なぜPFNは「国産AI」をゼロから開発するのか　担当者に聞く“自家製ならではの利点”

公開 2026年08月17日 12時00分

[ITmedia]

印刷する

　「設計から主体的にやっていることが重要だ」――Preferred Networks（以下、PFN）の田中大輔氏（LLM開発事業本部本部長）は、自社で開発する「国産AI」についてこのように語る。

　米中の技術覇権争いや地政学的リスクの高まりを背景に、「国産」をうたうAIモデルやサービスのリリースが相次いでいる。しかし、それぞれ開発手法などは異なっており、何をもって国産と呼ぶかはあいまいだ。

　特集「LLMはどこまで『国産』であるべきか？」では、日本企業が安全性や利便性を確保したAI活用を実現する方法を、代表的な国内ベンダーへの取材を通じて考察する。第2回の本稿では、フルスクラッチ（既存モデルをベースとせずに開発する手法）で構築したAIモデル「PLaMo」（プラモ）を提供するPFNに焦点を当てる。

　一部には、海外企業のオープンなAIモデルを基に日本語の処理性能を高める例もあるなか、PFNはなぜ、フルスクラッチにこだわるのか。米中のAI企業もサービスを展開する市場に勝機はあるのか。PFNの田中氏とムジビヤ・アディヤン氏（LLM開発事業本部 LLM企画部部長兼 PreferredAI統括）に聞いた。

田中大輔氏（左）とムジビヤ・アディヤン氏（右）

ポイントは「説明責任」

　PFNは、国産を定義する上で主体性を重視する。AIモデルの設計図に当たるアーキテクチャや、学習に使うデータ、入力するテキストを処理できるように変換する「トークナイザー」などに関し、戦略から開発まで自らの意思で決められる体制を整えている。

　狙いの一つが、説明責任を果たすことだ。多くのオープンなAIモデルは、モデルの出力を決めるパラメータのみが公開され、学習に使ったデータや開発手法などは秘匿される。そのためオープンモデルに特定の性能を高める追加学習を施したモデルの場合、学習や出力の透明性を確保するのが難しい。

　一方、フルスクラッチ開発をすれば、学習に使用するデータセットを自分たちで決められる。特にIP（知的財産）を扱う企業から「著作権を侵害するデータは入っていないか」と問われるケースが多く、十分に説明できるようにしている。

　もし不具合が生じたとしても、原因を調査しやすいというメリットもある。生成AIの性質上、ブラックボックスになる部分はあるものの、エラーが生じた理由を可能な限り説明できることが重要とした。

　「もしPLaMoがハルシネーションを起こしても『データセットのここが悪かったから、直しましょう』といえる。オープンモデルに追加学習したモデルの場合、原因を調べるのが困難で、特定できないこともある」（田中氏）

日本語の処理性能向上でも利点

　日本語の処理性能を高める上でも、フルスクラッチ開発の利点がある。PLaMoには、日本の文化や特徴に関する知識をAIモデルの設計段階から持たせており、PFN独自のトークナイザーを搭載している。田中氏によると、海外モデルのトークナイザーに比べ、日本語を処理する際に消費するトークンの量を約2～3割抑えられるという。

　AIモデルの学習に使うデータセットの品質向上にもつながる。開発における学習の全プロセスの知見を蓄えているため、PFNが強化したい性能に応じた学習データを用意できる。金融など各分野に特化したモデルを開発する際にも、必要なデータを明示しやすくなる。

　国家安全保障の文脈も意識する。例えば6月には、米政府の命令により米Anthropicの高性能なAIモデル「Fable 5」「Mythos 5」の提供が一時停止し、話題を呼んだ。

　「AIモデルはすでにインフラ化しており、世界情勢に左右されるリスクは大きい。国内企業として、事前学習から開発するノウハウを蓄積する狙いがある」（ムジビヤ氏）

ムジビヤ氏

フルスクラッチ以外も「臨機応変に」

　フルスクラッチ開発には、オープンなAIモデルの追加学習に比べ、学習のコストがかかるというデメリットもある。学習に必要な期間が長くなり、性能面で海外企業の最新のオープンモデルに追い付きにくい場合もあるという。

　田中氏は、フルスクラッチ開発の意義を強調しつつ、導入企業の要望やユースケースに応じた選択肢を提供する必要があると説明する。

　「コストがかかったとしても、責任あるモデルを出せるという点でフルスクラッチには価値がある」「一方、最新のオープンモデルに追加学習するだけで十分な場合もあり、PFNでも医療分野への導入事例がある。両者を組み合わせながら臨機応変に進めたい」（田中氏）

日本語処理の「コスパ1位」へ

　田中氏によると、現時点では国産にこだわる企業がPLaMoを導入するケースが多いという。APIだけでなくオンプレミスでも提供できるため、取り扱うデータの管理を重視する企業からの引き合いもある。

　一方、国産をうたうAIモデルやサービスを展開する企業は他にもある。性能とコストだけに目を向ければ、米国や中国のAI開発企業も高性能かつ価格競争力のある製品を次々と投入している。

　こうした環境下で、PLaMoはどのように存在感を発揮していくのか。田中氏とムジビヤ氏は共に、国産であることを前提に付加価値を高める方針を掲げる。

　両氏がまず挙げたのが、PC内の他のアプリケーションなど「外部ツール」との連携だ。Anthropicや米OpenAIの最新モデルは、複数のツールを駆使しながら、長時間自律的にタスクをこなせる。PLaMoでもこうした性能を強化し、日本語の複雑な指示に対応するAIエージェントとしての利用につなげる。

　日本語を処理する際のコストパフォーマンスにも注力する。PLaMoシリーズの最新モデル「PLaMo 3.0 Prime」は、高い日本語の処理性能と低コストの両立をうたう。翻訳に特化したモデル「PLaMo翻訳」でもコスト効率の高さをアピールしている。

　田中氏は、AIモデルの推論性能を重視するユーザーは多くいるものの、処理効率への関心はまだ低いとの見方を示す。効率性を高めると同時に、その価値をユーザーに分かりやすく伝える方法も模索している。

　「日本語を使っていて一番コスパが良い。そういうAIモデルやサービスを目指したい」（田中氏）

田中氏

計算資源も国内で　Noetraの取り組み

　AIモデルの開発には計算資源も欠かせない。PLaMoの開発では、国内にある計算基盤に加えて海外のものも併用している。

　「日本の計算資源だけでは太刀打ちできない。自分たちが管理できる領域を確保して、海外の拠点を利用している」（田中氏）

　一方PFNでは、AI向けチップを開発するなど技術の垂直統合を打ち出しており、将来的な計算資源の国産化も視野に入れる。同社単独の取り組みではないものの、早い段階で計算資源も国内で確保する事例となりそうなのがNoetraの事業だ。

　PFNは7月、国内大手が出資するAI企業NoetraによるAIモデルの開発に協力すると発表した。PFNの岡野原大輔CEOがモデルの開発をリードするほか、田中氏をはじめとする複数のエンジニアがNoetraに出向する。まずはロボットを自律的に動かす「フィジカルAI」向けのAIモデルを、国内事業者の計算基盤を活用しながら構築する。

　「Noetraで手掛けるベースモデルは、国内の企業が主体的に設計し、国内の計算クラスタを使って開発する。早ければ2027年くらいには“ちゃんと国産”といえるものができるのではないか」（田中氏）

印刷する