ローカルAI・LLM向けミニPC完全ガイド【2026年版】必要スペック・選び方・始め方

生成AIをクラウドだけでなく、自分のPC上で動かす「ローカルAI」が身近になっています。OllamaやLM Studioを使えば、Qwen、Llama、Gemma、gpt-ossなどのオープンウェイトモデルをWindowsやLinuxのPCにダウンロードし、手元の環境で利用できます。

そこで注目されているのが、設置スペースを抑えながらローカルLLM環境を構築できるミニPCです。ただし、「AI PC」や「NPU搭載」と書かれているだけで、すべてのLLMが快適に動くわけではありません。モデルの規模、量子化、メモリ容量、メモリ帯域、GPU対応、コンテキスト長をまとめて判断する必要があります。

先に結論：ローカルLLM向けミニPCの選び方

ローカルLLM用ミニPCを選ぶ際は、次の順番で確認してください。

1. 実行したいモデル規模を決める：7B～8B、14B、32B、70Bでは必要メモリが大きく異なる
2. RAM・VRAM・共有メモリを確認する：容量だけでなく、GPUが利用できる範囲も重要
3. 推論ソフトの対応状況を確認する：Ollama、LM Studio、llama.cppがCPU・GPUを利用できるか確認
4. 長いコンテキストやRAGの余裕を持たせる：モデル重み以外にKVキャッシュやベクトルDBもメモリを使う
5. 冷却・ストレージ・ネットワークを見る：長時間運用やモデル保存では、持続性能と拡張性が重要

4bit量子化モデルを1つ使う場合、システムメモリはおおむね次の範囲が検討基準になります。

この表はベンチマーク結果ではなく、一般的な4bit量子化を前提とした構成目安です。モデル形式、コンテキスト長、OS、推論エンジンにより実際の必要量は変わります。

ローカルAIとは？

ローカルAIとは、AIモデルの推論処理をクラウド上のサーバーではなく、自分のPC、社内サーバー、エッジ端末などで実行する仕組みです。

クラウドAIでは、入力した文章や画像がネットワーク経由でサービス提供者の環境へ送られます。一方、ローカルAIは、必要なモデルとソフトウェアを事前にダウンロードしておけば、処理を手元の端末内で完結できる場合があります。

ローカルAIの主なメリット

• インターネットに接続できない環境でも利用しやすい
• APIの従量課金を気にせず試行を繰り返せる
• モデル、システムプロンプト、RAGデータを自分で管理できる
• 社内文書や個人データを外部へ送らない構成を作りやすい
• ローカルAPIを使って自作アプリや業務ツールと連携できる

注意すべきデメリット

• PCの購入費用と電力、保守が必要
• モデルの更新、ドライバー、推論ソフトを自分で管理する必要がある
• 同じモデルでもクラウドの専用GPU環境より遅い場合がある
• 大規模モデルには大容量メモリが必要
• ローカルで動かすだけで自動的に安全になるわけではない

セキュリティは、ネットワーク公開範囲、アクセス権限、ログ、モデルや拡張機能の入手元まで含めて設計してください。

ローカルLLMとは？生成AIとの違い

LLMはLarge Language Model（大規模言語モデル）の略で、文章の生成、要約、翻訳、質問応答、コード生成などを行うモデルです。ローカルLLMは、そのLLMを自分のPCや社内環境で実行する使い方を指します。

生成AIは画像、音声、動画なども含む広い概念です。LLMは、その中でも主に言語を扱うモデルです。詳しくはLLMとは？大規模言語モデルの仕組みをご覧ください。

現在は、Qwen3の8B・14B・32B、Llama 3.1の8B・70B、Gemmaシリーズ、OpenAIのgpt-oss-20b・120bなど、異なる規模と構造のモデルが公開されています。パラメータ数が同じでも、denseモデルとMoEモデルでは必要メモリや動作特性が異なるため、モデル提供元の仕様を優先してください。

なぜローカルAIにミニPCが選ばれるのか

1. デスク上に常設しやすい

ミニPCは一般的なデスクトップPCより小さく、モニター横、テレビ周辺、ラック、共有スペースにも設置しやすい形状です。メインPCとは別に、ローカルAI専用端末や社内RAGサーバーとして分離する構成にも向いています。

2. ノートPCより常時稼働させやすい

ノートPCは持ち運びに便利ですが、スリープ、バッテリー管理、画面を閉じた際の動作などを考慮する必要があります。電源に常時接続するAIエージェントやローカルAPIサーバーでは、専用ミニPCに処理を分けると運用を整理しやすくなります。

3. メモリ・SSD・外付けGPUの選択肢がある

製品によってはSO-DIMMメモリ、複数のM.2 SSD、USB4、OCuLinkなどを備えています。モデル保存用SSDを追加したり、将来eGPUを接続したりできる点は、拡張性を重視するユーザーにとって利点です。

4. CPU・GPU・NPUを1台にまとめられる

近年のAI向けプロセッサは、CPU、iGPU、NPUを同一パッケージに搭載しています。ただし、すべてのローカルLLMソフトがNPUを利用するわけではありません。実際の推論ではGPUまたはCPUが中心になることも多いため、TOPSだけで製品を選ばないことが重要です。

ローカルLLM向けミニPCに必要な7つのスペック

1. メモリ容量：最初に決めるべき項目

ローカルLLMでは、モデルの重みをRAMまたはVRAMへ読み込みます。メモリが不足すると、モデルを読み込めない、コンテキストを伸ばせない、ストレージへのスワップで応答が遅くなるといった問題が起こります。

Windowsでブラウザや資料作成ソフトも同時に使うなら、モデルのファイル容量と同じだけのRAMでは足りません。OS、推論処理、KVキャッシュ、他アプリのための余裕を残してください。

• 16GB：小型モデルを試す入門構成
• 32GB：7B～14Bを中心に使う一般的な候補
• 64GB：14B～32B、RAG、長いコンテキストを検討しやすい
• 96～128GB：32B～70B、大規模RAG、複数モデル向け

メモリ容量を深く比較したい方は、モデル規模別の必要メモリ完全ガイドを参照してください。

2. VRAMと統合メモリ：モデルをどこへ置くか

専用GPUを使う場合、モデルの多くをVRAMへ収められるほどGPUで処理しやすくなります。収まらない部分をRAMとCPUへ分けることもできますが、処理速度は構成によって変わります。

統合メモリを採用するPCでは、CPUとGPUが同じメモリプールを共有します。大容量をGPU側へ割り当てられる製品はローカルLLMの候補になりますが、搭載メモリのすべてをモデルだけに使えるわけではありません。

VRAMとは？容量の選び方と確認方法では、専用VRAMと共有メモリの違いを詳しく解説しています。

3. メモリ帯域：容量と同時に確認する

LLM推論では、モデルの重みを繰り返し読み出します。そのため、同じ64GBでもメモリの規格、速度、チャネル構成によって動作特性が変わります。

大容量だけを優先せず、DDR5またはLPDDR5Xの速度、デュアルチャネル・クアッドチャネル構成、統合メモリの帯域も確認してください。なお、帯域の数字だけから実際の生成速度を断定することはできません。

4. GPU：対応状況と利用可能メモリが重要

GPUは大量の並列計算を得意とし、多くのローカルLLM推論で重要な役割を持ちます。ただし、GPU名だけでなく、次の点を確認する必要があります。

• OllamaやLM StudioがそのGPUを認識できるか
• WindowsとLinuxのどちらで使うか
• ROCm、Vulkan、CUDAなど、どのバックエンドを利用するか
• GPUへ割り当てられるメモリ容量
• モデル全体をGPUへ載せるか、CPUと分割するか

Ollamaの公式ハードウェア情報では、LinuxのROCm対応Ryzen AIとしてRyzen AI 9 HX 470やRyzen AI Max+ 395などが掲載されています。一方で、OSやOllamaのバージョンによって対応経路が異なります。購入前と導入時の両方で、最新の公式対応表を確認してください。

5. NPU：省電力AI処理に有用だが、LLMでは対応確認が必要

NPUはAI処理向けの専用回路です。WindowsのAI機能、画像処理、対応アプリでは有用ですが、OllamaやLM Studioで任意のモデルを読み込んだだけで、自動的にすべての推論がNPUへ移るとは限りません。

NPU搭載の有無に加えて、推論ソフト、モデル形式、ドライバー、実行バックエンドの組み合わせを確認しましょう。

6. ストレージ：1TBを基準に拡張性を確認

量子化モデルでも、複数のモデルを保存すると容量を使います。さらに、RAG用文書、ベクトルDB、Dockerイメージ、開発環境、ログ、バックアップも必要です。

ローカルAI専用機なら、1TB SSDを初期目安とし、複数のM.2スロットや増設上限を確認すると運用しやすくなります。OS・アプリ用とモデル・データ用でSSDを分ける構成も選択肢です。

7. 冷却・電源・ネットワーク：長時間運用を左右する

短いベンチマークと、RAGやAIエージェントを数時間動かす運用では条件が異なります。冷却設計、電力モード、吸排気スペース、ファンの清掃性を確認してください。

ローカルAPIや社内サーバーとして使う場合は、有線LAN、2.5GbE、Wi-Fi、リモート管理方法も重要です。外部公開する場合は、認証なしでOllamaやLM StudioのAPIポートをインターネットへ直接公開しないでください。

モデル規模はどう選ぶ？

7B～8B：初めてのローカルLLM向け

要約、翻訳、文章の下書き、簡単な質問応答などから始めたい人に向いています。4bit量子化なら比較的小さく、32GBクラスのミニPCでも構成を検討しやすい規模です。

14B：品質と必要スペックのバランス

日本語の文章作成、コード補助、軽量RAGなど、7Bより複雑な用途を狙う層に適しています。32GBでも検討できますが、長文や他アプリとの併用では64GBの余裕が役立ちます。

20B～32B：開発・推論・RAG向け

より複雑な指示、コード生成、専門文書、ツール利用を重視する場合の候補です。一般的なdense 32Bモデルでは64GB以上を基準に考えます。ただし、gpt-oss-20bのようなMoEモデルは構造が異なり、提供元が独自の必要メモリを示しているため、単純なパラメータ数だけで判断しないでください。

70B以上：大容量メモリが前提

70Bクラスは、4bit量子化でもモデル重みだけで大きな容量になります。短いコンテキストで読み込める最低容量ではなく、OS、KVキャッシュ、RAG、同時利用を含めて96～128GBを検討するのが現実的です。

ローカルLLMで使われる主なソフトウェア

OllamaはWindows上でネイティブアプリとして動作し、NVIDIAおよびAMD Radeon GPUに対応しています。LM StudioもWindows、macOS、Linuxに対応し、Windows版は少なくとも16GB RAMを推奨しています。ただし、実際に利用できるモデルサイズはPCのメモリ容量で決まります。

導入方法はミニPCにOllamaをインストールする方法とLM StudioをミニPCで使う方法で個別に解説予定です。

用途別に見るACEMAGICミニPCの候補

以下は公開されている製品仕様に基づく用途整理です。同一条件での比較ベンチマークではなく、特定モデルの生成速度や動作を保証するものではありません。使用するOS、モデル、量子化、コンテキスト、ソフトウェアの対応状況を確認してください。

入門・拡張重視：ACEMAGIC AM18

ACEMAGIC AM18は、Ryzen 5 7640HS、Radeon 760M、DDR5 SO-DIMMスロット×2、OCuLinkを備えています。公式仕様では最大96GBメモリに対応しています。

標準16GB構成のまま大きなLLMを動かす用途ではなく、小型モデルから始め、必要に応じてメモリやeGPUを検討したい人の候補です。メモリ交換、互換性、デュアルチャネル構成は購入前に確認してください。

7B～14Bを中心に使う：ACEMAGIC F5A

ACEMAGIC F5Aは、Ryzen AI 9 HX 470、Radeon 890M、32GB LPDDR5X 8000MT/s、1TB SSDを搭載しています。USB4、OCuLink、3基のM.2 NVMeスロットも備えています。

32GB構成で小～中規模モデルを試し、Ollama、LM Studio、軽量RAG、個人用AIアシスタントを始めたい人の候補です。32GBメモリはオンボードで増設できないため、将来32B以上を主用途にする予定がある人は注意してください。

32B～70Bと大容量メモリを検討：ACEMAGIC M1A PRO+

ACEMAGIC M1A PRO+は、Ryzen AI Max+ 395、Radeon 8060S、128GB LPDDR5X 8000MHz統合メモリ、2TB SSDを搭載しています。公式仕様では最大96GBを共有VRAMとして設定可能です。

32B以上のモデル、大規模RAG、複数のAI処理を検討する際の大容量メモリ候補です。ただし、128GBのすべてをモデルに使えるわけではなく、OSや他のアプリ用の容量を残す必要があります。また、実際の生成速度や最大コンテキストは、モデルと実行環境によって異なります。

eGPUは必要？USB4とOCuLinkの考え方

内蔵GPUや統合メモリだけで要件を満たせない場合、外付けGPUは拡張方法の一つです。OCuLinkはPCIe接続を利用するため、対応するミニPC、eGPUドック、電源、GPUを組み合わせます。

ただし、eGPUを追加すれば必ず費用対効果が高くなるとは限りません。GPU本体、ドック、電源、設置スペース、ドライバー対応を含めると、最初から大容量メモリPCやGPU搭載デスクトップを選ぶほうが合理的な場合もあります。

詳しくは外付けGPU対応ミニPCとeGPUの選び方をご覧ください。

ローカルLLMを始める基本手順

Step 1：用途を決める

チャット、文章生成、コーディング、RAG、画像理解、AIエージェントのどれを行うか決めます。用途が曖昧なまま最大モデルを選ぶと、必要以上に費用がかかります。

Step 2：モデルと量子化を選ぶ

日本語性能、ライセンス、モデル規模、コンテキスト長、量子化形式を確認します。企業利用では、商用利用条件と出力利用条件も確認してください。

Step 3：OllamaまたはLM Studioを導入する

GUIを重視するならLM Studio、CLI・API・サーバー連携を重視するならOllamaが候補です。ダウンロードは必ず公式サイトから行います。

Step 4：小さいモデルから動作確認する

最初から70Bを読み込まず、4B～8B程度のモデルでGPU認識、メモリ割り当て、保存先、API接続を確認します。Ollamaではollama psを使って、モデルがCPUとGPUのどちらへ割り当てられているか確認できます。

Step 5：コンテキストとメモリ使用量を調整する

コンテキスト長を増やすとKVキャッシュが増え、必要メモリも増えます。Ollamaの公式ドキュメントも、長いコンテキストほど多くのVRAMが必要になると説明しています。用途に必要な範囲から段階的に増やしてください。

Step 6：RAG・API・エージェントへ拡張する

基本動作を確認した後、文書検索、ローカルAPI、OpenClawなどへ拡張します。常時稼働させる場合は、ユーザー認証、ネットワーク分離、バックアップ、ログ管理、モデル更新手順も決めておきます。

OpenClawに最適なミニPCと必要スペックでは、AIエージェント用途のハードウェア要件を解説しています。

ミニPCと他の選択肢を比較

ミニPCが常に最適とは限りません。必要なモデル、応答速度、利用人数、運用時間、予算、データ管理要件を比較して決めてください。

購入前チェックリスト

• 実行したいモデル名とパラメータ数を決めたか
• 量子化ファイルの実容量を確認したか
• RAMとVRAM、共有メモリを区別しているか
• OSと他アプリ用のメモリを残しているか
• 長いコンテキストやRAGの追加使用量を考慮したか
• OllamaまたはLM Studioの対応ハードウェアを確認したか
• メモリがオンボードか、交換・増設できるか確認したか
• SSD容量とM.2スロット数を確認したか
• 冷却、電源、吸排気スペースを確保できるか
• USB4またはOCuLinkが本当に必要か判断したか
• モデルとソフトウェアのライセンスを確認したか
• APIを外部公開する場合の認証とネットワーク設計を決めたか

まとめ

ローカルAI・LLM向けミニPCは、本体の小ささだけでなく、メモリ容量、メモリ帯域、GPU対応、ストレージ、冷却、拡張性を総合して選ぶ必要があります。

• 初めて試すなら、16～32GBで4B～8Bモデルから始める
• 7B～14Bを中心に使うなら、32～64GBを検討する
• 32BやRAGを重視するなら、64～96GBの余裕を持たせる
• 70Bや複数処理では、96～128GBを検討する
• NPUのTOPSだけでなく、GPU対応と利用可能メモリを確認する
• コンテキスト長を増やすと必要メモリも増える
• 実測値はモデル、量子化、OS、ソフトウェアの条件が揃ったものだけを比較する

ACEMAGIC製品では、拡張性を重視するAM18、32GB構成で小～中規模モデルを試すF5A、128GB統合メモリを備えるM1A PRO+など、用途に応じた候補があります。製品名だけで決めず、自分が使うモデルと運用条件から逆算してください。

よくある質問（FAQ）

ローカルLLMはミニPCでも動きますか？

はい。小～中規模の量子化モデルはミニPCでも実行できます。ただし、動作するモデル規模と速度は、メモリ容量、GPU対応、量子化、コンテキスト長によって変わります。

ローカルLLM用ミニPCには何GBのメモリが必要ですか？

4bit量子化を前提に、7B～8Bなら16～32GB、14Bなら32～64GB、32Bなら64～96GB、70Bなら96～128GBが構成目安です。モデル提供元の必要条件がある場合は、そちらを優先してください。

32GBメモリでローカルLLMは使えますか？

7B～14Bクラスを中心に検討できます。長いコンテキスト、RAG、複数アプリとの併用では余裕が減るため、モデルと設定を小さくして確認してください。

NPU搭載ミニPCならLLMが速くなりますか？

必ずしも速くなるとは限りません。推論ソフトとモデルがNPUに対応していなければ、CPUまたはGPUが処理します。NPUのTOPSだけでなく、実行バックエンドとメモリを確認してください。

ローカルLLMにはGPUが必須ですか？

必須ではありません。CPUだけでも実行できるモデルがありますが、GPUへ多くのレイヤーを割り当てられる構成は推論を高速化できる場合があります。実際の差はモデルとハードウェアで異なります。

OllamaとLM Studioはどちらがおすすめですか？

CLI、API、サーバー連携を重視するならOllama、GUIでモデルを探してチャットしたいならLM Studioが選びやすいです。両方を試し、対応モデルとハードウェア認識を比較しても構いません。

WindowsでローカルLLMを動かせますか？

はい。OllamaとLM StudioはWindowsに対応しています。AMD、NVIDIA、IntelのGPU対応は製品、ドライバー、ソフトのバージョンで異なるため、最新の公式対応情報を確認してください。

70Bモデルには128GBメモリが必須ですか？

必須とは限りません。4bit量子化モデルを64GB程度で読み込める場合もありますが、OSやKVキャッシュの余裕が小さくなります。長文、RAG、他アプリとの併用では96～128GBが現実的です。

eGPUを追加すれば大きなLLMを動かせますか？

GPUのVRAM容量とソフトウェア対応が要件を満たせば選択肢になります。ただし、ドック、電源、帯域、ドライバー、費用を含めて判断する必要があります。

ローカルAIなら入力データは絶対に外部へ送信されませんか？

ローカルモデルの推論を端末内で完結させることはできますが、アプリの更新確認、モデル検索、Web検索、外部API、テレメトリーなどが通信する場合があります。完全オフラインが必要なら、使用ソフトの通信仕様とネットワーク設定を確認してください。

実際にGPUへモデルが読み込まれたか確認できますか？

Ollamaではollama psでモデルサイズとCPU・GPUへの割り当て状況を確認できます。推測だけで判断せず、モデルや設定を変更するたびに実際の表示を確認してください。