COLUMN — 計算資源シリーズ #05

RAM 128GBでVRAM不足は補える?
メインメモリとGPUメモリの違い・オフロードの限界【2026年】

公開: 2026.08.23 | 更新: 2026.11.07広告・PR

メインメモリ128GBへのオフロードで「モデルが起動すること」と「実用速度で推論できること」の違いを、GDDR7・DDR5・PCIe帯域差から解明します。

RAM 128GBでVRAM不足は補える? メインメモリとGPUメモリの違い・オフロードの限界【2026年】
画像はイメージです。
計算資源シリーズ(第5回)

スペック表の数値比較にとどまらず、「計算資源をどう持ち、何に使い、どのような価値へ変換するか」を用途から考えるシリーズです。第5回は、「RAM 128GB積めばVRAM 16GBの不足を補えるか?」という疑問を解剖し、容量・帯域・転送経路の3軸からCPUオフロードの現実とPCIeバスのボトルネックを整理します。

計算資源シリーズ一覧を見る →

ローカルLLMや画像生成AI、動画生成AIを使おうとすると、必ずと言っていいほど直面するのが「VRAM不足(Out of Memory)」の問題です。

例えば、RTX 5080は16GBのVRAMを搭載しています。そこで、こんな疑問を持つ人も少なくありません。
「PC側のメインメモリ(RAM)を128GB積めば、VRAM 16GBの不足もRAMで補えるのでは?」

※第三者公開実測(MacStories)では、RTX 5090が8-bit KVキャッシュを用いて256K長文を高速処理した測定(30.0 tok/s)と、VRAM上限を超えてシステムRAMへのオフロードが発生した別条件での測定(1.5 tok/s)など、条件差による極端な速度低下が報告されています。M5 Ultraの統合メモリとの比較詳細は「M5 Ultra vs RTX ローカルLLM推論速度の第三者公開実測を比較 →」で詳しく検証しています。 実際、AIソフトの中にはGPUのVRAMに入り切らないモデルをメインメモリへ逃がす「CPUオフロード」に対応するものがあります。それなら高価な大容量VRAM GPUを買わなくても良いように思えます。

しかし、ここには大きな落とし穴があります。結論から言えば、メインメモリ(RAM)をいくら増やしても、GPUメモリ(VRAM)の代わりにはなりません。
「モデルが読み込める(入る)」ことと、「実用的な速度で動く(速い)」ことは、根本的に別次元の問題だからです。

本記事では、メモリ帯域・PCIeバスの転送速度・CPUオフロードの現実を、容量・帯域・転送の3つの視点からわかりやすく整理します。

ARCHITECTURE SUMMARY
● RAMを増やす → 「置ける場所」が増える
● VRAMを増やす → 「GPU内で完結できる範囲」が増える
● PCIeを速くする → 「移動の詰まり」を緩和する

※ただし、PCIeをどれだけ速くしても、VRAMそのものの速度にはなりません。

実践判断|「128GB RAM+5080」vs「64GB RAM+5090」どちらを選ぶべき?

PCを購入・カスタマイズする際、同等の予算で「RAMを特盛にするか」「GPUのVRAMランクを上げるか」で迷うケースがあります。

用途と目的から、明確な判断基準を整理します。

パターン A

RAM 128GB + RTX 5080(16GB VRAM)

総合制作環境重視・マルチタスク派

  • ✅ 3DCGレンダリング・After Effects・動画編集・大量アセット展開が極めて快適
  • ✅ 複数アプリを同時に立ち上げてもメモリ枯渇しない
  • ⚠️ 16GBを超えるAIモデルや高解像度生成ではオフロードが発生し低速化する
RTX 5080搭載おすすめBTOを見る →
パターン B

RAM 64GB + RTX 5090(32GB VRAM)

AI処理の高速完結・モデル規模重視派

  • ✅ モデルと処理に必要なワーク領域(KV cache・latents等)が32GB VRAM内に収まれば、CPUオフロードを避けてGPU内で高速に処理しやすい
  • ✅ VRAM完結時はPCIeバス経由のボトルネックを回避できる
  • ✅ 64GB RAMがあれば日常のAI開発や制作でも十分余裕がある
RTX 5090搭載おすすめBTOを見る →

大型MoEの収容を優先する場合、128GB RAM側に利点が生まれることもある。一方、モデルが32GB VRAMに収まり、推論速度を重視する場合はRTX 5090が有力だ。どちらが正解かは、利用するモデルと処理方式によって異なる。

※70B級など、32GB VRAMでも収まらない超巨大モデルでは、量子化(4bit/8bit)やRAMオフロードが必要になる場合があります。

なぜ「RAM 128GBで代用できる」という誤解が生まれるのか?

「RAMを増やせばVRAM不足を解決できる」という誤解が生まれる背景には、2つの現実的な仕組みがあります。

  1. ① AIフレームワークのCPUオフロード機能:
    Hugging FaceのAccelerateやDiffusers、Ollama、llama.cppなど多くのAI実行環境には、GPUのVRAMに入り切らないモデルの一部(または大部分)をメインメモリ(RAM)に退避させて実行する機能が備わっています。
  2. ② Windowsの「共有GPUメモリ」機能:
    WindowsではGPUが必要に応じてシステムRAMを共有メモリとして利用できる仕組みがあります。ただし、これは専用VRAMが増えるという意味ではなく、利用可能量も固定的にRAMの半分が割り当てられるわけではありません。

これらがあるため、「16GB VRAM+128GB RAMなら、大容量モデルもそのまま動かせるのでは?」と期待してしまうのです。

対応するソフトウェアでは、VRAMだけでは入り切らない処理を実行できる場合があります。しかし、そこから先で圧倒的な性能差に直面することになります。

💡 メモリ構造を「作業机」と「倉庫」で例えると
■ VRAM = 目の前にある超高速な「作業机」 職人(GPUコア)の手が直接届く場所にあり、超ハイスピードで工具や材料を取り出せます。ただし机の面積(16GB〜32GB)には上限があります。
■ RAM = 離れた場所にある巨大な「倉庫」 128GBなど広大な保管スペースがありますが、作業机からは遠く離れています。
■ PCIeバス = 倉庫と机を結ぶ「狭い通路」 倉庫から材料を運ぶための台車用の通路です。どれだけ倉庫が広くても、この通路を通れるスピードには限界があります。
■ Unified Memory = 一体型の「巨大な作業場」 Macのユニファイドメモリは、CPUとGPUが同一の高帯域メモリ空間を直接共有する設計です。

速度差の正体|メモリ帯域幅(Bandwidth)の圧倒的な壁

「入る」と「速い」が全く違う根本原因は、メモリ帯域幅(データを1秒間にどれだけ転送できるか)の桁違いな差にあります。

GPUがAIの行列演算を行う際、数千〜数万の計算コアが一斉にメモリからパラメータを読み出します。このとき求められるのは「容量」ではなく「帯域幅(データの通り道の太さ)」です。

規格・ハードウェア 接続場所・役割 公称・理論メモリ帯域
GeForce RTX 5090 GPU専用VRAM (GDDR7) 約 1,792 GB/s
GeForce RTX 5080 GPU専用VRAM (GDDR7) 約 960 GB/s
Apple M5 Ultra Unified Memory 約 1.2 TB/s
Apple M5 Max Unified Memory 最大 614 GB/s
DDR5-5600 (Dual Channel) PCメインメモリ (RAM) 約 89.6 GB/s
PCIe 5.0 x16 バス RAM ⇔ VRAM 通信経路 約 63.0 GB/s
PCIe 4.0 x16 バス RAM ⇔ VRAM 通信経路 約 31.5 GB/s

※上記は各規格・製品の公称値・理論値を並べた比較です。実際のAI処理速度がこの比率になるわけではありません。

表を見ると一目瞭然です。GPU専用のGDDR7メモリが毎秒1,000〜1,800GBという圧倒的な猛スピードでデータを流し込めるのに対し、PCのDDR5メモリは約90GB/sにとどまります。

さらに深刻なのが、RAMとGPUの間を結ぶPCIeバスのボトルネックです。PCIe 4.0 x16では約31.5GB/s、最新のPCIe 5.0 x16でも約63GB/sしか通りません。

GPUがどれだけ超高速な計算能力を持っていても、データがPCIeという細い経路を通ってしか届かないため、オフロード量や方式によっては、PCIe転送やCPU側処理が律速となり、GPUを十分に使い切れない時間が増えてしまいます。

「入る」と「速い」の違い|CPUオフロードで何が起きるか

では、実際にCPUオフロードを行うとどのような挙動になるのでしょうか。

オフロードの方式や頻度によって、体感速度の低下度合いは大きく異なります。

GPUメモリが足りないとき、AIはどこで計算するのか?

GPUのVRAMにモデルが収まらない場合、システムRAMを利用して実行できることがある。

ただし、RAMを使う方法には複数の種類があり、すべての方式で毎回RAMからGPUへモデル全体を転送するわけではない。

重要なのは「重みをどこに保持するか」と「どこで計算するか」を分けて考えることだ。

方式 どのように動かすか 主な制約
GPUへの順次転送 必要なモデルの一部分をRAMからGPUへ移し、GPUで計算する 転送・同期が増えると遅くなる
CPU・GPUの分担実行 一部の層をCPU+RAMで処理し、別の層をGPUで処理する CPU性能とRAM帯域に左右される
MoEのExpert分担 大容量のExpert重みをRAM側に保持し、GPUとCPUで役割を分ける Expertの配置、CPU演算、キャッシュ効率に左右される
SSD上のモデルをメモリマップ モデルファイルを仮想メモリへ対応付け、必要なページをOSが読み込む RAM不足時にはディスク読み込みが増え、著しく遅くなる場合がある

① 重みをRAMからGPUへ転送する方式

画像生成などの一部のAI実行環境では、必要なモデルやレイヤーをRAMからGPUへ移し、GPUで計算する方式が使われる。

Hugging Face Diffusersには、パイプラインの主要コンポーネントごとに移動するModel Offload、細かな単位で入れ替えるSequential CPU Offload、その中間に当たるGroup Offloadなどがある。

GPUに保持する量を減らせる一方、転送や同期が頻繁に起きるほど処理は遅くなりやすい。

② CPUとGPUで計算そのものを分担する方式

ローカルLLMでは、モデルの一部の層をGPUで処理し、残りをCPUで処理する方法もある。

例えば、モデルの一部の層をシステムRAMに保持し、その計算をCPU側で行う。これは、すべての層を毎回GPUへ転送する方式とは異なる。

この場合は、CPUの演算性能やシステムRAMの帯域、CPU・GPU間の連携効率が速度を左右する。

③ MoEではExpertだけをCPU側に置く方法もある

MoE(Mixture of Experts)は、モデル内部の複数のExpertから、必要な一部を選んで計算する仕組みだ。

llama.cppには、Expert重みをCPU側へ配置する--cpu-moeや、一部の層のExpertをCPU側へ配置する--n-cpu-moeが用意されている。

これにより、GPUで扱う部分を残しつつ、大きなExpert群をRAM側に保持する構成を検討できる。

対応する実装では、頻繁に使うExpertの一部をGPUメモリへキャッシュする方法もある。

ただし、Expertの重みをRAMに置けることと、高速に推論できることは別問題だ。

CPU側の処理が遅ければ、GPUが高性能でも全体の生成速度は上がらない。

MoEでRTX 5090と大容量RAMを組み合わせる可能性については、関連記事「巨大MoE時代、RTX 5090は主役になれるのか?」で詳しく解説している。

④ SSDのmmapは、RAMの代わりに高速計算する仕組みではない

mmapは、モデルファイルをメモリ空間へ対応付けて読み込むための仕組みだ。

必要なページをOSが読み込むため、大きなファイルを扱いやすくなることがある。

しかし、SSDがGPUメモリやシステムRAMと同じ速度で演算に使われるわけではない。

RAMが不足してモデルの重みを繰り返しSSDから読み込む状況では、推論が極端に遅くなることがある。

また、mmapとCPUオフロードは別の仕組みであり、併用される場合もある。

RAM増設で解決できる問題、できない問題

大容量RAMによって、GPUメモリに収まらないモデルを保持できる可能性は広がる。

特にMoEでは、CPU側にExpertを配置する方法によって、128GB・192GB・256GB RAMの価値が高まる場合がある。

一方、RAMを増設するだけでCPUの演算能力やメモリ帯域が増えるわけではない。

RAMの増設は「動かせるモデルを増やす」ための投資になり得る。しかし「同じモデルを速く動かす」ための最適解とは限らない。

実際の購入判断では、モデルの収容可能性、推論速度、設定の難易度まで確認したい。既存のRTX PCでRAM増設と2台目導入のどちらが合理的かの具体的な比較は「RTX PCのRAMを増設するか、2台目を買うか? 大型ローカルLLM環境の選び方」を参照してほしい。

AI ADVISOR

今のPCで足りる? GPUやメモリの増設が必要?

使いたいAIモデルや制作ソフト、現在のPC構成から、必要スペックと現状維持・メモリ増設・オフロード運用・買い替えの可能性をAIと整理できます。

なぜMacのUnified Memoryは、WindowsのRAMオフロードと違うのか?

「Windows PCでRAMオフロードが遅いなら、なぜMac Studio(M5 Max / M5 Ultra等)は大容量Unified MemoryでローカルLLMを快適に動かせるのか?」という疑問もよく寄せられます。

その理由は、Macのユニファイドメモリアーキテクチャには「PCIeバス」という分離された通信経路が存在しないからです。

Apple Siliconでは、SoC(システム・オン・チップ)の内部にCPUとGPU、そして大容量メモリ(最大128GB〜512GB)が直結されています。

  • 帯域幅が極めて広い: 現行Mac Studioでは、M5 Maxが最大614GB/s、M5 Ultraが1.2TB/sのメモリ帯域を持ちます。PCの一般的なDDR5メインメモリ(約90GB/s)より大幅に広い帯域をCPUとGPUで共有できることが、Unified Memoryの大きな特徴です。
  • ゼロコピーアクセス: CPUが読み込んだモデルデータをGPUがそのままメモリ内で参照できるため、RAMからVRAMへの「データ転送」そのものが不要。

つまり、Macのメモリは「PCのRAM」ではなく、「GPUのVRAMに近い超広帯域メモリをシステム全体で共有している」構造なのです。

RAMへのCPUオフロードとは別に、Ryzen AI MaxやApple SiliconのようにCPUとGPUが大容量メモリを共有する設計もあります。「速度より、まずモデルをメモリに収めたい」という場合は有力な選択肢です。
128GB級ユニファイドメモリPCの選び方を見る →

目的・課題別の次のステップ

自分のやりたい作業や抱えているボトルネックに合わせて、最適な情報をご確認ください。

📚 参考:公式仕様・インターフェース規格

※転送帯域・規格値は公式仕様(2026年8月時点)に基づきます。

よくある質問

RAMを128GB積めば、70BモデルのローカルLLMを動かせますか? +

量子化した70B級モデルなどでは128GB RAMで動作可能な構成もありますが、オフロード量が増えるほど速度は低下しやすくなります。70B級をQ4前後でGPU上に収めて実用的な速度を狙う場合は、48GB以上の大容量VRAMが一つの目安となり、余裕を持つなら64GB以上が有力です。32GB級GPUでは、一部をRAMへオフロードして利用する方法があります。

Windowsの共有GPUメモリで画像生成AIは動きますか? +

対応するソフトウェアであれば、VRAM不足時に共有メモリへ退避してクラッシュを回避できる場合があります。ただし、共有メモリへの退避が発生すると生成時間は大幅に悪化します。高速な生成を行いたい場合は、VRAM内にモデルとワークスペースが収まる設定や解像度に調整することが重要です。

PCIe 5.0対応マザーボードならオフロードは速くなりますか? +

PCIe 4.0比で帯域は2倍(約63GB/s)に向上するため、転送のボトルネックは緩和されます。しかし、GPUのGDDR7専用メモリ(1,000〜1,800GB/s)と比べると依然として十数分の一の帯域であるため、VRAMそのものの代わりにはなりません。

Mac Studioならなぜ大容量メモリでAIが速く動くのですか? +

Apple Siliconはユニファイドメモリアーキテクチャを採用しており、CPUとGPUが同一の高帯域メモリを共有します。現行M5 Ultraでは最大1.2TB/sのメモリ帯域を持ち、PCIe経由でRAMからVRAMへ転送する一般的なWindows PCとはメモリ構造が異なります。

AI制作用途ならメインメモリ(RAM)は何GB積むべきですか? +

幅広いAI制作を行うなら64GBは余裕を持ちやすい目安です。ComfyUIの大規模ワークフローや3DCG、動画編集などを同時に行うヘビーユーザーであれば128GBが選択肢となりますが、AI処理そのものの速度向上にはRAM増設よりもVRAM容量の大きいGPUが直結します。

SERIES 計算資源シリーズ(全18回)
シリーズ全18回の一覧を展開して探す▼
#01 RTX 5090とRTX PRO 6000を比較:32GB・2枚差し・96GB巨大空間 読む →

計算資源の「最上位対決」|民生用フラッグシップとプロ用ワークステーションの境界線

#02 GPUマイニングは終わったのか? 暗号資産と計算資源の現在地 読む →

計算資源の「価値・用途」|電力を計算を通じて価値へ変換する。主戦場がAIへ移った背景

#03 クラウドGPUとローカルPCはどっちが安い? 月40・120・240時間の損益分岐点 読む →

計算資源の「所有・利用」|必要なときだけ借りるか、自分の環境として持つか。利用時間・VRAM・総コストから判断する

#04 Mac StudioとRTX搭載BTOはどっちがローカルLLM向き? 読む →

計算資源の「メモリ構造」|100GB超の大容量ユニファイドメモリと、高帯域なGDDR7専用VRAM。「載る容量」と「動かす速度」を分けて考える

#05 RAM 128GBでVRAM不足は補える? オフロードの限界 この記事

計算資源の「境界線」|「入る」と「速い」の違い、PCIeボトルネックとオフロードの現実

#06 ローカルLLMはロマン枠なのか? ChatGPT時代にGPUを所有する意味 読む →

計算資源の「哲学と自由」|買っているのはAIではない、AIを動かす自由だ。所有コストと依存コストの比較

#07 画像生成から動画生成へ。制作フローで考えるRTX 5080・5090・RTX PRO 6000の選び方 読む →

計算資源の「制作フロー」|16GB・32GB・96GBで変わるのは「できること」より「制約の数」

#08 AI時代にGPUはなぜ高い? AI需要・HBM・半導体製造から価格高騰を読み解く 読む →

計算資源の「コスト構造」|HBM・パッケージング・半導体製造の逼迫から見るGPU高騰の本質

#09 7B・14B・32B・70B・120BにはVRAM何GB必要? モデルサイズ別早見表 読む →

計算資源の「モデル逆算」|7B〜120Bのモデル規模・量子化・KVキャッシュから必要なVRAM容量を逆算する

#10 RTX 5090・RTX PRO 6000に必要な電力と冷却とは? GPUだけでは「計算資源」は完成しない 読む →

計算資源の「持続性」|GPUを動かし続ける電力・冷却・筐体・設置環境を考える

#11 Radeonは生成AIに使える? CUDA vs ROCmと対応ソフトを用途別に解説 読む →

計算資源の「互換性とソフトウェア制約」|GPU性能の数字だけでなく、CUDAとROCm、PyTorch、ComfyUI、TouchDesignerの制作フロー全体からGPUの本当の選び方を整理する

#12 ローカルLLM用PCは水冷が必要? エアフロー・空冷・水冷の選び方 読む →

計算資源の「冷却選定」|ローカルLLM用PCを選ぶとき、ケース・エアフロー・空冷・水冷のどこを見るか

#13 大容量ユニファイドメモリPCを比較 読む →

計算資源の「共有メモリと購入判断」|Ryzen AI Max+ 395・Mac Studioなど、大容量ユニファイドメモリを使えるPCを用途別に比較する

#14 128GBと192GB Unified Memory、動かせるLLMはどう変わる? 読む →

計算資源の「容量境界とモデル選択」|128GBと192GBで変わるLLMの収容可能性、量子化精度、推論速度、投資判断を整理する。

#15 AIに仕事のデータを入れて大丈夫? OpenCode・DeepSeek・主要AIの安全性 読む →

計算資源の「データ主権と境界設計」|ローカル実行・商用API・ZDR特約の違いから機密データの通り道を設計する

#16 巨大MoE時代、RTX 5090は主役になれるのか?|32GB VRAMと大容量RAMで動かすローカルLLM 読む →

計算資源の「モデル構造と役割分担」|MoEの仕組みと、32GB VRAM・大容量RAMの組み合わせで動かせるローカルLLMの現実を整理する

#17 巨大LLMは1台で動かすべきか? 複数GPU・複数PCの分散推論と通信の壁 読む →

計算資源の「分散推論と通信の壁」|1つの巨大LLMを複数GPU・複数PCで分割実行したときのボトルネックと1台集中の判断基準を整理する

#18 複数AIエージェントを動かすPC構成は? VRAM・RAM・2台分業で選ぶ 読む →

計算資源の「マルチエージェント同時稼働」|複数AIエージェントとツール実行環境を並行させる際のVRAM・KVキャッシュ・CPU/RAM負荷と1台/2台分業を整理する

この記事をシェアする

𝕏 Xでシェア f Share ● LINE