVINO
対応ハードウェア	Intel/AMD/NVIDIA/Qualcomm	NVIDIAのみ	主にIntel
OS対応	Windowsのみ	Windows/Linux/Mac	Windows/Linux/Mac
NPU対応	◎ 完全対応	× 非対応	◎ 対応
使いやすさ	◎ 自動最適化	○ 手動設定必要	○ やや複雑
主な用途	Windowsアプリの推論全般	学習・大規模推論	Intel環境での推論最適化
典型的な採用場面	Copilot+ PCアプリ、汎用Windowsソフト	クラウドGPU、研究開発	Intel CPU/GPU/NPU組み込み機器

実務では「学習はCUDA環境のクラウドGPUで行い、完成したモデルをONNX形式に変換してDirectML経由でWindowsクライアントに配布する」というハイブリッド構成が定石になっています。つまりDirectMLとCUDAは競合というより、パイプラインの異なる工程を担う関係と捉えるのが実態に近いでしょう。

開発者向け情報・実務ポイント

基本的な使用方法

# ONNX Runtime with DirectML
import onnxruntime as ort

# DirectMLプロバイダーを使用（CPUへのフォールバックも指定）
providers = ['DmlExecutionProvider', 'CPUExecutionProvider']
session = ort.InferenceSession('model.onnx', providers=providers)

# 推論実行（自動的にNPU/GPUを使用）
outputs = session.run(None, inputs)

対応言語・フレームワーク

• C++：ネイティブAPI（IDMLDeviceなどを直接操作する低レベル実装）
• C#/.NET：Windows.AI.MachineLearning名前空間経由でWindowsアプリに統合
• Python：TensorFlow-DirectML、PyTorch-DirectML、ONNX Runtime（onnxruntime-directmlパッケージ）

実務上、新規開発でDirectMLを検討するなら、まずはONNX Runtime経由の利用を第一候補とするのが定石です。理由は、モデルの学習フレームワーク（PyTorch・TensorFlow・JAXなど）を問わずONNX形式に変換さえできれば同じ推論コードで動かせるため、将来的にモデルや学習環境を変更してもクライアント側のコードを書き直す必要がないからです。C++ネイティブAPIやWindows.AI.MachineLearningを直接叩く実装は、ゲームエンジンやOSコンポーネントのようにミリ秒単位のレイテンシ管理が求められる特殊なケースに限られます。

動作要件と導入時の注意点

• OS要件：Windows 10 バージョン1903以降、またはWindows 11。多くのAI関連新機能はWindows 11での動作が前提になっている
• GPUドライバ：WDDM 2.0以降に対応したドライバが必要。古いGPUドライバではメタコマンドが有効にならず性能が出ないことがある
• パッケージの使い分け：通常のonnxruntimeとonnxruntime-directmlは同居できないため、事前にアンインストールしてから入れ替える
• プロバイダーの優先順位：providersリストの先頭から順に試行されるため、DirectMLを優先しつつCPUを最終フォールバックに置く構成が安全
• 実機検証の重要性：同じコードでもSnapdragon X・Core Ultra・Ryzen AIでは実効速度が異なるため、対象ユーザー層のPCで実測することが望ましい

AI PC選定時のチェックポイント

法人・個人問わずAI PCを選定する際は、DirectMLが実際にどれだけ性能を引き出せるかという観点で次の点を確認すると失敗が少なくなります。

• NPU性能（TOPS）だけで判断しない：TOPSはピーク値であり、メモリ帯域やドライバ成熟度も体感速度に影響する
• メモリ容量：ローカルLLM（SLM含む）を動かす場合、16GB以上の統合メモリがあると余裕を持って運用できる
• アーキテクチャの違い：Snapdragon X系はArm版Windowsのため、一部の既存x86アプリはPrismエミュレーション経由となり動作が遅くなる場合がある
• アプリ側のDirectML対応状況：業務で使う既存ソフトが実際にDirectML/NPU実行に対応しているか、購入前にベンダーの公表情報を確認する
• Copilot+ PC認定の有無：Recallなど一部のOS機能はCopilot+ PC認定機種でのみ有効になる

2025〜2026年の最新動向

• DirectML 1.14以降（2024〜2025年）：LLM推論向けの新しいオペレーターが追加され、Transformer系モデルの実行効率が改善
• Windows AI Foundry：DirectMLをバックエンドとした統合AI開発プラットフォームとしての位置づけが強化され、モデルカタログやAPIがより一本化される方向に整理が進んでいる
• WebNN APIとの連携：ブラウザからDirectML経由でNPUを利用するWebNN APIの実装が進み、Webアプリからもローカルアクセラレーションを利用できる範囲が広がっている
• TensorFlowの対応強化：TensorFlow-DirectMLプラグインの継続的改善に加え、ONNX Runtime経由のワークフローが実務上の主流になりつつある
• 対応NPUの拡大：Copilot+ PC認定チップの世代交代（Snapdragon X系、Intel Core Ultraシリーズ、AMD Ryzen AIシリーズの後継モデル）にあわせて、DirectMLのメタコマンド対応も継続的に更新されている

まとめ

DirectMLは、Windowsの機械学習向けハードウェア加速APIで、Copilot+ PCのNPUを含むIntel・AMD・QualcommのGPU/NPUを統一的にサポートします。開発者はハードウェアの違いを意識せず、ONNX Runtimeの「DmlExecutionProvider」を指定するだけで高性能なAIアプリケーションを構築できます。一方で、学習用途やNVIDIA GPUでのピーク性能を求める場面ではCUDAが依然として優位であり、「推論はDirectML、学習はCUDA」といった使い分けが実務上の定石です。AI PCを選ぶ際は、TOPS値だけでなくメモリ容量やアーキテクチャ（x86/Arm）、実際のアプリ対応状況まで含めて検討することが重要です。

よくある質問（FAQ）

関連用語

• ONNX Runtime - DirectMLを実行プロバイダーとして呼び出す主要な推論エンジン
• NPU - DirectMLがアクセスするAI専用プロセッサ
• Windows Copilot Runtime - DirectMLを活用するWindowsのAIプラットフォーム
• Intel AI Boost - DirectML経由でアクセスできるIntelのNPU
• AMD XDNA - DirectML経由でアクセスできるAMDのNPU
• Hexagon NPU - DirectML経由でアクセスできるQualcommのNPU
• TOPS - NPU/GPUの性能指標。Copilot+ PCの認定基準にも使われる
• Copilot+ PC - DirectMLを中核技術として採用するMicrosoftのAI PC認定プログラム
• 量子化 - DirectML経由の推論を高速化する際によく併用されるモデル軽量化手法

外部リンク・参考資料

この用語についてもっと詳しく

DirectMLに関するご質問など、お気軽にお問い合わせください。