オープンソースAIが重要インフラとなった理由

オープンソースAIは、もはや趣味の領域ではなく、現代のAI経済を支える重要なインフラストラクチャへと変貌を遂げた。このエピソードでは、a16zのElena BurgerとMatt Bornsteinが、オープンソース推論エンジン「vLLM」のリードメンテナーであり、その商用化を担うInferactの共同創業者兼CEOであるSimon Moを迎え、この変革の内側を深く掘り下げる。議論は、vLLMの起源から、オープンウェイトモデルの台頭、企業がAIインフラの制御を求める理由、そしてオープンソース推論が次世代のAIアプリケーションをどう可能にするのかまで多岐にわたる。さらに、モデルライセンスの進化、オープンウェイトAIの経済学、中国のAIラボとの協業、蒸留（ディスティレーション）の実態、そしてSimonが「オープンとクローズドのモデル間のギャップは急速に消滅しつつある」と語る未来予測まで、示唆に富む内容が展開される。

会話の核心は、単なる技術的な優位性ではなく、所有と制御という根本的な価値に移行している。企業がオープンウェイトモデルを選ぶ理由は、コスト削減だけではない。自社のインフラとモデルを完全に掌握し、パフォーマンスを微調整し、データ保持ポリシーを管理し、特定のユースケースに合わせてガードレール（安全装置）をカスタマイズできるという、比類なき柔軟性と自律性にある。このエピソードは、AIの未来がクローズドな巨人たちの手中にあるのか、それとも分散化されたオープンなエコシステムにあるのかという、現代の最も重要な戦略的問いに対する、実務者ならではの鋭い洞察を提供する。

0:00vLLMの誕生とオープンソースAIの系譜

Simon Moは、vLLMの起源が2022年、ChatGPT登場以前に遡ると語る。当時のチームの目標は、動作が遅いオープンソースのデモモデルを高速化することだったが、そこで彼らが直面したのは、未解決の問題の山だった。従来のワークロードとは根本的に異なり、大規模言語モデル（LLM）をサービスとして提供するには、GPUやTPUといった専用アクセラレータ上で、非決定的な出力長や多様な入力分布を考慮した高度なバッチ処理とスケジューリングが要求される。これは、オペレーティングシステムやデータベースに匹敵する、複雑で重要なシステムソフトウェアの設計を意味していた。

Matt Bornsteinは、AIモデルにおけるオープンソースの歴史を振り返る。初期のAI研究は、OpenAIという社名が示す通り、オープンソースまたはオープンウェイト（重み公開）が標準だった。しかし、モデルの規模が拡大するにつれ、状況は変化する。Simon Moは、最初に「特別なソフトウェアと特別なコンピュータ」を必要としたモデルとしてBERTを挙げる。それ以前のResNetはCPUでも動作したが、BERT以降、GPUでの実行が事実上必須となり、クラウドでのGPUリソース調達が一般的になった。この頃から、Hugging Faceには数千ものBERTの派生モデルが存在し、開発者は自分のタスクに合ったモデルを探し求める時代が始まった。

vLLMは、このような大規模化するモデルを効率的に実行するための基盤として、その重要性を急速に高めていく。Matt Bornsteinは、オープンソースが「好奇心」から「重要インフラ」へと転換したのは約1年前だと指摘する。Cursor、Decagon、Harveyといった最先端のアプリケーション企業は、OpenAIのAPIを単にラップするだけでは差別化できないと判断し、独自の中間訓練（ミッドトレーニング）や事後訓練（ポストトレーニング）、推論の最適化を可能にするオープンソースモデルを選択した。クローズドなベンダーは、このレベルのアクセスを提供しないためだ。オープンソースは、最も革新的なアプリケーションの背後に深く埋め込まれることで、不可視ながらも中心的な役割を担うようになった。

0:26推論エンジンとしてのvLLMとその役割

vLLMは、GPUをインテリジェンスの実行エンドポイントに変換する「推論エンジン」として定義される。Simon Moは、これをデータベースやオペレーティングシステムに例え、AI経済を支える重要なソフトウェア層であると説明する。vLLMの役割は、コスト効率、効率性、信頼性を確保しつつ、常に最先端のモデルを実行可能にすることだ。現在、vLLMは1,000以上のモデルアーキテクチャをサポートしており、研究プロトタイプが世界に公開される際には、即座にvLLM上で動作する「デイゼロモデルリリース」を実現している。

さらに、vLLMはNvidia、AMD、Google、Amazon、Intelといったハードウェアベンダーと緊密に連携し、最新チップ上での動作を保証する。多くの場合、ハードウェアベンダーはvLLMをベンチマークとして使用し、新製品の性能を評価する。Simon Moは、モデルが実行される場所とハードウェアが出会うこの融合点こそが、vLLMの魔法が発揮される場所だと語る。この協業プロセスには、モデルラボ、ハードウェアベンダー、Hugging Face、そして10から20に及ぶリリースパートナー（推論クラウドやハイパースケーラー）が関与する、多者間の調整が必要となる。

モデルリリースの裏側には、技術的な課題だけでなく、人間ドラマが存在する。Simon Moは、Mistralが初めてモデルをリリースした際のエピソードを披露する。当時、Mistralはトレントリンクを公開しただけで、誰もがモデルの実行に苦労していた。vLLMチームは週末を費やしてMistralチームと協力し、推論エンジンのサポートを実装した。その結果、翌週には誰もがvLLM上でMistralモデルを簡単に実行できるようになり、コミュニティ全体がその上にアプリケーションを構築し始めた。このエピソードは、オープンソースエコシステムにおける協力と迅速な対応の重要性を示している。

1:47オープンウェイトモデルの経済学とライセンスの進化

オープンウェイトAIの経済性を巡る議論は、コストと制御という二つの軸で展開される。Matt Bornsteinは、企業がオープンウェイトモデルを選ぶ理由として、クローズドモデルのコスト高と、インフラとモデルを自社で制御したいという欲求の二点を挙げる。Simon Moは、この優先順位は時間とともに変動すると説明する。過去数年間は制御が重要視されてきたが、ここ数ヶ月はコストへの関心が高まっている。特に、高額なコーディングプランやトークン使用量の急増に悩む企業が、オープンウェイトモデルへの移行を検討し始めている。

しかし、コストだけがオープンウェイトモデルの魅力ではない。Simon Moは、Kimi K3のリリースに関するエッセイで、経済性は本質ではないと主張する。Kimi K3は、ClaudeやGPT-4oほど高価ではないものの、GLM-5.2よりは高価であり、その価格は「市場が知能を適正に評価した結果」だと述べる。真の価値は、Opus 4.8レベルのモデルを自社インフラで所有し、実行し、微調整できることにある。クローズドモデルでは「通常モード」と「高速モード」の2択しかないが、オープンウェイトモデルでは、プロバイダーごとに最大10段階の速度レベルを提供でき、低速で安価なモードから、毎秒400〜500トークンを出力する超高速モードまで選択可能だ。これは、パフォーマンス、データ保持、セキュリティ、コンプライアンスに対する前例のないレベルの制御を意味する。

モデルライセンスの進化も、この経済的現実を反映している。歴史的にオープンウェイトモデルはApache 2.0ライセンスで提供され、自由な利用が許されてきた。しかし、モデルの訓練には数百万ドルから数十億ドル規模の資本的支出（CAPEX）が必要となるため、ラボは持続可能な資金調達メカニズムを模索し始めた。MetaのLlamaは、DAU（日次アクティブユーザー）やARR（年間経常収益）が一定規模を超える場合に商用契約を求める条項を導入した。Matt Bornsteinは、当時この条項に該当する企業は世界に2社しかなかったと回想する。現在では、MinimaxのM2.7モデルが使用量ベースの条項を導入し、Kimiも派生モデルに関する条項を設けるなど、エコシステム全体で健全な発展が見られる。

3:30オープンソースAIの維持とコミュニティの力

オープンソースAIの維持は、従来のオープンソースソフトウェアとは根本的に異なる。Matt Bornsteinは、AIモデルはソフトウェアではなく、訓練には個人の余暇時間ではなく、数百万ドル規模の計算リソースが必要だと指摘する。そのため、オープンソースモデルの開発には、経済的インセンティブと資金調達メカニズムが不可欠だ。特に中国のモデルラボにとって、持続可能な資金源がなければ、政府からの資金調達に依存せざるを得なくなる可能性があり、これは西洋にとってより悪い結果をもたらすと彼は警告する。Simon Moは、これを製薬業界の研究開発（R&D）に例え、新薬開発のリスクを取るための経済的インセンティブが、モデル開発にも必要だと説明する。

モデルがリリースされた後も、その運用と最適化はコミュニティ全体の努力に依存する。Simon Moは、モデルは特定のハードウェアとアーキテクチャで訓練されるが、実際のユースケースは多様であり、エッジデバイスへの適応から大規模なデータセンターでの実行まで、さまざまなニーズに応えるための最適化がコミュニティによって行われると述べる。音声エージェント向けの調整、コーディングエージェント向けの特化、そして稀に発生するバグ（0.0001%の確率で発生するような）の修正など、これらはすべてコミュニティの集合知によって解決される。この点において、オープンソースAIは従来のオープンソースソフトウェアと同様のダイナミクスを持つ。

Matt Bornsteinは、GPUの価格が99%下落した場合、個人や小規模なグループが再びフロンティアモデルの訓練に参加できる「真のオープンソース世界」が戻ってくるかという思考実験を提示する。しかし、現在のフロンティアモデルの訓練に必要な計算リソースは、AlexNetが2つのGPUで動作していた時代とは比較にならないほど巨大であり、このギャップを埋めるのは容易ではない。それでも、オープンソース推論エンジンが現在の主流である理由は、その「実戦テスト済み」のレシピと知識の蓄積にある。多くの推論クラウドやAPIサービスが、その基盤としてオープンソースの推論エンジンを採用しているのは、このためだ。

4:53モデルガードレールと信頼のジレンマ

Hugging Faceが、悪意のあるサンドボックス化されたOpenAIモデルによるサイバー攻撃を防ぐために、中国のオープンソースモデルを使用した事件は、モデルのガードレール（安全装置）と信頼に関する重要な議論を提起する。Simon Moは、クローズドなプロプライエタリモデルのAPIは、ガードレールが恣意的で、かつ強制が難しいと指摘する。その結果、正当なユースケースまでブロックされる「偽陽性」が多発する。これはソーシャルメディア時代から続く、コンテンツモデレーションの永遠の課題だ。

この問題が解決されない限り、ユーザーは自分でガードレールを制御できるオープンウェイトモデルをデフォルトで選択するようになるとSimon Moは予測する。彼自身も、Inferactの開発者がAnthropicのモデル（Claude）の使用を避けていると明かす。GPUカーネルの研究など、フロンティアAI研究の最前線で作業していると、無効なメモリアクセスエラーなどの些細な事象でも「レッドライン」に抵触し、2時間分の作業が無駄になることがあるからだ。そのため、多くの開発者は、同程度の品質でありながら、自分たちにとって合理的なガードレールを持つKimi K3を使用しているという。

Matt Bornsteinは、この状況をソーシャルメディアの集中化と比較する。かつて分散していた人間のコミュニケーションが、営利企業によって一元化されたことで、モデレーションの問題が複雑化した。ソーシャルメディアには「プラットフォームはユーザーの発言に責任を負わない」という法的な免責事項（セクション230）が存在するが、AI企業にはこれに相当する保護がなく、さらにAnthropicのように法的要件を超えた倫理的な立場を取る企業もある。AIが単なるコミュニケーションではなく、実際の「仕事」や「行動」を処理するようになると、この問題はさらに深刻化する。翻訳の試みが、言語と内容の組み合わせによって政治的に敏感なトピックと誤認されブロックされる事例も報告されており、ユーザーにとっては非常に苛立たしい体験となっている。

5:46未来の展望：オープンとクローズドのギャップ消滅

Simon Moは、5年後ではなく、1年後を見据えた場合、オープンウェイトモデルとクローズドモデルの能力差は、すでに存在しないと断言する。両者の差は、もはや技術的な能力ではなく、流通戦略と市場投入戦略（GTM）の違いに過ぎない。モデルの品質を決定するのは、計算クラスター、訓練データ、そして優秀な研究者という「材料」だが、最も重要なのは「データ」と「環境」だと彼は強調する。Moonshot（Kimiの開発元）が優れたフロントエンドコーディング環境を構築し、モデルがコードを書いてレンダリング結果を確認し、それを繰り返すことで自己改善するループを実現したように、誰が最高の環境を構築し、その環境から学習するための最適化とアルゴリズムの選択を行うかが、今後の差別化要因となる。

なぜ米国の優秀な研究者はクローズドモデルに、中国の優秀な研究者はオープンモデルに集まるのかという問いに対し、Simon Moは、研究者はそもそもオープンかクローズドかではなく、興味深い問題に惹かれると答える。しかし、オープンウェイトモデルは、その影響力を最大化するための強力な後押しとなる。彼は、Kimi K3がTransformerモデルに広く使われていた「回転位置埋め込み（RoPE）」を廃止したことを例に挙げる。RoPEの考案者であるJianlin Su自身が、この技術的報告書で「なぜRoPEが不要になったのか」を説明しており、研究者が自身の過去の業績を乗り越え、知識を世界と共有する「謙虚さ」と「循環」の素晴らしさを示していると語る。

蒸留（ディスティレーション）について、Simon Moは、これが中国のラボの進歩の中心的な要素であるという見方を否定する。特に強化学習（RL）環境は蒸留することができず、モデルが環境内で学習するプロセスをコピーすることは不可能だと指摘する。データセットの書き換えや事前訓練データの改善は可能だが、これはどのモデルでも実行できる一般的な手法であり、現在の進歩を支える「目玉」ではないと結論付ける。真の進歩は、依然として優秀な人材、独自のアルゴリズム、データ、環境によってもたらされる。Matt Bornsteinは、この見解に同意し、蒸留を規制しようとする政策は的外れであり、世界中の優秀な人材が協力してイノベーションを起こすことの重要性を強調する。オープンソースは、互いの進捗を確認し、学び合う「レーストラック」を提供することで、全員の進歩を加速させるのだ。

結びに

このエピソードは、オープンソースAIが単なる代替手段ではなく、現代のAIインフラストラクチャの根幹を成す存在であることを力強く示した。vLLMの誕生から、その商用化、そしてオープンウェイトモデルの経済学とライセンスの進化に至るまで、議論は常に「所有と制御」というテーマに収斂していく。企業が求めるのは、単に安価なモデルではなく、自社の運命を自ら決定できる自律性であり、それはクローズドなAPIでは決して提供されない価値である。

Simon Moの「オープンとクローズドのギャップはもはや存在しない」という主張は、AI業界のパワーバランスが大きく変化しつつあることを示唆している。モデルの能力差が縮まるにつれ、競争の場はモデル自体から、それを取り巻くエコシステム、環境、そしてコミュニティへと移行している。Hugging Faceの事件やAnthropicのモデル使用に関するエピソードは、クローズドなガードレールへの信頼が揺らぐ中で、オープンウェイトモデルが「信頼できるインフラ」としての地位を確立しつつあることを浮き彫りにした。このエピソードは、AIの未来が、閉ざされた研究所だけでなく、世界中の開発者と研究者が参加するオープンな競争と協力の場で形作られていくという、希望に満ちた、しかし現実的な展望を提示している。