シリーズ: Apple Silicon AI技術スタック 完全解説
難易度: ★★☆☆☆（初級〜中級）
想定読者: Apple Silicon専用で最大性能を出したい人、LLMをローカルで動かしたい人
TL;DR
- MLXはApple Silicon専用に設計されたオープンソースMLフレームワーク
- NumPy/PyTorch風のAPIで学習コストが低い
- 統合メモリアーキテクチャを活かした遅延評価でメモリ効率が高い
- LLMのローカル実行に特に強い
MLXとは？
2023年末、Appleが突如としてオープンソースで公開したMLフレームワーク、それがMLX。正直、最初聞いたときは「また新しいフレームワーク？」と思った。PyTorchとTensorFlowでお腹いっぱいだよ、と。
でも使ってみると、これがなかなかどうして侮れない。
Apple Machine Learning Researchの公式サイトでは：
"MLX is an open source array framework that is efficient, flexible, and highly tuned for Apple silicon."
（MLXは、効率的で柔軟性が高く、Apple Silicon向けに高度に最適化されたオープンソースの配列フレームワークです）
出典：Apple Machine Learning Research
GitHubリポジトリには、MLXの設計思想がこう記されている：
"MLX is designed by machine learning researchers for machine learning researchers. The framework is intended to be user-friendly, but still efficient to train and deploy models."
（MLXは機械学習研究者が機械学習研究者のために設計しました。フレームワークはユーザーフレンドリーでありながら、モデルの訓練とデプロイに効率的であることを目指しています）
MLXの設計思想
MLXには明確な設計原則がある。公式ドキュメントから引用しよう：
"Familiar APIs: MLX has a Python API that closely follows NumPy. MLX also has fully featured C++, C, and Swift APIs, which closely mirror the Python API. MLX has higher-level packages like mlx.nn and mlx.optimizers with APIs that closely follow PyTorch to simplify building more complex models."
（馴染みのあるAPI：MLXにはNumPyに準拠したPython APIがあります。C++、C、SwiftのAPIもPython APIと同様に完全な機能を備えています。mlx.nnやmlx.optimizersのような高レベルパッケージはPyTorchに準拠したAPIを持ち、複雑なモデルの構築を簡素化します）
つまり：
- NumPyを使えるならMLXも使える
- PyTorchを使えるニューラルネットワークも組める
- 学習コストが劇的に低い
インストールと基本操作
インストール
pip install mlx
これだけ。依存関係も少ない。
基本操作
import mlx.core as mx
# NumPyとほぼ同じ
a = mx.array([1.0, 2.0, 3.0])
b = mx.array([4.0, 5.0, 6.0])
c = a + b
print(c) # array([5, 7, 9], dtype=float32)
# 行列演算
x = mx.random.normal((3, 4))
y = mx.random.normal((4, 5))
z = x @ y # 行列乗算
print(z.shape) # (3, 5)
NumPyユーザーなら違和感なく使えるはずだ。
ニューラルネットワーク
import mlx.core as mx
import mlx.nn as nn
import mlx.optimizers as optim
# シンプルなMLP
class MLP(nn.Module):
def __init__(self, input_dim, hidden_dim, output_dim):
super().__init__()
self.fc1 = nn.Linear(input_dim, hidden_dim)
self.fc2 = nn.Linear(hidden_dim, output_dim)
def __call__(self, x):
x = nn.relu(self.fc1(x))
x = self.fc2(x)
return x
model = MLP(784, 256, 10)
optimizer = optim.Adam(learning_rate=0.001)
PyTorchに慣れた人なら、ほぼそのまま書ける。
遅延評価（Lazy Computation）：MLXの真骨頂
MLXの面白いところは、計算が「遅延」されること。
"Lazy computation: Computations in MLX are lazy. Arrays are only materialized when needed."
（遅延計算：MLXの計算は遅延されます。配列は必要になったときにのみ実体化されます）
なぜ遅延評価が重要か
import mlx.core as mx
a = mx.random.normal((1000, 1000))
b = mx.random.normal((1000, 1000))
c = a @ b # ここではまだ計算されない！
d = c + 1
e = mx.sum(d) # eが必要になって初めて、a〜eまでの計算が最適化されて実行
print(e)
従来のフレームワークだと、各行で即座に計算が走る。でもMLXはprint(e)の瞬間まで待ってから、計算グラフ全体を見て最適化する。
メリット：
- 無駄な中間結果をメモリに保持しなくて済む
- 演算の融合（fusion）が可能
- 使わない計算は実行されない
明示的な評価
どうしても即座に計算させたい場合：
c = a @ b
mx.eval(c) # ここで強制的に計算
M5チップとNeural Accelerators
2025年、M5チップの登場でMLXはさらに進化した。
Apple Machine Learning Researchの最新記事では：
"The GPU Neural Accelerators introduced with the M5 chip provides dedicated matrix-multiplication operations, which are critical for many machine learning workloads. MLX leverages the Tensor Operations (TensorOps) and Metal Performance Primitives framework introduced with Metal 4 to support the Neural Accelerators' features."
（M5チップで導入されたGPU Neural Acceleratorsは、多くの機械学習ワークロードに不可欠な専用の行列乗算演算を提供します。MLXはMetal 4で導入されたTensor OperationsとMetal Performance Primitivesフレームワークを活用し、Neural Acceleratorsの機能をサポートします）
出典：Apple Machine Learning Research - Exploring LLMs with MLX and M5
M4 vs M5 ベンチマーク
Appleが公開したベンチマークでは、LLM推論での改善が顕著：
| モデル | M4 (トークン/秒) | M5 (トークン/秒) | 改善率 |
|---|---|---|---|
| Qwen 1.7B (BF16) | 基準 | 向上 | 〜30%+ |
| Qwen 8B (4bit) | 基準 | 向上 | 〜25%+ |
| Mixtral 30B (4bit) | 基準 | 向上 | 〜20%+ |
特に「最初のトークン生成までの時間」が大幅に短縮された。
MLX-LM：LLMを手軽に動かす
MLXの真価が発揮されるのは、LLM（大規模言語モデル）の推論だ。
mlx-lmパッケージを使えば、Hugging Faceのモデルをそのまま動かせる：
pip install mlx-lm
# ターミナルで直接チャット開始！
mlx_lm.chat --model mlx-community/Qwen2.5-7B-Instruct-4bit
公式サイトによると：
"MLX LM is a package built on top of MLX for generating text and fine-tuning language models. It allows running most LLMs available on Hugging Face."
（MLX LMはMLX上に構築されたパッケージで、テキスト生成と言語モデルの微調整を行います。Hugging Faceで利用可能なほとんどのLLMを実行できます）
出典：Apple Machine Learning Research
Pythonから使う
from mlx_lm import load, generate
model, tokenizer = load("mlx-community/Llama-3-8B-Instruct-4bit")
prompt = "Explain quantum computing in simple terms:"
response = generate(model, tokenizer, prompt=prompt, max_tokens=200)
print(response)
量子化サポート
メモリの節約には量子化が効く：
"MLX natively supports quantization, a compression approach which reduces the memory footprint of a language model by using a lower precision for storing the parameters of the model."
（MLXはネイティブで量子化をサポートしています。量子化はモデルのパラメータを低精度で保存することで、言語モデルのメモリフットプリントを削減する圧縮アプローチです）
# モデルを4bit量子化
mlx_lm.convert --hf-path mistralai/Mistral-7B-Instruct-v0.3 -q
4ビット量子化すれば、7Bパラメータのモデルも16GBのMacで動く。
MLX vs PyTorch (MPS)：どっちを使う？
「結局どっちがいいの？」という疑問はもっともだ。
| 特徴 | MLX | PyTorch (MPS) |
|---|---|---|
| API | NumPy/PyTorch風 | PyTorch |
| エコシステム | 発展途上 | 成熟 |
| 最適化度 | Apple Silicon特化 | 汎用的 |
| LLM推論 | 非常に得意 | 対応 |
| モデル変換 | Hugging Face直接 | そのまま使える |
| 学習 | 可能 | 可能 |
| クロスプラットフォーム | Apple専用 | マルチプラットフォーム |
私の使い分け
- LLMをローカルで動かしたい → MLX
- 既存のPyTorchコードを高速化したい → MPS
- 研究・実験 → MLX（遅延評価が便利）
- 本番デプロイ → Core ML経由
- チームで共有するコード → PyTorch（互換性重視）
MLXの制限事項
正直に言うと、MLXには弱点もある：
"Apple exclusivity: MLX only works on Apple hardware, making code portability a challenge."
"Ecosystem maturity: As a newer framework, MLX has fewer pre-built models, tutorials, and community solutions compared to PyTorch or TensorFlow."
主な制限
- Apple専用：Windows/Linuxでは動かない
- エコシステムの成熟度：PyTorchに比べるとまだまだ
- デプロイオプション：本番環境での選択肢が限られる
- ライブラリサポート：全てのML ライブラリがMLXに対応しているわけではない
でも逆に言えば、Apple環境に特化しているからこそ、極限まで最適化できる。トレードオフだ。
実践：MLXでの画像分類
簡単な例として、MLXでCNNを組んでみよう：
import mlx.core as mx
import mlx.nn as nn
import mlx.optimizers as optim
class SimpleCNN(nn.Module):
def __init__(self, num_classes=10):
super().__init__()
self.conv1 = nn.Conv2d(1, 32, kernel_size=3, padding=1)
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
self.fc1 = nn.Linear(64 * 7 * 7, 128)
self.fc2 = nn.Linear(128, num_classes)
def __call__(self, x):
x = self.pool(nn.relu(self.conv1(x)))
x = self.pool(nn.relu(self.conv2(x)))
x = x.reshape(x.shape[0], -1)
x = nn.relu(self.fc1(x))
x = self.fc2(x)
return x
# モデルとオプティマイザ
model = SimpleCNN()
optimizer = optim.Adam(learning_rate=0.001)
# 損失関数
def loss_fn(model, x, y):
logits = model(x)
return mx.mean(nn.losses.cross_entropy(logits, y))
# 勾配計算と更新
loss_and_grad_fn = nn.value_and_grad(model, loss_fn)
def train_step(model, x, y, optimizer):
loss, grads = loss_and_grad_fn(model, x, y)
optimizer.update(model, grads)
return loss
# トレーニングループ
for epoch in range(10):
for batch_x, batch_y in data_loader:
loss = train_step(model, batch_x, batch_y, optimizer)
mx.eval(loss) # 計算を実行
MLX Swiftとモバイル対応
MLXはSwiftからも使える：
"MLX Swift builds on the same core library as the MLX Python front-end. It also has several examples to help get you started with developing machine learning applications in Swift."
（MLX SwiftはMLX Pythonフロントエンドと同じコアライブラリ上に構築されています。Swiftで機械学習アプリケーションを開発するための例もいくつか用意されています）
出典：Apple Machine Learning Research
iOSアプリでMLXを直接使いたい場合の選択肢になる（ただし、一般的にはCore MLが推奨）。
まとめ：MLXは「Apple Silicon専用の秘密兵器」
MLXは「PyTorchキラー」を目指しているわけではない。むしろ、Apple Silicon上での機械学習体験を最高のものにするための専用ツールだ。
統合メモリアーキテクチャ、遅延評価、そしてM5のNeural Acceleratorsとの深い統合。これらが組み合わさったとき、MLXは他のフレームワークでは到達できない領域に達する。
もしあなたがApple Siliconユーザーなら、MLXを試さない手はない。
次に読む
- MPS基礎解説 - PyTorchのMPSバックエンドとの比較
- Core ML基礎解説 - 本番デプロイはCore MLで
- シリーズ目次に戻る