AI用PCのSSD選び方ガイド｜容量・速度・NVMe規格の違いを用途別に解説

「ローカルLLMのモデルファイルをダウンロードしたら、SSDの空き容量が一気になくなった」。AI用途でPCを使い始めると、最初にぶつかるのがストレージの問題だった。AIモデルのファイルは1つで数GB、大型モデルなら数十GBに達する。Officeやブラウジング中心の使い方とは、SSDに求められる条件が根本的に違う。

GPU選びやVRAMの話題に比べると、SSDは地味な存在かもしれない。しかし容量が足りなければモデルを保存できず、速度が遅ければモデルの読み込みに毎回待たされることになる。AI用途に特化したSSDの選び方を、容量・速度・規格の3つの軸で整理した。

なぜAI用途ではSSD選びが重要なのか

一般的なPC用途（たとえばWebブラウジングやOffice作業）では、SSDの容量は256GBや512GBで十分足りるケースが多い。読み込み速度も、OSの起動やアプリの立ち上げが快適であれば不満は出にくいもの。

ところがAI用途では、ストレージへの要求が一変する。

最も大きな違いはモデルファイルのサイズ。ローカルLLM（自分のPC上で動かす大規模言語モデル）で使うモデルファイルは、7Bパラメータクラスで数GB、70Bクラスになると数十GBに膨らむ。量子化（モデルの精度を落としてファイルサイズを圧縮する手法）を適用しても、1ファイルあたり数GBは覚悟が必要になる。複数のモデルを試したいなら、あっという間に数十GB〜100GB単位の容量を消費する計算。

画像生成や動画生成の場合はさらに事情が複雑で、モデルファイルに加えて生成した画像・動画ファイルが蓄積されていく。高解像度の画像を何百枚も生成すれば、出力データだけで数十GBに達することも珍しくない。

もう一つの重要な観点が読み込み速度。ローカルでAIモデルを実行する際、最初にモデルファイルをストレージからRAM（メインメモリ）やVRAM（GPU専用メモリ）に読み込む工程がある。このモデルロードにかかる時間は、SSDの読み込み速度に直結する。HDD（ハードディスクドライブ）では数十秒〜数分かかるロードが、高速なNVMe SSDなら大幅に短縮できるという構造。

さらに、VRAMに載りきらないモデルでは、一部レイヤーをCPU側のシステムRAMへオフロードして動かす場合がある。このとき推論速度を主に左右するのはCPU性能とメモリ帯域で、SSDが効くのはモデルのロード時間やキャッシュ、メモリ不足時のページング。SSD上のスワップに頼る運用は大幅な速度低下を招きやすく、あくまで一時的な回避策と考えたい。SSDは単なる「保存場所」ではなく、AI動作の快適さを左右するパーツ。

SSDの基礎知識：NVMe・SATA・Gen3/Gen4/Gen5の違い

SSD選びで最初に理解すべきなのが、接続規格の違い。大きく分けてSATA SSDとNVMe SSDの2種類が存在する。

SATA SSDは、従来のHDDと同じSATAインターフェースで接続するタイプ。2.5インチの筐体に収まったものが一般的で、転送速度の理論上限はおおよそ550〜600MB/s程度。HDDと比べれば圧倒的に速いが、AI用途では力不足になる場面が出てくる。

NVMe（Non-Volatile Memory Express）SSDは、PCIeバスに直接接続することで、SATAの何倍もの帯域幅を実現した規格。物理的にはM.2スロット（マザーボード上の細長いコネクタ）に差し込む形状が主流になっている。NVMeプロトコル自体は NVM Express 公式仕様 として業界標準化されており、SATA(AHCI) 比でキュー深度・並列性が桁違いに大きい設計。

NVMe SSDはさらに、PCIeの世代によって速度が異なる。各世代の理論帯域は PCI-SIG 公式仕様 に定義されている。

Gen4はGen3の約2倍の帯域を持ち、価格もこなれてきている。Gen5は理論値では圧倒的で、Gen4との価格差も以前ほど大きくない。ただし発熱対策やマザーボード側の PCIe レーン共有の確認が必要なうえ、SSDの逐次読み出し速度はAI推論やモデルロードの主なボトルネックになりにくいため、一般的なAI用途ではGen4でも十分なことが多い。

結論として、AI用途のSSD選びではNVMe Gen4がコスパの最適解。SATA SSDしか空きスロットがないPCの場合は、M.2スロットの増設やPC自体の見直しを検討する価値がある。

AI用途別に必要なSSD容量の目安

「で、結局何TBのSSDを買えばいいのか？」これが最も知りたいポイントだろう。答えはAIの使い方によって大きく変わるため、用途を3段階に分けて整理した。

APIベースのAIツール利用

ChatGPT、Claude、GitHub Copilot、Claude Codeなど、クラウド上のAIをAPI経由で利用するスタイル。この場合、AI処理自体はサーバー側で行われるため、手元のPCには大きなモデルファイルを保存する必要がない。OS、開発環境、プロジェクトファイルが収まれば十分なので、SSD容量への要求は控えめ。

ローカルLLMの実行

OllamaやLM Studioを使って、自分のPC上で言語モデルを動かすケース。ここからSSDの容量が一気に重要になる。

モデルファイルのサイズは、パラメータ数と量子化方式によって大きく変動する。一般的な目安として、7B〜8Bクラスの量子化モデルで3〜5GB程度、14Bクラスで7〜10GB程度、70Bクラスの量子化モデルでは30〜40GB程度を見込んでおく必要がある。ただしこれはあくまで概算で、量子化の手法（Q4、Q5、Q8など）によって上下するため、実際のサイズは各モデルの配布ページで確認してほしい。

複数のモデルを切り替えて使いたい場合、5〜10個のモデルを手元に置くだけで100GBを超えることも珍しくない。

主要モデルファイルの実サイズ参考値

容量計算の出発点は、自分が使いたいモデルの実ファイルサイズを把握すること。代表的なオープンソースモデルの量子化版ファイルサイズを並べた。いずれも2026年6月時点の代表例で、実サイズは配布元・タグ・量子化方式で変動する。

個別の最新サイズは Ollama Library 公式モデル一覧 や Hugging Face の各モデルカード (Meta Llama 公式リポジトリ、 Stability AI 公式リポジトリ) で確認できる。同じパラメータ規模でも、BF16 オリジナル → Q8 → Q4 と量子化が深くなるほどサイズが小さくなり、4-bit 量子化ではおよそ「パラメータ数 (B) × 0.5〜0.7 GB」程度が目安（GGUF のメタデータや埋め込み、MoE 構造、量子化形式で上下する）。

画像・動画生成

Stable DiffusionやComfyUIを使った画像生成、さらにAI動画生成まで手を広げると、ストレージへの負荷は最大になる。チェックポイントモデル（画像生成AIの学習済みモデル）は1つあたり数GBが標準で、LoRA（追加学習モデル）やVAE（画像のエンコード・デコードモデル）なども加わる。生成した画像・動画ファイルの蓄積も無視できない量に膨らんでいく。

以下が用途別の容量ガイドライン。

ここで注意したいのが、上の容量はOS領域を含んだ数字ではないという点。Windowsの場合、OS自体で30〜50GB程度を占有し、アップデートやキャッシュでさらに膨らむ。Windows 11 公式システム要件 で示される 64GB ストレージは「動く」最低限の数字で、AI 用途を載せる場合はそこに数百 GB のモデル領域が必要。SSD 全体の容量から実際に使える領域は、カタログ値より 1〜2 割少なくなることを織り込んでおく。

SSDの速度がAI作業に与える影響

「容量はわかった。では速度はどれくらい気にすべきか？」という疑問が次に浮かぶはず。

SSDの速度がAI作業に最も影響するのは、モデルロードの工程。ローカルLLMを起動する際、モデルファイルをSSDからRAMやVRAMへ転送する必要がある。数GBのモデルなら体感差は小さいが、数十GBクラスの大型モデルでは、SATA SSDとNVMe Gen4 SSDでロード時間に明確な差が生じる。

もう一つ押さえておきたいのが、VRAM不足時のスワップ（オフロード）。VRAMに載りきらないモデルでは、まず一部レイヤーをシステムRAMへオフロードして動かす。RAMにも収まらずSSDまでページングが及ぶと推論速度は大きく低下するため、SSDの速度を上げるよりRAM/VRAM容量を確保するほうが効く。SSD上のスワップに頼るのは一時的な回避策で、やむを得ず使う場合も最低でもNVMe接続が望ましい。

SSDの速度指標には「シーケンシャルリード/ライト」と「ランダムリード/ライト」の2種類がある。シーケンシャルは大きなファイルを一括で読み書きする速度、ランダムは小さなファイルを多数読み書きする速度のこと。

AIモデルのロードは大容量ファイルの一括読み込みが中心なので、シーケンシャルリードが重要指標になる。一方、学習データセットの読み込みや細かいキャッシュファイルのアクセスでは、ランダムリードも影響してくる。どちらか一方だけを見れば良いわけではないが、優先度はシーケンシャルリードが上。

とはいえ、Gen4とGen5の速度差がモデルロード時間にどこまで体感差をもたらすかは、モデルサイズやシステム構成によって変わる。例えば 42GB の Llama 3.3 70B Q4 モデルをロードする場合、純粋な帯域計算では Gen4 で約 6 秒、Gen5 で約 3 秒だが、実環境では CPU・コントローラ・ファイルシステムのオーバーヘッドで差はそこまで広がらない。多くの場合、Gen4 で十分実用的な速度が得られるため、速度だけのために Gen5 を選ぶ必要性は高くない。

マザーボードのM.2スロットとPCIeレーン共有問題

SSDを2枚以上挿す構成を検討するときに陥りやすい落とし穴が、M.2 スロットと他デバイスとのPCIe レーン共有。マザーボードの仕様書に小さく書かれているこの制約を見落とすと、期待した速度が出ない、あるいは GPU の帯域が落ちるといった問題に遭遇する。

Intel Z790 世代を例に挙げると、CPU 直結の Gen5 M.2 スロットを実装するために GPU 用 PCIe 5.0 x16 レーンを分割し、その M.2 を使うと GPU が x16 から x8 動作へ落ちるマザーボードがある。これは Core 第14世代の CPU 側 PCIe レーン構成（最大20レーン（PCIe 5.0 x16 + PCIe 4.0 x4））と Z790 PCH 仕様の組み合わせから読み取れる挙動で、たとえば Intel Core i7-14700F 仕様 等の CPU 側仕様と各マザーボードマニュアルを突き合わせて確認する。一方、Z890／Core Ultra 200S 世代では CPU 側の PCIe レーン構成が拡張され（Core Ultra 9 285K で最大24レーン）、GPU 用 x16 とは別に M.2 向けレーンを確保できる構成もあるため、「Gen5 M.2 を使うと必ず GPU が x8 になる」とは限らない。

具体的な制約はマザーボードごとに異なるため、メーカー公式マニュアルの「M.2 Configuration」表を必ず確認する。また、チップセット経由の M.2 スロットは複数本搭載されていても、チップセット ↔ CPU 間の DMI 4.0 x8 帯域（約 16GB/s）を共有するため、複数 SSD を同時にフル帯域で動かすシナリオでは頭打ちになる点も覚えておきたい。

失敗しないSSD選びの実践チェックリスト

実際にSSDを購入する前に、以下の5つのポイントを確認しておくと失敗を防げる。

1. マザーボードのM.2スロット数と対応世代

デスクトップPCの場合、マザーボードによってM.2スロットの数（1〜3基程度）と対応するPCIe世代が異なる。Gen5対応スロットにGen4のSSDを差しても動作はするが、逆にGen3スロットにGen4 SSDを差すとGen3の速度に制限される。マザーボードの仕様書で確認すべきポイント。

2. TBW（書き込み耐久性）

TBW（Total Bytes Written）は、SSDが寿命を迎えるまでに書き込める総データ量の目安。AI用途では画像の大量生成やモデルの頻繁なダウンロード・削除が発生するため、一般用途よりも書き込み頻度が高くなりやすい。同じ容量でもTBWの値は製品によって異なるため、仕様表で確認しておく。

1,200TBW という数値の体感としては、毎日 100GB を書き込み続けても 12,000 日 ≒ 約 33 年に相当する余裕がある計算。一般的な AI 利用で TBW を使い切る前に世代交代が来るが、SSD スワップを常用したり LoRA 学習でデータセットを大量に書き込むワークロードでは寿命消費が早まる。公式 TBW 値は Samsung 990 Pro 製品ページ や WD Black SN850X 製品ページ で確認できる。

3. 発熱とヒートシンクの要否

NVMe SSD、特にGen4以上の高速モデルは発熱が大きい。温度が一定以上に達するとサーマルスロットリング（熱による速度低下）が発生し、せっかくの速度を活かせなくなる。マザーボードに付属のヒートシンクがあれば装着し、なければ別途ヒートシンクの購入を検討してほしい。

4. OS用とデータ用の2枚構成

可能であれば、OS・アプリケーション用のSSDと、AIモデル・生成データ用のSSDを物理的に分けるのがおすすめ。OSの動作がモデルの読み書きに干渉しにくくなり、管理面でも「モデル用SSDだけを大容量に換装する」といった柔軟な対応が可能になる。

5. ノートPCの場合のスロット制約

デスクトップと異なり、ノートPCはM.2スロットが1基しかない機種が大半。2枚構成が物理的にできない場合、最初から大容量（2TB以上）のSSDを選んでおくか、外付けストレージとの併用を前提にする必要がある。

まとめ

AI用途のSSD選びで押さえるべきポイントを改めて整理する。

接続規格はNVMe Gen4がコスパと速度のバランスに優れた選択肢。SATA SSDではモデルロードやスワップ時に速度がボトルネックになりやすい。Gen5は速いが、発熱・レーン共有・実効差を考えると、AIモデル保存やロード中心ではGen4で十分な場面が多い。

容量はAI用途によって大きく異なる。APIベースのツールだけなら512GBで足りるが、ローカルLLMを本格的に使うなら1TB以上、画像・動画生成まで手を広げるなら2TB以上が現実的なライン。デスクトップPCでM.2スロットに余裕があれば、OS用とモデル用で2枚に分ける構成を検討する価値がある。

SSDはGPUやVRAMほど話題にならないが、AI用途では作業効率を左右する重要なパーツ。まず自分がやりたいAI用途を確認し、上のガイドライン表で必要な容量帯を照合するところから始めるのが確実な第一歩になる。

具体的な製品では、Gen4 NVMe の定番 Samsung 990 PRO が速度・信頼性のバランスで筆頭。入手しにくければ WD_BLACK SN850X が同等、価格を抑えるなら Crucial T500 が割安。容量はローカルLLM中心なら1TB、画像・動画まで使うなら2TBが目安。いずれもPCIe Gen4で、AI用途ではGen5より価格・発熱のバランスを取りやすい。

よくある質問（FAQ）

Q: HDDでもローカルAIは動きますか？

A: 動作自体は可能だが、モデルロード時間が極端に長くなるため実用的とは言い難い。一般的な 7200rpm HDD のシーケンシャルリード速度はおおよそ 150〜220MB/s 程度で、NVMe Gen4 SSD の数十分の一。数 GB のモデルファイルを読み込むだけで何十秒もかかり、大型モデルでは数分待たされることもある。Windows 11 公式システム要件 でも内蔵ストレージは 64GB 以上が必須だが、これは「動く」最低限で、AI 用途を載せる前提なら HDD ではなく SSD を強く推奨する。

Q: SSDは2枚必要ですか？

A: 必須ではない。1枚のSSDにOSとモデルデータをまとめても問題なく動作する。ただし2枚構成には利点がある。OSの動作とモデルの読み書きが物理的に分離されるため干渉しにくくなること、モデル用SSDだけを後から大容量に換装できる柔軟性があること、管理がシンプルになることの3点。M.2スロットに空きがあるなら検討する価値は十分にある。

Q: 外付けSSDにAIモデルを保存しても大丈夫ですか？

A: USB接続の外付けSSDは、転送帯域がボトルネックになりやすい。USB 3.2 Gen2でも理論値は約1,250MB/sで、内蔵NVMe Gen4の数分の一に留まる。モデルの保管場所としては使えるが、そこから直接ロードして推論を走らせるには速度不足を感じる場面が多い。Thunderbolt 4や5に対応した外付けケースであれば帯域に余裕があり、実用圏内に入ってくる。ただし対応機器の価格も上がるため、内蔵SSDの増設とどちらがコスパに優れるか比較して判断してほしい。

Q: 古いSSDをAI用に流用しても問題ないですか？

A: 容量と空き領域が十分なら流用は可能だが、注意点が3つある。1つ目は世代の制約で、SATA SSD や PCIe Gen3 NVMe では大型モデルのロードに時間がかかる。2つ目は寿命の残量で、古い SSD は TBW を相当消費している可能性があり、AI 用途で書き込みが増えると寿命が表面化しやすい。SMART 情報（CrystalDiskInfo 等で確認できる）で「使用済み TBW」 や「健康状態」 をチェックしておく。3つ目はキャッシュ系の挙動で、古い QLC タイプの SSD は SLC キャッシュ枯渇後の書き込み速度が大きく落ちる点に留意。検証用なら流用可、メイン作業用なら新規購入が無難。

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

• Microsoft 公式: Windows 11 システム要件