ゲーミングPCでローカルAIを動かすには｜画像生成・LLMに必要なVRAMとGPUの選び方【2026年8月】

「ゲーミングPCがあれば、自宅でStable DiffusionやローカルのChatGPTみたいなAIを動かせるらしい」——そう聞いて調べ始めると、必要なGPUについての情報がサイトごとにバラバラで面食らいます。あるページは「8GBあれば十分」と書き、別のページは「最低16GB、できれば24GB」と書く。どちらも間違いではなく、前提にしているモデルや量子化の設定が違うだけです。

結論を先に言うと、ローカルAIで一番効くのはGPUの速さではなくVRAMの容量です。ゲーム用にGPUを選ぶときの「遊ぶ解像度に見合ったクラスを選ぶ」という発想とは、判断基準がまるで違います。この記事では、画像生成AI（Stable Diffusion・Flux.1）とローカルLLM（Ollama・LM Studioなどで動かす対話AI）それぞれに必要なVRAMを、解像度・パラメータ数・量子化という3つの軸で具体的な数字とともに整理し、そのうえで実際にどのGPU・どの予算のBTOを選べばいいかまで踏み込みます。

当サイトではゲーミングPCでできることなどの記事でもローカルAIには触れてきましたが、いずれも数行の言及にとどまっていました。この記事はローカルAIだけを主役に据え、量子化形式ごとの必要VRAMの違い、実際に使われているツールの特徴、クラウドAIとの比較、そして2026年8月時点の実売価格をもとにした予算帯別の選び方まで一本にまとめています。

なぜVRAMがすべてを決めるのか

AIモデルは、実行するときにパラメータ（重み）をまるごとメモリに読み込んで計算します。画像生成AIもローカルLLMも仕組みは同じです。

理想的には、このモデル全体をGPUのVRAMに載せて、GPU上で計算を完結させます。GPUには数千個の演算コアが並んでいて、そこにモデルが乗っていれば一気に計算が進みます。

問題は、モデルのサイズがVRAM容量を超えたときです。ComfyUIやOllamaのような多くのツールは、載りきらない分をシステムメモリ（RAM）に逃がして動作を続けます。これは「オフロード」と呼ばれる仕組みで、動くには動きますが、GPUとCPU・メモリの間でデータをやり取りするたびに待ち時間が挟まります。全体がVRAMに収まっている状態と比べると、体感で一桁近く遅くなることも珍しくありません。

ゲームであれば、VRAM不足は多少のカクつきやテクスチャの粗さで済むことが多いのですが、AIの場合は「動くには動くが実用にならない」という状態になりやすいのが違いです。モデル全体がVRAMに収まるかどうかが、実用になるかならないかの分かれ目になります。

画像生成AIに必要なVRAM

「画像生成AIに必要なVRAM」を調べると8GBという答えも24GBという答えも出てきます。どちらも正しく、使うモデルが違うだけです。2026年8月時点で主に使われている3つのモデルで整理します。

Stable Diffusion 1.5

もっとも軽量な世代です。UNetのパラメータ数は10億に届かず、標準の生成解像度も512×512とコンパクトです。4〜6GB程度のVRAMでも実用的に動き、いまゲーミングPCを新しく組む人がここでVRAM不足に困る場面はほぼありません。

SDXL

2026年時点でも標準的な選択肢です。パラメータ数がSD1.5の3倍以上に増え、標準解像度も1024×1024に上がりました。Web UI「Forge」は最適化が進んでおり4GBでも動作しますが、これは最低ラインの話です。エラーや速度低下を気にせず使うなら8〜12GBを見ておくと安心です。

Flux.1（dev／schnell）

2024年後半に登場し、いまも高画質モデルの主力です。パラメータ数は120億とSDXLの3倍以上あり、フル精度(bf16)では24GB前後のVRAMを要求します。ただし8bit量子化(fp8)なら12〜16GB、GGUF形式でさらに圧縮したQ4版なら7〜8GB程度まで下げられます。その分、画質や生成速度は妥協することになります。

Flux.1には無料で使える2つの版があります。標準版のdevは非商用ライセンスで、生成した画像の商用利用はできますがモデル自体の扱いには制限があります。1〜4ステップの少ないステップ数で生成できる高速版のschnellはApache 2.0ライセンスで、商用利用も可能です。開発元のBlack Forest Labsはdev版のモデルカードをHugging Faceで公開しており、ライセンスの詳細もそこで確認できます。

なお、同じ「8GBで足りる」という話でも、SD1.5基準なのかSDXL基準なのかで意味がまったく違います。VRAM容量を見るときは、必ず自分が使いたいモデルの名前とセットで確認してください。

ローカルLLMに必要なVRAM

対話AI（ローカルLLM）のほうは、モデルのパラメータ数と量子化形式の組み合わせで決まります。

個人がゲーミングPCで動かす場合、多くは4bit量子化（Q4、GGUF形式が主流）されたモデルを使います。モデル本体のサイズはおおよそ「パラメータ数×0.6GB」で概算でき、これに動作用の余裕が2〜4GBほど乗ります。

7〜8Bクラス（Llama 3.1 8B・Qwen3 8Bなど）

Q4量子化でモデル本体は5〜7GB。8GBのGPUから動かせます。1B前後の軽量モデルならさらに少ないVRAMでも動作します。

14Bクラス（Qwen3 14B・Phi-4など）

Q4量子化で10〜12GB。16GBのGPUから動かせるラインです。

27〜32Bクラス（Gemma 3 27B・Qwen3 32Bなど）

Q4量子化で20GB前後。24GBのGPUからが目安です。ゲーミングPC向けの現行GPUでは、単体でRTX 5090（32GB）のみが該当します。

70Bクラス（Llama 3.3 70Bなど）

Q4量子化でも40GB前後になります。現行のゲーミング向けGPU単体では厳しく、複数GPUや大幅な量子化・オフロードの併用が前提になります。

ここで注意したいのが、量子化の度合いによって同じモデルでも必要量が2〜3倍変わることです。8Bクラスのモデルを例に、量子化形式ごとの本体サイズを比べます。

FP16／BF16（未量子化）16GB

Q8量子化8.5GB

Q4量子化4.8GB

Q8は精度の低下がごくわずかで、Q4よりワンランク上のクオリティを求める人に選ばれます。ただし必要なVRAMはQ4のほぼ2倍になるので、8GBのGPUでは8BクラスでもQ8は厳しく、Q4を選ぶことになります。

もうひとつ見落とされがちなのが、会話が長くなるほど増えるKVキャッシュという領域です。長い文章を読み込ませたり、会話を続けたりするほどこの領域が膨らみ、上の数字だけでは足りなくなります。目安として、8Bクラスのモデルで数万トークン規模の長い文脈を扱うと、モデル本体とは別に数GB単位でVRAMが追加で必要になります。長文を扱う使い方をするなら、表の数字よりワンランク上のVRAMを見ておくと安心です。

使うツールで、必要な知識も変わります

画像生成もローカルLLMも、実際に動かすにはツールが要ります。2026年8月時点でよく使われているものを整理します。

ComfyUI（画像生成）

ノードをつないでワークフローを組む、上級者向けのツールです。最新モデルへの対応が早く、VRAMの使い方も細かく制御できるため、限られたVRAMで工夫したい人にも向きます。学習コストは高めです。

Automatic1111／Forge（画像生成）

タブ形式の分かりやすいUIで、Stable Diffusion系ツールの定番として広まりました。Forgeは派生版で、同じ操作感のままVRAM使用量と速度を改善しており、低VRAM環境ではForgeを選ぶ人が増えています。

Ollama（ローカルLLM）

コマンドで「このモデルをダウンロードして起動する」までを済ませられる、開発者寄りのツールです。他のアプリやスクリプトから呼び出す使い方にも向いています。

LM Studio（ローカルLLM）

ターミナル操作なしで、モデルの検索・ダウンロード・チャットまでをGUIだけで完結できます。初めてローカルLLMに触る人にとって、もっとも敷居が低い選択肢です。

koboldcpp（ローカルLLM）

単一の実行ファイルで動く軽量なツールです。長編の物語を書かせるような創作・ロールプレイ用途に強く、その分野のコミュニティで標準的に使われています。

どのツールを選んでも、必要VRAMの考え方（モデル本体サイズ＋動作の余裕）は変わりません。ただし同じGPUでも、ツールごとの最適化の差で、実際に動かせるモデルの上限が変わることがあります。特に低VRAM環境では、ツール側の対応状況も確認しておくと失敗が減ります。

クラウドAIと比べてどちらを選ぶか

ChatGPTのような月額課金のクラウドAIサービスと比べて、ローカルAIには向き不向きがあります。

生成回数に上限がない

クラウドサービスは利用量やメッセージ数に制限があることが多いですが、ローカルなら自分のPCが動く限り何度でも生成できます。大量に画像を生成したい人や、試行錯誤を繰り返したい人には大きな違いです。

データが外部に出ない

入力した文章や画像がインターネット経由で外部のサーバーに送られません。仕事の資料や社外秘の情報を扱う人にとっては、この点が導入の決め手になることがあります。

月額費用がかからない

GPUを買ってしまえば、あとは電気代だけで使い続けられます。長期間・高頻度で使うほど、クラウドの月額料金との差が効いてきます。

モデルの性能には上限がある

個人のGPUで動かせるモデルは、クラウドの最新・最大級のモデルには及びません。最先端の応答品質を求めるなら、クラウドサービスに分があります。

初期費用が高い

GPUを含むPCの購入費用が先に必要です。使う頻度が低いなら、クラウドの月額サービスのほうが総額で安く済むこともあります。

具体的な数字で見てみます。ChatGPT Plusは月額3,000円です。1年使えば36,000円になります。

一方、すでにゲーミングPCを新規に組む予定があるなら話は変わります。2026年8月時点のドスパラGALLERIAの実売で、同一構成(Ryzen 7 7700／16GB DDR5／500GB SSD)で見ると、RTX 5070（12GB）搭載モデルとRTX 5070 Ti（16GB）搭載モデルの価格差はおよそ50,000円です。VRAMが足りていて初めて、GPUの実力が生成速度の差として効いてきますが、この差額はクラウドAIの1年強分の月額に相当します。もともとゲーム用にGPUを選ぶ予定があり、1〜2年は使い続けるつもりなら、ローカルAIも見据えてVRAMの多いランクに一段上げておくほうが、長い目で見て割安になりやすいということです。

逆に、ゲームをする予定がなくAI用途だけでGPUを新規に買うなら、この計算は成立しません。その場合は、まず無料枠やクラウドサービスで自分の使い方に合うか試してから判断することをおすすめします。

なぜNVIDIA一択になるのか

ここまで意図的に触れずにきましたが、ローカルAIをやるならGPUはNVIDIA一択というのが現実的な結論です。理由をはっきりさせておきます。

AI分野で広く使われている計算基盤はCUDAという、NVIDIAが独自に開発した並列計算プラットフォームです。PyTorchをはじめとする主要なAI開発フレームワークはCUDA向けに最初に最適化されてきた歴史があり、その上に構築されているComfyUI・Automatic1111・Forge・Ollama・LM Studioといったツールも、動作確認や高速化の中心はNVIDIA製GPUです。

AMDにもROCmという対抗する計算基盤があります。AMD公式のROCmドキュメントによれば、2026年に入ってからWindows環境での対応が急速に進み、Ollama・LM Studio・llama.cppといった主要ツールでCUDAに近い動作を実現しつつあります。ただしこの改善はごく最近のもので、対応するのは主に上位のRadeon RX 9000シリーズや一部のRX 7000シリーズに限られます。長年蓄積されてきたNVIDIA向けの解説記事・トラブル対処法の量とは、まだ差があるのが実情です。

ツールの対応状況で選ぶならNVIDIA

ComfyUI・Automatic1111・Forge・Ollama・LM Studioはいずれも、NVIDIA製GPUを使うのがもっとも情報が多く、トラブルが起きにくい選択です。

Radeonでも動くケースは増えている

RX 9070 XTなどRDNA 4世代の上位モデルであれば、ROCm経由で画像生成もLLMも動作します。ただし公式対応の範囲やセットアップの手間はNVIDIAより一段多く、初めてローカルAIに触る人には向きません。

価格差だけで判断しない

同クラスのRadeonはGeForceより安いことが多いですが、単体グラボとBTOでは価格差の出方が違います。ローカルAIを本格的にやりたいなら、価格より対応状況を優先してください。

ゲーム用とAI用でGPU選びの基準が変わります

ゲーム用にGPUを選ぶときは、遊ぶ解像度に見合った演算性能のクラスを選ぶのが基本です。グラフィックボードの選び方で解説しているとおり、フルHDならエントリー、WQHDならミドルハイ、4Kならハイエンドという具合に、解像度と性能をそろえます。

AI用途ではこの発想が通用しません。まず「モデルがVRAMに載るかどうか」という二択があり、載って初めて演算性能や帯域幅の差が意味を持ちます。載らなければ、どれだけ演算性能が高くても実用速度になりません。

ここでよく起きる逆転が、RTX 5060 Ti（16GB版）とRTX 5070（12GB）の関係です。ゲーム性能ではRTX 5070のほうが上ですが、AI用途ではVRAM容量の多いRTX 5060 Ti 16GB版が有利になる場面があります。

ただし話はそれで終わりません。同じVRAMに載るモデルであれば、今度はメモリ帯域幅がものを言います。帯域幅は、GPUとVRAMの間でどれだけ速くデータをやり取りできるかを示す数値で、ローカルLLMの生成速度（トークン/秒）に直結します。

RTX 5060 Ti（16GB／8GB）448 GB/s

RTX 5070（12GB）672 GB/s

RTX 5070 Ti（16GB）896 GB/s

RTX 5080（16GB）960 GB/s

RTX 5090（32GB）1792 GB/s

RTX 5070はRTX 5060 Ti（16GB版）より帯域幅が約1.5倍あります。つまり、12GBに収まるモデルを動かす限りではRTX 5070のほうが速く生成できます。ただしRTX 5070には14Bクラスのモデルがそもそも快適に載らないため、その場合はVRAMの多いRTX 5060 Ti 16GB版に軍配が上がります。

まとめると、判断の順番は次のようになります。

①動かしたいモデルがVRAMに載るか

ここが最優先です。載らなければ、以降の帯域幅や演算性能の差は意味を持ちません。

②載る前提なら、帯域幅と演算性能で選ぶ

同じVRAM容量の候補が複数あるなら、帯域幅が広く演算性能の高いモデルのほうが生成は速くなります。

③ゲーム性能も両立したいなら、その上でバランスを取る

AIだけを見るならVRAM最優先ですが、ゲームも快適に遊びたいなら演算性能とのバランスを考える必要があります。

予算帯別、ローカルAIで狙うGPU

ここからは実際の買い方です。2026年8月時点のBTO実売価格（ドスパラ・THIRDWAVE公式）をもとに、VRAM容量を軸にした目安を示します。価格は変動するため、購入時は必ず最新を確認してください。

RTX 5060 Ti 16GB204980円

RTX 5070 Ti 16GB309980円

RTX 5080 16GB374980円

RTX 5090 32GB869980円

20万円台前半 — RTX 5060 Ti 16GB

THIRDWAVE AD-R5A56C-01B（Ryzen 5 7500F／16GB DDR5／500GB SSD）が204,980円〜。SDXLは快適、14BクラスのローカルLLMも動きます。ローカルAI入門として現実的なラインです。標準構成のメモリ16GB・SSD 500GBは手狭なので、32GB・1TBへの増設を前提にしてください。

30万円台前半 — RTX 5070 Ti 16GB

GALLERIA XPR7M-R57T-GD（Ryzen 7 7700／16GB DDR5／500GB SSD）が309,980円〜。同じ16GBでもRTX 5060 Ti 16GB版より帯域幅が広く、生成速度で差が出ます。メモリ32GB・SSD 1TBを最初から積む上位構成（XDR7A-R57T-GD／Ryzen 7 9800X3D）は439,980円〜です。

30万円台後半 — RTX 5080 16GB

GALLERIA XPR7M-R58-WL（Ryzen 7 7700／16GB DDR5／500GB SSD）が374,980円〜。VRAM容量はRTX 5070 Tiと同じ16GBですが、帯域幅がさらに広く、ゲーム性能も一段上です。上位構成（XDR7A-R58-GD／Ryzen 7 9800X3D／32GB／1TB）は529,980円〜です。

80万円台〜 — RTX 5090 32GB

GALLERIA XPC7A-R59-GD（Core Ultra 7 265F／16GB DDR5／1TB SSD）が869,980円〜。現行のゲーミング向けGPUで唯一、32Bクラスのローカル大規模言語モデルや、Flux.1のフル精度生成にも余裕をもって対応できます。ここまで来ると価格は業務用途の領域です。

もう少し安く24GBクラスのVRAMを確保したい場合、中古のRTX 3090やRX 7900 XTXという選択肢もあります。ただし当サイトでは中古GPUを積極的にはおすすめしていません。理由は中古グラボは買いかで詳しく説明していますが、動かなかったときに原因を切り分けられる人でないと扱いが難しいためです。特にAI用途に慣れていない段階では、新品の16GBクラスから始めるほうが無難です。

実際にGPU単体を載せ替える場合の候補です。新規にBTOを組む場合は、注文時にGPUを選ぶほうが安く早く済みます。

よくある失敗

ゲーム性能のランクだけでGPUを選ぶ

RTX 5070はRTX 5060 Ti 16GB版よりゲームは速いですが、VRAMは4GB少なくなります。AI用途を考えているなら、ランクより容量を先に見てください。

システムメモリとストレージを軽視する

BTOの標準構成はメモリ16GB・SSD 500GBが多く、AIモデルのファイルは1つで数GB〜20GB超になります。複数のモデルを試すとすぐ埋まるため、メモリ32GB・SSD 1TB以上を前提に考えてください。

Radeonを価格だけで選ぶ

同クラスのRadeonはGeForceより安いことが多いですが、ローカルAIのツールはNVIDIA向けの対応が先行しています。初めてローカルAIに触るなら、価格差より対応状況を優先してください。

NPU搭載を「AIに強い」と誤解する

CPUのNPUは画像生成やローカルLLMの計算には使われません。ローカルAIで効くのはGPUのVRAMと演算性能です。詳しくはNPUはゲーム性能に関係ありませんで解説しています。

量子化の前提を確認せずVRAMを見積もる

「◯Bのモデルに◯GB必要」という数字は、量子化しているかどうかで2〜3倍変わります。自分が使う予定のツールと量子化形式を先に決めてから、必要VRAMを逆算してください。

よくある質問

まとめ・次に読みたい記事

ローカルAIを動かすうえで最優先すべきは、GPUのランクではなくVRAMの容量です。画像生成AIやローカルLLMの主要ツールは、ほぼ例外なくCUDAを前提に開発されており、AMD Radeonでも動く場面は増えてきたものの、初めて触るならNVIDIAが安全な選択です。

VRAMが足りているかどうかを最優先で確認し、そのうえで足りるなら帯域幅と演算性能で選ぶ。これがゲーム用の選び方とは違う、ローカルAI向けGPU選びの順番です。予算的にはRTX 5060 Ti 16GB版が入門ライン、本格的に使うならRTX 5070 Ti以上を目安にしてください。メモリとストレージの増設もあわせて計画しておくと、購入後に「足りない」で詰まることが少なくなります。