【Apple Silicon】M1/M2/M3/M4 MacでローカルAIを動かす際のよくある問題と解決法

Apple Silicon MacでのローカルAI実行トラブルシューティング

はじめに

Apple Silicon（M1/M2/M3/M4）搭載のMacは、統合メモリアーキテクチャにより、意外なほどローカルLLMの実行に適しています。しかし、多くのAIツールはNVIDIA GPU（CUDA）を前提に開発されているため、Apple Silicon固有の問題に遭遇することがあります。この記事ではMacでのローカルAI実行で頻発する問題と解決法をまとめます。

問題1: PyTorchでGPU（Metal）が認識されない

PyTorchのMPS（Metal Performance Shaders）バックエンドが有効にならない問題です。

import torch
# MPSデバイスの確認
print(torch.backends.mps.is_available())  # Trueであること
print(torch.backends.mps.is_built())      # Trueであること

# MPSが使えない場合、PyTorchのバージョンを確認
# MPS対応はPyTorch 1.12以降（安定版は2.0以降）
pip install --upgrade torch torchvision torchaudio

macOS 12.3以上が必要です。システム環境設定でmacOSのバージョンを確認してください。

問題2: MPS使用時のメモリエラー「MPS backend out of memory」

Apple Siliconの統合メモリは大容量ですが、AIモデルがシステム全体のメモリを圧迫することがあります。

# 環境変数でMPSのメモリ上限を設定
export PYTORCH_MPS_HIGH_WATERMARK_RATIO=0.7  # メモリの70%まで使用
export PYTORCH_MPS_LOW_WATERMARK_RATIO=0.5   # 50%を下回ったら解放

# または推論時にメモリを手動管理
import torch
torch.mps.empty_cache()  # MPSキャッシュをクリア

問題3: Ollamaの推論がCPUで動いている

OllamaはApple SiliconのMetal GPUに対応していますが、設定によってはCPUモードで動作する場合があります。

# GPU使用状況を確認
ollama ps
# NUM_GPU列が0ならCPUモード

# Activity MonitorでGPU使用を確認
# 「ウインドウ」→「GPU履歴」で実行中のGPU使用率を表示

# Ollamaの再インストールで解決する場合もある
brew uninstall ollama
brew install ollama

問題4: llama.cppのMetal対応ビルドエラー

llama.cppをApple Silicon向けにビルドする際、Metalバックエンドが有効にならない問題です。

# Metal対応ビルド（正しい方法）
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
make clean
make LLAMA_METAL=1 -j$(sysctl -n hw.ncpu)

# CMakeを使う場合
mkdir build && cd build
cmake .. -DLLAMA_METAL=ON
cmake --build . --config Release -j$(sysctl -n hw.ncpu)

# Metalが有効か確認
./llama-cli -m model.gguf -p "test" -ngl 1
# 「ggml_metal_init」のログが出ればMetal有効

問題5: Homebrewのarm64/x86_64混在問題

Rosetta 2経由でインストールしたx86_64版のPythonやライブラリが混在すると、互換性エラーが発生します。

# 現在のアーキテクチャを確認
arch  # arm64と表示されること
file $(which python3)  # Mach-O 64-bit executable arm64

# x86_64版が混在している場合
# arm64版のHomebrewを再インストール
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

# パスの優先順位を確認（arm64版が先であること）
echo $PATH
# /opt/homebrew/bin（arm64）が /usr/local/bin（x86_64）より前にあること

問題6: Stable Diffusion on Macの速度が遅い

MPS対応のStable Diffusionでも、NVIDIA GPUに比べると速度が出にくい場合があります。

# Core ML最適化版を使用（Apple推奨）
pip install coremltools
# ml-stable-diffusionを使用することで、Core ML経由の高速化が可能
git clone https://github.com/apple/ml-stable-diffusion
cd ml-stable-diffusion
pip install -e .

# SDXL Turboなど軽量モデルはMacと相性が良い

M1/M2/M3/M4別の実行可能モデル目安

メモリ8GBのモデルでは、Ollama/llama.cppで7Bパラメータ（Q4量子化）が快適に動作します。16GBなら13Bモデル（Q4）やStable Diffusion XLが実行可能です。32GBでは70Bモデル（Q4量子化）も動作し、64GB以上ならLlama 3.1 70B（Q8量子化）やMixtral 8x7Bの非量子化版も扱えます。

まとめ

Apple Silicon MacはCUDA非対応ですが、Metal/MPSとApple独自の統合メモリにより、ローカルAI実行で十分な性能を発揮します。問題の多くはアーキテクチャの混在やMPSの設定不足が原因なので、arm64環境の統一と最新のツールバージョンの使用を心がけてください。

この記事はAIトラブル解決に特化した技術メディア「EffiAI」が提供しています。