2026年4月26日、HuggingFaceとNVIDIAの共同ブログにて、GoogleのGemma 4モデルをNVIDIA Jetson上でVLA（Vision-Language-Action）タスクとして動作させるデモが公開された。
VLAとはカメラなどの視覚入力・自然言語による指示・物理的な行動出力を単一のモデルで処理するアーキテクチャであり、ロボットアームの制御や自律移動体の経路判断など、現場での自律動作に直結する技術領域だ。これまでVLAの実用デモはクラウドGPUを前提とするものが多く、電力・通信・コストの制約が大きい産業現場への展開には障壁があった。
今回のデモはJetsonというNVIDIAの産業向けエッジコンピューティングモジュール上で動作することを示しており、クラウド接続なしでVLAを完結させる参照実装として機能する。あわせて、UnslothおよびggmlorgによるGGUF量子化版がHugging Faceに公開されており、Jetson以外のARMベースデバイスでも実行できる環境が整っている。
GitHubリポジトリ（asierarranz/Google_Gemma）にはコードが公開されており、開発者が手順を追って再現できる状態になっている。
日本の製造業・物流・インフラ分野では、工場内ネットワークの閉域性や個人情報保護法・経済安全保障推進法に基づくデータローカライゼーション要件から、クラウド送信を避けたい現場が多い。エッジ完結型VLAの公式参照実装が出たことは、これらの現場でのAI導入判断に直接影響する。
SIerやロボットメーカーにとっては、Gemma 4＋Jetsonの組み合わせをPoC候補として評価するための出発点が公式に提供された形であり、競合するQualcomm AI HubやRaspberry Pi向け軽量LLMとの性能・コスト比較を具体的に進められる段階に入った。
量子化モデルはHugging Faceから直接取得可能であり、まず手元の環境で推論レイテンシと精度を測ることが、技術・事業双方の判断を前に進める最短経路となる。
