NVIDIAエンジニアが Gemma 4 VLA Demo on Jetson Orin Nano Super を公開 ── 8GBエッジデバイスで動く自律判断AIアシスタント
8GBのエッジデバイスで、LLMが自分で「カメラ使おうかな」って判断する世界が来てた。NVIDIAのエンジニアが、Jetson Orin Nano Super上でGemma 4を使ったVLAデモを公開していて、これが想定よりずっと面白い。
▸何が変わったのか
Parakeet STT → Gemma 4 → Kokoro TTS というパイプライン全体が、Jetson Orin Nano Super（8GB）上で完全ローカル動作する。ユーザーがSPACEキーで録音し、Gemma 4が質問内容を判断して「カメラ needed」なら自動で撮影。キーワードトリガーやハードコードされたロジックなしで、モデル自身が文脈から判断する。ハードウェア構成はLogitech C920ウェブカム＋USBスピーカー＋USBキーボード。スクリプト1本（Gemma4_vla.py）で完結し、初回起動時にHugging FaceからSTT/TTSモデルを取得する仕組み。
◈前モデル / 競合との比較
従来のVLMデモは「画像を見て説明する」ものが多かったけど、今回は「質問に答えるために必要なら自分からカメラを使う」という違いがある。記憶は間違ってるかもしれないが、この手の自律判断デモが8GBエッジで動くのは珍しい。
◈技術背景と意義
VLAは「Vision-Language-Action」の略で、LLMが状況に応じて自発的に行動を決める仕組み。従来の音声アシスタントは「カメラを使って」と明示的に指示しないと動かなかったけど、今回はモデルが「写真撮った方がいいかな」と自力で判断する。完全ローカルで動くからクラウド通信なし。エッジデバイスでここまでできる時代になったのは確か。
▸こんな人・用途に
ラズパイやJetson持ちの電子工作好きなら即試せる。工場現場などのオフライン環境で、カメラ付きの音声アシスタントを素早く構築したいケースにも良さそう。
◆入手方法・リンク
GitHub（github.com/asierarranz/Google_Gemma）のGemma4ディレクトリにあるGemma4_vla.pyをダウンロードするだけで利用可能。リポジトリ全体をcloneするか、wgetで単一ファイルを取得できる。
SOURCE: Hugging Face (2026-04-22)
