【ITニュース解説】The Philosopher Plush — a DIY AI toy that runs 100% local

Philosopher Plushは、AIを搭載したぬいぐるみ型のおもちゃで、まるで本物の哲学者のように会話を楽しめるDIYプロジェクトだ。このプロジェクトの最大の魅力は、インターネットに接続せず、完全に手元の環境でAIが動作するという点にある。システムエンジニアを目指す初心者にとって、AIとハードウェアがどのように連携して機能するのか、その仕組みを具体的に理解する良い機会となるだろう。

この哲学するぬいぐるみは、ただのおもちゃではない。目の前の人物をカメラで認識し、複数の異なる人物を識別し記憶できる。さらに、顔の表情から感情を読み取り、以前の会話内容も覚えているため、まるで人間と話しているかのような自然な対話が可能だ。ユーザーの声に耳を傾け、適切な応答を生成し、さらには頭を動かしてリアクションも示す。デフォルトでは哲学者のペルソナを持っているが、設定次第でどんな個性も持たせることができるため、自分だけの特別な話し相手を作れるのが面白い。

このシステムを構築するために必要なものは、意外と身近なものばかりだ。まず、土台となるぬいぐるみが必要で、その中にAIの「脳」となる電子部品を組み込む。主要な部品として、名刺サイズの超小型コンピューターであるRaspberry Pi Zero WHが使われる。これは、ぬいぐるみの目や耳となり、外部との入出力を担当する。具体的には、CSIカメラで周囲の様子（つまりあなた）を捉え、USBマイクであなたの声を聞き取る。そして、USBスピーカーを通してAIの応答を音声で再生し、サーボモーターを制御してぬいぐるみの頭を動かす。これらの周辺機器をRaspberry Piに接続するためにUSBハブやケーブルも必要となる。

AIの「脳」として実際に思考や判断を行うのは、別途用意する高性能なコンピューターだ。このコンピューターには、十分なメモリ（8GB以上推奨）と、特に大規模言語モデル（LLM）と呼ばれるAIモデルを実行するためのGPUメモリ（VRAM）が豊富なグラフィックカードが求められる。なぜなら、複雑な会話を生成するためには、大量のデータを高速に処理する能力が必要だからだ。このコンピューター上でOllamaやvLLM、LM Studioといった「AI推論サーバー」と呼ばれるソフトウェアを動かし、その上でAIモデル（例：8B Hermesモデル）を実行する。これらの部品にかかる費用は、コンピューターとAI推論サーバーを除けば、約110ユーロと、比較的安価に抑えられる点も魅力の一つだ。

組み立ては、ステップごとに進めれば初心者でも難しくはない。まずは、Raspberry Pi用のOS（Raspberry Pi OS Liteが推奨される）をSDカードに書き込む作業から始まる。これは「OSをフラッシュする」と呼ばれ、専用のツールを使えば簡単にできる。次に、GitHubで公開されている詳細な手順に従って、Raspberry Piとメインのコンピューターそれぞれに必要なソフトウェアをインストールする。最後に、ぬいぐるみを改造し、カメラやRaspberry Pi、サーボモーターなどの部品を内部に慎重に配置する。マイクやスピーカー、USBハブはぬいぐるみの外に配置しても問題ない。これでハードウェアの準備は完了し、あとは電源を入れて、AIとの会話を始めるだけだ。

では、このPhilosopher Plushが具体的にどのように動作するのか、その裏側の仕組みをもう少し詳しく見ていこう。システムは大きく分けて、おもちゃ本体（Raspberry Pi）、メインのコンピューター（思考の中心）、そしてAI推論サーバー（言語モデルの実行）の三つの要素が連携して機能する。

まず、あなたがぬいぐるみに話しかけると、Raspberry Piに接続されたUSBマイクがあなたの音声を拾い、CSIカメラがあなたの顔や表情を捉える。これらの音声データと映像データは、「WebSocket」という技術を使って、リアルタイムにメインのコンピューターへとストリーミングされる。WebSocketは、ウェブブラウザとサーバー間で双方向の通信を可能にする技術で、ここではRaspberry Piとメインコンピューターの間でデータのやり取りに使われる。

メインコンピューターは、Raspberry Piから受け取った生データに対して様々な処理を行う。まず、受け取った音声データを「Speech-to-Text（STT）」、つまり音声認識技術を使ってテキストデータに変換する。同時に、映像データからは顔認識や感情認識を行い、あなたが誰であるか、どんな感情を抱いているかを分析する。これらの情報と、過去の会話履歴、そしてぬいぐるみに設定されたパーソナリティ（例えば「哲学者」）のプロンプト（指示文）を組み合わせて、AIに質問や会話の内容を伝えるための情報を準備する。

次に、この準備された情報がAI推論サーバーへと送られる。AI推論サーバーは、あらかじめロードされている大規模言語モデル（LLM）を使って、受け取った情報に基づいて最も適切な応答を生成する。このLLMは、膨大な量のテキストデータから学習しており、人間のような自然な文章を生成する能力を持っている。応答が生成されると、それが再びメインコンピューターへと返される。

メインコンピューターは、AI推論サーバーから受け取ったテキスト形式の応答を、今度は「Text-to-Speech（TTS）」、つまり音声合成技術を使って音声データに変換する。この音声データは、再度WebSocketを通じてRaspberry Piへと送り返される。Raspberry Piは、受け取った音声データをUSBスピーカーから再生し、あなたが聞けるようにするのだ。また、メインコンピューターは、AIの応答に合わせてぬいぐるみの頭を動かすための信号もRaspberry Piに送り、サーボモーターを制御してぬいぐるみが物理的なリアクションをするように指示する。

このように、音声入力→メインコンピューターでの処理（STT、感情認識、プロンプト追加）→AI推論サーバーでの応答生成→メインコンピューターでの処理（TTS）→音声出力と、一連の流れが非常に高速に行われることで、まるで実際に会話しているかのような体験が生まれる。

このプロジェクトのもう一つの重要な点は、「100%ローカルで動作する」という設計思想だ。これは、すべての処理がインターネットを介さずに、手元のコンピューターとRaspberry Piだけで完結することを意味する。つまり、あなたの会話データや顔の映像が外部のサーバーに送信されることが一切ないため、プライバシーが完全に保護される。また、インターネット接続がない環境でも利用できるという利便性も持ち合わせている。提供されているコードはMITライセンスで公開されており、非営利目的であり、一切のデータ収集を行わないことが明記されているため、安心して利用し、さらに自分でカスタマイズすることも可能だ。

Philosopher Plushは、AI、IoT（モノのインターネット）、プログラミングといった現代のIT技術がどのように連携し、具体的な製品として形になるかを示す素晴らしい例だ。システムエンジニアを目指す初心者にとって、このようなDIYプロジェクトを通じて、音声認識、画像認識、自然言語処理、組み込みシステム、ネットワーク通信といった多様な技術要素がどのように統合されているかを体験的に学ぶことは、非常に有益な経験となるだろう。自分だけのAIアシスタントを作る夢を、このプロジェクトが現実のものにしてくれるかもしれない。