ユニファイドメモリとは？
VRAM・RAMとの違いとローカルAIで注目される理由【2026年】

ローカルLLM用のPCを探していると、少し不思議なスペックを見かけるようになりました。

128GBのメモリを搭載し、その大きなメモリ空間をCPUとGPUで共有するPCです。

一般的な高性能PCでは、CPUが使うRAMとGPUが使うVRAMは別々です。
たとえばGeForce RTX 5090は32GBの高速なGDDR7をGPU専用メモリとして搭載しています。

一方、Ryzen AI Max+ 395搭載PCでは最大128GB、AppleのM5 Ultra搭載Mac Studioではさらに大容量のユニファイドメモリを利用できます。

ここで注意したいのは、

128GBのユニファイドメモリ = 128GBの高速VRAM
ではないということです。

AI PCを考えるときは、単純な容量比較ではなく、

• Capacity（容量）
• Bandwidth（帯域）
• Compute（演算性能）
• Ecosystem（実行環境）

を分けて考える必要があります。

本記事では、RAM・VRAM・ユニファイドメモリの違いから、なぜローカルAIで大容量共有メモリが注目されているのかまで整理します。

30秒で分かる：ユニファイドメモリとは？

先に結論です。

重要なのは、

大容量だから高速なのではなく、大容量だから「収まるモデル」が増える。

という点です。

逆にGPU専用VRAMは容量が小さくても、高い帯域と強力なGPU演算性能を持つ場合があります。

つまり、

「入るか」と「速いか」は別の問題です。

RAMとVRAMは、そもそも何が違う？

一般的なWindowsデスクトップPCを考えてみます。

CPUにはDDR5などのシステムRAMがあります。
一方、GeForce RTXなどの独立GPUにはGDDR7などのVRAMがあります。

イメージとしては、

という構造です。

CPUとGPUには、それぞれ得意な処理があります。
そのため別々のメモリを持つこと自体には大きなメリットがあります。

特にRTX 5090のような高性能GPUは、高速な専用VRAMとGPU演算性能、CUDAを中心としたソフトウェア環境を組み合わせることで、

• 画像生成
• 動画生成
• 3DCG
• GPUレンダリング
• AI推論
• AI学習

などを高速に処理できます。

問題になるのは、VRAMに入りきらないほど大きなAIモデルを扱いたい場合です。

※RAMとVRAMの転送やCPUオフロードの速度限界については、「RAMとVRAM、CPUオフロードの違い」で詳しく解説しています。

ユニファイドメモリではCPUとGPUが大きなメモリ空間を共有する

Apple Siliconで広く知られるようになったのがUnified Memoryです。
CPUとGPUが完全に別々のメモリを持つのではなく、大きなメモリ空間を共有します。

概念的には、

┌ CPU
│
Memory ─┼ GPU
│
└ その他の処理

に近い構造です。

Ryzen AI Maxシリーズも、大容量LPDDR5XをCPUとGPUで利用できる構成を採用しています。

Ryzen AI Max+ 395では最大128GBのシステムメモリを搭載でき、128GB構成ではAMD Variable Graphics Memory（VGM）によって最大96GBをグラフィックス用途へ割り当てる設定が可能です。

ただし、この96GBを、

「RTX PROなどの96GB専用VRAMと同じもの」

と考えるのは適切ではありません。

物理構造、帯域、GPU性能、ソフトウェア環境が異なるからです。

なぜローカルLLMでは「容量」が重要なのか

ローカルLLMでは、まずモデルそのものをメモリに置く必要があります。
必要になるメモリはモデルの重みだけではありません。

概念的には、

と考えます。

モデルが大きくなるほどモデル重みが増えます。
さらにコンテキスト長を伸ばしたり、複数の処理を同時に実行したりすると、必要メモリも増えていきます。

ここで32GBのVRAMにモデル全体が収まらなければ、

• 一部をRAMへ逃がす
• CPUオフロードする
• モデルをさらに量子化する
• より小さなモデルへ変更する

といった対応が必要になります。

一方、大容量共有メモリを持つPCでは、
GPU専用VRAMほど高速ではなくても、より大きなモデルを一つのメモリ空間へ収められる可能性があります。

これがローカルAIで注目される最大の理由です。

※モデルサイズ別の理論値と必要メモリの詳細は、「7B〜120Bモデルサイズ別VRAM早見表」で整理しています。

128GBだからRTX 5090より強い、ではない

ここは特に重要です。

たとえばGeForce RTX 5090は32GBのGDDR7を搭載しています。
一方、Ryzen AI Max+ 395搭載機には128GBメモリ構成があります。

数字だけを見ると、

なので、
「128GB機はRTX 5090より4倍強いのでは？」
と考えたくなります。

しかし、これは違います。

PCのAI性能を考えるには、少なくとも次の4軸を分離する必要があります。

CORE SPECの4大評価軸

その結果、CORE SPECでは、

Capacity ≠ Bandwidth ≠ Compute ≠ Ecosystem

を、大容量AI PCを選ぶ基本原則とします。

Apple・AMD・NVIDIAでも「共有メモリ」の意味は同一ではない

ここにも注意が必要です。

Apple Silicon、Ryzen AI Max、NVIDIAの統合メモリ（DGX Spark / RTX Spark）はいずれもCPUとGPUの間で大容量メモリを共有しやすい設計ですが、同じ実装ではありません。

つまり大容量共有メモリは、
Appleだけの特殊な設計ではなく、AI時代のコンピュータ設計における一つの重要な方向性
になりつつあります。

ではRTXは不要になるのか？

そうではありません。
むしろ役割が明確になります。

そのため、
「RTXか、ユニファイドメモリか」
という二者択一で考える必要はありません。

※128GB共有メモリとRTX 5090 32GBを実際のAI用途で比較したい場合は、「128GBユニファイドメモリPCとRTX 5090 32GBはどちらがAI向け？」で容量・帯域・演算能力・実行環境の4軸から整理しています。
※Mac StudioとRTXのローカルLLM用途での詳細比較は、「Mac StudioとRTXをローカルLLM用途で比較する」をご覧ください。
※Mac Studio M5 Ultra（最大512GB / 1.2TB/s）とRyzen AI Max+ 395（最大128GB / 256GB/s）の共有メモリ直接比較は、「Mac Studio M5 UltraとRyzen AI Max+ 395はどちらがローカルAI向け？」でメモリ・帯域・MLX・ROCmを比較しています。

RTX制作PC＋大容量AI PCという考え方

制作環境では、むしろ役割を分ける方法があります。

RTX制作PC
├ 3DCG
├ 映像
├ ComfyUI
├ TouchDesigner
└ CUDA処理
  ＋
大容量共有メモリPC
├ LLM
├ RAG
├ Coding AI
├ AI Agent
└ 文書解析
  

1台のPCですべてを最高性能にしようとするのではなく、
計算資源を役割で分ける。
これはAI時代のPC環境を考えるうえで、重要な選択肢になっていくとCORE SPECでは考えています。

大容量ユニファイドメモリPCを選ぶなら

現在はRyzen AI Max+ 395 / PRO 495を搭載した128GB〜192GBクラスのミニPC・ワークステーションや、NVIDIA GB10（DGX OS）搭載機、M5 Ultra搭載Mac Studioなど、実際に購入できる選択肢も増えています。

CORE SPECでは、

• GMKtec EVO-X2
• GMKtec EVO-X3
• GMKtec EVO-X5 Pro（192GB）
• MINISFORUM MS-S1 MAX
• マウスコンピューター DAIV CX-A9A60
• HP Z2 Mini G1a Workstation
• GIGABYTE AI TOP ATOM（NVIDIA GB10）
• Mac Studio M5 Ultra

を用途別に比較しています。

→ 大容量ユニファイドメモリPC 8機種を比較

CUDA環境と大容量ユニファイドメモリを両立したい場合は、RTX Spark搭載PCも比較候補になります。RTX SparkとDGX Sparkは用途・OSが異なるため、購入前にどのようなワークフローを実行するか確認しましょう。

→ RTX SparkとRTX 5090・Ryzen AI Max・Mac Studioの実務比較を見る

結論：AI PCは「何GBあるか」だけでは選べない

ユニファイドメモリの価値は、
「RAMとVRAMを単純に足したようなもの」
ではありません。

大きなAIモデルを一つのメモリ空間へ収めやすくするという、新しい選択肢です。

一方で、高速な専用VRAMや強力なGPU演算性能、CUDAのようなソフトウェア環境には別の価値があります。

だからこそPCを選ぶときは、

を順番に見る必要があります。

最初に考えるべきなのは、
「一番数字の大きなPCはどれか」
ではありません。

自分が動かしたい処理には、どんな計算資源が必要なのか。

そこから考えることで、AI時代のPCは単なるスペック競争ではなく、自分の目的に合わせて組み立てる環境になります。

なぜ今、このメモリアーキテクチャが重要になっているのかを一段上から考えたい場合は、「Unified Memoryはゲームチェンジャーなのか？」でPC選びそのものの変化を整理しています。