メインコンテンツへスキップ
見出し画像

Tesla V100 をローカル AI に — SXM2 を PCIe に変える基板・冷却・古いドライバの工夫

    【PR】このページには広告(アフィリエイト)のリンクを含みます。掲載の内容や順番は報酬の有無で変えていません。

    Tesla V100をローカルAIで動かすには、変換基板や冷却の自作、古いドライバへの固定など複合的な工夫が必要です[1][10][25]。

    • RTX 3060よりも42%速く、費用を抑えて高い推論速度を出せます[16][19]。

    • 追加の冷却ファンを動かさないと、高熱でシャットダウンを起こします[22][30]。

    • SXM2基板には標準的なPCIe電源端子が存在しません[1]。

    • ドライバは580系が最後で、次期CUDA 13以降の環境では動作しません[25][26]。

    動画で見る

    字幕から、使った機器・結果・困った点の場面を抜き出しました。時刻を押すとその場面から再生します。

    動画1 【Nvidia AI GPU】まさかの3万円で爆誕!サーバー用V100を魔改造してAI爆速化(究極完全体ガジェモン@ガジェットニュース速報・4:05)— サーバー用V100 GPUをカスタムPCBと3Dプリント冷却でPCIeカード化し、約3万円でローカルAI環境を構築する事例

    ・0:58 V100本体とアダプター合計約200ドル、現在のレートで約3万円(約3万円)

    ・1:05 16GBのHBM2 VRAMを搭載し、900GB/sの帯域幅を誇ります(16GB / 900GB/s)

    ・1:38 RX7800XT比で約1.4倍の性能差を見せつけた(1.4倍)

    ・2:50 V100にディスプレイ出力がないため、CPUの内蔵グラフィックスが必須

    海外 動画2 (・)— V100等の旧GPUをカスタムソフトでローカルAIに使い、RTX5090等と速度・コストを比較する

    この動画で使われている商品: NVIDIA GeForce RTX 5090 ・ NVIDIA GeForce RTX 5060 Ti

    ・0:39 4x V100 SXM2で約219 tokens/sec、RTX5090は約215 tokens/sec(219 / 215 tokens/sec)

    ・1:24 V100 4枚でGPUのみ約1200W消費、サーバーボード・冷却が必要(1200 W)

    ・1:52 PCIe V100 4枚(NVLinkなし)で約178.9 tokens/sec、SXM2比18%減(178.9 tokens/sec)

    ・4:41 PCIe V100 16GBの中古価格約219ドル(14ドル/GB)(219 USD)

    海外 動画3 9 year old GPU beats today's latest?(Jun Yamog・10:48)— 9年前のV100 GPUと最新DGX Sparkを比較し、NVLink帯域幅がローカルAI性能に与える影響を検証

    この動画で使われている商品: Nvidia Tesla V100

    ・1:05 V100はNVLink 2.0で接続し、300 GB/sの帯域幅を持つ(300 GB/s)

    ・1:38 A100用ヒートシンクを削ってV100に流用し、冷却性能向上

    ・3:01 V100のプロンプト処理速度は約4,000 tokens/s(4,000 tokens/s)

    ・3:09 V100のトークン生成速度は155 tokens/sでDGX Sparkより2.5倍速い(155 tokens/s)

    ほかの動画(5 本)

    海外 動画4 Using Multiple Cheap SXM2 16GB V100 Nvidia Tesla cards for Local LLM(LinuxMan86・27:09)— SXM2 V100をPCIeアダプタ経由でローカルLLMに使うための構築と課題

    ・2:23 SXM2 V100を1枚あたり118ドルで入手した($118)

    ・4:45 アダプタ・冷却材等で追加コストが発生し、PCIe版に近づく($137 AUD)

    ・6:42 PCIeスロットの確保が難しく、マザボやCPUの追加コストがかかる

    ・8:22 BIOSでAbove 4G Decodingを有効にすると動作した

    海外 動画5 Is the Nvidia Tesla V100 still good for AI? - Inspur DGX V100 vs RTX 5090(Craft Computing・25:06)— Inspur DGX V100(8枚)とRTX 5090等を比較し、V100のローカルAI性能・電力効率・コストを評価

    この動画で使われている商品: Nvidia GeForce RTX 5090 ・ Nvidia GeForce RTX 4070 Super

    ・1:53 Inspur DGX V100は約6,000ドルで256GB VRAMを実現する低コスト手段($6,000)

    ・6:33 Llama 3.1でRTX 5090はV100の約2.5倍速い(211 vs 84.6 tok/s)(211 tokens/sec)

    ・6:51 V100はRTX 5090より電力効率がわずかに良い(175W vs 475W)(175 watts)

    ・7:28 V100はRTX 4070 Superとほぼ同等のAI性能(約5%差)

    海外 動画6 Refurbished 64GB VRAM AI Server for Local AI: 4x NVIDIA V100/P100, AMD MI25(Donato Capitella・34:49)— 中古データセンターGPU(V100/P100/MI25)を4枚搭載したサーバーでローカルAIを実行し、性能とコストを検証

    この動画で使われている商品: Intel Xeon Gold 6150 ・ NVIDIA Tesla V100

    ・3:41 新品で自作するとベースシステムだけで約4000ドルかかるが、中古サーバーなら安価($4,000)

    ・6:52 構成の合計金額は10%割引適用前で約2000ポンド(£2,000+)

    ・13:47 パッシブ冷却のためサーバーファンが非常にうるさい

    ・16:25 MI25のメモリ帯域幅は484GB/sと低く、ベンチマークに反映される(484 GB/s)

    海外 動画7 How do you cool an nVidia Tesla GPU?(Craft Computing・31:59)— Nvidia Tesla M40等のパッシブ冷却GPUを、3Dプリントしたシュラウドと各種ファンで強制空冷し、温度と騒音を検証する。

    この動画で使われている商品: Noctua NF-A4x20

    ・1:58 Tesla GPUはパッシブ冷却で、サーバーの強制空冷前提のためPC単体では過熱する。

    ・3:05 Deltaブロワー使用時、フル負荷でも60℃未満に抑えられたが騒音が激しい。(< 60°C)

    ・3:41 マザーボードのファンヘッダは電流が不足しています。低電圧化するとファンが停止します。(2.92 A)

    ・8:10 DC速度コントローラと外部電源を使い、低電圧でも十分な電流を供給して静音化。

    海外 動画8 The Cheapest 32GB Nvidia GPU You Can Buy for Local AI (Tesla V100)(Lon.TV・15:09)— Tesla V100をAliExpressのファンで冷却し、Oculink経由でミニPCに接続してローカルAIを実行・検証する

    この動画で使われている商品: NVIDIA Tesla V100

    ・0:23 Intel GPUの半額程度で入手可能

    ・1:24 データセンター用ためファンがなく、外部冷却が必要

    ・6:55 WindowsではCode 10エラーで動作せずLinuxへ移行

    ・7:11 ChatGPTのコード実行機能でLinux設定を支援させる

    Tesla V100 をローカル AI に使う理由と、そのままでは困る点

    Tesla V100は広帯域メモリを積み、中古で安く手に入るためローカルAIに向きます[16][19][23]。ただし映像出力がなく、冷却や特殊な電源、ドライバ制限への工夫が必要です[1][10][22]。

    • Volta世代のGPUで、5120基のコアとHBM2メモリを備えます[19][22][25]。メモリ帯域は898 GB/sあり、モデルを高速に読み出せます[19]。中古価格は2026年6月時点で100〜150ドル、2026年9月の集計平均は231ドルでした[16][20]。

    • 個人ブログの検証では、GPT-OSS-20Bで生成117.71 tok/sを記録しました[16]。RTX 3060よりも42%速く、費用を抑えて高い推論速度を出せます[16][19]。

    • 本来はサーバー用の受動冷却であり、ファンが無いため単体では冷えません[22][動画8 1:24]。追加の冷却ファンを動かさないと、高熱でシャットダウンを起こします[22][30]。標準ファンの動作音は82dBに達し、芝刈り機のような爆音を響かせます[1][12][14]。

    • SXM2基板には標準的なPCIe電源端子が存在しません[1]。カードの消費電力は300Wに達し、PCIe 8ピン2本などから電気を引きます[23][25]。動作には750W以上の電源ユニットを推奨しています[16]。

    • ドライバは580系が最後で、次期CUDA 13以降の環境では動作しません[25][26]。PyTorchのサポートが終了しており、BF16やFP8の形式も扱えません[6][23]。LM Studioなどのソフトでは、起動や動作の不適合が起きています[22]。

    • 基板に画面出力端子がないため、CPU内蔵GPUか別の画面用カードを要します[11][22][動画1 2:50]。マザーボードのBIOSでAbove 4G Decodingを有効にしないと認識しません[22][動画4 8:22]。

    工夫のやり方を比べる

    Tesla V100をローカルAIで動かすには、変換基板や冷却の自作、古いドライバへの固定など複合的な工夫が必要です[1][10][25]。目的のモデル規模に合わせて適切な電源と基板を選べば、費用を抑えて高い推論速度を引き出せます[6][11][28]。

    SXM2変換基板の利用

    • 何を変えるか: SXM2端子をPCIeスロットに直結する変換基板を導入します[1][10]。

    • 費用: 基板単体は約£50や$150〜$1,000+、PLX版2枚用は約$350です[1][3]。

    • 手間: 規格外コネクタへの配線や基板の固定といった作業が生じます[1][4]。

    • 効き目(数字): 家庭用PCでV100 SXM2を動かし、双方向300GB/sのNVLinkも使えます[8][10][28]。

    • 危うさ: 仕様書がNDAで非公開のため、基板の耐久性や出品者の信頼性に不安があります[4][26]。

    • 向く人・用途: 安価なSXM2カードを自作PCで使いたい人[1][2]

    冷却の自作とPWM制御

    • 何を変えるか: 3Dプリント製ダクトを付け、ファンをPWM(回転数制御)で駆動します[1][11]。

    • 費用: ファンとダクトで約$20〜30、シュラウド単品は$16.95です[16][18]。

    • 手間: ダクトの自作印刷や適切な厚さのサーマルパッド調整が必要です[11][30]。

    • 効き目(数字): PWMで回転を10%に絞っても、負荷時の温度を50°C以下に保てます[1]。

    • 危うさ: 接触不良が起きると90°Cを超えて熱シャットダウンに至ります[30]。

    • 向く人・用途: 82dBの激しい騒音を抑えて静かに動かしたい人[1][動画7 3:05]

    電力制限とサーバー電源

    • 何を変えるか: 消費電力を100〜200Wに制限し、大容量PSUやサーバー電源を充てます[3][11]。

    • 費用: HP 1200Wサーバー電源が約$20、基板が約$15です[3]。

    • 手間: 専用の電源配線を用意し、ツールで電力上限値を設定します[3][11]。

    • 効き目(数字): 100W制限時でもgpt-oss-20bで95 tok/sの速度を出せます[11]。

    • 危うさ: 4枚構成では推論時に600Wを消費し、電気代の負担が増えます[6][16]。

    • 向く人・用途: 発熱を抑えたい人や複数枚を安定運用したい人[3][6]

    ドライバとCUDAの固定

    • 何を変えるか: Above 4G Decodingを有効化し、CUDA 12と580系ドライバに固定します[17][25][動画4 8:22]。

    • 費用: —

    • 手間: sm_70向けにllama.cppを手動ビルドし、更新を抑止します[16][24]。

    • 効き目(数字): Volta非対応の障害を回避し、128kコンテキストを動かせます[16][24]。

    • 危うさ: CUDA 13以降でsm_70が削除され、最新ソフトが動きません[17][22]。

    • 向く人・用途: 環境の更新を止め、特定のモデルを長く使う人[10][17]

    モデルと量子化の選定

    • 何を変えるか: BF16を避け、FP16やGGUF量子化、MoE(分割構造)モデルを選びます[6][9][25]。

    • 費用: —

    • 手間: 非対応のKV量子化による速度低下を避け、並列化引数を調整します[5][24]。

    • 効き目(数字): 35B MoEモデルで79.44 tok/sの生成速度を出せます[6]。

    • 危うさ: 密モデルでは20〜28 tok/sに落ち、設定ミスで無限ループに陥ります[5][9]。

    • 向く人・用途: 高速なトークン生成で大容量モデルを動かしたい人[6][9]

    • 個人ブログの検証では、SXM2基板とPWM制御で静音化と約32 tok/sの推論を両立しました[1][10]。(V100 SXM2 16GBとRTX 4080、llama.cpp、個人ブログ)[1] V100 SXM2 16GBを約£150、変換基板を約£50で購入しています[1]。ファンをPWMで10%に絞り、高負荷時でも温度を50°C以下に保ちました[1]。Qwen 27B系のQ5_K_Mを128k長で動かし、推論速度は約32 tok/sです[1]。

    • デュアル基板のレビューでは、NVLink接続で32Bモデルを単一29.9 tok/sで動かしました[28]。(39com製Dual SXM2 AIC、個人ブログのレビュー)[28] 64GB構成の費用は$700〜800で、個別では基板が¥52,634、V100 32GBが2枚で¥140,932でした[28]。冷却にはA100用ヒートシンクと3Dプリント製シュラウドを流用しています[28]。Qwen 32Bの実行では単一で29.9 tok/s、4並列時に50.9 tok/sを出しました[28]。

    • Redditの報告では、4枚のNVLink接続により35B MoEモデルで79.44 tok/sに達しました[6]。(V100 32GBカード4枚、llama.cppと1Cat vLLMフォーク、Redditの投稿者)[6] 電源には4枚のNVLink向けに2000W PSUの導入を予定しています[6]。4枚構成の消費電力はアイドル時180Wで推論時は600Wでした[6]。並列8の実行では502 tok/sを記録し、Qwen 27Bでは29〜32.7 tok/sを出しています[6]。

    • 法律文書作成の事例では、12枚のNVLinkペア構成でMoEモデルを高速に処理しました[9]。(Threadripper ProとV100-SXM2 32GBを12枚、llama.cppとOllama、Redditの投稿者)[9] Q8 GGUFとQ4 KVキャッシュを使い、Gemma-4-26B-A4Bで約113 tok/sを記録しています[9]。Dense 27〜32Bは約20〜28 tok/sにとどまり、投稿者はMoEが必須と述べました[9]。

    試した人の構成と数字

    V100 SXM2 を PCIe 変換した測定では、単体から複数枚まで多様な結果が出ています[6][25]。

    記事と個人の報告を比べると、冷却や並列化の工夫で推論速度が大きく変わります[11][28][動画2 0:39]。

    記事(西川和久氏) [25]

    • GPU 構成: SXM2 1枚(ファン付き変換アダプタ)[25]

    • PC・OS・ドライバ: Core i7-12650H、Ubuntu 24.04.5 LTS、CUDA 12.9[25]

    • ソフト・モデル: Strata、Qwen3.8-Flash-Next、IQ3_S[25]

    • 速度(生成・処理): デコード約78〜80 tok/s、prefill約985〜1,356 tok/s[25]

    • 電力・温度・騒音: 300W(12VHPWRまたはPCIe 8ピン2本)[25]

    • 向く人・用途: —

    記事(ニュース) [11]

    • GPU 構成: V100 16GB 1枚(SXM2→PCIe基板)[11]

    • PC・OS・ドライバ: —

    • ソフト・モデル: gpt-oss-20b、Gemma 4 E4B[11]

    • 速度(生成・処理): 130 tok/s(gpt-oss-20b)、108 tok/s(Gemma 4 E4B)[11]

    • 電力・温度・騒音: Noctua 80mmファンと3Dプリントダクト、100W制限時95 tok/s[11]

    • 向く人・用途: —

    個人(ブログ・レビュー要約) [28]

    • GPU 構成: SXM2 2枚(39com製Dual SXM2 AIC、NVLink 2.0直結)[28]

    • PC・OS・ドライバ: —

    • ソフト・モデル: Qwen 32B、DeepSeek 70B[28]

    • 速度(生成・処理): Qwen 32B単一29.9 tok/s(4並列50.9 tok/s)[28]

    • 電力・温度・騒音: 最大600W(PCIe 8ピン×4)、A100ヒートシンク流用[28]

    • 向く人・用途: —

    個人(Reddit) [6]

    • GPU 構成: 32GB 4枚(NVLinkボード)[6]

    • PC・OS・ドライバ: —

    • ソフト・モデル: llama.cpp、1Cat vLLMフォーク、Qwen 27B、35B MoE[6]

    • 速度(生成・処理): Qwen 27Bで29〜32.7 tok/s、35B MoEで79.44 tok/s[6]

    • 電力・温度・騒音: アイドル180W、推論600W[6]

    • 向く人・用途: —

    個人(動画「」) [動画2 0:39]

    • GPU 構成: SXM2 4枚[動画2 0:39]

    • PC・OS・ドライバ: —

    • ソフト・モデル: —

    • 速度(生成・処理): 約219 tokens/sec[動画2 0:39]

    • 電力・温度・騒音: GPUのみ約1200W消費、サーバーボード・冷却が必要[動画2 1:24]

    • 向く人・用途: —

    個人(Reddit) [9]

    • GPU 構成: V100-SXM2 32GB 12枚(NVLinkペア)[9]

    • PC・OS・ドライバ: Threadripper Pro[9]

    • ソフト・モデル: llama.cpp、Ollama、Gemma-4-26B-A4B、Qwen3.6-35B-A3B[9]

    • 速度(生成・処理): Gemma-4約113 tok/s、Qwen3.6約82 tok/s[9]

    • 電力・温度・騒音: —

    • 向く人・用途: —

    • 記事の検証で、SXM2 版 1 枚から約 78〜80 tok/s を引き出しました[25]。 (SXM2 1枚、Strata、記事・西川和久氏) Ubuntu 24.04.5 LTS で推論エンジン Strata を動かしました[25]。Qwen3.8-Flash-Next の IQ3_S では、prefill が約 985〜1,356 tok/s です[25]。電源は 12VHPWR または PCIe 8 ピン 2 本を用い、300W を供給します[25]。

    • ニュース記事の検証で、冷却を自作した 1 枚構成が 130 tok/s を出しました[11]。 (V100 16GB 1枚、記事・ニュース) Noctua 80mm ファンと 3D プリントダクトで冷却環境を整えています[11]。gpt-oss-20b で 130 tok/s、Gemma 4 E4B で 108 tok/s を記録しました[11]。消費電力を 100W に制限した設定でも 95 tok/s で推論が進みます[11]。

    • 個人ブログの報告では、NVLink 接続の 2 枚構成で 32B モデルを動かしました[28]。 (SXM2 2枚、個人ブログ・レビュー要約) 39com 製のデュアル基板を使い、双方向 300 GB/s で 2 枚を直結しています[28]。Qwen 32B の速度は単一で 29.9 tok/s、4 並列で 50.9 tok/s でした[28]。DeepSeek 70B では単一ストリームで 12.7 tok/s を示しました[28]。

    • Reddit の個人報告では、4 枚の NVLink で 35B MoE が高速に動きました[6]。 (32GB 4枚、llama.cppと1Cat vLLMフォーク、個人・Reddit) Qwen 27B で 29〜32.7 tok/s、35B MoE で 79.44 tok/s を出しました[6]。並列数を 8 に設定した環境では 502 tok/s に達しています[6]。4 枚接続時の消費電力はアイドル時に 180W、推論時に 600W でした[6]。

    • 個人の動画検証で、SXM2 4 枚構成が約 219 tokens/sec を記録しました[動画2 0:39]。 (SXM2 4枚、個人・動画「」) 推論速度は約 219 tokens/sec で、RTX 5090 の約 215 tokens/sec と並びます[動画2 0:39]。NVLink のない PCIe 4 枚構成では約 178.9 tokens/sec に落ちました[動画2 1:52]。4 枚の GPU だけで約 1200W を消費するため、サーバー用冷却を要します[動画2 1:24]。

    • 法律文書向けの個人報告では、12 枚クラスタで各種モデルを検証しました[9]。 (V100-SXM2 32GB 12枚、llama.cppとOllama、個人・Reddit) Threadripper Pro 環境で Q8 GGUF と Q4 KV キャッシュを動かしました[9]。Gemma-4-26B-A4B は約 113 tok/s、Qwen3.6-35B-A3B は約 82 tok/s です[9]。Dense 27〜32B のモデルは約 20〜28 tok/s にとどまります[9]。

    落とし穴と向かない人

    V100の改造利用は手厚い保証や長期サポートを求める人には向きません[23]。最新アプリの手軽な動作を期待する家庭用途にも不向きです[22]。

    • CUDA 13ビルドはsm_70を含まないため、動かすにはCUDA 12環境が必要です[17]。Ollama v0.30.0以降やTensorRT-LLM、TGIは対応していません[6][16]。Windowsでは高速通信のNVLinkが動かずLinux環境のみに制限されます[8]。

    • SXM2の仕様書は非公開で、代替ダイオードも見つかっていません[4]。Dell版のSXM2基板は特定ハードウェアにロックされます[26]。中国eBay出品者の信頼性や基板の耐久性にも不安があります[26]。

    • マザーボードのファン端子は電流不足を起こし、低電圧にするとファンが止まります[動画7 3:41]。Delta製ブロワーファンを高負荷で回すと激しい騒音が生じます[動画7 3:05]。約2Vまで電圧を絞ると81℃に上昇し、実用的な冷却の限界が見えました[動画7 9:52]。

    • 放熱材の厚みが合わないと激しい熱停止を招きます[30]。(Tesla V100 SXM2 16GB、blower型アダプタ、Reddit投稿者)サーマルパッドの厚みによる熱接触不良が原因でした[30]。ピーク温度が88°Cに達し、90°Cを超えて4回の熱シャットダウンが発生しました[30]。0.5mm厚のパッドへ交換して問題を解消しています[30]。

    • 特定の設定やモデルで出力破損や無限ループが生じます[5]。(V100 SXM2 2枚、llama.cpp、GitHub報告者)GGML_CUDA_UNIFIED_MEMORY=1 を指定すると生成が極端に遅くなり出力が崩れました[5]。MXFP4モデルと -ncmoe オプションでは20k〜32k超で無限ループに陥りました[5]。対策には -DGGML_CUDA_FORCE_MMQ=1 による再ビルドが必要です[5]。

    • 日本のYahoo!オークションでは2025年7月時点でジャンク品と確認済み品が混在していました[21]。ジャンク品の落札は11,500〜13,000円で3件あり、平均は29,214円でした[21]。ただし国内での変換基板の出品は見つかっていません[21]。

    • Webメディアの記事は、速さ重視の人や長期サポートと保証が必要な人には向かないと評価しています[23]。LM StudioやComfyUIで不適合が多く、家庭用にはRTX 5060Ti 16GBを推奨しています[22]。さらに密モデルは処理が遅く、MoEモデルを使わない用途にも向きません[9]。

    商品

    価格は 2026-11-15 02:34 時点の各店の表示です(送料・ポイントは含みません)。SwitchBot の製品は公式ストアへのリンクです。Amazon は検索結果へのリンクです。部品は種類が多いため、店の検索結果へのリンクにしています。

    動画で使われている商品

    動画の中でメーカーと型番まで分かった機器だけを載せています(国内の店か AliExpress で同じ型番の商品があったものだけ)。

    NVIDIA GeForce RTX 5090 (動画2 0:45 で使用・比較対象としてQwen 3.8 27Bを実行し、約215 tokens/sを記録)

    NVIDIA GeForce RTX 5060 Ti (動画2 5:55 で使用・新品800ドル。16GBで一般的なデスクトップPCでの動作を想定)

    Nvidia Tesla V100 (動画3 0:24 で使用・ローカルAI推論用GPU)

    Nvidia GeForce RTX 5090 (動画5 6:27 で使用・比較対象の最新コンシューマーGPU)

    Nvidia GeForce RTX 4070 Super (動画5 7:20 で使用・V100と同等性能の比較用GPU)

    Intel Xeon Gold 6150 (動画6 11:57 で使用・CPU (2基搭載, 18コア))

    NVIDIA Tesla V100 (動画6 17:54 で使用・GPU (16GB VRAM x4))

    Noctua NF-A4x20 (動画7 4:12 で使用・小型ケースファンでの冷却テスト)

    NVIDIA Tesla V100 (動画8 0:25 で使用・ローカルAI推論用GPU)

    そのほかの商品

    Tesla V100(中古)

    探す: 楽天市場 ・ Yahoo!ショッピング ・ Amazon

    SXM2→PCIe の変換基板

    探す: 楽天市場 ・ Yahoo!ショッピング ・ Amazon

    ブロワーファン(GPU の冷却用)

    探す: 楽天市場 ・ Yahoo!ショッピング ・ Amazon

    出典

    出典の一覧(25 件)

    関連の記事

    【宣伝】SwitchBot 購入はこちらから

    SwitchBot公式ページ
    クーポン「AF-4903」で5%引き(アフィリエイトクーポンになりますのでご協力お願いします)
    割引の詳しい仕組みに関してはこちらのページを参照ください。
    製品ごとの特徴・紹介動画は SwitchBot 製品ガイド にまとめています。


    この記事は山村商店にも載せています。最新の内容・動画の再生位置・商品の値段はそちらで見られます。

     
     
    ミニPC・SwitchBot・農業 IoT・AI の実用情報を雑多に記事化します。

    あなたへのおすすめ