500円マイコンでAIは動くのか？——ESP32×TinyML入門：キーワード認識から異常検知まで、電池で動くエッジAIの作り方

はじめに——500円のマイコンで「AIが動く」という選択肢

読者の痛みと本記事で得られるもの

自作ガジェットやIoTセンサーノードに「AIを載せたい」。そう考えたとき、立ちはだかるのが選択肢の少なさです。自宅サーバーやホームラボでAIを運用している方なら、なおさら「もっと下のレイヤー」に興味があるはずです。

定番のクラウドAIは強力ですが、生データを外部送信するためプライバシーが気になり、ネットワーク往復ぶんのレイテンシが乗り、従量課金は使う限り続き、通信費もかかります。常時稼働のセンサーノードには重い選択です。ではRaspberry PiのようなSBC（シングルボードコンピュータ）かというと、ボード1〜2万円程度（目安）で消費電力は数ワット級（目安）。コンセント前提のスペックでは、電池で動く小さなデバイスに載せられません。

「もっと小さく、安く、省電力にAIを置けないのか？」——本記事は、この問いへの答えです。

その答えが、マイコン上で機械学習モデルを直接実行するTinyMLです。TensorFlow Lite Micro（TFLM）公式は、これを「DSPやマイクロコントローラなど、メモリの限られたデバイス上で機械学習モデルを動かす」技術と定義しています。主役は、Wi-FiとBluetoothを内蔵したマイコンESP32。互換開発ボードは数百円〜1,500円程度（目安）で入手でき、SRAMはわずか520KB（ESP32-S3では512KB）しかなく、モデル重みもアプリのバッファもこの小さなRAMに収める必要があります。それでも後継のESP32-S3がニューラルネットワーク計算とシグナル処理を加速するベクトル命令を搭載したことで、マイコンでもNN計算が実用速度に達しました。

推論を端末内で完結させればデータは外部に送られず完全オフラインで動かせ、電力はミリワット級です。センサーデータを手元に留められる構成にできるのが、プライバシー面での大きな利点です（開発・学習段階でクラウドツールを使う場合は、その限りではありません）。クラウドAIでもローカルLLMでもない「第3の選択肢」として、MCU推論はここにあります。

本記事で得られるものは、次の3つです。

1. 全体像: クラウド推論・SBC推論・MCU推論の比較（消費電力・レイテンシ・プライバシー・コスト）と、TinyMLが向く・向かない用途の線引き
2. ツール選定基準: 定番のTFLM／Espressif純正のESP-DL／ノーコードMLOpsのEdge Impulseという3つの使い分け
3. 今日から作れる2つのレシピ: I2Sマイクによるキーワード認識（ウェイクワード）と、加速度センサーによるモーション分類・異常検知

ゴールは、この2つの実装を「動かして終わり」にせず、電池で長期駆動するための設計思想——センサー監視と推論は定期実行、通信は必要時だけ、待機中はディープスリープ——まで含めて理解することです。数百円級のボード1枚で、あなたのガジェットに「電池で動くAI」を載せてみませんか。

TinyMLとは何か——クラウド・SBC・MCUの3つの推論方式

TinyMLの定義——メモリの小さなチップの上で完結する機械学習

「TinyML（Tiny Machine Learning）」とは、マイコン（MCU）やDSPなど、メモリが限られたデバイス上で機械学習モデルを直接実行する技術領域のことです。TensorFlow Lite Micro（TFLM）の公式リポジトリは、TensorFlow Liteを「DSPやマイコンなど、メモリが限られたデバイスで機械学習モデルを動かすために移植したもの」と定義しています。

私たちが普段「AI」と呼ぶ処理の多くは、データセンターのGPUサーバーで推論するクラウド型か、Raspberry Piのようなシングルボードコンピュータ（SBC）で動かすローカル型のどちらかでした。TinyMLはそのさらに下のレイヤー——内蔵SRAMが約0.5MBしかない、数百円程度（目安）で入手できるマイコンボードの上で推論を完結させる、「クラウドAIでもローカルLLMでもない第3の選択肢」です。

TinyMLの3つの特徴

TinyMLを特徴づけるのは、次の3点です。

1. ミリワット級の電力で動く: 推論時の消費電力は数十〜数百mW級（目安）。さらにESP32のULP（超低消費電力）コプロセッサを併用したディープスリープ時は、消費電流をマイクロアンペア（µA）級まで落とせます。Espressif公式が明記する低電力機能で、電池による長期駆動の設計根拠になります。
2. 完全オフラインで動く: 推論にインターネット接続は不要です。ネットワークが不安定でも、圏外でも、認識は止まりません。
3. データを端末外へ出さない構成にできる: 推論を端末内で完結すればセンサーデータや音声を外部へ送らないため、プライバシーが保たれ、通信待ちによるレイテンシも発生しません（Edge Impulseなどで学習データをクラウドに集める開発工程は別枠です）。Edge Impulseの公式ドキュメントも、データ収集→学習→エッジデバイスで直接実行できるライブラリへの最適化、というワークフローを標準としています。

クラウド・SBC・MCU——3つの推論方式を比較する

同じ「AI推論」でも、どこで計算するかで性格はまったく変わります。3方式を並べて比較しましょう。

※表の「目安」は一般に広く知られたオーダーを示す参考値であり、実測値ではありません。実際の消費電力・レイテンシ・価格はボード構成・周辺回路・負荷・無線状態・為替などによって大きく変わります。

何をMCUにやらせ、何をやらせないか

3方式は競合ではなく役割の異なる階層です。「どの階層で推論するか」の線引きは、次の基準で行います。

• 狭く深いタスクならMCU: ウェイクワードの検出、モーション分類、振動の異常検知といった「入力と出力が限定的な1タスク」は、小さなモデルで十分な精度に達します。電池駆動・小型・低コスト・常時稼働——このどれかが要件に入った瞬間、MCUが第一候補になります。
• 中規模の画像・音声処理ならSBC: 電源が確保できており、画像処理などやや重い処理をするならSBCが手軽です。ただし数W級（目安）の消費電力は電池駆動と相性が悪く、小型化の妨げになります。
• 大規模LLMはクラウド: ESP32のSRAM約0.5MBでは、言語モデルの重みを保持すること自体が不可能です。TinyMLは「ChatGPTのミニ版」ではなく、専用タスクの実行機と割り切るのが正しい理解です。
• 現実解はハイブリッド: たとえば「常時はMCUがウェイクワードを待ち、検出した瞬間だけクラウドのLLMを呼ぶ」構成なら、待機時の電力と通信を最小限に抑えられます。MCU推論はクラウドAIの代替ではなく、システムの最前哨です。

この判断基準を最初に固定しておけば、後々のツール選定もブレません。次のセクションでは、ESP32というハードウェアの制約と可能性を見ていきます。

ESP32のハードウェアと制約——メモリと電力の壁

ここまでで「マイコンでもAIを動かせる」ことの意味は見えました。いよいよ本題のESP32をのぞいてみます。成功のカギは「約0.5MBのSRAM」と「電力設計」という2つの壁をどう乗り越えるかに集約されます。

スペック比較——ESP32とESP32-S3

ESP32は、Wi-FiとBluetoothを1チップに統合したEspressif社のマイコンです。CPUにはXtensaコアを採用しており、TinyMLの主役となるのは、AI向け拡張を持たないクラシックESP32と、ニューラルネットワーク計算を加速するベクトル命令を搭載した後継のESP32-S3の2つです。主なスペックを比較してみましょう。

※GPIO数はチップの仕様値です。実装ボードで実際に引き出されているピン数はボードの設計によって少なくなります。 | 外部RAM | SPI PSRAM | オクタルSPI PSRAM（高速） |

注目すべきはESP32-S3のベクトル命令です。ニューラルネットワークの計算とシグナル処理を加速する専用命令で、ESP-DSP/ESP-NNライブラリや、画像認識系SDKのESP-WHO、音声認識系SDKのESP-Skainetがこの加速に対応しています。価格面でも互換開発ボードが数百円〜1,500円程度（目安）で入手できる点が、TinyML入門に向く理由です。

メモリの壁——約0.5MBにすべてを収める

TinyML最大の制約がこのSRAMです。520KB/512KB、つまり約0.5MBのRAMに、モデルの重み＋活性化テンソル（中間計算結果）＋アプリ側のバッファをすべて収めなければなりません。

単純計算すると512KB÷4バイト＝約13万個。float32（32bit浮動小数点）のままでは、十数万パラメータ程度のモデルでRAMが一杯になります。現実的なニューラルネットワークでは即座に上限に達するため、浮動小数点のモデルをそのまま載せる道は実質的にありません。そこで事実上必須となるのがINT8量子化です。重みと活性化を1バイト整数に置き換えれば、データ量は4バイト→1バイトとなり、同じ構成で載せられるモデルの規模は約4倍に伸びます。

それでも足りない場合の定石が、モデル本体をフラッシュ側（一般的なボードで4〜16MBが目安）に置き、実行時に必要なデータだけをRAM側で扱う設計です（「逐次読み出し」か「読み込み時にまとめて載せる」かは、TFLMやESP-DL（.espdlのゼロコピー読み出し対応）などフレームワークの実装に依存します）。「重みはフラッシュに、作業領域はRAMに」という分担を意識するだけで、載せられるモデルの上限は大きく変わります。

電力の壁——ミリワットで計算し、マイクロアンペアで眠る

もう1つの壁が電力です。ESP32はEspressif公式に低消費電力設計が明記された40nmプロセスのチップで、ファイングレインのクロックゲーティング、複数の電源モード、ダイナミック電力スケーリング、超低消費電力コプロセッサ（ULP）を備えます。推論時の消費電力は数十〜数百mW級（目安）。一方でディープスリープ＋ULPコアの併用により、非推論時はマイクロアンペア級まで落とす運用が公式機能として用意されています。

ここで設計の要になるのが電力の内訳です。電池駆動のTinyMLノードで最も電力を食うのは推論ではなくWi-Fi通信です。無線が一旦起きればその消費が支配的になるため、「推論は常時オン、通信は必要時」が鉄則となります。具体的には次のサイクルを組みます。

1. 待機とセンサー監視はディープスリープ＋ULPに任せる
2. 起きたらサンプリング→推論→結果を保持
3. ウェイクワードや異常を検出したときだけWi-Fiで通知
4. すぐにディープスリープへ戻る

この「定期推論＋必要時通信＋ディープスリープ」のサイクルこそ、電池で長期駆動させる基本設計です（ディープスリープ中は推論を止めて省電力に徹し、必要な場面でだけ起床して推論します）。さらに見落とされがちな強みとして、ESP32はチップ単体で動作温度−40°C〜+125°Cを公表する産業環境対応のチップです（モジュールや実装ボードの仕様はこれと異なることがあります）。屋外や工場内に置きっぱなしにするセンサーノードだからこそ、この信頼性は無視できません。

制約は「設計の型」を教えてくれる

SRAM約0.5MBと電池という制約は、逆に言えば「INT8量子化し、モデルはフラッシュに置き、通信は最小限にし、暇なときは寝る」という設計の型を示してくれます。この型に乗れば、数百円のマイコンでも電池で動くAIノードは現実的な選択肢になります。次節では、この型に沿ってモデルを作り込むためのツールチェーン（TFLM・ESP-DL・Edge Impulse）を比較します。

ツールチェーン比較——TFLM・ESP-DL・Edge Impulseと量子化の流れ

TinyML開発では、モデルをESP32に載せるまでの道のりを支えるツールチェーン選びが成否を左右します。ここでは代表的な3つ——TensorFlow Lite Micro（TFLM）、Espressif純正のESP-DL、ノーコード系のEdge Impulse——を比較し、共通の要となる「量子化」の流れを解説します。

3大ツールチェーン比較

TFLMは、TensorFlow LiteをDSPやマイコンなどメモリの限られたデバイス向けに移植した推論ランタイムです。ARM Cortex-MやRISC-Vに加えてESP32のXtensaコアもCIで継続検証されており、Espressifも公式サンプルでキーワード認識などの定番例を提供しています。情報の多さが最大の武器です。

ESP-DLは、ESPシリーズ専用に設計された軽量・高効率なニューラルネットワーク推論フレームワークです。量子化ツールESP-PPQと合わせてESP32-S3のハードウェア性能を最大限に引き出せる点が特徴です。

Edge Impulseは、Webベースの「Edge Impulse Studio」でデータ収集→学習→最適化→デプロイまでを一気通貫で行えるMLOpsプラットフォームです。個人向けのDeveloperプランは無料で、出力はESP32向けのC++ライブラリ（内部でTFLM等を利用）。TFLMやESP-DLが「推論ランタイム」であるのに対し、「学習からデプロイまでの全体」を担う位置づけです。

ESP-DLの最適化機能

ESP-DLが速い理由は、メモリ・CPU・活性化関数の3階層で最適化を行うからです。

• 静的メモリプランナー: 指定した内部RAMサイズをもとに、各層のテンソルを最適なメモリ位置へ自動配置します。速度を維持したままメモリ使用量を抑えられます。
• デュアルコアスケジューリング: Conv2D / DepthwiseConv2Dが自動で2コアを活用します。
• 8bit LUT活性化: ReLU/PReLU以外の活性化関数をルックアップテーブル実装で高速化し、任意の活性化関数を同コストで扱えます。

量子化を担うのが「ESP-PPQ」です。ONNX / PyTorch / TensorFlowから直接量子化し、ESP-DL標準のモデル形式「.espdl」（FlatBuffersベースで、ゼロコピー脱直列化に対応）へエクスポートできます。スキームは8bitのw8a8、16bitのw16a16、精度と効率のバランスが取れる混合精度w8a16の3種類で、モデル内で組み合わせられます。ESP-DLのリポジトリは2026年もw8a16完全サポート、AutoQuantによる自動量子化探索、YOLO26・PP-OCRv6といったモデル対応と更新が続いています（バージョン・時期の詳細はESP-DLのリリースノートで確認してください）。

量子化の流れ——「学習後量子化」が共通言語

どのツールチェーンでも、量子化は「学習後」に行われます。学習はPCやクラウドで浮動小数点のまま行い、デバイスに載せる直前にINT8などへ落とし込む。この工程が、③で見たSRAM約0.5MBという制約を突破する鍵になります。

flowchart LR
    subgraph SG1["TFLM系の流れ"]
        A["学習<br>TensorFlow / Keras"] --> B["TFLite変換<br>学習後INT8量子化<br>代表データでキャリブレーション"]
        B --> C[".tflite<br>FlatBuffers"]
        C --> D["C配列化"]
        D --> E["TFLMで推論"]
    end
    subgraph SG2["ESP-DL系の流れ"]
        F["学習<br>PyTorch / TensorFlow / ONNX"] --> G["ESP-PPQで量子化<br>w8a8 / w16a16 / w8a16<br>AutoQuantで自動探索も可"]
        G --> H[".espdl<br>FlatBuffers・ゼロコピー"]
        H --> I["ESP-DLで推論<br>メモリプランナー＋2コア"]
    end

TFLM系では代表データによるキャリブレーション付きのINT8量子化後に.tfliteをC配列化してファームウェアへ埋め込みます。一方のESP-DL系では、デバイス側のメモリプランナーとデュアルコアスケジューリングが推論を加速します。

選び方はシンプルです。学習済みモデルを手早く試すならTFLM、ESP32-S3の性能を絞り出すならESP-DL、データ収集から学習までノーコードで行うならEdge Impulse。次のセクションでは、この3択を踏まえた実践レシピを紹介します。

実践ガイド——キーワード認識とセンサー異常検知を作る

ここからは、数百円のESP32と安価なセンサーで組み上げられる2つの実作レシピを紹介します。本セクションは構成例と入門の流れを示すもので、配線図・サンプルコード・モデル設定の詳細は、各手順で示す公式サンプルや公式ドキュメントを参照しながら進めてください。

実践1: マイクでキーワード認識（ウェイクワード）

スマートスピーカーが呼びかけで目覚める、あの仕組みのマイコン版を作ります。

用意するもの

• ESP32-S3ボード
• I2Sマイク（目安： INMP441などの定番品）
• LED（検出時の動作確認用）

手順①: キーワードモデルを準備する 最初の一歩は、Espressif公式のTFLMサンプル集（tflite-micro-esp-examples）にある音声キーワード認識の定番サンプル（micro_speech系）を、そのままボードへ書き込んで動かすことです。「はい／いいえ」級の小型キーワードモデルが動きます。独自のウェイクワードに変えたい場合は、Edge Impulseのキーワードスポッティングのチュートリアルに沿って、自分の声を録音して学習させます。

手順②: モデルの構成を理解する 中身はTFLMの定番構成、すなわち「音声 → メルスペクトログラム等の特徴量 → 小型CNNで分類」です。ESP32-S3の内蔵SRAMは512KBしかないため、モデルはINT8量子化が事実上必須です。

手順③: I2Sマイクから常時収音・推論する I2Sマイクからの音声を短い窓で切り出しては、特徴量抽出と推論を繰り返し実行します。収音から推論までマイコン1台で完結し、音声データが端末の外に出ないのがTinyMLの利点です。

手順④: 検出時にアクションさせる キーワードを検出したらLEDを点灯させます。Wi-Fiでイベントを送信することもできますが、無線通信は消費電力が支配的になる部分なので、送信は必要時だけに絞るのが電池駆動の定石です。

さらに本格的な音声処理に挑むなら、Espressif公式の音声認識SDK「ESP-Skainet」があります。ESP32-S3はニューラルネットワーク計算とシグナル処理を加速するベクトル命令を搭載しており、ESP-Skainetをはじめとする公式SDKがこの加速に対応しています。

実践2: 加速度センサーでモーション分類・異常検知

次は、動きや振動のパターンをAIに見分けさせるレシピです。振動の異常検知は産業IoTの定番ユースケースでもあります。

用意するもの

• ESP32ボード
• I2C接続のIMU（目安： MPU-6050系）
• 電池＋充電モジュール

手順①: 3軸加速度を固定窓で切り出す I2CでIMUから加速度を読み取り、一定時間分を1つの窓として切り出します。この窓が推論の入力単位です。

手順②: Edge Impulseでデータ収集→学習する 無料のDeveloperプランを使えば、スマホやデバイス経由でセンサーデータを収集し、ブラウザ上で学習まで完結できます。動きの種類を分類するモデルでも、「普段の振動パターンからの外れ」を数値化するオートエンコーダ型の異常検知でも、目的に合わせて選べます。

手順③: INT8量子化ライブラリを書き出す Edge Impulseは学習済みモデルを、ESP32向けの最適化済みC++ライブラリ（内部でTFLM等を利用）として書き出せます。SRAMの制約を考えると、INT8量子化は必須の設計判断です。

手順④: 「推論→結果保持→ディープスリープ」のループで電池駆動する 起きたらサンプリングと推論だけを行い、結果を保持したらすぐディープスリープへ。複数の電源モードとULPコプロセッサというEspressif公式の低電力機能により、非推論時はマイクロアンペア級まで消費を抑えられます。このサイクルの繰り返しが電池長寿命化の要です。

デプロイ前チェックリスト

リリース前には、以下をできるだけ実測ベースで確認しておくと安心です。

• [ ] モデルサイズはフラッシュ/RAM予算内か（INT8化後の実測値を確認）
• [ ] 推論レイテンシは要件内か（連続推論のFPS/スループットを実測）
• [ ] 精度は量子化前後でどれだけ落ちたか（テストデータで比較）
• [ ] ディープスリープ電流と平均消費電流を実測したか
• [ ] センサーのサンプリングレートと前処理が学習時と一致しているか
• [ ] 通信は必要最小限か（Wi-Fi起動回数を減らせているか）

2つの実践を貫くデータフロー

2つのレシピは、見方を変えれば同じループの応用です。センサーで取り込んだデータを前処理で特徴量に変換し、INT8モデルで推論し、アクションにつなげたら寝る——この流れを図に示します。

flowchart LR
    A["センサー<br/>(I2S / I2C)"] --> B["前処理<br/>(特徴量抽出)"]
    B --> C["INT8モデル推論"]
    C --> D["アクション<br/>(LED点灯 / 通知)"]
    D --> E["ディープスリープ"]
    E -- "タイマーで起床" --> A

センサーとアクションの対応は、実践1では「I2Sマイク→LED点灯」、実践2では「I2CのIMU→結果保持」に読み替えてください。このループをどう短く、どう省電力に回すか——それがTinyML設計の本質です。

よくある質問（FAQ）

Q1. 本当に電池でどれくらい持つの？

推論そのものは数十〜数百mW級（目安）と小さな電力ですが、Wi-Fi通信が最大の電力要因になります。推論はセンサー監視とセットで定期実行し、通信は必要最小限、待機中はµA級（目安）のディープスリープに置く設計にすれば、長期駆動も期待できます。ただし電池寿命はセンサーの取得間隔や通信の頻度で大きく変わるため、最終的にはご自身の回路で消費電流を実測して確認するのが確実です。

Q2. ChatGPTのようなLLMは動きますか？

残念ながら動きません。ESP32の内蔵SRAMは約0.5MB（クラシック520KB／S3 512KB）で、LLMの膨大な重みを収めることはまず不可能です。TinyMLは「1つの狭いタスクを高精度にこなす」ことが前提の技術です。現実的な解としては、ESP32でウェイクワードを検知したらクラウドのLLMを呼び出すハイブリッド構成が有力です。

Q3. 量子化すると精度はどれくらい落ちますか？

一概には言えず、代表データセットによるキャリブレーションの質に左右されます。INT8への学習後量子化が標準のワークフローですが、落ち方が気になる場合、ESP-DLではw8a16の混合量子化など、効率と精度のトレードオフを調整できる機能が公式に提供されています。量子化前後でテストデータによる精度比較を必ず行い、要件を満たすか確認しましょう。

Q4. ESP32（クラシック）とESP32-S3、どちらから始めるべき？

まず安価に試すことが目的ならクラシックでも十分です。ただしAI開発を本格化するならESP32-S3を推奨します。ニューラルネットワーク計算と信号処理を加速するベクトル命令、高速なオクタルSPI PSRAM、Bluetooth 5 (LE)などはS3ならではの強みです。本記事の実践レシピも、動作の快適さを考えてS3を想定しています。

Q5. プログラミング不要で開発できますか？

かなりの範囲で可能です。Edge Impulseの無料Developerプランなら、ブラウザ上のStudioでデータ収集から学習、ESP32向けライブラリの書き出しまでをほぼノーコードで進められます。一方、細かいカスタマイズや性能の追い込みは、ESP-IDF＋TFLM／ESP-DLによるC++開発が前提になります。ノーコードで始めて、必要になったらコードに降りてくる進め方が現実的です。

Q6. 学習データはどう集めればいいですか？

Edge Impulseを使えば、スマホやデバイス経由でセンサーデータを直接収集・アップロードでき、そのデータで学習まで進められます。キーワード認識なら、自分の声を数十〜数百サンプル録音するのが一つの目安です。加えて、Studioにはキーワード認識やモーション分類の定番例を含むコミュニティのデータセットも提供されており、公開データの活用も有効です。

Q7. Raspberry Piの方が簡単では？ 使い分けは？

手軽さでは確かにSBCが上ですが、得意分野が異なります。電源が確保でき、中規模の画像・音声処理を柔軟に扱いたいならRaspberry Piが楽です。一方、電池駆動・小型・低コストで常時稼働させるセンサーノードならESP32が向いています。両者は競合ではなく「何をどこで処理するか」という階層の違いであり、組み合わせて使うのが正解です。

まとめ——次にやる3つのアクション

本記事の要点

最後に、本記事の内容を3つの要点に整理します。

• TinyMLは「第3のAI選択肢」です。 クラウドAIでもローカルLLMでもなく、数百円のマイコンがミリワット級の電力で直接推論する方式です。推論を端末内に完結させられるため、センサーデータを外に出さないプライバシー性とオフライン動作が強みになります。
• 制約は工夫で突破できます。 壁になるのはSRAM約0.5MBですが、INT8量子化が事実上の必須技術です。ESP-DLの静的メモリプランナーはRAMサイズに合わせて各層の配置を自動で決め、ESP32-S3のベクトル命令がニューラルネットワーク計算とシグナル処理を加速してくれます。
• ツールは3択です。 学習済みモデルを手早く試すならTFLM、ESP32-S3の性能を最大限引き出すならEspressif純正のESP-DL、データ収集から学習までノーコードで進めるならEdge Impulse——目的に応じて選びましょう。

次にやる3つのアクション

理解したら、手を動かす番です。次の順番で進めるのがおすすめです。

1. まず動かす: ESP32-S3ボードとI2Sマイク（INMP441などが定番の目安）を用意し、Espressif公式TFLMサンプルのキーワード認識をそのまま書き込んで体験しましょう。数百円のボードが自分の声に反応する瞬間が、その後の学習の原動力になります。
2. 自分のデータで学ぶ: Edge Impulseの無料DeveloperプランでIMUデータを収集し、モーション分類モデルを学習してESP32へデプロイします。ノーコードのまま「データ収集→学習→デプロイ」の流れを一通り体験できます。
3. 電池駆動に挑戦する: 「ディープスリープ＋稀な通信」のループを実装し、消費電流を実測しましょう。スリープ時はマイクロアンペア級まで落とせる運用がEspressif公式に明記された機能です。電池1本で何日持つかの記録は、あなただけの「ミリワットAI」の証明になります。

おわりに

AIの話題はどうしてもクラウドやGPUに集中しがちですが、エッジの最下層では、すでに実用的なTinyMLが動き始めています。まず動かす、自分のデータで学ばせる、電池で動かし続ける——3つのアクションを一つずつ進めれば、電池駆動の知能センサーノードはぐっと身近なものになるはずです。今週末は、まず1つ目のアクションから始めてみてください。あなたのボードが初めて「はい」と反応したとき、数百円マイコンの可能性はきっと実感に変わるはずです。

参考文献・出典

直接取得・内容確認した一次情報（2026-09-27時点）

• Espressif公式 ESP32製品ページ: https://www.espressif.com/en/products/socs/esp32
• Espressif公式 ESP32-S3製品ページ（ベクトル命令・ESP-Skainet/ESP-WHO対応SDK・ULPコア・45 GPIO・Bluetooth 5 LE・オクタルSPI PSRAM）: https://www.espressif.com/en/products/socs/esp32-s3
• ESP-IDF公式ドキュメント（ESP32 Get Started／スペック）: https://docs.espressif.com/projects/esp-idf/en/stable/esp32/get-started/index.html
• ESP-DL公式リポジトリ（ESP-PPQ量子化・w8a8/w16a16/w8a16・静的メモリプランナー・デュアルコアスケジューリング・8bit LUT）: https://github.com/espressif/esp-dl
• TensorFlow Lite Micro公式リポジトリ（TinyMLの定義・Xtensa対応）: https://github.com/tensorflow/tflite-micro
• Edge Impulse公式ドキュメント（Studio・データ収集〜デプロイのワークフロー・無料Developerプラン）: https://docs.edgeimpulse.com/

公式リポジトリ/ページからのリンクで存在を確認したURL

• TensorFlow Lite Micro公式ドキュメント: https://www.tensorflow.org/lite/microcontrollers
• Espressif公式TFLMサンプル集（micro_speech系キーワード認識・person_detection等）: https://github.com/espressif/tflite-micro-esp-examples
• ESP-DL公式ドキュメント: https://docs.espressif.com/projects/esp-dl/en/latest/index.html
• ESP-DL ESPコンポーネントレジストリ: https://components.espressif.com/components/espressif/esp-dl

関連記事

• TinyMLが切り拓く次世代エッジAI — 10億台のデバイスに知性を届ける超小型化革命
• 「設計の黒子」が脱皮した日──Arm AGI CPUが叩き出した20億ドル需要と、35年続いたビジネスモデルの転換点
• SLM（小規模言語モデル）をエッジデバイスで動かす：メリットと課題を一次情報で整理

※本記事の「目安」表記の数値（消費電力のオーダー・ボード価格・レイテンシ等）は一般に広く知られた参考値であり、個別の出典確認はしていません。