昨年、Riverside の eコマース倉庫を訪れた。ちょうどビジョン検査システムを導入したばかりだった。コンベアの上にカメラ6台、荷物のラベルの破損や貼り間違いをチェックする。構成はクラウド推論——映像ストリームをパブリッククラウドに送り、GPU で処理して結果を返す。稼働初週に破綻した。ピーク時には結果の到着が半拍遅れ、リジェクト用のエアシリンダに信号が届かず、十数個の不良品の荷物がそのまま仕分けシュートに流れ込んだ。IT マネージャーはこう言った。「契約前に遅延の話は誰もしてくれなかった」。
私の結論を先に言おう。倉庫の AI において 10 ms と 300 ms の差は、ユーザー体験の問題ではない。それが動くかどうかの問題だ。推論をどこに配置するかで、あなたの AI が現場の資産になるか、高価な置物になるかが決まる。
遅延の計算
カメラがフレームを捉え、クラウドに送信し、推論が実行され、結果が戻ってくる。通常は往復で 100–300 ms、それも良い日でだ。倉庫のネットワークがどんなものかはご存じのはずだ。金属ラックは天然の電波遮蔽物、Wi-Fi のデッドゾーンはいたるところにあり、繁忙期の混雑で遅延は倍になる。
エッジ導入ならどうか。ライン近くのキャビネットに置かれた、GPU 演算を備えた頑丈なエッジボックスなら、10–50 ms で推論を実行する。カメラからボックスまではローカルネットワーク経由、時には直接接続だ。
エッジが必須となる3つの鉄則。
第一に、クローズドループ制御。リジェクト、仕分け、AMR の障害物回避——「AI が処理を終えたら機械が今すぐ動かなければならない」ものすべてだ。ベルト速度 2 m/s の場合、300 ms の遅延は荷物がさらに 0.6 m 進むことを意味する。分岐ポイントは逃している。
第二に、安全に関わるものすべて。歩行者と車両が混在するエリアで、AMR のビジョン回避をクラウド経由で動かすのは、ブレーキをネットワークのジッタに委ねるようなものだ。私の結論：エッジ、一択。
第三に、高頻度の推論。1台のカメラが 30 fps、1日16時間——API 呼び出し課金や GPU 時間課金のクラウド請求はあっという間に恐ろしい額になる。エッジボックスは一度きりの投資で、回せば回すほど推論単価が安くなる。
ではクラウドの本領は何か。学習、モデルの反復改善、ダッシュボード、複数拠点の分析だ。時間のプレッシャーがなく、伸縮性のある計算資源を要する仕事。それこそがクラウドの本拠地だ。
帯域とコスト：見落とされがちな項目
多くの人は GPU の費用だけを計算して帯域を忘れる。H.264 エンコードの 1080p カメラは上りで約 4–8 Mbps を押し出す。50台なら上り 200–400 Mbps の持続的な負荷だ。倉庫の専用回線が月にいくらかは想像がつくだろう。もっと厄介なのは信頼性で、回線が一瞬落ちれば全カメラの推論が一斉に止まる。
エッジの帯域需要はほぼゼロだ。映像は建物の外に出ず、上がるのは推論結果（数 KB の JSON）とアラートのスナップショットだけだ。インターネットが切れてもラインは動き続け、最悪でもアラートの報告が遅れるだけだ。
コストの切り分けはこうだ。クラウドは従量課金で、小規模や波のあるワークロードに向く。エッジは固定投資＋減価償却で、24時間365日の連続運用に向く。分岐点は簡単に計算できる。年間のクラウド推論コスト（GPU＋帯域＋データ転送）を列挙し、エッジボックスの調達、3年償却、電力、保守と比較すればいい。経験則としては、連続推論のカメラが 20 ストリームを超えれば、エッジがほぼ勝つ。10 ストリーム未満で稼働率が低い場合（1日数時間の品質検査など）は、クラウドが手間いらずの選択肢だ。
一つ落とし穴がある。クラウドベンダーの請求項目は想像以上に多い。GPU 時間、ストレージ、API 呼び出し、データ転送だ。契約前にこの4項目すべてを書面で見積もらうこと。不明な点があれば、メールで書面確認を取ること。営業担当の「だいたい」を信じてはいけない。
私の導入プレイブック：3段階
画一的なやり方はやめること。私は導入を3段階に分ける。
第1段階、ピュアエッジ：ビジョン仕分け、リジェクト、AMR のナビゲーションと障害物回避、ピック・トゥ・ライトのリアルタイム検証だ。これらには、ネットワークが死んでも動き続けるエッジボックスを充てる。ハード面の注意点：熱と埃に気をつけること。倉庫は夏に平気で 35°C を超え、民生用 GPU では生き残れない。産業グレード、最低でも広温度対応品を選ぶこと。
第2段階、エッジ推論＋クラウド学習：これが主流のパターンだ。エッジが推論を実行し、難しいサンプルだけをクラウドに送り返す。クラウドが再学習し、更新したモデルを配布する。アップロード戦略の要点：全部を上げるな。モデルが迷ったサンプル（低信頼度）だけを送れば、帯域は 90% 以上削減できる。
第3段階、ピュアクラウド：需要予測、補充提案、オペレーションのダッシュボード、倉庫横断のレポートだ。リアルタイム要件がなく、クラウドの伸縮性のある演算資源と出来合いのデータツールは本物の強みだ。
運用上の細部を一つ。エッジボックスが一握りを超えると、モデルのバージョン管理がぐちゃぐちゃになる。リモート OTA 更新とロールバックを必須条件にすること。USB メモリを持たせて技術者を歩き回らせるな。12台のエッジボックスが 4 種類のモデルバージョンで動いていた倉庫を見たことがあるが、トラブルシューティングに1週間かかった。
展開の順番：初日から建物全体を覆うな
初めて AI ビジョンを導入する現場で私がよく見る最大の間違いは、施設全体に一気に展開することだ。私の3ステップの展開はこうだ。
ステップ1、一点集中のパイロット。一番痛いライン——返品の品質検査かラベル検査——を選び、カメラ 2–4 台とエッジボックス1台だけで始める。パイロットは 4–6 週間回す。目標はまだコスト削減ではない。3つの表を作ることだ。遅延、精度、フォールスポジティブ率だ。フォールスポジティブが 5% を超えると、現場スタッフはアラートを無視し始める。この数字は鷹の目で監視すること。
ステップ2、モデルの反復ループを閉じる。パイロットが安定したら、エッジ推論＋クラウド学習のアップロードパイプラインをつなぐ。ラベリング作業について：難しいサンプルは1日に数百件に達することもあり、誰かがラベル付けをしなければならない。私のやり方は、品質検査のスタッフに作業しながらラベル付けしてもらうことだ。システムが低信頼度のスナップショットをタブレットに送り、検査員が「正しい/間違い」をタップする。これならラベリングコストは実質ゼロだ。
ステップ3、横展開。精度が 98% 以上で安定し、フォールスポジティブが 3% 未満になってから、他のラインに広げること。その頃にはエッジボックスをまとめ買いしているはずで、通常さらに 15–20% ほど単価が下がる。
もう一つ実務的な注意：古い建物のネットワーク改修だ。エッジはネットワークに寛容だが、不要になるわけではない。カメラからエッジボックスまでは有線でつなぐこと。すべてを Wi-Fi で済ませてケチってはいけない。1ラインあたり数千ドル程度の配線は、1年分のクラウド帯域コストに比べれば何でもない。
明日からできるアクションを一つ。自社の倉庫で稼働中（または計画中）の AI 活用シーンをすべて列挙し、3つの列——遅延要件、推論頻度、カメラ台数——で採点すること。<100 ms が必要なものはすべてエッジへ。低頻度・少数台はクラウドへ。中間はハイブリッドだ。エッジ推論＋クラウド学習だ。この表さえあれば、アーキテクチャの話でベンダーに煙に巻かれることはない。
あなたの倉庫の AI は、エッジで動いているだろうか、それともクラウドだろうか。遅延で痛い目に遭ったことはあるだろうか。コメントで教えてほしい。
英語版からの翻訳。内容に相違がある場合は英語版を優先します。
