AIはPCへ戻ってくるのか？
Microsoft「Hybrid Intelligence」が変える計算資源の選び方

生成AIの普及以降、「AIはブラウザやAPIを通じてクラウド上で動かすもの」という認識が一般的でした。しかし2026年10月7日、MicrosoftはWindowsの新たな指針として「Hybrid Intelligence」を発表し、推論処理をPC手元とクラウド間で柔軟に調停するアーキテクチャを提示しました。これは単に高価なPCを売り出すためのニュースではなく、私たちが日々の制作や作業のために「どのような計算資源を所有すべきか」という前提を問い直す契機となります。

1. なぜ今、Microsoftが「ローカルAI」を前面に出したのか

生成AIが広く普及してから、私たちがAIを使う方法はクラウド中心でした。ブラウザーやアプリから質問を送る。サーバー側で大規模な計算が行われる。結果が画面に戻ってくる。この仕組みは、手元に高性能なGPUがなくても、強力なAIを利用できるという意味で画期的でした。

一方で、AIの使い方は変わり始めています。文章を一度だけ生成するのではなく、AIにコードを書かせ、ファイルを整理させ、制作の工程を繰り返し実行させる。AIエージェントが複数のツールを使い、作業を進めるようになると、計算が発生する回数も増えていきます。

そこで改めて浮かぶ問いがあります。

その処理は、毎回クラウドに送る必要があるのだろうか。

Microsoftが2026年10月7日に示したHybrid Intelligenceは、この問いに対する一つの答えです。Windows上でローカルモデルを動かし、必要なときにはクラウドの高度なモデルを利用する。AIの処理場所を固定するのではなく、仕事の内容に応じて選択する。

これまでのクラウドAIを否定する考え方ではありません。むしろ、クラウドの強みを残したまま、ローカルPCの役割を広げようとする構想といえます。

2. Microsoftが発表した3つの変化

今回の発表は、単に高性能なAI PCを発売するというニュースではありません。ハードウェア、AI実行環境、エージェントの安全性という3つの層で、ローカルAIを利用するための条件を整えようとしています。

変化①：大容量メモリを備えた新しいAI PC

Microsoftは、NVIDIA RTX Sparkを採用した「Surface Laptop Ultra」を発表しました。上位構成では最大128GBのUnified Memoryを搭載し、1200億パラメータを超えるAIモデルをローカルで動かすことを想定しています。

ここで注目したいのは、単にGPUが高速になったということではありません。これまで、大規模モデルをローカルで利用しようとすると、最初に直面しやすかったのがメモリ容量の問題でした。

RTX 5070 Tiなら16GB、RTX 5090なら32GBの専用VRAMを利用できます。しかし、扱いたいモデルがその容量に収まらなければ、メインメモリへのオフロードや量子化などの最適化が必要になります。大容量Unified Memoryを備えたPCは、この制約に異なる方法で向き合います。

ただし、モデルがメモリに収まることと、快適な速度で動くことは同じではありません。量子化方式、コンテキスト長、メモリ帯域、実行ソフトウェアによって実際の使い勝手は変わります。また、Surface Laptop Ultraは10月8日時点では予約受付段階で、出荷開始予定は10月16日。高性能構成の価格も高く、誰もがすぐに購入すべきPCというわけではありません。

変化②：Windows自身がローカルAIの実行を支援する

もう一つの重要な発表が、Windows MLとllama.cppの連携です。llama.cppは、量子化された言語モデルなどをローカル環境で実行するために広く利用されているオープンソース技術です。

Microsoftは、Windows MLからGGUF形式のモデルを扱える実験的な仕組みや、ローカルの言語生成・音声認識に対応するAPIを発表しました。開発者にとっては、AIをアプリに組み込む際に、Windows側が実行環境の一部を担う可能性が広がります。

これまでローカルAIは、モデル、ランタイム、GPU設定を利用者が個別に組み合わせる場面も多くありました。その工程が、OSや共通APIの側に取り込まれていく。これは地味ですが、大きな変化といえます。ただし、2026年10月8日時点で、今回発表されたWindows MLの新機能は実験段階を含みます。すべてのWindows PCで新機能が完成済みというわけではありません。

変化③：AIエージェントを安全に動かす仕組み

AIが文章を返すだけなら、結果を人が確認してから行動できます。しかし、AIエージェントがファイルを編集したり、コマンドを実行したりする場合、話は違ってきます。何にアクセスできるのか。どのファイルを変更してよいのか。誰の権限で実行しているのか。

Microsoftは今回、AIエージェントの実行範囲を制御する「Microsoft Execution Containers（MXC）」の一般提供も発表しました。これはローカルAIを便利にするためだけでなく、安全に利用するための土台です。

AIを自分のPCで動かせば、自動的に安全になるわけではありません。AIの計算場所と、AIに許可する操作範囲は、別々に設計しなければなりません。この問題にOSの側から取り組み始めたことも、今回の発表の重要な点です。

AIエージェントをローカルで実行する場合も、ファイルやコマンドへのアクセス権限を適切に制御する必要があります。安全なエージェント環境を構築するには、サンドボックスや実行権限の考え方を理解することが重要です。

→ AIエージェントのサンドボックスとセキュリティを理解する

3. ローカルAIは、何が変わったから現実的になったのか

ローカルAIという発想自体は新しくありません。変わったのは、大規模モデルを扱うための技術と、それを受け止めるPCの構成です。

まず、量子化によって、モデルを保持するために必要なメモリを削減できるようになりました。モデルが持つ数値を、より少ないビット数で表現する。精度や品質とのトレードオフはあるものの、従来なら非常に大きなメモリが必要だったモデルを、より小さな環境で動かせる場合があります。

また、MoE（Mixture of Experts）のように、推論時にモデルの一部を選択的に使う設計も広がっています。Microsoftが紹介したMAI Code 1.1 Flashも、総パラメータ数（137B）と実際に動作時に使われるアクティブパラメータ数（6.8B）が大きく異なるモデルです。

そして、GPUの性能向上だけでなく、モデル実行ソフトウェアの改良も進んでいます。同じPCでも、対応するランタイムや量子化方式によって、動くモデルや処理速度が変わります。

ローカルAIの進歩は、GPU単体だけの進歩ではありません。モデル構造、メモリ帯域、ランタイムの最適化が組み合わさることで、手元のPCが実用的な推論環境へと変わりつつあります。

4. GPU、VRAM、Unified Memoryは何を基準に選べばよいのか

ローカルAIの普及によって、PCのスペック選びはむしろ複雑になっています。これまでなら、高性能なGPUを選ぶことが中心だったかもしれません。しかし現在は、少なくとも次の3つの問いを分ける必要があります。

どのくらい速く計算したいのか

画像生成、動画生成、リアルタイムCG、GPUを利用する開発・制作環境では、GPUの処理性能が重要になります。対応ソフトウェアがCUDAやNVIDIAのGPU機能を前提としている場合は、単純にメモリ容量だけを増やしても代替できません。

特にリアルタイム制作では、処理を何秒で終えられるかだけでなく、毎フレーム安定して処理できることが重要です。GeForce RTXの専用VRAMは、モデルによって高いメモリ帯域を備えています。例えばRTX 5070 Tiは896GB/s、RTX 5090は1,792GB/sです。ただし、リアルタイム描画や生成AIの処理性能は、メモリ帯域だけでなくGPUの演算性能やソフトウェアの最適化にも左右されます。

どのくらい大きなモデルを扱いたいのか

大規模なローカルLLMを利用する場合は、必要なメモリ容量が重要になります。量子化したモデルの重みだけでなく、KVキャッシュ、コンテキスト長、実行時の一時領域なども考慮しなければなりません。

専用VRAMでは容量が不足するモデルでも、大容量Unified Memoryを利用する構成なら実行できる場合があります。ただし、Unified Memoryは専用GPUのVRAMと同じ処理速度を保証するものではありません。メモリ帯域や演算性能の違いが、トークン生成速度に影響します。

その処理は、自分のPC上で行う必要があるのか

もう一つ忘れてはならないのは、そもそもローカルで処理する必要があるかどうかです。短期間だけ巨大な計算資源を使いたいなら、クラウドの方が合理的な場合があります。

一方、同じモデルを日常的に何度も実行したり、作業データを継続して扱ったりするなら、ローカル環境を持つ意味が出てきます。処理速度、メモリ容量、処理する場所。この3つは別の問いです。すべてを満たす一台を探すことが、常に最適解とは限りません。

5. クラウド、ローカル、ハイブリッド。どれを選ぶべきか

大切なのは、PCを買うかどうかを先に決めないことです。用途や作業スタイルに合わせて、適した選択肢を整理します。

なお、ローカルで処理を動かす場合でも、利用するアプリが外部通信を行っていないか、どのような権限を与えているかを確認することは不可欠です。プライバシーの確保は、計算場所の物理的な位置だけで決まるものではありません。

ローカル側の計算環境を具体的に考えるなら、次は「1台に集約するか、複数のPCで役割を分けるか」という判断があります。RTX搭載PCと大容量Unified Memory搭載PCの組み合わせ、あるいはRTX PROを使った1台構成など、選択肢によって費用や使い勝手は変わります。

→ 計算資源・2台構成 VSシリーズ｜1台完結・2台分業・RTX PROを比較する

6. それでも、高性能AI PCは誰にでも必要なものではない

今回の発表で見逃せないのは、ハードウェアの価格です。Reutersの報道によると、新しいSurface Laptop Ultraの米国価格帯は2,599〜5,899ドル。高度なローカルAIを使うためのPCは、依然として大きな初期投資が必要になります。

AIモデルをPCで動かす技術が進歩しても、そのPCを誰もが容易に購入できるとは限りません。AIデータセンター向けのHBM需要が拡大するなか、メモリメーカーの生産能力配分が一般向けDRAMの供給にも影響しています（出典：Reuters報道）。こうした需給環境はPC向けメモリ価格を押し上げる要因の一つとなっています。

また、クラウドのAPI利用料とローカルPCのコストを比較するとき、PC本体の金額だけを考えても正しい判断にはなりません。

重要なのは、「何回使えば元が取れるか」という単純な損益計算だけではありません。制作の待ち時間を減らせるか。データを手元に置く必要があるか。予算に対してどれだけの柔軟性を得られるか。ローカルAIの選択肢が増えるほど、こうした冷静な判断の価値が高まります。

ローカルAI用PCを購入するか迷っている場合は、性能だけでなく、初期費用と日々の利用頻度を含めた投資判断が必要です。PCの導入費用と利用価値を整理したい方は、投資回収シミュレーターも参考にしてください。

→ PCの投資回収をシミュレーションする

7. 一台にすべてを集約しないという選択肢

もう一つ考えられるのが、役割の異なる計算資源を組み合わせる方法です。

例えば、リアルタイムCGやGPUレンダリングを行う制作PCにはGeForce RTXを使い、大容量のローカルLLMはUnified Memory搭載PCで実行する。二つの環境をネットワーク経由で連携させれば、必ずしも一台のPCですべてを無理に処理する必要はありません。

制作PCとAI専用PCを分ける場合は、2台をどのように接続し、データや推論結果を受け渡すかも重要になります。こうした構成を具体的に検討したい方は、2台のPCを接続するネットワーク設計も確認してください。

→ 制作PCとAI専用PCをつなぐネットワーク構築ガイド

ただし、これはすべての人への推奨ではありません。二台構成には、追加の購入費、ネットワーク設定、データ連携、保守の負担があります。作業内容によっては、クラウドAPIと1台のGPU搭載PCを組み合わせる方がはるかにシンプルです。

それでも、「GPUが速いPC」と「大きなモデルを保持できるPC」を別々に考える発想は、これからの計算環境を設計するうえで重要な視点となります。

8. AIの計算場所を選ぶことは、自分の制作環境を設計すること

かつて、パーソナルコンピューターは、個人が計算能力を手に入れるための道具でした。その後、クラウドによって、計算能力そのものを外部から借りられるようになりました。そして今、AIによって、もう一度PC側の計算能力が注目されています。

ただし、これはクラウド以前に戻るという話ではありません。クラウドがあるからこそ、手元に持つべきものを選べる。ローカルPCが進化するからこそ、クラウドに任せるべき処理も選べる。

計算資源は、単にベンチマークの数字を比較して購入するものではなくなります。何を制作したいのか。どんな処理を繰り返すのか。どれくらいの速度が必要なのか。どこまで自分の環境で完結させたいのか。そうした問いから、自分に必要な計算環境を組み立てていく。

CORE SPECでは、GPU、VRAM、Unified Memory、クラウドAIを、それぞれ独立した性能競争ではなく、制作環境を構成する選択肢として考えています。

計算資源ありきではなく、自分が何をしたいか。その順序を守ることで、計算資源は単なるハードウェアから、自分の思考や制作を支える環境になっていきます。MicrosoftのHybrid Intelligenceが示しているのは、そのような未来への一つの方向性といえます。