エッジに推論を置く4つの理由
エッジAIとは、AIの推論（学習済みモデルで判定すること）を、クラウドやデータセンターではなく、設備の近くに置いた計算機で行う構成です。工場でエッジを選ぶ理由は、次の4つに整理できます。
| 理由 | 工場での具体例 | クラウドだと起きること |
|---|---|---|
| 遅延 | タクト1秒の外観検査で、判定を排出機構に返す | 往復の通信時間とばらつきで判定が間に合わない |
| 帯域 | 高解像度画像、数kHzの振動波形 | 全量を送ると回線費・転送量が膨らむ |
| 可用性 | 回線障害時もラインを止めない | ネットワークが切れると判定できずラインが止まる |
| 機密性 | 製品画像、レシピ、工程条件 | 社外に出すことへの社内規程・顧客契約の制約 |
逆に、ライン横断の分析、モデルの再学習、長期間のデータ蓄積は、計算資源と全体のデータが集まるクラウドやデータセンター側が向いています。実務では「推論はエッジ、学習と横断分析はクラウド」というハイブリッドが標準的です。どちらに置くかの判断は推論はエッジかクラウドかで詳しく扱います。
機器の選び方：GPU・CPU・専用チップ
エッジ機器は、モデルの種類と処理量で選びます。外観検査の画像モデルのように計算量が大きいものはGPU搭載機、時系列の異常検知のように軽いものは産業用PCのCPUで足りることが多くあります。
NVIDIAの公表値では、Jetson AGX Orin 64GBが最大275 TOPS・15〜60W、Orin NXが最大100 TOPS（Superモードで157/117 TOPS）・10〜25W、Orin Nano Super開発キットが67 TOPS・7〜25Wです。TOPSは理論上のピーク性能で、実際の推論速度はモデルと最適化の仕方で大きく変わります。機器を選ぶときは、自社のモデルで実測することが前提です。
CPUだけで推論する選択肢もあります。外観検査向けOSSのanomalibは、Intelの推論最適化ツールOpenVINOとNNCFによる量子化で、CPU向けのデプロイに対応しています。異常検知モデルのEfficientADは、論文ではRTX A6000で1枚2.2ミリ秒と報告されており、軽量なモデルを選べばGPUの性能要求そのものを下げられます。
エッジ向けの専用チップも動いています。日立製作所は2026年4月、エッジ向けの軽量AIモデルと専用エッジAI半導体を開発し、最先端GPU比で電力効率10倍以上と発表しました（同社発表）。生成AIの側でも、Rockwell AutomationがNVIDIA Nemotron-Nano-9B-v2ベースの小型言語モデルを産業エッジに載せる取り組みを2025年11月のAutomation Fairで紹介しています。
選定では、性能以外に次の点を確認します。
- 動作温度・粉じん・振動：工場の盤内や設備横に置けるか。ファンレスか
- I/O：カメラのインターフェース（GigE Vision、USB3）、PLCとの接続（デジタルI/O、EtherNet/IP、PROFINETなど）
- 供給期間：同じ機種を何年買えるか。横展開の途中で機種が変わると再検証が必要になる
- 遠隔管理：OSやモデルを遠隔で更新できる管理ツールがあるか
台数が増えると問題になるのは運用
1台目のエッジAIは、技術者が現地でセットアップすれば動きます。問題は、10台、50台と増えたときです。
台数が増えたときに必要になるのは、次の4つの仕組みです。
- モデルの配布：どのエッジ機に、どの版のモデルと閾値を入れるかを中央で管理し、遠隔で配布する。USBメモリでの手作業は、10台を超えると版の食い違いが必ず起きる
- 版の記録：どの時点で、どのエッジ機が、どの版のモデルで判定したかを記録する。品質監査では「このロットをどのモデルで判定したか」を問われる。考え方は工場向けMLOpsで扱う
- 稼働監視：推論時間、判定の分布、エッジ機の温度やディスク残量を集める。判定の分布が急に変われば、カメラのずれや材料の変化を疑う
- 生データの持ち帰り：全量は送らず、判定が境界付近だったもの、人の再判定で覆ったものだけを学習用に送る
よくある質問
エッジAIの機器はいくらくらいですか？
構成によって大きく変わります。CPUだけの産業用PCで済む用途から、GPU搭載の産業用エッジ機が必要な用途まで幅があり、カメラ・照明・筐体・設置工事を含めると機器単体の価格より大きくなります。1台あたりの費用より、横展開する台数と運用管理の費用で比較してください。
Jetson以外の選択肢はありますか？
あります。CPU推論ができる産業用PC、GPUを積んだ産業用PC、スマートカメラ（カメラ内で推論するもの）、PLCメーカーのAIユニットなどです。モデルの種類、必要な処理速度、既存の設備とのつなぎやすさで選びます。
エッジで再学習もできますか？
技術的には可能ですが、工場では推奨しにくい構成です。エッジごとに別々に再学習すると、同じラインでもモデルの中身が機器ごとに変わり、版の管理と品質保証の説明ができなくなります。学習は中央で行い、検証したモデルを配布する方が管理しやすくなります。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
