5つの観点で比べる
エッジAIは、工場内のカメラやゲートウェイ、産業用PCなど、データが発生する場所の近くでAIを動かす方式です。クラウドAIは、データをクラウドに送ってAIを動かします。製造現場では、次の5つの観点で比べます。
| 観点 | エッジが有利な場合 | クラウドが有利な場合 |
|---|---|---|
| 1. 応答速度 | タクト内に判定が必要（インライン検査、設備の制御） | 数分〜数時間の遅れが許される（日次の分析、計画） |
| 2. 通信量 | 画像や高周波の振動など、データ量が大きい | データ量が小さい（集計値、テキスト） |
| 3. データの持ち出し | 画像や加工条件を社外に出したくない | 社外に出しても問題ないデータ |
| 4. 電力・設置環境 | 小さな電力で済む専用機器を使える | 大きな計算資源が必要（大規模な学習、生成AI） |
| 5. 保守 | 拠点が少ない、機器の台数が少ない | 多数の拠点に同じモデルを配りたい |
観点ごとの判断基準
1. 応答速度
インラインの外観検査では、1個あたりの判定がタクトタイムに収まる必要があります。クラウドに画像を送って結果を受け取る方式では、通信の遅延とその揺らぎが加わります。軽量な異常検知の手法では、Batznerら（arXiv 2303.14535）がGPU（RTX A6000）で測ったEfficientAD-Sの推論時間が1枚2.2msと報告されており、エッジ機器でも高速な判定の候補になります。
2. 通信量
画像や高周波の振動データを全量クラウドに送ると、通信量とクラウドのストレージ費用が膨らみます。エッジで推論し、判定結果と不良の画像だけを送る構成にすると、通信量は大きく減ります。
3. データの持ち出し
製品の画像や加工条件は技術ノウハウそのもので、社外に出したくない企業は多くあります。エッジで推論すれば、データを工場の外に出さずに済みます。生成AIでも、社内サーバーだけで動くローカルLLMを選ぶ企業が出てきています（ローカルLLMの導入を参照）。
4. 電力・設置環境
エッジ向けの機器は、消費電力の小さいものが増えています。NVIDIAのJetson Orinシリーズは、Orin Nano Super開発キットが67 TOPS・7〜25W、AGX Orin 64GBが最大275 TOPS・15〜60Wとされています（同社公表値）。日立は、先端GPUに比べて電力効率10倍以上のエッジAI半導体を発表し、ファナックのロボットで検証しています（MONOist、2026年10月1日）。一方、大規模な学習や大きな生成AIモデルの実行は、クラウドの計算資源のほうが向いています。
5. 保守
エッジ機器は、台数が増えるほど、モデルの配布、バージョン管理、故障時の交換が負担になります。多数の拠点に同じモデルを配る場合は、クラウドから一括で配布・監視できる仕組みが要ります。
推論はエッジ、学習はクラウドの分担
5つの観点を合わせると、製造現場では次の分担が多くなります。
- 推論（ラインの判定）：エッジ。タクトに間に合い、通信が切れてもラインが止まらず、画像を外に出さずに済む
- 学習・再学習：クラウド（または社内のサーバー）。大きな計算資源を必要なときだけ使える
- 精度の監視とモデルの配布：クラウド。多数のエッジ機器を一か所で管理できる
判定結果はMESに書き戻し、ロットの検査実績として残します。クラウドには判定結果と不良の画像を送り、再学習のデータにします。この流れを作っておくと、モデルの版数とロットの紐付けも残せます。詳しい構成はエッジとクラウドの推論の使い分けで扱っています。
用途別の配置の目安
5つの観点を用途に当てはめると、配置はおおむね次のようになります。
| 用途 | 推論の配置 | 理由 |
|---|---|---|
| インラインの外観検査 | エッジ | タクト内の判定、画像の量、画像を社外に出さない |
| 設備の異常検知（振動・電流） | エッジ（一次判定）＋クラウド（傾向分析） | 高周波データは現場で特徴量に変換し、集計値だけを送る |
| 需要予測・生産計画 | クラウドまたは社内サーバー | 応答速度の制約が小さく、ERPやMESのデータを集めて計算する |
| 品質の要因分析 | クラウドまたは社内サーバー | 多数のロットを横断して分析する |
| 生成AIによる文書検索 | 機密度に応じてクラウドか社内サーバー | 図面や不具合報告を外に出せるかで決まる |
設備の異常検知のように、現場で一次判定を行い、傾向の分析はクラウドで行う「二段構え」も多く使われます。高周波の振動データをそのまま送らず、エッジで実効値や周波数の特徴に変換してから送れば、通信量を抑えながら工場横断の比較ができます。
よくある質問
エッジAIの機器はどう選べばよいですか
必要な処理速度、設置環境（温度、粉じん）、消費電力、保守のしやすさで選びます。セキュリティの観点では、認証、ソフトウェアの更新、ログの機能があるかを確認します。
生成AIもエッジで動かせますか
小さなモデルであれば、社内のサーバーや高性能なエッジ機器で動かせる場合があります。大きなモデルは計算資源が必要なため、用途とデータの機密度で判断します。
クラウドとオンプレミスのサーバーはどう違いますか
社内のサーバー（オンプレミス）はデータを社外に出さずに済む一方、設備投資と保守が必要です。学習の頻度が低いならクラウド、データを外に出せないなら社内サーバーが候補になります。
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。
