サーディン猫AI — ブラウザ進化学習ラボ
小さなニューラルネットを進化戦略でブラウザ内学習。におい勾配を登って缶（サーディン）に最短到達する方策を獲得し、学習なしのルール猫と競走。学習も推論も端末内（エッジ）で完結・送信なし。
🐈 猫の頭脳＝小さなニューラルネットを、ブラウザの中だけで進化（ES）させて学習します。 「におい」と「壁」のセンサだけを頼りに、缶（サーディン）へ最短到達する方策を世代を重ねて獲得。 右では学習あり vs なしを同じ地図で競走させ、差を見ます。学習も推論もこの端末で完結＝エッジMLの実演です。
ゲーム版「サーディン猫」で遊ぶ
学習ずみのAI猫が缶（サーディン）を探す、かくれんぼゲーム。気軽に遊べる入口です。
なぜこのデモを作ったのか
言いたいことはひとつです。小さなエッジAIでも、「学習」させれば業務に耐えうる戦力になる ——。 このデモのルール猫（学習なし）は、缶のそばまで来ないと気づけず迷走します。 ところが、まったく同じ小ささのネットワークでも、 進化学習を重ねた「学習ずみ猫」は、初見の地図でもにおい勾配を読んで最短で到達します。 モデルの大きさは同じ。違うのは「学習したかどうか」だけです。
現場のAIも同じ構図です。高価な大規模モデルを1つ使うより、タスクを絞って小さなモデルを学習・特化させ、賢く組み合わせるほうが、 費用を抑えながら実務で効きます。「弱いモデル」も、学習と特化で十分な戦力になります。 このデモは、その手触りを最小構成で体感してもらうために作りました。
📝関連note：「高いAIを1個より、小さいAIを賢く組む — 費用を抑えてローカルAIで精度と効率を上げる4つの提案」このデモのポイント
ブラウザ内で進化学習
小さなニューラルネット（6入力→8隠れ→1出力）を進化戦略（ES）で世代ごとに改善。クラウド不要、学習までこの端末で。
学習あり vs なしを競走
におい勾配を活用する「学習ずみ猫」と、近づくまで気づけない「ルール猫」を同じ地図で競走。発見の速さと成功率の差を体感。
丸暗記ではない汎化
成功率・歩数は学習に使っていない新地図で測定。学習用の地図も20世代ごとに入れ替え、特定地図の暗記を防止。
学習＝GPU / 推論＝エッジ
学習は試行を重ねる重い処理（GPUが得意）、推論は学習済みネットで1手を即決（Jetson/Hailo等の省電力エッジ向き）。本デモは両方をブラウザで実演。
「学習」と「推論」の役割分担
AIには学習（training）と推論（inference）の2フェーズがあります。 学習は多数の試行から方策を改善する重い処理でGPUが得意。推論は学習済みネットで1手を即決する軽い処理で、 Jetson / Raspberry Pi＋Hailo などの省電力エッジ機材が活躍します。 本デモは小さな問題なので、その両方をブラウザ内（端末上＝エッジ）で回しています。
関連: 連合学習ガイド / おえかきAI対決 / エッジ-クラウド連携
進化学習・強化学習に向くエッジAI機材
学習はGPU、推論は省電力エッジ。学習済みモデルを現場で動かすための推奨機材です。
Raspberry Pi 5 ＋ AI Camera（IMX500）。カメラ側でAI推論する分ホスト負荷が低く、まず試すのに最適。
NVIDIA Jetson Orin Nano ＋ Webカメラ。GPUで複数カメラ・高精度モデルも安定処理。
価格は目安（変動あり）。下のカードから用途に合うものを選んでください（全点を揃える必要はありません）。
大きなモデルの生成・推論や複数モデルの常時稼働には、Pi/Jetsonより大容量メモリ・高性能CPU/GPUを積める高性能ミニPCが快適です。
Raspberry Pi AI Camera（IMX500）
Sony IMX500搭載のAI処理内蔵カメラ。カメラ側でAI推論を実行し、ホストの負荷が極めて低い。
Google Coral USB Accelerator
既存のPCやRaspberry PiにUSB接続するだけでAI推論を高速化。4 TOPSのEdge TPU搭載。
※ 上記リンクはアフィリエイトリンクです（購入で当サイトに収益が発生する場合があります）。 価格は目安で、最新価格・在庫はリンク先でご確認ください。構成は用途の一例です。
関連デモ
このデモを「実機」で使うには？
実測データで最適な機種を選び、つまずいたら原因→対処をたどれます。