その他AIツールの使い方・比較ガイド

ローカルLLMを動かすのに必要なPCスペックを、初心者向けに整理する記事。本記事は、必要スペックの9割はVRAM（GPUのメモリ）で決まること（モデルがVRAMに乗れば快適・乗らなければ激遅か動かない／AppleのM系Macは統合メモリで搭載RAMをVRAMとして使える）、量子化の基礎（FP16=1パラメータ約2バイト／Q8=約1バイト＝半分／Q4=約0.5〜0.7バイト＝約1/4で個人の定番、ざっくり計算式＝パラメータ数B×バイト数＋KVキャッシュで+10〜20%）、モデルサイズ別の必要VRAM早見表（Q4前提で7B〜8B≒6〜8GB／13〜14B≒8〜12GB／32B≒20〜24GB／70B≒40〜48GB+／100B超はQ4でも60GB超）、文脈長とKVキャッシュの落とし穴（7Bで4k≒+0.3GB・32k≒+2.5GB・128k≒+10GBと長文ほど増える）、GPU・Mac別の現実と速度目安（RTX 3060=入門/4090=32B級・7Bで100tok/s超/5090=32B Q8や70B/Apple M4・M5 Max 64GBで70B可・約10tok/s/CPUのみは遅い）、VRAM以外（システムRAM16〜32GB・SSD・電源冷却）、予算別おすすめ3ティア（入門8〜12GB／標準24GB／本格40〜64GB+）、動かせるモデルの見極め方（VRAM確認→サイズ×0.6+文脈→収まるか）までを2026年の情報で解説する。

自分のPCで動かすローカルLLMと、クラウド経由のClaude・ChatGPT・Geminiなどサービス型LLMの違い・性能差・選び方を整理する記事。本記事は、本質（ローカル=自前主義で自由とプライバシーを取り性能と手間を払う／クラウド=預け主義で最高性能と手軽さを取り課金と依存を払う＝優劣でなくトレードオフ）、7観点の比較表（性能/コスト/プライバシー/速度/手間/オフライン/マルチモーダル）、2026年の性能差の現在地（SWE-bench 公式リーダーボードの同条件測定で、オープンウェイト最上位と商用最上位の差は1ポイント〔2026年2月〕、オープンウェイト最上位は最先端に平均4か月遅れ〔Epoch AI〕、家庭用GPU 1枚で動くモデルは6〜12か月遅れ、ローカルはサイズで性能が激変）、コストの違い（クラウド=従量・少量なら割安／ローカル=初期投資後トークン無料・大量利用ほど得・回収日数＝ハード代÷1日のクラウド料金・隠れコストは時間）、プライバシー・データ主権（ローカルはデータが一切外に出ず規制/エアギャップ向き）、必要ハード早見（重み＝パラメータ数×ビット数÷8で4ビットなら1Bあたり0.5GB、速度の上限＝メモリ帯域÷重み、7B=VRAM8〜12GB・32B=24GB・70B=40〜48GB以上）、向き不向き、決定ガイド（機密→品質→使用量の順、多くの人はハイブリッドが最適でクラウド停止時のフォールバックにも）までを2026年9月時点の情報で解説する。

巨大なAIモデルを丸ごと学習し直すのは高すぎる、でも自分用に少しだけ調整したい、その願いを叶えるのがLoRA（Low-Rank Adaptation／低ランク適応）。元のモデルはそのまま凍結し、ごく小さな追加部品（アダプタ）だけを学習することで学習するパラメータを元のモデルの1%未満に減らす。LoRAはファインチューニングを劇的に安く速くする技術であり、Stable Diffusionなどの画像生成でキャラや画風を足す小さなファイルとしても大人気。本記事は仕組みをパッチ（あて布）のたとえで解説する。LoRAはパラメータ効率の良いファインチューニング（PEFT）の代表格で、核心は巨大な元の重みを一切変えず凍結し各層に小さな追加行列を差し込みそこだけ学習する（W = W₀ + BA、W₀は凍結、BAが小さな追加分）。AIの調整は実はそんなに大きく変える必要がない＝低ランクで足りるという仮説が土台で、原論文の実験が裏づけた（数学やプログラミングでは全体の学習に劣るとの報告もある）。メリットは学習パラメータが元の1%未満（原論文の GPT-3 175B で約1万分の1）・省メモリ高速安い（同じく学習時のGPUメモリ 1.2TB → 350GB）・推論はアダプタを統合すればレイテンシ増なし・元の力を忘れにくい。最大の強みはアダプタの付け替えで、土台共通のまま用途ごとに小さなLoRAを差し替え瞬時に切り替えられる。多くの人が最初に触れるのは画像生成で、Stable Diffusionでは特定キャラ・画風・被写体を覚えた小さなLoRAが無数に共有される（画風を足す、キャラを覚えさせる、軽く共有しやすい）。QLoRAは量子化と組み合わせ土台を4ビットに圧縮したままLoRAを学習し、16ビットで全部を学習すると780GB超が要る65Bのモデルを48GBのGPU 1枚で、33Bを24GBの家庭用GPUで微調整でき、論文の比較では16ビットの方式と同等の成績（33B・65Bで全体学習と並ぶかは未確認と論文自身が書く）。フルファインチューニング（全パラメータ学習）との違いは学習する重み・コスト・成果物・向く場面で、多くの実務ではまずLoRAで十分。土台はそのまま味付けは小さく、が要点。数値は原論文などの実験条件でのもので傾向の参考。

70B（700億パラメータ）の巨大モデルを手元のPC1台でも動かせる（家庭用GPUに収まらない分はCPUとメインメモリに任せる構成で）、それを可能にするのが量子化（quantization）。モデルの重みの数値精度を下げてサイズと必要メモリを劇的に小さくする技術で、モデル蒸留が別の小さいモデルに知識を移すのに対し量子化は同じモデルを軽くする。本記事は仕組みを写真の圧縮のたとえで解説する。量子化は重み（パラメータ）をFP16/FP32の小数からINT8（8ビット）やINT4（4ビット）の整数に置き換え、1重みあたりの容量を減らす（FP32=4バイト、INT8=1バイト、INT4=0.5バイト）。RAW写真をJPEGに圧縮するように少しの精度を犠牲に大きな軽さを得て、驚くのは失うものがこれほど少ないこと。どれだけ軽くなるかは、4ビット化でFP16比約1/4、70Bモデルは140GB→約35GB、8Bモデルは4ビットで約4.5〜5GBとミドルクラスGPU（VRAM 8GB）に収まりローカル実行できる＝LLMの民主化。精度はINT8でほぼ無損失、INT4でも一般的なQ&Aや常識タスクなら劣化4%未満との報告だが、数学・コード生成・難しい推論では低下が目立ちやすく用途に合うビット数を選ぶのが肝心（パープレキシティの微増として現れる）。主な手法はGPTQ（精度を保つ4ビット圧縮の先駆け）、AWQ（重要な約1%の重みを保護、GPTQとの優劣は評価で逆転）、GGUF（llama.cpp/Ollama形式でQ2_K〜Q8_0、CPU+GPU併用可、ローカル向け）、QLoRA（4ビット土台にLoRAで家庭用GPUでも微調整）。蒸留（別の小モデルに移す）・ファインチューニング（特定用途に追加学習）とは狙いが違い、組み合わせて使うのが普通（蒸留した小モデルをさらに量子化、量子化土台にFT等）。始め方はローカルならGGUF（Ollama）を1コマンド、VRAMに合わせてQ4/Q8を選び、コード生成や厳密計算ならINT4を避けINT8以上に。たいてい量子化済みモデルが配布されダウンロードして使うだけ。賢さはそのまま重さだけ落とす最も実用的な一手。数値は各種公表資料の引用で傾向の参考。

巨大で高性能なAIは賢いが重くて高い、その悩みを解くのがモデル蒸留（Knowledge Distillation）。大きな先生（teacher）モデルの知識を小さな生徒（student）モデルに移し、はるかに小さく速いまま先生に近い性能を保ついいとこ取りを狙う技術。本記事は仕組みを先生と生徒のたとえで解説する。カギはソフトラベルで、普通の学習が正解は猫とだけ教える（ハードラベル）のに対し蒸留は先生が出す90%猫8%犬2%キツネといった確率分布ごと生徒に渡し、その迷いの度合いに正解だけでは伝わらない豊かな情報が含まれる。さらに温度（Temperature）で確率をやわらかくし似たもの同士の微妙な関係まで見せる（実例：OpenAIは2024年、大モデルの出力で小モデルを鍛える蒸留機能をAPIに追加）。メリットは速くて安い・大幅に小型でも先生に近い性能（TinyBERTは約7.5分の1で96.8%以上）・エッジで動く・用途特化に強い。方式は先生の重みや内部表現にフルアクセスできるホワイトボックスと、出力（API応答）しか見えないブラックボックスの2つで、後者で他社APIを先生にすると規約違反になりうる。混同しやすい技術との違いは、蒸留＝別の小モデルに知識を移す、量子化＝同じモデルの重みの精度を下げて圧縮、ファインチューニング＝既存モデルを特定タスク向けに追加学習、で排他でなく組み合わせ可能。法的・規約の現実が2026年の大論点で、蒸留技術自体は正当だがOpenAI・Anthropic・xAI等の利用規約には自社出力を競合モデル開発に使うことを禁じる反蒸留条項があり、制限APIの出力を先生に競合を蒸留するのは技術的に可能でも規約違反になりうる。OpenAI対DeepSeekの係争（OpenAIはアクセス制限を回避し出力を蒸留した疑いと主張、一方DeepSeek規約は自社出力の蒸留利用を認めるとされる）やClaude Fable 5/Mythos 5で蒸留と判定されたリクエストを下位のOpusモデルに切り替える設計など緊張は継続。実務は使う先生モデルの規約を必ず確認し、自社・許諾OSSを先生にする、競合開発に当たらないか用途を慎重に判断するのが心得。賢さは大モデル運用は小モデルの両立を可能にするが先生に誰を選ぶかで技術的にも法的にも結果が変わる。数値・事例は各種公表資料・報道の引用で傾向の参考。

ファインチューニングは、学習済みモデルの重みや追加のアダプタを学習し、文体・分類・出力の傾向を調整する技術です。RAGやプロンプトとの役割の違い、フル・LoRA・QLoRAの仕組み、データの品質と評価、学習・推論・運用費用を整理。OpenAI SFTの最低10例と開始時の推奨50例を全方式共通の基準と区別し、セルフサービス型ファインチューニングの新規受付終了と既存利用者の条件も説明します。問い合わせ分類を例に、実行前の確認から採用判断までの手順を示します。

ChatGPTやClaudeのようなAIはクラウドで動かすのが当たり前——そう思いがちだが、小さなモデルならファイルは数GBで、普通のノートPCでも動く。ローカルLLMとは、AIモデルをクラウドではなく手元のPCで直接動かすこと。入力が外部に送られない（プライバシー）、API料金がかからない、ネットがなくても動く、の3つが利点で、最上位のクラウドAIほど賢くない点と相応のPCスペックが要る点が弱点だ。本記事では、量子化（Q4_K_M なら fp16 の約3割。Llama 3.1 8B で16GB→4.9GB）と Ollama のタグ一覧の実サイズの表（2026年9月30日時点）、Ollama と LM Studio の公式の動作条件、Ollama の公式手順（macOS・Linux は install.sh、Windows は install.ps1 で入れ、ollama run gemma4 で動かし、ollama ps で GPU に載ったかを確かめる）、「:cloud」付きのモデルは手元で動かないという注意、モデルの選び方（Llama 3.1・Gemma 4・Qwen3.8・DeepSeek-R1 などの例）、クラウドとの使い分けまでを初心者向けに解説する。

2026年6月9日、Anthropicが新モデルClaude Fable 5を公開した。社内最強とされる frontier モデルMythos級の能力を、初めて一般ユーザー・開発者が使える形で解き放った、同社が「一般提供する中で史上最強」と位置づけるモデルだ。キャッチコピーは「長時間・複雑な仕事のために作られた」。本記事はこの重要リリースを初心者向けに徹底解説する。Fable 5とは何か（Mythos級を安全に一般公開、長距離走の完走力に最適化、モデルID claude-fable-5）、双子のMythos 5との違い（中身は同一で安全装置だけが違う、一般はFable）、ベンチマーク（SWE-Bench Pro 80.0%＝Opus 4.8の69.2やGPT-5.5の58.6を引き離す、Hexの長時間分析で史上初の90%超、Cognition FrontierCodeやHebbia金融で首位、ビジョンでも新SOTAでポケモンを補助なしプレイ）、本領の長時間・自律（数百万トークン集中・歴代Claude最長の自律稼働、Stripeが5,000万行Ruby移行を1日で完了＝手作業2か月超、ファイルメモリでゲーム性能がOpus 4.8の3倍向上、GitHubも長丁場コーディングを高自律で）、料金と提供（入力$10/出力$50・100万トークン、1Mコンテキスト・12.8万出力、6月9〜22日は各プランで追加料金なし以降クレジット消費、API claude-fable-5・GitHub Copilot）、最大の見どころである新しい安全設計（サイバー攻撃・生物化学・蒸留の3分類器でリスク検知時のみOpus 4.8へフォールバック、作動はセッションの5%未満で95%超は自走、Mythosクラスは30日保持）、「AIは危険すぎる」警告の数日後の公開という文脈（全開放か全閉鎖かでなく危険な領域だけ閉じる第三の道）、そしてどう使い分けるか（大規模移行・長時間調査・自律エージェント主力に向く、軽い用途は軽量モデルが割安、/modelで切替）まで網羅。数値はAnthropic発表・各種報道の引用で今後変わりうる。

テキストを打つだけで声つきの動画が数十秒で生まれる——少し前ならSFだった体験が2026年には現実に。しかも状況は恐ろしく速く変化し、話題を独占していたOpenAI Soraはアプリ/Webが2026年4月に終了（APIも2026年9月24日に終了）、代わりにGoogle Veo・Kling・Runwayが主役へ。本記事は特定ツールに偏らないAI動画生成の始め方の最新版（2026年6月時点）として、何ができるか（言葉や画像から数秒〜数十秒の動画を生成、音声同期・1080p〜4K・image-to-videoが当たり前に）、2026年の勢力図（Sora終了の経緯＝計算資源やコスト圧迫・利用者減と報道、現在の主役Google Veo 3.1/Kling 3.0/Runway Gen-4.5の強みとアクセス、秒課金が主流）、仕組み（拡散モデルを時間方向に拡張、text-to-videoとimage-to-video）、どのツールでも共通の始め方5ステップ（ツール選び→プロンプト/画像→尺・比率・音→生成して選ぶ→編集でつなぐ）、核心となる動画プロンプトのコツ（被写体＋動き＋カメラワーク＋画風＋尺/比率＋音声、動詞とカメラが鍵、1カット1アクション・image-to-video活用・数を回す）、できること/まだ苦手なこと（長尺一発や完全な一貫性は不得手、秒課金でコスト嵩む）、そして権利・ウォーターマーク・倫理（SynthIDなどの電子透かしが標準化し多くのプランで除去不可、来歴規格C2PAも普及、純AI生成は著作権弱く国差あり、商用は規約次第、実在人物のディープフェイクは厳禁）までを初心者向けに整理する。長尺を一発で狙わずカットを作って編集でつなぐのが王道。変化が速い分野ゆえ最新は必ず公式で確認を。

「絵心がないから無理」——AI画像生成へのその先入観は逆だ。言葉で指示するだけで、数十秒後にはプロ級のビジュアルが手に入る。本記事は特定ツールに偏らない横断ガイドとして、AI画像生成とは何か（言葉でゼロから画像を作る、描く技術でなく伝える技術＝プロンプトの画像版）、仕組み（拡散モデル＝ランダムなノイズからプロンプトを手がかりに絵を彫り出す。毎回ゼロから描くので結果がゆらぐ）、どのツールでも共通の始め方4ステップ（ツールを選ぶ→プロンプトを書く→生成して選ぶ→改善・仕上げ、反復が前提）、核心となる画像プロンプトの6部品（被写体・情景/背景・画風・光や色・構図/視点・技術指定）＋ネガティブプロンプトとアスペクト比、ただし除外・縦横比・画像内の文字の書き方はツールごとに違う（Midjourneyは--no、Googleは肯定形の描写、Stability AIのAPIはnegative_promptなど各社の公式ドキュメントで確認）こと、使いこなしのコツ7選（数を回す・少しずつ足す・参照画像・インペイント・シード固定・高解像度化・良い呪文を保存）、AIが苦手なこと（手指・文字・一貫性・細かい正確さ）と回避策、そして仕事で使うなら必須の権利・商用・倫理（米国著作権局の見解や、2026年に連邦最高裁が上告を受理せず確定したThaler事件のとおり純AI生成物は著作権で保護されにくく国差あり／商用可否はツール規約次第／ディープフェイクや作風の無断模倣は厳禁、OpenAIが画像にC2PAの来歴情報とSynthIDの透かしを両方付けるなど明示の流れ）までを初心者向けに整理。どのツールを選ぶか・個別の使い方は比較記事とMidjourney・Stable Diffusionの記事へ案内する。型を知り数を回し少しずつ言葉を足す——この3つで誰でも狙った一枚に近づける。

同じAIに同じことを聞いても、ある人は「使えない」と言い、ある人は「優秀すぎる」と驚く——その差の正体は、多くの場合AIの性能ではなくプロンプト（指示文）の書き方だ。本記事はその技術＝プロンプトエンジニアリングを、初心者がそのまま使えるよう体系化した実践大全。プロンプトエンジニアリングとは何か（AIへの指示文を設計・改善する技術で、コードではなく伝え方の工夫）から、結果が変わる3大原則（具体的に・文脈を渡す・出力を指定、加えて「〜しないで」より「〜して」）、核心となる良いプロンプトの6要素（役割・文脈・指示・例・形式・制約。各社の公開ガイドに繰り返し出てくる要素で、毎回全部は不要、足りない部品を補う）、すぐ効く実践テクニック7選（役割付与・お手本/Few-shot・段階思考・出力形式固定・区切りで構造化・一度に欲張らない・会話で反復、最強は反復）、Before→Afterの実例比較、一歩進んだ技法（思考連鎖CoT・自己整合性・プロンプトチェーン・ReAct、ただしo系やClaude拡張思考の推論モデルはCoTを内部で行うためゴール明示が効く）、よくある失敗7つ、モデル別のコツ（ChatGPT/Claude/Gemini）と入力時の安全面までを、専門用語を噛み砕いて1ページに整理する。具体ケースはアプリ開発のプロンプト、安全面は入力情報の注意点へ内部リンク。曖昧を具体に、丸投げを対話に——この姿勢で誰でも今日から上達できる。

2025年6月、OpenAIのサム・アルトマン氏は「私たちはすでに事象の地平線を越えた、離陸は始まっている」とブログに記した（「The Gentle Singularity」）。一方で「来ない」と切り捨てる研究者もいる。本記事は初心者向けに、シンギュラリティ（技術的特異点）とは「AIが人間の知能を超え、自分で自分を改良し始めた結果、技術の進歩が爆発的に速くなり、その先が予測も制御もできなくなる転換点」であること（2026年時点では未実現の仮説）を起点に、心臓部である知能爆発＝再帰的自己改善のループ（賢いAIがもっと賢いAIを作り、改良する主体が人間からAIに変わるのがカギ）、AGI・ASIとの違い（AGI/ASIは"賢さの状態"、シンギュラリティは"予測不能になる出来事"。AGI→自己改善→ASIへの急変＝特異点）、言葉の歴史（1965年I.J.グッドの「知能爆発」→1993年ヴィンジが命名を普及→カーツワイルが2045年で大衆化）、実現時期の予測のばらつき（カーツワイル2045年、アルトマン「もう始まった」、ヴィンジ、懐疑派マーカスや故ポール・アレンの「複雑性のブレーキ」）、急激なハード・テイクオフ対緩やかなソフト・テイクオフ、起きたときの期待（難病・科学の飛躍）とリスク（制御不能・アラインメント問題）、根強い懐疑論（複雑性のブレーキ・物理的限界・そもそも別物）、そして「ロボットの支配」「AGIが来たら即」「2045年に確定」などよくある誤解までをやさしく整理する。過剰に怖がらず夢も見すぎず、今あるAIを使いこなしながら次を冷静に見据えるのが賢い構えだ。