株式会社グローバルゲート公式ブログ

ローカルLLMとは?オフラインでAIを使う方法とLM Studioによる実際の利用方法

こんにちは、株式会社グローバルゲートのモーリーです。

さて、今回はローカルLLMについてと実行方法についてご紹介したいと思います。


ChatGPTやClaudeをはじめとする生成AIが急速に普及し、文章作成、要約、プログラミング、資料作成、アイデア出しなど、さまざまな仕事でAIを活用することが珍しくなくなりました。

一方で、企業でAIを利用しようとすると必ずと言っていいほど出てくるのが、

「この情報をAIに入力して大丈夫なのか?」

という問題です。

顧客情報、社内資料、契約書、開発中の製品情報、プログラムのソースコードなど、インターネット上のAIサービスへ気軽に送信できない情報は少なくありません。便利なのは分かっている、しかし機密情報を外部サービスへ送るのは不安──

そんな場面で注目されているのが手元のパソコンでAIを動かすローカルLLMです。
ローカルLLMを使えば、ChatGPTのような生成AIを、自分のパソコンや社内サーバー上で動かすことができます。

しかも現在ではLM StudioのようなGUIツールもあり、専門的な知識がなくとも簡単に環境を構築することができます。
パソコンやサーバーには相応のスペックが求められますが、それでも環境構築の難易度は飛躍的に低くなりました。

今回は

・ローカルLLMとは何か
・ChatGPTやClaudeとの違い
・どのような仕組みで動いているのか
・代表的なAIモデル

・代表的なアプリケーション
・実際の使用方法

についてご紹介したいと思います。

ローカルLLMとは

生成AIというと、多くの人がまず思い浮かべるのはChatGPTやClaudeだと思います。
これらのサービスは、入力した文章をもとにAIが回答を生成してくれる非常に便利な仕組みです。その思考能力を支えるのがLLM(Large Language Model:大規模言語モデル)と呼ばれるAIモデルです。
LLMとは膨大な文章やプログラム言語、数式などを学習したAIの頭脳ともいえるデータで、AIの性能の優劣はこのLLMの規模やクオリティで決まると言っても過言ではありません。

ただし普段ChatGPTなどを使うとき、このLLMが自分のパソコンの中で動いているわけではありません。
入力した内容はインターネットを経由してChatGPTなどのサーバーへ送られ、そこでAIによる処理が行われたあと、結果だけが手元の画面に返ってきます。

この仕組みは入力内容や各種データをAIベンダーに送信するため、

・顧客情報が含まれた文書
・社外秘の企画書
・未公開の製品情報
・契約書
・社内システムのソースコード

といった機密情報をもとに回答を導き出したい場合には情報漏洩の懸念が拭えません。

※ 現実的にはあえてオプトインしない限りは入力内容が学習データとされることはなく、情報漏洩事故もユーザー情報(使用者)の流出はあったものの入力内容の流出は今のところありません。

そこで注目されるのが、ローカルLLMです。
ローカルLLMではAIクライアントとなるアプリを通じてダウンロードしたLLMを使用し、質問→回答のフローを手元の端末内で完結させます。

もちろんChatGPTやClaudeのLLMは公開されてないため、ローカル環境で利用できる規模のLLMモデルをダウンロードし、LM StudioやOllamaといった実行ツールを使って動かします。
ローカルLLMによる実行は「インターネットにつながなくても使える」というだけではなく、提供したデータをローカル環境のみで処理できることが大きな特徴です。

らに、もうひとつ大きなメリットとして、LLMそのものを自分たちの用途に合わせてカスタマイズしやすいことが挙げられます。
オープンなLLMの多くは、モデルの重みが公開されているため、追加の学習データを使ってファインチューニングを行うことができます。
ファインチューニングとは、すでにさまざまな知識を持っているLLMに対して追加学習を行い、特定の仕事や回答傾向に適応させる方法です。

たとえば、

・自社独自の文章表現や回答形式を覚えさせる
・業界特有の専門用語を扱いやすくする
・問い合わせへの回答パターンを統一する
・決められたフォーマットで出力する精度を高める
・社内業務に適した受け答えをするモデルに調整する

といったことが可能になります。

ChatGPTのようなクラウドAIでもプロンプトや参照データによってある程度のカスタマイズはできますが、ローカルLLMではモデルそのものの振る舞いを変更できる点が大きな違いです。
特にLoRAやQLoRAといった手法を使えば、LLM全体を一から学習し直すのではなく、一部のパラメータだけを追加学習できるため、以前に比べて比較的少ない計算資源でもファインチューニングを試せるようになっています。

そのため、「AIは業務に活用したい、でも機密情報をクラウドAIに入力するのは不安」というセキュリティ上の懸念、「自社専用のAIを構築したい」「特定業務に特化したAIを作りたい」というカスタイマイズ要望について、ローカルLLMは有力な選択肢のひとつになっています。

ChatGPTやClaudeとの違い

ChatGPTやClaudeは現在利用できる生成AIの中では世界最高クラスの性能を持ちます。
その性能を支えるLLMは公開されておらず、仮に入手できたとしても超巨大なメモリやストレージなどの計算資源を持つデータセンターでの利用が前提であり、一般的なパソコンで同等規模のモデルをそのまま動かすことは現実的ではありません。

そのためローカルLLMでは、パソコンやワークステーションでも実行できる比較的小規模なモデルや、軽量化されたモデルを使用するのが一般的です。
性能だけを比較すれば、ほとんどの場合ChatGPTやClaudeのほうが優位であり、高度な推論、長文処理、画像や外部ツールを組み合わせた処理などではその差を感じる場面もあります。

ただしローカルLLMは「どのモデルを選ぶか」によって性能が大きく変わります。
同じパソコンを使っていても、モデルの規模や設計、量子化の方法などによって回答精度や処理速度は変わります。生成速度はGPUやVRAM、メモリなど、実行するパソコンの性能にも大きく左右されます。

情報の鮮度についてもローカルLLMは一歩劣ります。
ローカルLLMはダウンロードしたモデルが持っている知識をもとに回答します。そのため、モデルの学習後に起きた出来事を自動的に知ることはできません。
ChatGPTやClaudeのようにLLMの更新が絶え間なく続けられており、さらにWeb検索機能を組み合わせれば最新情報を取得できるクラウドサービスとは異なり、ローカルLLM単体では基本的にモデルが学習した範囲の知識に限られます。


一方でローカルLLMならではの大きなメリットもあります。

一度モデルと実行環境を用意してしまえば、インターネットに接続していない環境でもAIを利用できます。
クラウド上のAIサービスへ毎回アクセスする必要がないため、ネットワークから切り離された端末や社内ネットワークだけで運用することも可能です。

また、多くのローカル向けモデルは、利用するたびに料金が発生する仕組みではありません。
ChatGPTやClaudeのような月額サブスクリプション料金や、APIの利用量に応じた従量課金を気にせず利用できます。
もちろん、パソコンやGPUの購入費、電気代といったコストは必要ですが、利用回数そのものに料金が発生しない点はローカルLLMならではの特徴です。

そして企業利用において特に重要なのが、入力したデータをどこで処理するかという点です。
ChatGPTやClaudeなどのクラウドAIで社内資料や文書を参照させる場合、そのデータはインターネットを経由してサービス提供者側のシステムへ送信されます。
対してローカルLLMは、モデルも処理環境も自分のパソコンや社内サーバー上に置くことができます。

外部APIやWeb検索などを利用しない完全なローカル構成であれば、

「機密情報をAIに処理させたいが、社外には送信したくない」

という使い方が可能になります。


つまりローカルLLMはChatGPTやClaudeの単純な代替品ではありません。
性能や手軽さではクラウドAIが優れている一方、データを自分たちの環境で管理できること、オフラインで利用できること、利用方法を自由に設計できることに、ローカルLLMならではのメリットがあります。
どちらが優れているかではなく、扱う情報や用途に応じて使い分けることが重要です。

ローカルLLMはどのような仕組みで動くのか

ローカルLLMに興味を持ち、使ってみたいと思われた方もおられると思います。
では、具体的に何を用意すればいいのでしょうか。

ソフトウェアから見るローカルLLMの構成要素

ローカルLLMを手元の端末で動作させるためには、AIモデルと実行アプリケーションが必要です。

1.AIモデル

AIの知識や能力が保存された巨大なデータです。モデル規模(内包している学習データの規模)によってデータ容量も変わり、最低でも数GBはあり、大規模なモデルになると100GBを超えるものもあります。

モデルによって、

・日本語が得意
・プログラミングが得意
・推論が得意
・小さいパソコンでも動く
・高性能だが大量のメモリが必要

といった違いがあります。

代表的なAIモデル

Qwen
開発元:Alibaba / Qwen Team
規模のバリエーション:0.6B〜235B級
容量目安:4Bで約3GB、8Bで約5GB、14Bで約9GB、32Bで約20GB前後

日本語を含む多言語性能が高く、ローカルLLMでは特に人気のあるモデルファミリーです。小型から大型まで選択肢が多く、文章作成、要約、推論、プログラミングなど幅広い用途に使えます。
初めてローカルLLMを試す場合でも比較的選びやすく、PCの性能に合わせてモデルサイズを調整しやすい点も特徴です。


Gemma
開発元:Google DeepMind
規模のバリエーション:1B、4B、12B、27Bなど
容量目安:4Bで約3GB、12Bで約8GB、27Bで約17GB前後
Googleが公開しているオープンモデルです。
比較的小型のモデルから用意されているため、一般的なPCでも試しやすく、ローカルLLM入門用としても扱いやすいモデルです。
モデルによっては画像入力にも対応しており、テキストだけではなくマルチモーダル用途にも利用できます。

gpt-oss
開発元:OpenAI
規模のバリエーション:20B、120B
容量目安:20Bで約12〜16GB級、120Bで約60〜80GB級
OpenAIが公開しているオープンウェイトモデルです。
特にgpt-oss-20bはローカル環境での利用を意識したモデルで、推論能力やツール利用などに対応しています。
一方、120Bモデルは非常に大きく、一般的なPCで扱うにはかなり高いハードウェア性能が必要になります。

Llama
開発元:Meta
規模のバリエーション:1B、3B、8B、70Bなど
容量目安:3Bで約2GB、8Bで約5GB、70Bで約40GB前後
ローカルLLMの普及に大きな影響を与えた代表的なモデルファミリーです。
対応しているソフトウェアや解説情報が多く、LM StudioやOllamaなどさまざまな実行環境から利用できます。
小型モデルから大型モデルまで幅広く、ローカルLLMの仕組みを理解するうえでも押さえておきたいモデルです。

DeepSeek
開発元:DeepSeek AI
規模のバリエーション:1.5B〜70B級のDistillモデル、さらに大型モデルも存在
容量目安:7Bで約5GB、14Bで約9GB、32Bで約20GB前後
推論性能の高さで注目を集めたモデルです。
DeepSeek-R1本体は非常に巨大ですが、ローカルPCでも扱いやすいように小型化されたDistillモデルが公開されています。
特に推論やプログラミング用途で評価が高く、ローカルLLMを試す際の有力な選択肢の一つです。

Mistral
開発元:Mistral AI
規模のバリエーション:7B、12B、24B級など
容量目安:7Bで約5GB、24Bで約15GB前後
フランスのMistral AIが開発しているモデルです。
比較的小さなモデルでも高い性能を目指して設計されており、ローカル実行との相性が良いモデルとして知られています。
企業利用や開発用途でも採用例が多く、QwenやLlamaと並んで代表的なローカルLLMの一つです。

AIモデルの「規模」について

AIモデルの規模として2B、4B、24Bという記述があります。
これはパラメータと呼ばれるもので、この「B」はBillion(10億)で、それぞれ2億パラメータ、4億パラメータ、24億パラメータを意味します。

パラメータとはAIが学習によって獲得した内部の「調整値」で、言葉の関係性や文章パターン、推論に使われる多数の数値がモデル内部に保存されています。

一般的には、モデル規模が大きくなるほど、

・複雑な指示を理解しやすい
・推論能力が高くなりやすい
・長い文章でも文脈を保ちやすい
・表現力が高くなりやすい

といった傾向があります。

ただし「大きければ必ず賢い」というわけではなく、学習データ、モデル構造、学習方法、推論方式なども性能に大きく影響するため、新しい世代の14Bモデルが、古い世代の30Bモデルより高性能ということもあります。

量子化とは

量子化とは、AIモデルが持つ大量の数値データを、より少ないビット数で表現して軽量化する方法です。
LLMはそのままでは非常に大きく、多くのVRAMやメモリを必要とします。そこで、たとえば16bitで保存されているデータを4bitや8bitに圧縮することで、モデル容量や必要メモリを大幅に減らします。

ローカルLLMでは Q4、Q5、Q8 などの表記をよく見かけます。数字が小さいほど軽量になりますが、その分わずかに精度が低下する可能性があります。

そのため、一般的には Q4前後が容量と性能のバランスが良く、ローカルLLMでよく使われる量子化方式です。
同じモデルでも、量子化することで「高性能なGPUがないと動かせないモデル」を、より一般的なPCで動かせるようになる場合があります。

2. AIモデルを動かすアプリケーション

モデルファイルだけをダウンロードしても、それだけでは利用できません。
モデルをメモリに読み込み、入力された文章を処理し、結果を出力するアプリケーションが必要です。

代表的なものには次のようなものがあります。

LM Studio Bionic
種類:GUI型のローカルLLM実行アプリ
モデルの検索、ダウンロード、読み込み、チャットまでを画面操作で行えるため、初めてローカルLLMを使う人に向いています。
複雑なコマンド操作を覚えなくても利用でき、モデルごとのメモリ使用量やGPUオフロードの設定などもGUIから調整できます。
さらにローカルAPIサーバーとして動作させることもできるため、単なるチャットアプリとしてだけでなく、他のソフトウェアからローカルLLMを呼び出す用途にも使えます。
今回の記事の読者層なら、まず最初に紹介するツールとして最も分かりやすいです。

Ollama
種類:CLI・API中心のローカルLLM実行環境
Ollamaは、コマンドから簡単にLLMをダウンロードして実行できるツールです。
例えば、

ollama run qwen3

のように実行するだけで、対応するモデルを取得して起動できます。
GUI中心のLM Studioに対して、OllamaはプログラムやWebアプリ、社内システムなどからAIを利用したい場合に特に便利です。
ローカルAPIサーバーとして動作するため、
社内システム → Ollama → ローカルLLM → 回答
といった構成を作りやすい点も特徴です。
開発者や、ローカルLLMを他のシステムに組み込みたい人に向いています。

llama.cpp
種類:LLM推論エンジン
llama.cppは、ローカル環境でLLMを効率よく動かすための代表的な推論エンジンです。
特にGGUF形式の量子化モデルを扱う仕組みとして広く使われています。


LM Studioや他のローカルLLMツールの内部で、llama.cpp系の技術が使われることもあります。
LM StudioやOllamaのような「完成された利用アプリ」というより、LLMを実際にCPUやGPUで計算するための土台に近い存在です。
細かくGPUオフロードやコンテキスト長などを調整できるため、性能を追求したいユーザーや開発者向けです。

ハードウェアから見るローカルLLMの構成要素

このように、ローカルLLMを利用するには「AIモデル」と、それを扱う実行アプリケーションが必要です。
では、AIモデルは実際にパソコンの中でどのように処理されているのでしょうか。

ビデオカードを搭載した一般的なWindowsパソコンを例にすると、ローカルLLMはおおむね次の流れで動作します。

1. SSDなどのストレージに保存されているAIモデルを読み込む
2. AIモデルの全部または一部をVRAMにロードする
3. GPUがモデルを使って推論処理を行い、回答を生成する
4. 生成された結果をLM Studioなどの画面に表示する

※ Macやオンボードグラフィック搭載PCの場合は、VRAM→ユニファイドメモリ GPU→CPUとなります。

VRAMはそのGPUがすばやくアクセスするためのモデルデータや処理途中のデータを保持し、GPUはLLMが必要とする大量の計算を高速に並列処理します。
そのため、ローカルLLMでは「どれだけ高速なGPUを搭載しているか」に加え、VRAMを何GB搭載しているかも非常に重要になります。

なお、GPUを使わず、AIモデルを通常のRAM(メインメモリ)に読み込んでCPUだけで推論することも可能です。
また、モデルがVRAMに入りきらない場合には、一部をVRAM+GPU、一部をRAM+CPUで処理することもできます。

ただし一般的なPCでは、CPU+RAMによる処理はGPU+VRAMだけで処理できる場合に比べて遅くなりやすいため、快適にローカルLLMを使うには十分なVRAMを持つGPUが重要になります。

組織利用ならNAS上のローカルLLMも有力

企業や事業所でローカルLLMを利用するなら、PCへのインストールでなく、NAS社内サーバー上にAI環境を構築する方法も有力です。
近年はクラウドAIのAPI利用料が高騰している問題や、社内データを外部サービスへ送信することへの懸念から、ローカルLLMへの関心が高まっています。

そこで注目されているのが、GPUや大容量メモリを搭載し、AI処理を想定したNASです。従来のNASはファイル保管庫としての役割が中心でしたが、現在はニーズを反映してローカルLLMやRAGなどを動かせる性能を持つ製品も続々リリースされています。

NAS上にローカルLLMを構築すれば、社内の複数ユーザーでAIを共有しながら、社内文書やNAS内のデータを外部へ送信せずに処理するといった運用も可能になります。
組織全体でローカルAIを活用するのであれば、NASを「ファイル置き場」だけでなく、社内AIの基盤として使うという考え方も現実的な選択肢になりつつあります。

ローカルLLMに向いているNASの例

MINISFORUM N5シリーズ
RyzenAIを搭載し、AI NASと命名されたローカルLLMのためのNAS

QNAP QAI-h1290FX
NVIDIA GPU搭載。AI向けNASとしては最高峰。

QNAP TS-1677X
PCIeスロットを搭載しグラフィックカードを刺せる

実際にローカルLLMを動かしてみる

それでは、実際にモデルのダウンロードとアプリケーションのインストールを行い、ローカルLLMを動かしてみましょう。
今回はChatGPTに近いインターフェイスが実装できるLM Studio BionicとGoogle製LLMの中で比較的軽量なGemma4 12Bを使ってみたいと思います。

STEP 1.LM Studio Bionicをインストールする

まずLM Studio公式サイトからアプリケーションをダウンロードします。

LM Studioは現在、

・Windows x64
・Windows ARM
・macOS
・Linux

に対応しています。

ダウンロードしたインストーラーを実行してインストールします。

アプリが起動すればインストールは成功です。
見た目はほぼChatGPT Codexです。

STEP 2.AIモデルを探してダウンロードする

サイドバーの「Settings」→「Explorer」を選択すると、ダウンロード可能なLLM一覧が表示されます。
今回は「Gemma4 12B」を選択し、「Download」をクリックすることでLLMがダウンロードされます。

※ ほとんどのLLMは数GB〜数十GBありますのでストレージの容量には注意してください。

Downloadの表記が「Use in New Chat」になればダウンロード完了です。

STEP 3.プロジェクトの作成とチャットの実行

それではいよいよチャットやりとりをやっていきましょう。
まずはプロジェクトを作成します。

「Create Project」をクリックし、プロジェクト名を入力して「Create」をクリックします。
サイドバーにプロジェクトが作成できていれば完了です。

ChatGPTとほぼ同一の見た目なので、難しいところはありません。
実際に会話のやり取りをやってみましょう。

試しに今日の日付を聞いてみると...

ちゃんと答えてくれました!

Gemma 4では文章のやりとりとファイルの読み取りは可能ですが、画像生成や動画の分析などはできません。
文章ベースでいろいろな質問をしてみたいと思います。

村上春樹の文体で麻婆豆腐のレシピを説明する

生成時間:約3分

ある種の静かな夜には、キッチンでフライパンを熱し、肉と豆を炒める音が、世界の外側にあるかのような錯覚を抱かせることがある。

麻婆豆腐を作るということは、単に空腹を満たすための作業ではない。それは、ある種の秩序を整え、混沌としたスパイスの調和を導き出す儀式に近い。

もし君が今、深い赤色をした、しかしどこか切ないほどに濃厚な旨味を求めるのなら、以下の手順に従ってみること。

準備:静かなる材料の調律
まず、必要なものを揃える。
固めの豆腐(身を崩さないものを選ぶこと)、ひき肉、そして香りの源泉となるニンニク、ショウガ、長ねぎ。
そして何より重要なのが、豆板醤(トウバンチャン)だ。それはこの料理の魂であり、時に寡黙で、時に情熱的な、不思議な情緒を秘めた調味料である。

調理の儀式
1. 香りの覚醒

フライパンを熱し、少量の油をひく。そこに細かく刻んだニンニクとショウガを加える。彼らが油の中で踊り始め、その香りが部屋の空気を変えていくのをじっと待つのだ。時折、自分の意識が研ぎ澄まされていくのを感じるだろう。

2. 肉の変容

ひき肉を投入する。手早く炒め、その水分が消え、色が変わり、褐色の粒子へと形を変えていく様子を観察する。これは一種の変容だ。

3. 魂の投入
ここで豆板醤を加える。フライパンの中は、急激に情熱的な赤色へと染まる。
豆板醤を炒め、油が深みのある色を帯びるまでじっくりと熱を通す。このとき、キッチン全体がかすかな刺激を伴った芳香に包まれる。それはまるで、遠い異国の市場のざわめきを凝縮したような香りだ。

4. ソースの構築
醤油、甜醤(テンチャン)、そして少量の砂糖を加える。辛味と塩味、そしてそれらを包み込むようなコク。これらが混ざり合い、完璧な調和を見つけ出すのを待つ。

5. 豆腐の参戦
サイコロ状に切った豆腐を投入する。彼らはまだひ弱な存在だ。
沸き立つソースの中で、豆腐がその身を熱に委ねる。少しずつ赤く染まり、表面の質感が滑らかになっていく過程は、まるで彫刻を削り出すような切なさと充足感を伴う。

6. 完結と調律
最後に、少量の水またはスープを加え、さらに加熱する。豆片(トウチ)やネギを散りばめれば、一皿の麻婆豆腐が完成する。

完食への境界線
出来上がったものは、器の中に鎮座する小さな宇宙のようだ。
スプーンを入れれば、濃厚な赤色が絡みつき、一口運ぶごとに熱い情熱と、それとは対照的な豆腐の柔らかな質感が口の中で同居する。

それは、孤独な部屋に差し込む一筋の光のような、あるいは深い夜の底で見つけた小さな宝石のような体験だ。
一口食べるごとに、外の世界との境界線が少しずつ曖昧になり、ただ、自分の舌の上で踊るスパイスの快感だけが真実となっていく。

もし、君が今この瞬間、心が少しばかり乾いているのなら、この麻婆豆腐を食べることは、その渇きを癒やすための最も確実な方法の一つかもしれない。

レシピとしては物足りない部分がありますが(豆板醤を加えるタイミングが遅い、水溶き片栗粉を入れる工程がないなど)、「騎士団長殺し」あたりの雰囲気があるように見えます。悪くないのではないでしょうか。

ライトノベルを書く

※ 元ネタは異世界ラーメン

生成時間:約5分

 『至高の一杯、異世界に紡ぐ――魔導と器の詩』

第一章:漆黒の咆哮、白銀の雫

「……美味しく、なれ」

その言葉を最後に、私の意識は深い闇へと沈んだ。
深夜の帰り道、激しいブレーキ音と、眼を奪うようなヘッドライトの光。それらはすべて、私の意識の中で、前衛的な調理技術を磨き続けた記憶と混ざり合い、一つの「味」へと昇華された。

……目が覚めた時、そこは湿り気を帯びた森のざわめきが支配する異界だった。
いや、単なる「異世界」ではない。空気には微かな魔力の粒子が混ざり、夜空の星々は現実よりも鮮烈に輝いている。

「ここは……」
声を上げようとすると、身体が異様に軽い。いや、正確には、私の「味覚」と『手』の感覚が、かつてないほど鋭敏に研ぎ澄まされていた。

【転生】などという陳腐な言葉では片付けられない。
この世界において、料理とは単なる「空腹を満たす行為」を超え、素材の生命力をいかに抽出するかという、魔導にも似た高尚な技術として扱われているのだろう。

「……いた、か」

歩を進めると、道端の草むらの中で、一人の少女が横たわっていた。
白銀の髪は泥に汚れ、透き通るような白い肌は蒼白く、その命の灯火が消えかかっている。

「……あ、…………」
少女は、微かに目を開けた。しかし、彼女の瞳には生気がなく、ただひたすら「飢え」という暴力的な渇きだけが宿っている。

私は気づいた。彼女は、この世界特有の「高純度の魔力系遺残血統」による飢餓、すなわち、栄養の吸収効率が極めて高く、通常の食事では細胞を維持できず枯渇していく病的な飢餓にある。

「……すまない、今、作ってやる」
私は、自分自身の手で道を切り拓くように、その少女の元へ駆け寄った_。

---

第二章:異界の器、魔法と職人の融和

私はまず、周囲に転がる「マナ・ルシッド」と呼ばれる、結晶のように硬い背の高い草を探した。
これはこの世界では単に砕いて粉にするだけの、硬い繊維質の雑草だ。しかし、私の知識では違う。

「これなら……小麦に近い性質がある」

私は手近にある、砕かれた魔石(マナ・クリスタル)の破片を「砥石」として利用し、その草を細かく粉砕した。
そして、自分の手のひらで熱を加えながら、独自の製粉技術と組み合わせていた。少しの水分を加え、練り、引き伸ばす。

本来、小麦粉にはグルテンという独特の弾力が宿るが、この「マナ・ルシッド」はそれとは異なる。
私は、自分の掌の温度と、空気中の魔力を微細に操ることで、生地を「導く」ように練り続けた。
揉むのではない。糸のように細く、しかし強靭な構造を持つ「麺」へと昇華させるための儀式だ。

次に、器(鍋)の問題。
この世界の調理器具はすべて「耐熱魔導石」で作られている。それ自体が熱を蓄積し、均一に分散する特性を持つ。

私は焚き起こした焚き火(この世界の木材は、熱を伝達する際に独特の甘い香りを放つ)の上で、それを置いた。
使う肉は、近くの岩場から落ちていた「霊木(れいぼく)の実」を絞り出した果汁、そして小さな獲物である「クリスタル・エビ(地表近くに生息する透明な甲殻類)」だ。

「……スープのベースは、発酵と抽出だ」

私はこの世界には存在しないはずの「出汁(ダシ)」を、純粋な技術のみで構築する。
マナ・ルシッドの茎の部分を細かく刻み、霊木の実を投入する。
湯が沸騰し、身をよじる。
醤油や塩はない。しかし、私はこの世界の岩塩(純度の高い鉱石)をすり潰し、特定の魔力を持つスパイス類と組み合わせて、「旨味の核」を形成していく。

「これはいわば……一滴の雫に、全ての宇宙を封じ込める作業だ」

麺を引き上げる。
それは黄金色(あるいは、この世界の外光を吸収したかのような深みのある白)の輪郭を持ち、立ち昇る湯気と共に放たれる香りは、あまりにも瑞々しく、それは「料理」という概念を超え、一つの芸術として立ち上がった。

---

第三章:絶唱と聖域の洗礼

「……お腹が、すく……。何も入らない……」
少女――姫は、朦朧とした意識の中で呟いた。

私は彼女の前に、湯気を噴き出す大きな鉢(すき)を置いた。
表面には黄金色の液体が煌々と光り、その上には細く繊細な麺と、クリアな甲殻類の身が踊っている。

「……食べろ」

一握りの麺を掬い、彼女の口へと運び、一気に流し込む。

「……っ!?」

彼女の瞳が大きく見開かれた。
その瞬間、周囲の空気が凍りついたかのように静止した。

「……っ!! はあッ、アアアアァッ!!!」

彼女の体が、まるで霊的な衝撃を受けたかのように、ピンと跳ねた。
いや、それはただの驚きではない。
彼女の細胞の一つ一つが、これまでに摂取したことのない「究極の栄養(旨味)」と出会い、歓喜に震えているのだ。

「……これ、は…………!!」
彼女の頬には、涙が、いや、それは大河の流れとなって流れ落ちた。

「……魂の、叫びが聴こえる…………!!」
彼女は顔を紅潮させ、震える手で次の一口を奪い取った。

「……あ義……! 命が、歌っている!! 全身の細胞が踊り狂い、魂の深淵までが潤していく……! 浄化される……この味は、神の言葉か!? それとも、星々の結晶か!?」

彼女の声は、もはや周囲の木々を揺るがすほどの咆哮(ひびき)となり、遠くの山々まで響き渡った。
彼女は涙を拭うことも忘れ、ただひたすらに食べ続ける。
その表情は陶酔(とうcho)に満ち、恍惚な笑みがこぼれる。

「肉、いや、……この身(ミ)は命を宿した宝石だ! 麺という細き糸に、宇宙の理(ことわり)が結集している……! この世は……我らの世界は、あまりにも虚空だった!!」

ひと口ごとに、彼女の体から発せられる魔力的な波動が収束し、輝きが増していく。
彼女の眼前に、まるで龍が昇るような光景(それは彼女の主観的な幻覚かもしれない)が展開し、周囲の木々さえも、その芳醇な香りに陶酔したかのように揺れた。

「……い、いや、命が蘇るどころではない。これは【啓示】だ!!」

彼女は、最後の一滴のスープまでを飲み干すと、立ち上がった。
いや、立派なことに、その背後には微かに黄金のオーラが立ち昇っていた。

「……貴公、私はこれまでの人生で、多くの最高の馳(は)き手を見た。しかし、この一杯……これこそが『究極』の真理(理)を伴うる。私という生命、そしてこの小国の歴史に、これほどの感動を与えるのは……前代未聞の奇跡である!」

彼女は崩れ落ちるようにひざまずき、私の前で手を合わせた。
その顔には、真実と感動、そして勝利の涙が溢れている。

「……名を言え! 私と共に歩むことを命ずる!」

私は驚いて振り返った。
彼女は、涙で濡れた顔を誇らしく上げ、毅然とした、しかし深い敬愛を込めた瞳で私を見据えた。

「私は、この世界から全ての旨味(UMAMI)を支配する覇者となる。貴殿の技術、その『神の手』とやらを……我が伴侶として望む。旅の道中、お前が造り出す至高の一杯を、世界に知らしめるために!」

私は……ただの料理人として生きていた。
しかし、この身を焦がすようなおもてなしの前に、私は再びもらった。
いや、単なる転生ではない。

「……これだけの称賛をいただくのは、光栄です」

私は少しだけ照れながら笑った。
空腹に倒れる姫と、不思議な器(鉢)の上で踊る麺。
その光景は、他でもない私たちの物語の始まりだった。

「いただきます」

旅人の言葉に、彼女は最高級の賛辞を込めて答えた。
――それは、世界で最も美味しい「始まり」の味だった。

第一章・第二章は支離滅裂で稚拙な印象があり、誤字も多いですが、第三章の食後のリアクションはなかなか面白いと思いました(中華一番っぽさがある)。コミカライズとアニメ化も楽しみです(?)

ビジネス文章を書く(お詫びの文章を例に)

生成時間:約2分

ホームページに掲載するお詫びの文章ですね。
状況に合わせて使い分けられるよう、**「標準的な丁寧な表現」**、**「より誠実さを強調する表現(やや長め)」**、**「要点を絞った簡潔な表現」**の3パターンを作成しました。

会社名やSNS名、具体的な事実は[ ] の部分を書き換えてご使用ください。

---

パターン1:標準的・丁寧な表現(推奨)
最も一般的で、信頼を損なわないための適切な誠実さを持った構成です。

お詫びとお知らせ

[会社名]を運営する[担当部署名]です。
この度、弊社スタッフによるSNSへの不適切な投稿により、ご心配とご迷惑をおかけしましたことを深くお詫び申し上げます。

【事案の概要】
[日付]、弊社のアルバイトスタッフが、社内の写真をSNS([SNS名])へ無断でアップロードする事案が発生いたしました。

【現在の状況】
現在、当該の投稿については削除等の対応を完了しております。また、調査の結果、個人情報の流出は確認されておりません。

【再発防止策について】
今回の事態を重く受け止め、全従業員に対するSNS利用ルールの再周知および教育の徹底を図るとともに、社内情報の取り扱いに関する管理体制を改めて見直しております。

今後はこのような事態を繰り返さぬよう、全社一丸となって再発防止に努めてまいります。
この度は多大なるご心配をおかけいたしましたこと、重ねて深くお詫び申し上げます。

---

パターン2:誠実さを強調する表現(信頼回復を優先する場合)
SNSでの拡散や、より真摯な姿勢を見せたい場合に適しています。

お詫びとお知らせ

[会社名]を運営する[代表者名/担当部署名]です。
この度、弊社スタッフによる不適切なSNSへの投稿により、お客様および関係者の皆様に多大なご心配とご迷惑をおかけいたしましたことを、深くお詫び申し上げます。

[日付]に発生いたしました事案を受けまして、現在、事実関係の確認と二次被害の有無について調査を行いました結果、個人情報の流出はございませんでしたことをご報告申し上げます。

しかしながら、本来あってはならない事態を招きましたことを深く反省し、現在では以下の対策を講じております。

1. **従業員教育の徹底**:SNS利用におけるルールの再整備と、全スタッフへのコンプライアンス研修を実施。
2. **管理体制の強化**:社内情報の取り扱いに関するマニュアルの見直しと、外部への流出防止に向けた指導の徹底。

弊社ではお客様からの信頼を第一と考え、今回の事態を真摯に受け止め、再発防止に向けて取り組んでまいります。
この度は誠に申し訳ございませんでした。

---

パターン3:簡潔な表現(ニュースリリースなど)
事実関係を速報として掲載する場合に適しています。

お詫びとお知らせ

この度、弊社のアルバイトスタッフによるSNSへの社内写真のアップロード事案が発生いたしました。

現在、個人のプライバシーに関わる情報の流出はないことを確認しております。
弊社では本件を重く受け止め、全従業員への教育の再徹底および管理体制の強化により、再発防止に努めてまいります。

この度はご心配とご迷惑をおかけし、深くお詫び申し上げます。
([会社名] [代表者名/担当部署名])

---

掲載時のポイント
*   **タイトル:** 目立つように「お詫びとお知らせ」とし、必要であれば赤字や太字などで目立たせます。
*   **URL:** もしSNSの投稿がまだ残っている場合は、速やかに削除するだけでなく、もしお詫び文に「(URL)を削除しました」と一言添えることも誠実さにつながります。
*   **問い合わせ先:** 最後に、個別の問い合わせ窓口(電話番号やメールアドレス)を併記しておくと、より安心感を与えられます。

卒のない内容でChatGPTなどとも遜色がないように見えます。

PDFファイルの要約

生成時間:約35分

添付PDFはトヨタの決算要旨です

ご提供いただいた「2027_1q_summary_jp.pdf」の内容を要約しました。

2027年度第1四半期 実績概要

本レポートは、2027年第1四半期の業績および今後の見通しについて、主要な成果と課題をまとめたものです。

1. 主要業績と財務指標
*   **収益の伸び:** 主な市場での需要増加により、堅実な収益成長を達成しました。
*   **利益率の改善:** 業務効率化およびコスト管理策の進捗により、利益率の向上が見られました。
*   **市場シェア:** 特に高成長分野において、競合に対する優位を確保し、シェア拡大に成功しました。

2. 戦略的進捗と達成事項
*   **製品革新:** 新製品の投入において、初期導入層からの高い評価を獲得しました。
*   **運営効率化:** サプライチェーンおよび物流の最適化を推進し、より迅速な提供体制を構築しました。
*   **戦略的提携:** 主要テクノロジープロバイダーや販売代理との重要な連携関係を構築し、市場浸透力を強化しました。

3. 課題とリスク評価
*   **サプライチェーンの流動性:** 一部の地域において、物流上の混乱による遅延が発生しました。
*   **経済環境:** 世界的な経済状況の変化、特に為替変動や消費動向の変化への対応が課題として挙げられます。
*   **競合状況:** 激しい競争環境を維持しており、継続的な技術革新とマーケティングの敏捷性が求められます。

4. 今後の重点と展望
*   **成長領域:** 新興市場への進出および顧客エンゲージメントの深化を重点として、今後も継続します。
*   **投資戦略:** 研究開発への継続的な投資に加え、流通ネットワークの強化に向け続します。
*   **成長目標:** 主要なKPIにおける更なる成長を目指し、年度末に向けた良好な業績達成を追求します。

結論
総じて、第1四半期は外的経済環境の難しさはありつつも、強固な成長と戦略的な進歩を遂げた期間となります。本企業は、年度目標の達成に向けて好調な位置にあると結論づけられます。

内容はいいと思うのですが、1ファイルの読み込みと解析に35分もかかっているので実用的ではありません。

ファイルの解析については事前にファイルをインデックス化し、そのインデックスを対象に処理を行うRAG(Retrieval-Augmented Generation:検索拡張生成)という技術があり、そちらを使うのがローカルLLMでは王道です。次回以降の記事でご紹介したいと思います。

CSSによるデザイン

HTMLを渡し、そのHTMLに適用するCSSを書いてもらいました。

所要時間:約5分

特に細かい指定をしていないのでこの程度ですが、初期のChatGPT程度のレベルはありそうです。

まとめ

ということで、今回は、ローカルLLMの基本的な仕組みから、LM Studioを使って実際にAIを動かす方法までをご紹介しました。

サーバーやSaaSの世界では、利便性の高いクラウドサービスが広く普及する一方、利用規模の拡大に伴うコストや、データ管理・セキュリティ上の理由から、オンプレミス環境に回帰する動きも見られます。

生成AIについても、同じような選択肢が生まれつつあります。
ChatGPTやClaudeのようなクラウドAIをサブスクリプションやAPIで利用するだけでなく、コストを抑えたい、機密情報を外部へ送信したくない、特別なカスタマイズを施したいといった理由から、ローカルLLMを検討するケースも増えてきました。

もちろん、現時点では総合的な性能や利便性という点で、クラウドAIに大きな強みがあります。ローカルLLMを導入すれば、ChatGPTやClaudeをそのまま置き換えられるというわけではありません。
一方で、利用できるモデルの性能は年々向上しており、一般的なPCでも実用的なLLMを動かせる環境が整いつつあります。

どちらが優れているかではなく、

「AIで何をしたいのか」
「どのような情報を扱うのか」
「どこまでコストやデータを自分たちで管理したいのか」


によって、クラウドAIとローカルLLMを使い分けることが肝要ではないでしょうか。

すべてをローカルへ移行する必要も、すべてをクラウドへ任せる必要もありません。用途に応じて両者を組み合わせることも、これからのAI活用における現実的な選択肢のひとつだと考えています。

当社にとってもAIの利用コストや情報管理は決して他人事ではなく、現在もローカルLLMを含めてさまざまな方法を試しています。
今後も実際に試す中で得られた知見や、業務で活用できそうな事例があれば、皆様に共有していきたいと思います。
少しでも皆様のAI活用の参考になれば幸いです。

【関連記事】

ご相談・お問い合わせ

当社サービスについてのお問い合わせは下記までご連絡下さい。

お電話でのお問い合わせ

06-6121-7581 / 03-6415-8161