AI用途別 必要メモリ容量ガイド｜ローカルLLM・画像生成に何GB要るか（DDR5/DDR4の選び分け）

AI用PCを組むとき、メモリ（RAM）は何GB積めばいいのか。用途によって「足りるライン」は大きく変わる。ローカルLLMでは、モデルがGPUのVRAMに収まる場合はシステムRAM速度の影響は小さい。一方、VRAMに載りきらないモデルをCPU/RAM側にオフロードする場合や、llama.cppのCPU推論を使う場合は、RAM容量とメモリ帯域が推論速度に大きく影響する。一方で、Claude CodeのようなAPI型ツール中心ならRAM 16GBでも快適に動く。この記事では、AI用途別の必要容量と、DDR5・DDR4どちらを選ぶべきかを実測をもとに整理する。

メモリの規格・速度・デュアルチャネルといった基礎はAI用PCのメモリ（RAM）とは？の基礎ガイドで解説している。本記事は「用途別に何GB必要か」「DDR5とDDR4どちらを選ぶか」という判断に絞る。

メモリは「多いほどいい」が、用途ごとに最適な容量と規格は違う。まず用途から必要量を決め、規格（DDR5/DDR4）と予算で具体化していくのが失敗しない順番だ。

AI用途で本当に必要なメモリ容量はどれくらいか

「メモリは多いほどいい」——原則としてはその通りだが、用途によって”足切りライン”は大きく異なる。ここでは、AI用途を3つのカテゴリに分けて必要なRAM容量を整理した。

ローカルLLM（Ollama・llama.cpp）に必要なRAM

ローカルLLMを動かす場合、GPU上のVRAMとシステムRAMの両方がモデルの格納に使われる。VRAMに載りきらない部分はRAMにオフロードされるため、システムメモリの容量が推論速度に直結するケースは多い。

当サイトの検証環境（i7-14700F / 96GB RAM）でRTX 5060 Tiを使った実測では、8Bクラスのモデル（llama3.1:8bなど）でVRAM使用量が5.3GB、79.6 tokens/secを記録している。この規模ならVRAM 16GB内に収まるためRAMへのオフロードは発生しないが、問題はより大きなモデルを扱うときだ。

同環境でgemma4:26bを動かすとVRAM使用量は14.3GBに達し、37.0 tokens/secまで低下した。さらにqwen3.5:35b-a3bではVRAM 14.5GBを消費している。（これらの速度は2026年4月・Ollama 0.20.7時点の計測値。MoE系モデルのスループットはOllamaのバージョンに依存し、新しい版では同じ構成でも高速化している。）VRAM 16GBのGPUでは、26B〜35Bクラスのモデルを動かすとVRAMはほぼ上限。モデルの一部がRAMにオフロードされる状況では、RAMの容量不足がボトルネックになる。

以下の表で、モデルサイズごとの目安を整理した。

ポイントは、OSやブラウザなど他のアプリケーションも常にRAMを消費しているという事実。Windows環境では起動直後でも4〜6GBのRAMが使われており、ブラウザでタブを開けばさらに数GBが追加される。「モデルに必要なRAM＋8GB」くらいの余裕を持たせたい。

画像生成・API型ツールに必要なRAM

Stable DiffusionやComfyUIでの画像生成は、処理の大部分がGPU（VRAM）で完結する。システムRAMの役割は、モデルの読み込みバッファや画像データの一時保持が中心だ。最低16GB、快適に使うなら32GBあれば困ることはない。

VRAMについては別記事で詳しく解説しているが、SDXL系なら12GB以上、Flux系なら16GB以上が推奨となる。メモリ容量よりもGPUのVRAM容量がボトルネックになるのが画像生成の特徴だ。

一方、Claude Code、GitHub Copilot、ChatGPTなどのAPI型AIツールはまったく事情が異なる。これらはクラウド上のサーバーで推論処理を行い、手元のPCは入出力の端末として機能するだけ。GPUは不要で、CPU・RAM・SSD速度が体感に影響するパラメータとなる。

API型ツール中心の使い方なら、RAM 16GBで十分快適に動作する。DDR4環境のPCでも問題ない。「AIを使いたい＝大容量メモリが必須」ではないという点は、予算を抑えたい人にとって押さえておくべき事実だろう。

DDR5とDDR4、AI用PCにはどちらを選ぶべきか

新規にAI用PCを組むならDDR5が基本。ただし既存のDDR4環境を使い続けるのが「間違い」かというと、用途次第ではそうとも限らない。

帯域幅とAI推論速度の関係

DDR5とDDR4の最大の違いはメモリ帯域幅にある。DDR5-6000のデュアルチャネル構成では理論帯域幅が約96GB/s。対してDDR4-3200は約51.2GB/s。約1.9倍の差が存在する。

この帯域幅の差が顕著に効くのは、llama.cppのCPU推論やGPU-CPUハイブリッド推論（一部レイヤーをCPUにオフロードする構成）を使うときだ。CPUがモデルの重みをメモリから読み出す速度がそのまま推論のスループットに反映されるため、メモリ帯域幅が広いDDR5-6000は明確に有利になる。

逆に、モデルが完全にGPU上のVRAMに収まっている場合はどうか。推論処理はGPU内部で完結するため、システムメモリの速度はほとんど影響しない。当サイトの検証環境でRTX 5060 Tiにphi4-mini:3.8b（VRAM使用量3.5GB）を載せた場合、136.5 tokens/secを記録しているが、この速度はRAM規格を変えても大きく変わらないだろう。ボトルネックがGPU側にあるからだ。

つまり、VRAM内にモデルが収まる構成ならDDR5の速度優位は限定的、VRAMからあふれてCPUオフロードが発生する構成ではDDR5の帯域幅が効くという切り分けになる。

海外の自作PCコミュニティでも、DDR5-6000は事実上の標準グレードとして定着しつつある。Ryzen 7 7000シリーズ以降の構成例や複数メーカーのハイエンドBTO機で DDR5-6000 32GB（16GB×2）前後が採用されるケースが増えており、ゲーミング用途だけでなくAI用途に転用する場合もこの速度グレードが出発点として適切だ。

DDR4環境を活かす判断基準

「DDR4のPCを使っているが、AIのためにDDR5に乗り換えるべきか？」——この疑問への答えは、何をやりたいかで決まる。

DDR4環境のままでいいケースはこうだ。Claude Code、GitHub Copilot、ChatGPT、Geminiなどのクラウド型AIツールが主な用途で、ローカルLLMには手を出さない。この場合、メモリ規格の差はほぼ体感できない。RAM 16GBあれば十分で、DDR4-3200の帯域幅で何の不都合もない。

DDR5への移行を検討すべきケースはこちら。ローカルLLMで14B以上のモデルを使いたい、または画像生成とLLMを同時に走らせたい。DDR4環境でもOllama自体は動くが、VRAMオフロードが発生するサイズのモデルではメモリ帯域がボトルネックになりやすい。加えて、DDR4プラットフォームでも4スロットで最大128GB（32GB×4）までの拡張自体は一般的に可能だが、DDR5＋最新マザー・CPUの組み合わせのほうが96GB超の大容量構成を安価に組みやすく、メモリ帯域幅の差も含めて長期運用では有利になりやすい。

もうひとつ考慮すべきは、DDR4メモリの将来性だ。DDR4-3200はDDR5-6000より一回り安く、短期的なコスト削減にはなる。ただしDDR4の生産は縮小傾向にあり、大容量製品ではDDR5との価格差も縮まりつつある。今から新規にDDR4へ投資するのは、長期的には行き止まりの選択になりやすい。

予算別おすすめメモリ構成とAI対応度

ここまでを踏まえ、用途と予算で選べる3つの構成パターンを提示する。どの予算帯でどんなAI用途に対応できるか見ていこう。なお2026年はDRAM価格が高騰しており、メモリ価格は短期間で大きく動いている。以下は2026年6月末時点の国内価格の目安で、平常時の相場とは異なる可能性がある。

予算別メモリ構成比較表

32GB構成なら、まずDDR5-6000を基準に考えたい。Ryzen AM5環境では定番の速度グレードとして扱われやすく、Intel環境でも価格と安定性のバランスがよい。DDR5-4800/5600と価格が大きく変わらないことも多く、AI用途への転用も見据えるなら出発点になる。

ヘビー構成の64GBは安くはないが、26B以上のモデルをローカルで動かしたいなら避けて通れない投資となる。当サイトの検証環境でもRAMは96GBを搭載しており、gemma4:26b（VRAM 14.3GB使用）やqwen3.5:35b-a3b（VRAM 14.5GB使用）といった大型モデルの検証時に、余裕あるRAM容量が安定動作に寄与している。

64GBまでは要らないが32GBでは心許ない——そんなケースには、24GB×2枚組（合計48GB）という中間的な容量も選択肢になる。特にVRAM 16GBのGPUと組み合わせて14B〜26Bクラスのモデルを扱うなら、48GBは合理的なラインだ。

実際の自作構成でも、DDR5-6000 32GBの組み合わせは定番化しつつある。海外コミュニティではRyzen 7 7800X3DとCorsair Vengeance DDR5-6000 16GB×2枚組のセットが頻繁に採用されており、ゲーミングからAI用途への転用も視野に入れた構成として支持されている。

価格の目安と買い時の考え方

メモリ価格は週単位で動き、DRAM市況は3〜6ヶ月サイクルで変動する。「待てば待つほど安くなる」とは限らないため、必要になったタイミングで、用途に合った容量を買うのが基本だ。最新の相場は価格.comやAKIBA PC Hotline!などで確認したい。

GPUとのバランスも考えておきたい。VRAM 16GBクラスのGPUとDDR5 32GBの組み合わせは、14BクラスまでのローカルLLMを動かすAI入門構成として現実的なラインになる。GPUに高負荷をかけるなら、GPUのTDPに応じて電源容量にも余裕を持たせておきたい。

まとめ：AI用途別・メモリ選びの最終判断

ここまでの内容を、読者の状況別に整理しておこう。メモリは「とりあえず多ければいい」というパーツではない。AI用途の種類によって、必要な容量も最適な規格も異なるからだ。

以下の表で、自分がどのパターンに当てはまるか確認してほしい。

この表を見て「自分は32GBで足りるのか、64GB必要なのか」と迷う人は多いはず。判断基準はシンプルで、VRAMに収まるモデルしか使わないなら32GB、VRAMからあふれるモデルも使いたいなら64GB以上という線引きになる。

当サイトの検証では、RTX 5060 Tiの16GB VRAMにgemma4:26bをロードした際、GPU側のVRAM使用量は14.3GBだった。ただし、Ollama/llama.cpp系では量子化形式・コンテキスト長・GPUオフロード設定によってシステムRAM側にもデータが残る場合があるため、VRAM使用量だけで総メモリ負荷を判断しない方がよい。これより大きいモデルでは、VRAMに入りきらない部分がシステムRAMに展開され、推論速度も大幅に低下する。

つまり、「どのサイズのモデルを使うか」が先にあり、メモリ容量はそこから逆算して決めるもの。GPUのVRAM容量と合わせて考えることで、無駄のないメモリ投資ができる。

DDR4環境のユーザーに向けて補足しておくと、DDR4からDDR5への移行はメモリ単体の交換では済まない。マザーボードとCPUもDDR5対応品に買い替える必要があるため、実質的にはPC全体の組み替えとなる。現在DDR4環境でGPU推論メインのAIワークロードを動かしているなら、メモリ帯域がボトルネックになる場面は限定的。無理にDDR5へ移行するよりも、GPUのアップグレードに予算を回すほうが体感速度の向上につながるケースもある。

ただし、llama.cppのCPUモードなどメモリ帯域に依存するワークロードを頻繁に使うなら、DDR5への移行メリットは大きい。DDR5-6000のメモリ帯域はDDR4-3200の約1.9倍に達し、CPU推論速度にダイレクトに効いてくるからだ。

最後に、メモリの買い時について。DRAM市況は3〜6ヶ月サイクルで変動するため、「もう少し待てばさらに安くなる」という期待で購入を先送りにするのは得策ではない。必要なタイミングで、自分の用途に合った容量を買う。それがメモリ選びの鉄則だ。

具体的な製品では、DDR5-6000 の定番 G.Skill Trident Z5 が低レイテンシで扱いやすい。入手性と価格を重視するなら Corsair Vengeance DDR5 が候補。AI用途でVRAMからのオフロードを使うなら、容量は64GB以上を選んでおくと安心。

よくある質問（FAQ）

Q1: DDR5-6000とDDR5-4800で、AI用途の体感差はどの程度あるか？

GPU推論がメインなら、体感差はほぼゼロ。OllamaやComfyUIのようなGPU依存のAIツールでは、推論データの大半がGPUのVRAM上で処理される。システムメモリの帯域幅が処理速度を左右する場面は少ないため、DDR5-4800でもDDR5-6000でも推論速度に目立った違いは出ない。

差が出るのは、CPU推論を使う場合。llama.cppでCPUオフロードを多用する構成や、GPUのVRAMに収まらない大型モデルをシステムRAMに展開して推論するケースでは、メモリ帯域が推論速度のボトルネックになる。DDR5-6000の理論帯域幅は96GB/s（デュアルチャネル時）で、DDR5-4800の76.8GB/sと比べて約25%の差がある。CPU推論のtokens/secにこの差がそのまま反映されるわけではないが、大型モデルのCPU推論で数%〜10%程度の速度差が出るケースは報告されている。

結論として、GPU推論メインなら安いDDR5-4800で十分。CPU推論も視野に入れるなら、差額数千円でDDR5-6000を選んでおくのが合理的な判断だ。

Q2: メモリ32GBと64GB、AI用途ではどちらを選ぶべきか？

使いたいモデルのサイズとGPUのVRAM容量で決まる。

当サイトの検証環境で実測したデータを見ると、RTX 5060 Ti（VRAM 16GB）でqwen3.5:9bを動かした場合、VRAM使用量は7.7GBだった。このクラスのモデルならシステムRAM 32GBでも快適に動作する。一方、gemma4:26bではVRAM使用量が14.3GBとほぼVRAMの上限に迫っており、他のアプリケーションと同時に使うならシステムRAMに余裕がほしい。

以下の基準で判断するのが分かりやすい。

• 32GBで足りるケース: 8B〜14Bクラスのモデルを1つずつ使う。画像生成はしない。AIツール使用中にブラウザタブを10個以上開かない
• 64GBが必要なケース: 26B以上のモデルを使う。画像生成とLLMを同時に走らせる。開発環境（Docker、IDE、ブラウザ）を立ち上げたままAIを使う
• 96GBが必要なケース: 70Bクラスの量子化モデルを試す。複数のAIモデルを同時にロードしたい

迷ったら64GBを勧める。32GBは「ギリギリ足りる」ラインであり、モデルサイズのインフレ傾向を考えると、いずれ不足感が出てくる可能性が高い。64GBクラスは、長期的に見れば妥当な投資になりやすい。

Q3: DDR4のPCでもローカルAIは動くか？

動く。ただし条件がある。

DDR4環境でもGPUにNVIDIA製のVRAM 8GB以上のカードを搭載していれば、Ollamaで7B〜8Bクラスのモデルは問題なく推論できる。GPU推論ではモデルのデータがVRAM上に展開されるため、システムメモリの規格がDDR4であっても推論速度に大きな影響は出ない。

ローカルLLMについて詳しく知りたい方は、別記事の「ローカルLLMとは？自分のPCでAIを動かす仕組み・必要スペック・始め方をわかりやすく解説」で基礎から解説している。

API経由のAIツールであれば、DDR4環境でも全く問題ない。Claude Code、GitHub Copilot、ChatGPTのWeb版などは、推論処理がクラウド側で行われるため、手元のPCに求められるのはブラウザやIDEを快適に動かせるスペックだけ。DDR4-3200 16GBもあれば十分だ。

制約が出るのは以下の場面。

• CPU推論を使う場合: DDR4-3200の帯域幅は51.2GB/s（デュアルチャネル）。DDR5-6000の96GB/sと比べると約半分しかなく、CPU推論のtokens/secに差がつく
• VRAMに収まらない大型モデルを動かす場合: GPUのVRAMからあふれたデータがシステムRAMにオフロードされるが、DDR4の帯域幅ではデータ転送がボトルネックとなり、推論速度が大幅に低下する
• 画像生成＋LLMの同時実行: システムRAMの総容量が32GB未満だと、メモリ不足でプロセスが強制終了される可能性がある

つまり、DDR4環境のままでもAIは使える。ただし「GPUのVRAMに収まるサイズのモデルを使う」という前提条件つきだ。VRAMから溢れるモデルや、CPU推論に頼る使い方をするなら、DDR5環境への移行を検討するタイミングと言える。

現在DDR4のPCを使っていて、ローカルAIに興味があるなら、まずはGPUの増設・交換から始めるのが最もコストパフォーマンスの高いアプローチ。メモリを含むプラットフォーム全体の刷新は、CPUの買い替えタイミングに合わせるのが合理的だろう。

本記事は AIハードウェア図鑑 が記載時点の情報をもとに執筆。製品アップデートや第三者ベンチマーク・価格・対応ランタイム等の変動で評価が変わる可能性がある。一定期間経過した内容は再検証を推奨する。

参考資料

• Ollama 公式 GitHub: ローカル LLM 実行ランタイム
• llama.cpp 公式 GitHub: CPU/GPU 推論エンジン
• NVIDIA 公式: GeForce RTX 5060 Ti 製品ページ
• Google AI for Developers: Run Gemma with Ollama