LLM

今回のデモでは、センサー側のマイコンボードを除き、NVIDIA DGX Spark™ 1台で完結させる方針としたため、AIエージェントで使用するモデルには、比較的小規模なqwen3.6-35b-a3b-nvfp4を採用しました。

LLMの性能は現在も大きく進歩しており、最適なモデルは今後も変化していくと考えられます。一方で、AIエージェントとの相性も考慮する必要があります。一般的には規模の大きなモデルほど良好な結果が期待できますが、今回の検証では、採用したモデルより規模が大きく、DGX Sparkに収まるモデルであっても、必ずしもより良い結果が得られるとは限りませんでした。エッジ完結型のシステム構成にこだわらなければ、データセンター側に規模の大きなLLMをサービングして、複数のNemoClawから、それを共有する方法もあります。

REST APIサーバー vs MCPサーバー

本連載では、NemoClawのAIエージェントがデータを取得する手段として、アプリケーション固有のREST APIサーバーを新たに作成しました。FastAPIを利用することで少ないユーザーコードで実装でき、コーディングAIを活用すれば、REST APIの使い方を指示するSKILLも含めて短時間で作成できるため、ソフトウェア開発の工数はそれほど大きな課題にはなりませんでした。

一方、アプリケーション固有のREST APIサーバーを作成せず、MCPサーバーで対応できるケースもあると考えられます。NemoClawはMCPサーバーをサポートしていますが、本連載のデモではセキュリティ上の制約を考慮し、採用しませんでした。今後、NemoClawでMCPサーバーを利用するためのノウハウが蓄積され、関連するエコシステムが充実することで、より容易に活用できるようになることを期待しています。

セキュリティ

本連載のデモでは、NemoClawのネットワークポリシーに従って構築していますが、センサーデータの配信を暗号化するなどの対策は行っていません。実証実験の段階では大きな問題にならないと考えられますが、実運用にあたっては、セキュリティ対策を検討する必要があります。