PM 7/13 18:00 HKT evening brief で P0-PM 7/14 に LOCKED された「AMD Ryzen AI Halo Dev Kit — ローカル200Bモデル」記事。PM 7/14 18:00 HKT evening brief で改めて Validated（HN #19 344pts 継続、LTT Labs / Phoronix / ServeTheHome の複数レビュー確認済）。Override 適用なし（freeze Day 14/21）。#115 GPT-5.6 Terra 実践ガイド（本日 AM）に続く同日 PM 連続配信。内部リンク先: Gemma 4 12B ガイド、Nemotron 3 Ultra、Open-Weight Frontier Japan ハブ。
3行でわかるRyzen AI Halo
- 価格: $3,999（約64万円）— Micro Center（米国）で7月10日出荷開始、日本未発売
- 搭載チップ: Ryzen AI Max+ 395（Strix Halo）= 16コア Zen 5 + Radeon 8060S（RDNA 3.5 40CU）+ XDNA 2 NPU + 128GB LPDDR5x-8000（256GB/s）
- できること: 128GBユニファイドメモリにより70B Q4密度モデル〜200B量子化モデルをローカル実行。DGX Sparkより+4-14%高速かつ$700安い
2026年7月、AMDはCES 2026で発表したAI開発者向けミニPC「Ryzen AI Halo Dev Kit」の出荷を開始した。$3,999の筐体にStrix Halo APUと128GBのユニファイドメモリを詰め込み、NVIDIA DGX SparkやApple Mac Studioに対抗する「検証済みローカルAI開発環境」を提供するというのがAMDの主張だ。
本稿では、このRyzen AI Haloのハードウェア詳細、実際のパフォーマンス（LTT Labs / HotHardware / Phoronixのレビューを統合）、競合比較、ROCmエコシステムの実用性、そして日本企業におけるデータ主権とローカルAI開発の実務設計を解説する。GIGAZINEのニュースサマリー（7月7日）ではカバーされていない、実務者視点の分析に焦点を当てる。
1. ハードウェア詳細
Ryzen AI Haloは単一構成のみ（カスタマイズ不可）。筐体は約15cm四方・高さ5cm未満・1.2kgのコンパクト設計だ。
| コンポーネント | 仕様 |
|---|---|
| CPU | AMD Ryzen AI Max+ 395（Strix Halo）, 16C/32T, 3.0GHz base / 5.1GHz boost |
| GPU | Radeon 8060S（RDNA 3.5, 40 CU）, 最大2.9GHz, 60 FP16 TFLOPS |
| NPU | XDNA 2, 最大50 TOPS |
| メモリ | 128GB LPDDR5x-8000 ユニファイド, 256 GB/s 帯域幅 |
| ストレージ | 2TB M.2 NVMe SSD（着脱可能） |
| ネットワーク | 10GbE LAN, Wi-Fi 7, Bluetooth 5.4 |
| ポート | USB-C ×4（1基はPD給電）, HDMI 2.1b |
| 電源 | 240W USB-C PD（EPR）, 120W TDP（Boost 140W） |
| OS | Windows 11 Pro または Linux（AMDカスタムDebian 13.4ベース） |
最大の差別化要因は128GBユニファイドメモリだ。GPUに割り当て可能な容量は実質96GB前後で、これはRTX 5090の32GB GDDR7に対して3倍の実効VRAMに相当する。256GB/sの帯域幅はApple M3/M4 Ultraの800GB/sには及ばないが、70BモデルのQ4量子化（約35GB）を余裕で収め、MiMo-V2.5-ProやQwen 3.5-122B-A10BのようなMoEモデルもワーカー部分をGPUに載せたまま動作可能だ。
2. パフォーマンス実測
LTT Labs（7月6日）のllama-bench測定による実測値を、主要な競合と比較する。
トークン生成速度（tg）比較
| モデル（量子化） | Ryzen AI Halo (256GB/s) | Framework Desktop (同CPU) | Mac Studio M3 Ultra (800GB/s) | DGX Spark (同等帯域) |
|---|---|---|---|---|
| Qwen 3.6 35B-A3B (Q4_K_M) | ~tgベースライン | 同等 | 2-3× | +4-14% AMD有利 |
| Gemma 4 31B (IQ4_XS) 密度 | ~tgベースライン | 同等 | 2-3× | — |
| GLM 4.7 Flash (Q8_0) MoE | ~tgベースライン | 同等 | 〜1.5× | — |
ポイント: トークン生成（tg）はメモリ帯域幅に強く依存する。Mac Studioの800GB/sに対し256GB/sは約1/3だが、密度モデルで2-3倍、MoEで1.5倍の差に留まるのは、プロンプト処理（pp）がコンピュートバウンドであり、Radeon 8060Sの60 FP16 TFLOPSが効くためだ。
AMD公式のDGX Spark比較では、GPT-OSS 120Bで+7%、Qwen 3.5 122Bで+12%、GLM 4.7 Flashで+14%と、AMDが優位。価格はDGX Spark $4,699に対し$3,999で、$700の差がある。
エージェント的ワークロード（長文脈）
LTT Labsはコンテキスト長0→65,536トークンまでのパフォーマンス劣化も測定。すべてのモデルでコンテキスト増加に伴う有意な劣化が確認され、Gemma 4 31B（Vulkanバックエンド）は65,536トークンで30分以上かかり完了しなかった。Strix Haloの256GB/s帯域は長文脈推論では明らかなボトルネックとなる。
NPU（XDNA 2）の初の実用的活用
LTT LabsはAMD Lemonade + FastFlowLM（FLM）を使い、gpt-oss-20b-FLMモデルをNPU上で実行することに成功。CPU/GPU使用率ほぼゼロ、パッケージ消費電力35W、生成速度20トークン/秒を記録した。これはXDNA 2 NPUが初めて実用的なLLM推論タスクで活用された事例であり、常時稼働センサー処理やバックグラウンドエージェント用途で興味深い選択肢となる。
3. 競合比較：3つのローカルAIプラットフォームの選択肢
2026年7月現在、ローカルAI開発用に選択可能な主要プラットフォームは以下の3つだ。
| 項目 | AMD Ryzen AI Halo | NVIDIA DGX Spark | Apple Mac Studio (M3 Ultra) |
|---|---|---|---|
| 価格 | $3,999 | $4,699 | $7,999〜 |
| メモリ | 128GB統合 | 128GB LPDDR5x | 最大512GB統合 |
| 帯域幅 | 256 GB/s | 〜273 GB/s | 〜800 GB/s |
| GPU性能 | 60 FP16 TFLOPS | 〜40 TFLOPS | 〜30 TFLOPS |
| NPU | 50 TOPS XDNA 2 | なし | 16-core Neural Engine |
| OS | Windows + Linux | Linuxのみ | macOSのみ |
| CUDA互換 | ❌（ROCm） | ✅（CUDA） | ❌（MLX/MPS） |
| 最大モデル | 200B（量子化） | 200B（量子化） | 400B+（512GB時） |
| 日本入手性 | ❌（未発売） | ❌（直販のみ） | ✅（公式販売） |
3者の使い分けは、**「自分が使いたいモデルの推論エンジンが何をサポートしているか」**に集約される。CUDA依存のvLLM最適化モデルを使うならDGX Spark、MLXやllama.cppがメインならMac Studio、ROCmエコシステムで動くモデルをWindowsでもLinuxでも検証したいならRyzen AI Halo──という住み分けになる。
特に日本市場では、Mac Studioが唯一の公式販売チャネルを持つ点が重要だ。Ryzen AI HaloはMicro Center（米国実店舗）限定販売で、国際配送の保証はない。
4. ROCmエコシステム：どこまで使えるか
Ryzen AI Haloの最大の売りは「検証済みソフトウェア環境」だ。AMD Ryzen AI Developer Centerを起点に、以下のPlaybookがプリインストール／ワンクリックで利用可能とされている。
検証済みワークフロー（LTT Labs 10日間テスト済）
| ワークフロー | 結果 |
|---|---|
| AMD Sync（リモートSSH/VSCode/Jupyter） | ✅ 問題なし |
| LM Studio / Lemonade（ローカルLLMダウンロード・提供） | ✅ セットアップ迅速 |
| VSCode + Cline（AIコーディングアシスタント） | ✅ 統合確認 |
| PyTorch LLM Getting Started & Fine-Tuning | ✅ スモークテスト通過 |
課題
ただし、一部のPlaybookは壊れたステップを含む（AMD GitHub Issuesで確認済）。LTT Labsによる10日間の実使用でも、Playbookの実行中にエラーに遭遇している。AMDの「Day 0 ROCmサポート」は実際には段階的な成熟過程にあり、CUDAの安定性にはまだ及ばない。
vLLMのROCmバックエンドも進化中だが（Donato Capitellaの12月テストではTriton vs ROCm Attentionの比較が行われている）、推論エンジンの選択肢はCUDAに比べて限定的だ。llama.cppのROCm Vulkanバックエンドは安定して動作するが、--flash-attnの有効/無効によるパフォーマンス差がモデルによって異なるなど、試行錯誤が必要な場面がまだ多い。
5. 日本企業における実務設計
5.1 データ主権とローカルAI
6月のFable 5 BIS輸出管理事件（6/12→6/30 22日間）とAWS Bedrock 30日データ保持強制（6/13）を受けて、日本企業のAIインフラ戦略は「クラウドAPI一本足」から「ローカル実行可能なOpen-Weightモデルとのハイブリッド」への移行が加速している。
Ryzen AI Haloの位置づけは、その中間層を埋める**「検証済みローカルAIアプライアンス」**だ。
- クラウドAPI: GPT-5.6 Sol、Claude Sonnet 5 ── データ越境リスクあり、トークン課金
- Mac Studio: Apple Silicon上のMLX / llama.cpp ── 日本公式販売、800GB/s帯域、最大512GB
- Ryzen AI Halo: Windows/Linux両対応、ROCm検証済、$3,999 ── 日本未発売
- 自作Strix Halo: GMKtec EVO-X2（128GB $3,299）など ── 唯一日本から入手可能なStrix Halo選択肢
日本のAIエンジニアにとって重要なのは、Ryzen AI Haloそのものより、Strix Haloプラットフォームのエコシステムがどこまで成熟したかだ。同じRyzen AI Max+ 395を搭載するGMKtec EVO-X2やFramework Desktopは、Ryzen AI Haloより安価で（GMKtec 128GB $3,299 vs AMD $3,999）、かつ日本からAliExpress等で入手可能だ。
5.2 推奨構成
| ユースケース | 推奨ハードウェア | 想定モデル | 推定コスト |
|---|---|---|---|
| Open-Weight 開発・検証 | Ryzen AI Halo or GMKtec EVO-X2 | Nemotron 3 Ultra / GLM-5.2 / Qwen 3.6 | $3,299-3,999 |
| プロダクション推論 | Mac Studio M3 Ultra 192GB | Gemma 4 31B / DiffusionGemma | $10,499〜 |
| コーディングエージェント | MacBook Pro M4 Max 128GB | Fugu Ultra / GPT-5.6 Terra | $7,199〜 |
| 研究・教育 | Ryzen AI Halo（持運び可） | 多モデル切り替え | $3,999 |
6. まとめ：買うべきか
Ryzen AI Haloは、AMDのROCmエコシステムに本気で取り組む開発者にとっては検証済み環境として価値がある。特にWindowsとLinuxの両方で同じROCmスタックをテストしたい場合、この価格帯で128GBユニファイドメモリを搭載した筐体は他にない。
しかし、日本のAIエンジニアの多くにとってはMac Studioまたは自作Strix Halo mini PCの方が現実的な選択肢だろう。理由は3つ：
- 日本未発売: Micro Center限定で、国際保証なし
- 帯域幅の制約: 256GB/sでは長文脈・密度モデルでMac Ultraの1/2〜1/3の速度
- ROCmの未成熟: 一部Playbookが壊れており、CUDA/MLXほどの安定性がない
Strix Haloプラットフォームそのものは、Open-Weight Frontierをローカルで動かすための最良のx86選択肢として確立しつつある。価格性能比ではApple Siliconに肉薄し、Windows/Linuxの両方をサポートする点でエンタープライズ検証環境としての価値は無視できない。
関連記事： Gemma 4 12B完全解説 | Nemotron 3 Ultra完全解説 | Open-Weight Frontier Japan ハブ | GLM-5.2 238GBローカル実行 | GPT-5.6 Terra 実践ガイド
この記事はAIによって生成され、人間の編集を経て公開されています。 Appwright AI は AI によるコンテンツ制作の可能性を探求する実験的プロジェクトです。