AI能力の拡散と希少性の移動──蒸留・オープンウェイトによる産業再編
シリーズ: 行雲流水
最先端のAIを開発する企業は、まだ解き方の分からない問題に資金を投じる。どんなデータを集め、どの学習方法を選び、何を失敗と判定するか。完成したモデルの背後には、製品の説明には載らない試行錯誤がある。そのモデルの回答を教材として別のモデルを育てられるなら、後発企業は探索の一部を省ける。先行者が支払った費用と、追随者が支払う費用に差が生まれる。
蒸留と呼ばれるこの技術に、学習済みモデルの重みを配布するオープンウェイト (open weights) が組み合わさると、獲得された能力は一社の製品にとどまらない。別の開発者が改変し、用途を絞り、さらに配布できる。何をどこまで認めるかは、AI企業の研究費回収と、利用者が自分で技術を管理する余地の双方に関わる。
2026年7月の公開書簡とアンソロピックの応答は、その争点を具体的にした。そこには、公開を支持する企業と否定する企業という区分だけでは捉えきれない違いがある。まず蒸留とオープンウェイトが今後の競争をどう変え得るかを考えたい。知的成果の所有や社会的な支配の問題は、その競争をたどった先に現れる。
蒸留の近道と研究開発の費用
蒸留では、教師となるモデルの出力などを学習の手がかりとして、別のモデルを訓練する。大きなモデルを小さくする場合だけでなく、特定の課題への対応を改善する場合にも使える。多数の問題に対する良い回答が手に入れば、何も分からないところから成功例を探す必要は減る。文章の丸暗記に終わらず、未知の問題にも使える振る舞いを獲得できることに、技術としての意味がある。
実際に、ディープシークのR1論文は、公開された既存モデルを基に自社モデルから蒸留した派生モデルを報告している。同論文の比較では、同じ規模の基盤モデルに直接強化学習を施すより、強い教師から学ばせる方が好成績だった。条件を限った実験だが、後発者が完成した能力から学ぶ経済的な意味を考える材料になる。
先行企業が負担するのは、最後の学習を実行する費用だけではない。研究者の採用、データの整備、失敗する実験、評価方法の開発も必要になる。後発企業が得る教材には、そうした探索を経て選ばれた成果が含まれる。そのため、移転されるのが一部の能力でも、後発側の必要資金や開発期間を変える可能性がある。
ここから、蒸留すれば研究開発を省略できるという結論は出ない。学習の土台となるモデル、教材の選別、実行設備、検証能力は必要であり、教師の誤りを引き継ぐこともある。限られた出力だけでは、珍しい事例への対処や長時間の作業の安定性まで学べるとは限らない。教材に現れた成功と、それを新しい状況で再現する能力の間には距離がある。
経営上の圧力は、その距離がどの程度短くなるかにかかる。研究成果による性能差が続く期間より、投資を回収する期間の方が長くなれば、従来の料金体系は維持しにくい。先行企業は、継続して次の性能差を作るか、性能以外の理由で顧客をつなぎとめる必要がある。最先端を生み出す研究組織の価値と、一時点のモデルを独占的に売る価値は、同じ速度では変わらない。
2026年2月23日、アンソロピックはディープシーク、ムーンショット、ミニマックスによる大規模な能力抽出を告発した。同社によれば、不正アカウント約2万4000件から1600万回超のやり取りがあった。これは同社の調査に基づく主張である。蒸留一般は正当な技術だと認めた上で、利用条件の回避などを問題にしている。モデルを非公開にしても、商品として回答を提供する以上、その回答が学習材料にもなり得る。この緊張は、重みを秘密に保つだけでは解消できない。
公開された重みと能力の再流通
重みとは、学習を通じて調整されたモデル内部の数値である。オープンウェイトでは、その数値を受け取って自分の計算環境でモデルを動かせる。学習データや訓練用コードまで全面的に公開されるとは限らず、改変や商用利用、再配布の条件も個別のライセンスによる。公開という一語で、これらの条件を省略してはならない。
それでも、運用主体を選べる効果は大きい。利用者は、提供企業が更新したモデルだけに依存せず、特定の版を保存できる。社内データを外部へ送らずに処理したり、業務に合わせて追加学習したりする余地も生まれる。研究者には検証対象を保持できる利点がある。サービスが停止しても、適法に取得したモデルを動かせる設備と権限があれば、作業を続けられる。
ここに蒸留が加わる。開発者が公開モデルを基盤にし、利用を許された教師の出力で特定能力を強化する。その成果を重みとして配布すれば、別の開発者は元の教師へ継続的にアクセスせずに利用や改良を進められる。自前のデータや実行結果による追加学習も重なる。こうして能力を学ぶ工程と、獲得した能力を配る工程が連結される。
その循環は、毎回同じ量の進歩を生むとは限らない。誤りが増幅されることも、似た教材の反復で改善が止まることもある。独自の観測や外部で検証できる課題が重要なのは、そのためだ。公開モデルの性能向上をすべて非公開モデルからの蒸留で説明すれば、公開側の研究開発まで消してしまう。
ムーンショットは7月27日、Kimi K3の重みと技術報告などを公開したと発表した。ただし、同社への2月の蒸留告発を、Kimi K3の学習経路や性能の由来の証明として使うことはできない。どの能力が、どの学習によって、どの程度改善したのかは別途検証が要る。
公開後には、原開発者がすべての複製を停止したり、更新を強制したりすることが難しくなる。利用者が歓迎する継続性と、安全上の懸念として語られる回収困難性は、同じ技術的条件から生まれる。そして重みが配られたからといって、運用設備まで配られるわけではない。公開による独立性は、必要な計算量や運用の難しさによっても変わる。
七月の書簡と安全性をめぐる分岐
7月24日付の共同書簡「Open Weights and American AI Leadership」は、公開モデルへの性急な制限を避けるよう求めた。エヌビディア、マイクロソフト、メタ、IBM、パランティアなどに加え、追ってOpenAIとグーグルも署名側に入った。公開モデルによる競争、利用者の管理権限、幅広い検証と防御能力の向上が、その主張の柱となる。
署名しなかったアンソロピックのダリオ・アモデイは、7月27日の応答で全面禁止への反対を明示した。危険な能力を持たない公開モデルの公益性を認めつつ、先端半導体の対中移転の制御、大規模蒸留への対処、公開・非公開を問わない高能力モデルの安全性評価を支持した。
共通点もある。書簡側も違法な能力抽出に的を絞った対処を認め、アモデイはそこに賛同している。主な分岐は、能力への幅広いアクセスが防御側をより強くするという見通しだ。アモデイはそれを自明とせず、攻撃と防御の均衡を実証的に調べるべきだとする。署名の有無だけで、蒸留対策や安全性評価のすべてへの賛否を読み取ることはできない。
この論争には、二つの異なる管理上の問題が重なる。公開モデルを自由に調べられることは、特定の提供企業の判断に依存しない検証を可能にする。しかし、検証によって問題が発見された後、広く配られたすべてのモデルから危険な機能を取り除けるとは限らない。検証できる範囲の広さと、修正を行き渡らせる範囲の広さは一致しないのである。
英米の評価機関による7月23日公表のKimi K3予備評価も、能力を具体的に調べる必要を示す。同試験では最先端モデルとの差が残る一方、模擬ネットワークへの攻撃課題を完了した試行があった。限定的な試験であり、現実の環境全般への一般化はできない。さらに、比較対象の非公開モデルでは、最大能力を測るためシステム側の安全策を無効化している。能力と通常提供時の挙動を混同すると、評価の意味が変わってしまう。
政策上の問いは、ある性能順位を超えたモデルを一律に封じることでは足りない。何を危険な能力と認定し、どの提供形態でどの対策を求めるか。評価基準を誰が作り、誰が費用を負担し、誰が異議を申し立てられるか。この制度の組み方によって、同じ安全性評価が利用者を守る手段にも、参入を難しくする条件にもなり得る。
エヌビディア、OpenAI、アンソロピック
各社の収益源を重ねると、政策上の立場に別の説明が加わる。エヌビディアは、モデルを動かす半導体や計算基盤を提供する。多数の企業が自前で推論や追加学習を行う展開は、その事業と整合する。モデルの販売価格が下がっても、利用範囲が広がり、設備需要を生むなら収益機会は残る。
メタの2025年通期決算では、収益の大部分を広告が占める。その立場からは、基礎的なAI能力が広く安く利用される利益を考えられる。自社サービスに組み込む技術の開発が進み、開発者や周辺ツールが増えることは、モデル自体の販売とは別の経路で事業に寄与し得る。一方、クロードの能力へのアクセスを販売するアンソロピックには、性能差を保つ直接の理由がある。
だが、OpenAIも署名している。この一点で、インフラ企業は公開を好み、最先端モデル企業は非公開を好むという説明は足りなくなる。OpenAIは2025年8月5日、gpt-ossを公開した。同社は、一部のモデルを公開することと、非公開の高性能サービスを販売することを組み合わせている。
ここから先は戦略についての解釈となる。公開モデルを通じて開発者との関係を広げ、難しい仕事には自社の高性能サービスを使ってもらう、という組み合わせは可能だ。利用者のすべての仕事を同じ提供形態で囲い込まなくても、事業は成立し得る。OpenAIの署名動機をこれだけで確定はできないが、少なくとも企業を一枚岩として分類する必要はなくなる。
私は、今後の競争を見る単位は、企業全体から、能力の水準と用途と提供条件の組み合わせへ移ると考える。どの程度の性能を共有の基盤にし、どこに追加料金を払う理由を残すのか。公開モデルの提供企業も、有償の運用サービスを売れるし、非公開モデルの企業も、別の製品では公開を選べる。両者の境界を横断する事業が増えるなら、公開か非公開かだけでは売上の源泉を捉えられない。
経済的な利害が見えることは、安全上の懸念が虚偽であることを意味しない。反対に、懸念が誠実であることも、その規制が競争を歪めない保証にはならない。必要なのは動機を暴く物語より、提案された規則の効果を確かめることだ。小規模な研究組織にも検証を受ける経路があるか。非公開の提供企業にも同等の説明を求めるか。その条件で企業の主張を評価したい。
用途別に分かれる競争と投資回収
蒸留と公開モデルの普及によって、最先端企業がすべて同じ性能に追いつかれるとは限らない。もっと早く起こり得るのは、顧客が必要とする水準への到達である。書類の分類、定型的な変換、限定された問い合わせ対応などでは、総合的な首位を取らなくても代替製品になれる。市場の一部は、性能ランキングの逆転を待たずに動く。
そのため、基礎的な能力では価格競争が進みながら、難しい研究や長い作業での信頼性には高い料金が残る、という展開が考えられる。最先端企業には先の能力を開発し続ける誘因があり、後発企業にはそれを特定用途へ安く届ける誘因がある。追随が速くなっても、探索する企業が次の性能差を作り続けるなら、その研究には顧客が対価を払う余地が残る。
ただし、先行者の投資回収をどこまでも圧迫してよいわけではない。新しい能力を見つける費用を誰も負担できなくなれば、蒸留の教材となる進歩自体が減る可能性がある。他方、追随を強く制限しすぎれば、十分な能力を持つ安価なモデルが普及する機会を失う。探索への報酬と普及による利益を、どの時間幅で両立させるかが課題になる。
利用者にとっては、一回の呼び出し料金より、仕事を終える総費用が重要だ。安いモデルでも確認と再作業が多ければ割高になる。自前運用では設備の稼働率や保守費用も要る。逆に、よく定義された仕事を小型モデルで安定処理できれば、最先端モデルの利用料を毎回払う必要は薄れる。蒸留は、この用途ごとの採算を変える技術として普及するだろう。
企業が性能以外の競争優位を求める理由もここにある。業務データとの接続、権限管理、運用支援、顧客に合わせた設定の蓄積は、モデルを交換しても残る。その支援に価値がある場合も、移行を難しくすることで利用を継続させる場合もある。モデルの価格が下がった後、顧客がどの費用を負担し続けるかを調べれば、利益の残る場所が見えてくる。
計算基盤への集中も、公開の自動的な帰結ではない。処理の効率化は一件当たりの必要設備を減らし、利用拡大は総需要を増やし得る。どちらが大きいかは実際の用途次第である。公開モデルが増えたという数だけで、半導体企業の利益増加や権力集中を予言することはできない。性能差の持続期間、仕事当たりの総費用、業務を移す費用を一緒に追う必要がある。
学習の連鎖と知的成果への対価
ここまで見てきたのは、研究成果を学ばれる企業と、そこから学ぶ企業の競争だった。視野を少し広げれば、取材や執筆に費用をかけた制作者と、その成果を学習するAI企業にも似た関係がある。上流の費用は上流に残り、下流が再利用可能な能力を得る。その製品が上流の市場を代替するなら、費用負担をめぐる対立は避けにくい。
AI企業が学ぶ側では一般化を強調し、学ばれる側では投資の保護を強調することには、批判すべき非対称性があり得る。ただ、それを指摘するだけでは、どの利用を許し、どの利用に対価を求めるかは決まらない。人間も先人の成果から学ぶ。後発者の学習を広く禁じることは、先行者に将来の創作や研究を制約する力を与える。
しかも、二つの関係に適用される制度は一致しない。著作物の利用に関する権利と、サービスの利用条件、秘密情報の取得をめぐる規則は区別する必要がある。能力が似ているという理由だけで侵害が成立するわけではなく、出力が違うという理由だけで取得過程が適法になるわけでもない。
米国著作権局の2025年5月の報告書公開前版は、学習用データの取得や準備などで行われる複製を検討している。最終的な能力の何％がある作品に由来するかを計算できなくても、それ以前の複製や利用を法的に評価する道はある。知が能力に変わったから従来の権利は届かない、と断定することはできない。
ここで重要になるのは、三つの問いの違いだ。ある作品を利用したのか。その作品が能力の形成にどれだけ寄与したのか。そして、その利用にどの程度の対価を配るべきか。利用の事実を確認する記録があっても、因果的な寄与率まで分かるとは限らない。寄与率が分かっても、報酬をそれに比例させるべきかは社会的な判断を含む。
人間の学習にも、この区別はあった。AIでは多数の成果を集め、その出力をさらに別モデルが学び、重みとして再配布できるため、問題の規模が変わる。一人の技能にとどまっていた学習成果を、多くの実行環境へ展開できる。知識の取得だけでなく、その成果の再生産が産業として行われるのである。
私は、ここで守るべきなのは、あらゆる学習の見返りを先行者が徴収できる仕組みではないと考える。取材、研究、検証といった成果の供給を継続できることと、次の人がそれを使って新しい仕事に進めること、その双方である。原文をそのまま記憶・再現する場合と、広い一般化が生じる場合も分けなければならない。同じ学習という語で括るほど、必要な判断が見えなくなる。
帰属の費用と排他性の置き場所
知の所有をめぐる議論では、近代が知をすべて私有化したかのように描きたくなる。しかし、知財制度はより限定的である。世界知的所有権機関は、著作権が表現を保護し、アイデアや方法そのものとは区別されると説明している。また、特許には期間の限られた排他的権利と発明の開示が組み合わされている。制度には、成果を守る働きと、利用可能にする働きの両方がある。
AIが加える圧力は、作品という単位が消えることに尽きない。作品は残り、その利用記録を作ることもできる。難しくなるのは、大量の成果と最終的な能力の間に、細かな寄与の対応を付ける作業である。複数の学習段階を経れば、調査や計測、分配の費用が増える可能性がある。これを権利の消滅と呼ぶより、帰属を細かく扱う費用の問題として捉える方が正確だ。
ただし、精密な寄与率の算定だけが報酬の方法ではない。作品群をまとめた許諾や、あらかじめ合意した分配方式なら、すべての出力の起源を追跡する必要はない。学習データの記録も、利用を確かめる助けになる。こうした制度が発達すれば、AI企業の成長とともに上流の権利収入が増えることもあり得る。権利が一方向に弱まるという予測は、この可能性を落としてしまう。
他方、企業が比較的直接に管理できる場所がある。自社サーバーへの接続を認証し、利用回数や用途に条件を付ける場所だ。モデルの推論能力全体について排他的な権利を獲得しなくても、サービスの利用条件は設定できる。限られた設備へのアクセス、業務データの持ち出しやすさ、顧客が接する画面も、実際の利用範囲を左右する。
これらをすべて所有と呼ぶと、何が起きているか分からなくなる。著作権、契約上の条件、技術的な制限、市場での交渉力は、それぞれ異なる根拠を持つ。企業のアクセス管理も法制度の外にあるわけではない。国家による権利から企業による支配へ全面的に交代するのではなく、複数の排他手段の比重と組み合わせが変わり得るのである。
前半で見た競争と、ここでの帰属問題は、一方が他方を必ず引き起こす関係ではない。蒸留によって性能差の維持が難しくなることと、作品ごとの寄与を計測しにくいことは、別の経路で生じる。ただ、どちらの場面でも、企業はより確実に利用条件を設定し、収入を得られる場所を探す。その候補が、計算設備、業務との接続、顧客との継続的な関係で重なり得る。
ここに今回の仮説がある。知的成果が学習を通じて広がるほど、企業は作品や一時点の性能だけに依存せず、能力を利用する経路へ排他性を組み込もうとするだろう。しかし、その試みが成功するかは決まっていない。互換性のある道具、共有設備、移行可能なデータが育てば、利用経路を一社が握る費用は上がる。希少性は自然に消えないが、どこに残るかは変えられる。
公開を交渉力にする条件
強いモデルが公開されれば、利用者には従来なかった選択肢が生まれる。その効果を、計算設備が集中しているから無意味だと切り捨てるべきではない。保存したモデルを別の運用先で使えることは、サービスの終了や条件変更に備える具体的な手段になる。小型化が進めば、その選択肢を持てる人の範囲も広がり得る。
ただし、公開された能力を使う権利と、使い続けられる実力には距離がある。モデルを移せても、業務の履歴や設定を持ち出せなければ、仕事は移らない。データを受け取れても、それを読み込める仕組みと移行を検証する費用がなければ、契約を変えるのは難しい。依存を減らすには、重みの公開に加えて、運用先を選び直すための条件が必要になる。
企業内で蓄積された知識がサービスに深く組み込まれるほど、その条件は重くなる。過去の判断や例外処理が外へ出せないなら、利用者は自分たちが作った成果へアクセスし続けるために料金を払うことになる。便利さへの対価と、離脱できないための支払いを区別したい。公開モデルを内部で使うサービスでも、後者の依存は生じ得る。
安全性の評価にも同じ問いが及ぶ。危険を測る基準は公開され、特定のモデル企業から独立して検証でき、小さな開発者にも利用可能である必要がある。公開モデル特有の回収困難性を調べることと、非公開サービスの危険を見逃さないことを両立させる。規制対象の能力を実証し、制限の効果を見直せる仕組みがなければ、安全という理由だけが長く残る。
同時に、知的成果の供給を支える対価の仕組みも要る。出版社や研究者への許諾料が増える一方で、AIサービスへの依存が深まる未来もある。上流の権利保護と下流の選択権は、片方だけを改善しても解けない。学習に使われた成果への説明、適切な報酬、業務を持ち運べる条件を、それぞれ別の仕事として進めなければならない。
蒸留とオープンウェイトは、AI能力をより広く、安く利用できる方向へ押す。その先で性能差が短命になっても、新しい能力を見つける研究、安定して運用する支援、顧客が仕事を任せられる関係には価値が残る。問題は、その価値への対価と、他へ移れないための負担が混ざることだ。
AIの産業構造を決めるのは、最も賢いモデルを誰が最初に作ったかだけではない。追随によって安くなった能力を誰が運用でき、その運用条件を誰が変えられるかにもかかっている。知的成果を作る側が次の仕事を続けられ、利用する側が次の提供者を選べること。私は、その二つを同時に確保できるかを、これからのAI競争を評価する基準にしたい。
ポイント整理
先行優位の持続期間
蒸留は、成功した出力を教材にすることで、後発側の探索費用を一部減らし得る。研究開発全体が不要になるわけではない。
性能差による投資回収と、新しい能力を生む研究組織の価値を区別する必要がある。
公開と安全性の争点
7月の書簡とアモデイの応答には、全面禁止の回避や違法な能力抽出への対処という共通点がある。
分岐は、能力の拡散によって攻撃と防御のどちらが強まるか。署名だけで個々の規制への賛否は確定しない。
用途ごとの競争
最先端に完全に追いつかなくても、顧客が必要とする品質に届けば代替モデルになり得る。
性能、仕事当たりの総費用、業務全体の移行費用を一緒に見なければ、収益の残る場所を捉えられない。
帰属と排他手段の区別
利用の事実、能力への因果的な寄与、対価の配分は異なる問題であり、寄与率が不明でも権利が消えるわけではない。
権利保護と契約・技術による利用管理は併存する。企業が利用経路を重視する展開は、条件付きの仮説である。
公開を支える実行条件
重みの取得に加え、運用設備、移せるデータ、独立した評価があれば、公開は利用者の交渉力になり得る。
知的成果を作る側の継続性と、利用する側の選択権を同時に評価する必要がある。
キーワード解説
【蒸留】
教師となるモデルの出力などを手がかりに、別のモデルを訓練する手法。モデルの小型化や、特定能力の移転に使われる。一般的な技術の説明と、特定の利用が許諾や契約に適合するかという判断は区別する。
【オープンウェイト (open weights)】
学習済みの重みを取得し、利用者側の環境で実行できる公開形態。学習データや訓練コードの全面公開とは同義ではない。改変、商用利用、再配布などの権限はライセンスの確認が必要になる。
【合成データ】
モデルなどによって生成された学習・評価用のデータ。教師の回答を教材として使う場合も含まれるが、生成しただけで品質が保証されるわけではない。選別と外部の基準による検証が重要になる。
【帰属コスト】
ここでは、知的成果の利用や貢献を特定し、記録・調査・計測・分配するための費用を指す。単一の法的概念ではない。作品の利用を確認する費用と、能力への細かな寄与率を推定する費用を分けて扱っている。
【移行費用】
別の製品や提供者へ変更するために必要な費用。契約の変更だけでなく、データや設定の移送、業務の変更、品質の再検証も含む。モデルの交換が容易になっても、業務全体の移行が容易になるとは限らない。