マルチモーダルAI画像分析の選び方｜クラウドVLMとエッジAI

写真をアップロードして自然言語で質問できるマルチモーダルAIの登場で、画像分析の選択肢は大きく広がりました。一方で、製造ラインの外観検査のように毎秒判定が必要な現場では、従来型のエッジAIが依然として本命です。本記事では、クラウドVLMとエッジ専用モデルという2つのアプローチを、判定速度・コスト・運用の観点から比較し、現場ごとの使い分けの判断基準を整理します。

比較の前提：どんな場面での選択か

この記事で想定するのは、「現場の画像や映像をAIで分析したいが、どの方式を選べばよいか迷っている」という状況です。具体的には、製造業の外観検査や設備監視、小売の棚チェックや店舗巡回報告など、カメラやスマートフォンで撮った画像から何らかの判定・報告を得たいケースです。 選択肢は大きく2つあります。1つは、GPT-4oやGemini、Claudeに代表されるクラウド型マルチモーダルAI（VLM）に写真を送り、自然言語で質問して回答を得る方式。もう1つは、現場のカメラとエッジデバイスに専用の画像認識モデルを組み込み、その場でミリ秒単位の判定を行う方式です。 どちらが優れているかという問いには意味がありません。判定の頻度、求める応答速度、データの性質によって最適解が変わるためです。以下、それぞれの特性を具体的に見ていきます。

マルチモーダルAIによる画像分析：写真に質問するという使い方

マルチモーダルAIの最大の特徴は、学習なしで、いきなり画像に質問できることです。従来の画像AIでは「正常品500枚・不良品100枚を集めてモデルを学習する」という準備が必須でしたが、VLMなら写真を1枚送って「この基板にはんだ不良はありますか」「この棚で欠品している商品を列挙してください」と聞くだけで、それなりの回答が返ってきます。

得意な場面

• 判定対象が多品種・不定形で、品目ごとにモデルを作るのが非現実的な場合（小売の棚割りチェック、惣菜の盛り付け確認など）
• 判定結果を「言葉」で欲しい場合（巡回点検の報告文生成、不良内容の説明文作成など）
• そもそもAIで判定できるか分からず、まず実現性を試したい場合

制約と注意点

• 応答に2〜5秒程度かかり、ネットワーク断があると判定が止まる
• API利用料は1枚あたりおおむね0.3〜1円。月100万枚なら月数十万〜100万円規模になる
• 微細な傷や0.1mm単位の寸法判定など、精密な検査は苦手。「人がパッと見て分かるレベル」が実用の目安
• 画像を外部クラウドに送るため、図面や製品画像の持ち出し可否を事前に整理する必要がある

実務でよくあるのは、「VLMに検査画像を見せたら8割方は正しく答えるが、残り2割の揺らぎが許容できない」というケースです。VLMの判定は確率的に揺らぐため、合否判定を自動で流す工程には、現時点ではそのまま組み込みにくいのが実情です。

エッジAI専用モデル：現場で即判定する画像分析

一方のエッジAIは、特定の判定タスクに特化したモデルを現場のデバイス上で動かす方式です。産業用カメラとJetsonクラスの推論デバイス（本体10〜30万円程度）を組み合わせれば、1枚あたり10〜50ミリ秒で判定が返ります。タクトタイム1秒のラインで全数検査する、設備の映像を24時間監視して異常を即時通知する、といった用途はこちらの独壇場です。

得意な場面

• 製造ラインの全数外観検査など、高頻度・高速な判定が必要な場合
• ネットワークに依存できない、または画像を外部に出せない現場
• 判定基準が固定的で、同じ判定を大量に繰り返す場合

制約と注意点

• 学習データ（目安として正常品数百枚、不良品は不良モードごとに数十枚以上）の収集と教師付けが必要
• 品種追加や基準変更のたびに再学習・再検証の工数が発生する
• 「なぜNGか」を言葉で説明する能力はなく、判定結果は分類ラベルやスコアで返る

4つの観点で比較する

両者の違いを、現場で判断材料になりやすい4つの観点で整理します。

応答速度の差は桁違いです。人が写真を撮って結果を待つ運用なら数秒の待ちは問題になりませんが、ライン上を流れる製品の判定では致命的な差になります。

コスト構造の違いも見落とせません。VLMは初期費用がほぼゼロで始められる反面、処理枚数に比例してコストが増えます。月1万枚程度なら月1万円前後で済みますが、全数検査のように月数十万〜百万枚を処理する用途では、エッジ構成の初期投資（デバイスとモデル開発で数百万円規模）を1年以内に上回ることも珍しくありません。

ケース別の推奨：製造と小売の現場でどう使い分けるか

製造ラインの外観検査：エッジが基本、VLMはPoCの入口に

タクトに同期した全数検査は、速度・コスト・判定の一貫性のすべてでエッジ専用モデルが適します。ただし導入前の実現性確認にはVLMが有効です。手元の不良品画像を数十枚VLMに見せて「この不良を識別できるか」を数日で試せば、本格的なデータ収集に進むべきかを低コストで判断できます。われわれがPoCを支援する際も、「まずVLMで当たりを付け、見込みがあれば専用モデルの学習に進む」という2段階を推奨しています。

設備監視・保全点検：ハイブリッドが現実的

24時間の常時監視（油漏れ、異物、計器の常時読み取り）はエッジで行い、保全員が巡回中にスマートフォンで撮った写真の診断や点検報告書の下書き生成はVLMに任せる、という組み合わせが実務的です。常時監視は頻度が高くエッジ向き、巡回診断は低頻度で言語化が必要なためVLM向き、という頻度と出力形式による切り分けです。

小売の棚チェック・店舗巡回：VLMの適性が高い

棚の欠品確認やプロモーション陳列の実施確認は、対象商品が数千SKUに及び、陳列も店舗ごとに異なるため、専用モデルの学習が追いつきません。スタッフが撮影した棚写真をVLMに送り「欠品区画と該当商品を列挙」させる方式なら、学習なしで運用を始められます。1店舗1日数十枚程度の処理量ならAPI費用も月数千円に収まり、従量課金のデメリットが顕在化しにくい領域です。

選択の決め手：判定の「頻度」と「言語化の必要性」

最後に、迷ったときの判断軸を2つに絞ります。1つ目は判定の頻度です。1日数千回を超える高頻度の判定、あるいは秒以下の応答が必要なら、エッジ専用モデル一択です。逆に1日数十〜数百回の判定なら、VLMの応答速度もコストも許容範囲に収まることが多いはずです。 2つ目は結果を言葉で欲しいかです。合否のラベルだけで業務が回るならエッジで十分ですが、「何がどう問題か」の説明文や報告書が必要なら、VLMの言語能力が効きます。 そして両者は排他ではありません。VLMで素早く実現性を確かめ、頻度が高い判定だけをエッジ専用モデルに切り出していく。この段階的な進め方が、投資を無駄にしない最も確実なルートだと考えています。まずは手元の画像20〜30枚をVLMに見せるところから、小さく試してみてください。