デスク下の小型 PC で 6 つの AI エージェントを 24 時間 365 日稼働中。月々の電気代はわずか 11 ドル

数ヶ月前までは、AI エージェントを一晩中動かし続けることに納得できませんでした。ループのたびにトークンが消費され、トークンのたびにコストがかかりました。だからタスクを開始しても、監視しながら、寝る時にはシャットダウンしていました。

今、トースターくらいの大きさのマシン1台で、6つのエージェントが24時間稼働しています。私が寝ている間も、食事している間も、休暇中も、彼らはリサーチ、要約、監視、仕分け、文章作成を行っています。電気代は11ドル上がっただけ。それが全運用コストです。

簡単なレビューはこちら👇

これが、そのセットアップ、マシン、そして AI がレンタルするサービスから、自分で所有するインフラへと変わる時に何が起こるか、という話です。

誰も語らない本当の宝

ネット上の皆は、どのクラウドモデルが賢いかを議論しています。その一方で、ハードウェアでは静かな革命が起きていて、ほとんど誰も気づいていません。

Minisforum MS-S1 Max はミニワークステーションです。アルミシャーシ。棚に収まります。2TB SSD、内蔵 320W 電源、そして AMD がこれまでデスクトップに搭載した中で最も興味深いチップ、Ryzen AI Max+ 395 を搭載して出荷されます。

このチップの重要な点は、CPU と GPU の間で 128GB のメモリを共有していることです。個別のグラフィックカードはありません。小さな VRAM プールもありません。両方のプロセッサが読み書きする、1つの巨大な統合プールがあります。これは Apple Silicon がローカル AI に優れているのと同じアーキテクチャ上のトリックですが、こちらは Linux が適切に動作し、デュアル 10 ギガビットイーサネット、80Gbps の USB4 V2、拡張用の PCIe x16 スロットを備え、価格は約 3,000 ドルです。

1Minisforum MS-S1 Max、内部構成：
2
3チップ              AMD Ryzen AI Max+ 395 (Strix Halo)
4
5CPU               16 コア / 32 スレッド、最大 5.1 GHz
6
7GPU               Radeon 8060S、40 RDNA 3.5 CU
8
9NPU               50 TOPS
10
11総合 AI 性能     126 TOPS
12
13メモリ            128GB LPDDR5x-8000、統合 (CPU+GPU で共有)
14
15VRAM として使用可能    最大約 96GB (Linux 上)
16
17ストレージ         2TB NVMe Gen4 + 空き M.2 スロット 1 基
18
19ネットワーク      デュアル 10GbE + Wi-Fi 7
20
21ポート            2× USB4 V2 (80Gbps)、HDMI、USB-A、USB-C
22
23拡張              PCIe x16 スロット (Gen4 x4 速度)
24
25消費電力          160W ピーク / 130W 持続
26
27フォームファクタ   2U ラックマウント可能
28
29価格             約 3,000 ドル (128GB/2TB 構成)

これはゲーミング PC ではありません。NAS でもありません。これは、たまたまミニ PC のように見えるローカル AI サーバーです。そして、他の Strix Halo ボックスと一線を画すスペックはこれです。Minisforum はチップを 160W まで動作させるのに対し、競合製品は 120～140W で制限されています。ワット数が高い = 持続的な推論における速度向上です。これは、エージェントが何時間も稼働する場合に重要です。

何がどのくらいの速度で動作するか

Linux に Ollama をインストールします。モデルをプルします。それだけです。ドライバのトラブル、CUDA の依存関係チェーン、設定ファイルは一切不要です。このボックスが Q4 量子化モデルで実際に提供する性能は以下の通りです。

1モデル                    VRAM       速度              十分な用途
2───────────────────────────────────────────────────────────────────────────────
3Qwen3-Coder 30B          ~18GB      ~40-50 tok/s    日常的なコーディング、スクリプト
4Llama 3.3 70B            ~42GB      ~20-25 tok/s    複雑な推論、分析
5DeepSeek-V3 0324         ~95GB      ~10-12 tok/s    深いリサーチ、長文書
6Qwen3-235B (MoE)         ~110GB     ~6-8 tok/s      フロンティア級タスク

30B と 70B のモデルが主力です。インタラクティブな使用に十分な速さです。235B は多くのベンチマークで Claude Sonnet と同レベルですが、速度は遅いものの、トークン単位で課金されないので、考えさせることができます。

そして、ここが最大の妙技です。Minisforum はこのボックスをクラスタリング用に設計しました。2 台の MS-S1 Max をリンクすると、Qwen3-235B が約 11 トークン/秒で動作します。4 台で DeepSeek-R1 671B（フル 380GB モデル）を実行しました。ローカルで。机の上に。データセンターもクラウドも不要です。

「常時稼働」がすべてを変える理由

ローカル AI について人々が見逃している点はこれです。モデルが GPT-5 や Claude Opus と同等かどうかではありません。推論が無料になった時の自分の行動の変化が問題なのです。

トークン単位で課金されていると、プロンプトを送信する前に考えます。クエリを最適化します。実験を早期に打ち切ります。数学的に割に合わないので、エージェントを 8 時間もループさせたりはしません。

推論のコストが電気代だけで他には何もかからない場合、そのような考え方はしなくなります。そして、そこに真の価値が現れます。

24 時間稼働させている 6 つのエージェント:

1. 受信箱仕分けエージェント。 15 分ごとにメールを取得します。すべてを分類します。定型的なものには下書きの返信を作成します。起きると、仕分けられた受信箱と、待機している下書きの返信があります。節約時間: 毎朝約 40 分。
2. リサーチ監視エージェント。 30 以上の RSS フィード、ニッチなフォーラム、プラットフォーム上の特定アカウントを監視します。仕事に関連するものをすべて要約し、毎朝 7 時に Telegram に届くダイジェストを作成します。クラウド API の場合、トークン代として 1 日 15～20 ドルかかるところです。このボックスでは: 無料。
3. ドキュメント処理エージェント。 指定フォルダにドロップしたものはすべて読み取り、要約し、タグ付けします。契約書、レポート、PDF、研究論文。要約と重要ポイントが数分以内にノートアプリに表示されます。ここ数ヶ月、40 ページのレポートを手動で読んでいません。
4. コードレビューエージェント。 私の git リポジトリを監視します。プッシュのたびに、スタイル、バグ、セキュリティ、テストカバレッジのレビューをトリガーします。結果はコメントとして投稿されます。70B モデルを実行しているので、レビューは実際に質が高いです。
5. 会議準備エージェント。 翌日のカレンダーを確認し、各人物やトピックに関するノートや最近のメールからコンテキストを取得し、会議ごとに 1 ページのブリーフを作成します。朝 8 時までに準備完了です。
6. 学習エージェント。 興味のあるトピックについて、最近の論文や記事を見つけ、235B モデルで一晩かけて読み、私の理解度に合わせた説明付きの週次「新着情報」レポートを作成します。

これらは個々に見れば革新的なものは何もありません。革新的なのは、6 つすべてを同時に、24 時間、コストを気にせず実行できることです。クラウド API の場合、このスタックは月額 800～1,200 ドルかかるでしょう。MS-S1 Max では、電気代だけで動作します。

セットアップ。ほとんどの時間はダウンロードに費やされる 1 夜

1. Windows を Linux に置き換える

ボックスには Windows 11 がプレインストールされていますが、GPU がアクセスできるメモリは約 96GB に制限されています。Ubuntu 24.04 でフルプールが利用可能になります。USB から起動し、フォーマットして、インストールします。20 分。

2. Ollama をインストール

1curl -fsSL https://ollama.com/install.sh | sh

3. モデルをプル

1ollama pull qwen3-coder:30b
2ollama pull llama3.3:70b

4. Open WebUI をセットアップ (オプション、ChatGPT のようなインターフェースを提供)

1docker run -d -p 3000:8080 \
2  -e OLLAMA_BASE_URL=http://localhost:11434 \
3  -v open-webui:/app/backend/data \
4  --name open-webui ghcr.io/open-webui/open-webui:main

これで、ネットワーク上のすべてのデバイス（スマホ、ラップトップ、タブレット）から http://your-box:3000 でモデルとチャットできます。

5. Claude Code をローカルエンドポイントに向ける

1export ANTHROPIC_BASE_URL=http://your-box:11434
2export ANTHROPIC_API_KEY=ollama

同じ Claude Code CLI。同じエージェントループ。すべてのリクエストが Anthropic ではなくあなたのボックスに送られます。ネットワークの外には何も出ません。

6. エージェントを構築する

ここが楽しい部分であり、人によって異なる部分です。私は、シンプルな cron スクリプト、n8n ワークフロー、そしてより複雑なものには Claude Code のエージェントモードを組み合わせて使っています。モデルがエンジンです。それらをどう配線するかはあなた次第です。

セットアップ時間の合計: Linux を触ったことがなければ 90 分。経験があれば 1 時間。

計算。重要！

1初期費用
2  Minisforum MS-S1 Max (128GB/2TB)         $3,000
3
4月額費用
5  電気代 (24時間365日、平均 ~130W)             ~$11
6  置き換えたクラウドサブスクリプション              $0
7
8置き換え対象 (以前のスタック)
9  Claude Code Max                           $200/月
10  ChatGPT Pro                               $200/月
11  エージェント用各種 API 費用                  $400–800/月
12  合計節約額                                 $800–1,200/月
13
14損益分岐点                                  3～4ヶ月目

損益分岐点を過ぎれば、毎月お金が口座に残ります。3 年間で見ると、エージェントの使用頻度にもよりますが、AI 企業に送金せずに済む金額は 25,000 ドルから 40,000 ドルの間になります。

しかし、正直なところ、節約額が重要ではありません。重要なのは行動の変化です。トークン単位でコストがかかっていたら決して作らなかったであろうエージェントを作り始めました。会議準備エージェント？「あれば便利」程度のものに API コストを正当化できなかったでしょう。235B モデルを一晩中論文に実行させる学習エージェント？トークン単位の課金では馬鹿げています。無料なら当然です。

このボックスでできないこと

ローカルがクラウドを完全に置き換えるとは言いません。そうではありません。今日の線引きは次の通りです。

クラウドが必要なもの:

• フロンティア推論 (Claude Opus、GPT-5 など、本当に難しい 5% の問題)
• モデルに組み込まれたリアルタイムの Web アクセスとツール使用
• クラウドモデルが何世代も先を行くマルチモーダルタスク
• 5 人以上のチームへの同時提供

このボックスが処理できるもの:

• 日常的なコーディングとスクリプト作成
• ドキュメント分析と要約
• 長時間実行エージェントとバックグラウンド自動化
• プライベートデータ処理 (ネットワークの外にデータは出ません)
• 下書き、編集、ブレインストーミング
• 個人知識ベースに対する RAG
• バルク処理 (文字起こし、分類、抽出)

クラウドタスクについては、API を通じて従量課金します。ここで 5 ドル、あちらで 10 ドル。20% しか使っていないサブスクリプションに月 200 ドル払うことはありません。

正直な欠点

ボックスは負荷がかかると温かくなります。危険なほどではありませんが、ファンの音は聞こえます。寝室には置かないでください。風通しの良いクローゼットや机の下が適しています。

オープンソースモデルは Claude Opus ではありません。多くのタスクで近いですが、最も難しい推論問題では明らかに遅れをとっています。あなたの仕事が 100% フロンティアレベルの AI タスクであれば、このボックスは答えではありません。もし仕事が 80% ルーチン作業で 20% が難しい作業なら、80% をローカルで実行し、20% は従量課金で使いましょう。

あなたはハードウェアを購入しています。もし AMD が来年、2 倍の速度のものをリリースしたとしても、あなたの 3,000 ドルは戻ってきません。しかし、損益分岐点が 3～4 ヶ月目であれば、5 年間使い続ける必要はありません。1 年使うだけでも計算は成り立ちます。

AMD 上の Ollama は現在安定していますが、CUDA レベルの成熟度ではありません。新しいモデルが Nvidia 専用の最適化を伴ってリリースされることが時々あります。1～2 週間待つことになります。これがアーリーアダプターの税金です。

そして、Linux を問題なく扱える必要があります。上記のコマンドはシンプルです。初めて何かが壊れた時、フォーラムで 1 時間過ごすことになるでしょう。それが、もう 1 年待つのではなく、今日ローカルに移行するためのコストです。

この特定のボックスである理由

Strix Halo ミニ PC は市場に十数種類あります。MS-S1 Max が際立つのは、次の 3 つの理由からです。

160W の持続電力。 どの競合製品よりも高い。大規模モデルの推論速度は電力に比例します。これはエージェントが何時間も稼働する場合に重要です。

デュアル 10GbE。 ほとんどの競合ボックスは 2.5GbE です。大容量ファイルを転送したり、複数ユニットをクラスタリングしたり、これをネットワーク AI サーバーとして実行する場合、10 ギガビットは体験を一変させます。

2U ラックマウント可能。 これはニッチに聞こえる詳細ですが、標準ラックに 2 台または 4 台を積み重ねて、671B パラメータモデルを実行するローカル AI クラスターを構築できることを意味します。机の上に。中古車一台分の価格で。

本当のポイント

AI 業界は、知性をユーティリティとして考えさせたがっています。サブスクリプションするもの。メーター制のもの。誰か他の人のデータセンターに存在し、他の誰かのスケジュールで動作し、支払いをやめれば止まるもの。

そのモデルは、ハードウェアが追いつかなかった時には理にかなっていました。今は違います。

128 ギガバイトの統合メモリ。AI 推論用に設計されたチップ。必要なものの 80% をカバーするオープンソースモデル。1 時間でインストールできるオープンソーススタック。

1 台のマシン。あなたの机の下で。決して眠らない 6 つのエージェントを実行。

3,000 ドルを一度。月額 11 ドル。すべてはあなたのネットワーク上に留まります。

これがセットアップです。もっと早く始めればよかったとただ思います。

もっと詳しい情報が欲しいですか？

フォローして、私のプライベートチャンネルに参加してください（参加できるうちに）：リンク