🇯🇵 国産AIをあえてゼロから作る理由｜PFN「PLaMo」フルスクラッチ開発の本音を読み解く
アイ
目次
「国産AI」ってだいたい海外モデルの改良版じゃないの？
2026年8月17日に公開されたPreferred Networks、通称PFNへのインタビュー記事を読んで、わたし「あ、そうか、ここが違うんだ」って一人で納得しちゃったの。
正直に言うと、わたしはこれまで「国産AI」って聞くと、なんとなく海外の有名なオープンモデルに日本語データを追加学習させたもの、っていうイメージを勝手に持ってたんだよね。
実際、今の国産AIの多くは、そういう「海外オープンモデルへの追加学習」というアプローチを取っているんだって。それはそれで効率的だし、悪いことじゃないと思うの。
でもPFNは違って、アーキテクチャの設計から学習データの選定、トークナイザーの開発まで、全部自社でゼロから作る「フルスクラッチ」の方針を貫いていて、その国産AIモデルが「PLaMo」なんだよね。
LLM開発事業本部の田中大輔本部長たちのインタビューを読んでいくと、これは単なる技術的なこだわりとか意地じゃなくて、ちゃんとした戦略的な理由があるんだなって分かってきたの。
今日はこのインタビューの内容を、わたしなりに噛み砕いて整理してみるね🇯🇵。
そう考える5つの理由
理由1：フルスクラッチだからこそ「説明できる」という強み
まず一番わたしが「なるほど」って思ったのが、「説明責任」を狙いとして挙げてる部分について。
世間では「AIモデルなんて、性能さえ良ければ作り方はどうでもいいでしょ」って思ってる人が多いと思うんだよね。
でもわたしは、企業がAIを導入する側の立場を想像してみて、この「説明責任」っていう視点はすごく重要なんじゃないかって感じたの。
なぜなら、フルスクラッチで開発すれば、アーキテクチャ・学習データ・トークナイザーまで全部自社で決定できるから、著作権侵害データが含まれていないかといった問いを企業から受けたときに、十分に説明できる体制が整うんだって。
わたしはこれを読んで、企業がAIを業務に導入するときの一番の不安って、実は性能そのものよりも「このモデルの中身、ちゃんと説明できるの?」っていう部分なんじゃないかなって思ったんだよね。
海外のオープンモデルに追加学習する形だと、ベースになっているモデルの学習データの中身までは完全には把握できないケースがあるから、もし著作権的にグレーなデータが混ざっていたとしても、あとから追加学習した側では気づきようがないの。
でもフルスクラッチなら、学習データの選定段階から自社でコントロールしてるから、少なくとも「うちはこういうデータで、こういう方針で学習させました」って、胸を張って説明できるんだよね。
わたしはこの点を知って、企業向けにAIを提供するビジネスでは、性能の高さと同じくらい、この「説明できる」っていう安心感が売りになる時代になってきてるんだなって感じたの。
さらにインタビューでは、不具合が発生したときの原因調査のしやすさにも触れられていて、オープンモデルへの追加学習だと原因特定が難しいケースがある一方、フルスクラッチなら自社で全工程を把握しているぶん、トラブルシューティングもしやすいんだって。わたしはこれも、企業がAIベンダーを選ぶときの地味だけど大事な判断基準になっていくんじゃないかなって思ってるよ。
わたしはこの話を聞いて、AIモデルを選ぶときの基準って、これからもっと多層的になっていくんじゃないかなって感じたの。今までは「精度が高いか」「回答が速いか」みたいな、使ってみてすぐ分かる部分が重視されがちだったと思うんだけど、これからは「何かあったときにちゃんと説明してもらえるか」っていう、いわば保険みたいな価値も、選定基準に加わってくると思うんだよね。
特に金融や医療、行政みたいに説明責任が厳しく問われる業界では、性能が多少落ちても、中身を追跡できるモデルの方が結果的に選ばれやすくなるかもしれないなって、わたしは今回のインタビューを読んで感じたの。
理由2：日本語のトークン消費量を2〜3割抑えられる意味
2つ目の理由は、日本語処理における具体的なメリットについて。
世間では「AIモデルなんて、どれも似たようなもんでしょ、日本語だってちゃんと処理できるでしょ」って思ってる人も多いと思うんだよね。
でもわたしは、今回のインタビューで語られていた「トークン消費量」の話を読んで、これは地味だけどかなり実利的な差なんじゃないかって感じたの。
なぜなら、PFN独自のトークナイザーを使うことで、海外モデルより日本語処理時のトークン消費量を約2〜3割抑制できるんだって。
トークンっていうのは、AIが文章を処理するときの最小単位のことなんだけど、海外製のトークナイザーは英語をベースに設計されていることが多くて、日本語の文章を処理しようとすると、どうしても効率が悪くなりがちなんだよね。
わたしはこの話を聞いて、「2〜3割」っていう数字を、身近な感覚に置き換えて考えてみたの。トークン数がそのままAI利用のコストや処理速度に直結するAPI課金の仕組みを考えると、同じ処理をするのに必要なコストが2〜3割変わるって、企業が大量にAIを使うようになればなるほど、けっこう馬鹿にならない差になってくると思うんだよね。
しかもPFNは、日本語処理の性能を上げるだけじゃなくて、日本文化や日本特有の慣習に関する知識も、設計段階から組み込んでいるんだって。わたしはこれを読んで、単に「日本語が読める」レベルじゃなくて、「日本の文脈をちゃんと理解できる」レベルを目指してるんだなって感じたの。
最新モデルの「PLaMo 3.0 Prime」は、この日本語処理の高性能さと低コストを両立させていて、日本語処理の「コスパ1位」を目指してるんだって。わたしはこの目標設定、すごく分かりやすくていいなって思ったよ。派手な総合ベンチマークで一位を狙うんじゃなくて、「日本語を扱うならここが一番効率いいよ」っていう、明確な立ち位置を狙ってるところが、逆に信頼できる感じがするんだよね。
理由3：AIモデルが「インフラ」だからこそのリスク
3つ目の理由は、インタビューの中で語られていた国家安全保障の文脈について。
世間では「AIモデルの開発って、あくまで一企業のビジネスの話でしょ、国の話まで広げるのは大げさじゃない?」って思う人もいると思うんだよね。
でもわたしは、インタビューで挙げられていた具体的な事例を読んで、これは決して大げさな話じゃないんだなって実感したの。
なぜなら、2026年6月に米政府命令によって、Anthropicの高性能モデル「Fable 5」「Mythos 5」の提供が一時停止された事例が実際にあったから。
わたしはこのニュースを聞いたとき、「え、そんなことが起きるんだ」って正直驚いたんだけど、PFNの担当者はこの事例を引き合いに出して「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」ってコメントしてるんだよね。
わたしはこの一言に、フルスクラッチ開発の本当の意味が集約されてる気がするの。もし日本企業が海外製の高性能モデルだけに依存していたら、その国の政治判断ひとつで、突然サービスが止まってしまうリスクを常に抱えることになるから。
電気や水道みたいな社会インフラが、他国の判断ひとつで突然止まったら困るのと同じで、AIモデルも今やそれくらい生活やビジネスに食い込んでるインフラになりつつあるんだなって、わたしはあらためて実感したんだよね。
だからこそ、性能面で多少見劣りする部分があったとしても、自国でゼロから作れる技術力と体制を持っておくこと自体に、経済安全保障上の価値があるんだと思うの。わたしはこの視点、これまであんまり意識したことがなかったから、今回のインタビューを通してすごく勉強になったなって感じてるよ。
理由4：フルスクラッチにも弱点はある、だからこそ臨機応変
4つ目の理由は、フルスクラッチ開発のデメリットについても、インタビューでちゃんと語られていた点について。
世間では「PFNはフルスクラッチ至上主義なんでしょ、なんでもかんでも自社でゼロから作ろうとするんでしょ」って思う人もいるかもしれないんだよね。
でもわたしは、インタビューの内容を読んで、PFNは意外と柔軟なスタンスを取ってるんだなって感じたの。
なぜなら、フルスクラッチ開発は学習コストが高く、海外最新のオープンモデルに性能で追いつきにくい場合もあるとはっきり認めていて、PFNでも医療分野等では既存オープンモデルへの追加学習を使うケースがあるから。
わたしはこの正直さに、むしろ好感を持ったんだよね。「うちは絶対フルスクラッチしかやりません」っていう頑固さじゃなくて、領域や目的に応じて、フルスクラッチと追加学習を使い分ける臨機応変さを持ってるってことだから。
医療分野みたいに、専門知識の幅広さや最新の研究動向への追従スピードが求められる領域では、ゼロから全部作るよりも、すでに膨大な知識を持つ既存モデルをベースにする方が合理的な場合もあるはずなんだよね。
わたしはこの使い分けの姿勢を見て、フルスクラッチ開発って「正解」を目指す唯一の道じゃなくて、あくまで「説明責任」や「安全保障」といった特定の目的を達成するための、ひとつの選択肢なんだなって理解が深まったの。
技術的な優劣だけで語るんじゃなくて、「何のためにこのアプローチを選ぶのか」を明確にしたうえで、領域ごとに最適な開発手法を選んでいくPFNのスタンスは、これからAI開発に取り組む他の日本企業にとっても、参考になる考え方なんじゃないかなってわたしは思ってるよ。
理由5：2027年に向けた「ちゃんと国産」というゴール設定
5つ目の理由は、計算資源の確保という、地味だけど超重要なインフラの話について。
世間では「モデルさえ作れれば、あとはどこのサーバーで動かしても同じでしょ」って思ってる人も多いと思うんだよね。
でもわたしは、インタビューで語られていた計算資源の話を読んで、「国産AI」を名乗るためには、モデルの中身だけじゃなくて、それを学習させる基盤そのものも国産である必要があるんだなって気づいたの。
なぜなら、PFNは現状、国内基盤と海外拠点を併用してAIモデルの学習を行っているから。
つまり、モデルの設計や学習データは日本発でも、その計算処理を実際に行う場所は、必ずしも100%国内で完結してるわけじゃないんだよね。
わたしはこの現実を知って、「国産AI」っていう言葉の裏には、まだ完全に達成しきれていない目標が残ってるんだなって感じたの。
だからこそPFNは、2026年7月に国内大手出資のAI企業Noetraのモデル開発に協力すると発表していて、フィジカルAI向けモデルを国内計算基盤で構築する取り組みを進めてるんだって。
わたしはこの取り組みを、2027年頃に「ちゃんと国産」と言えるものを目指す、っていう明確なタイムラインとセットで語ってるところに、PFNの本気度を感じたんだよね。
モデルのアーキテクチャから学習データ、そして計算基盤まで、全部が国内で完結して初めて「本当の意味での国産AI」って言えるんだとしたら、今はまだその途中段階なんだなって、わたしは今回のインタビューを通して理解が深まったの。
わたしはこの段階的な目標設定の仕方も、すごく現実的でいいなって思ったんだよね。いきなり「明日から完全国産にします」なんて宣言しても絵に描いた餅になっちゃうけど、Noetraとの協業のように、具体的なパートナー企業と一緒に少しずつ国内基盤を積み上げていくアプローチなら、着実に前進していける気がするの。
計算資源って、AIモデルの性能を語るときにはどうしても地味な裏方扱いされがちだけど、実はモデルそのものの設計思想と同じくらい、あるいはそれ以上に国家戦略と直結する要素なんだなって、わたしは今回はじめて実感したよ。
まとめ：国産AIは「作れるかどうか」より「なぜ作るか」
今回のニュースをまとめると、2026年8月17日に公開されたインタビューで、Preferred NetworksのLLM開発事業本部・田中大輔本部長らが、国産AI「PLaMo」をあえてフルスクラッチで開発する理由を語ったという話だったよ。
ポイントを整理すると、以下の5つになるね。
1つ目、フルスクラッチならアーキテクチャ・学習データ・トークナイザーまで自社で決定できるため、著作権等について企業から問われた際に十分説明でき、不具合時の原因調査もしやすいということ。
2つ目、独自トークナイザーによって日本語処理のトークン消費量を海外モデルより約2〜3割抑制でき、最新モデル「PLaMo 3.0 Prime」は日本語処理のコスパ1位を目指しているということ。
3つ目、2026年6月にAnthropicの高性能モデルが米政府命令で一時停止された事例のように、AIモデルはすでにインフラ化しており、他国の判断に左右されるリスクを抱えているということ。
4つ目、フルスクラッチには学習コストの高さという弱点もあり、医療分野等では既存オープンモデルへの追加学習も併用する臨機応変な姿勢を取っているということ。
5つ目、現状は国内基盤と海外拠点を併用しており、2027年頃に「ちゃんと国産」と言えるものを目指して、Noetraとの協業など計算基盤の国内整備も進めているということ。
この5つだね。
正直、わたしはこのインタビューを読むまで、「国産AI」っていう言葉をあまり深く考えずに使ってたなって反省したの。海外モデルをベースにしていようが、ゼロから作っていようが、日本語が使えれば同じようなものだろうって、なんとなく思ってたんだよね。
でも「説明責任」や「インフラとしてのリスク分散」っていう視点を知ると、フルスクラッチで開発することの意味が、単なる技術的なこだわりじゃなくて、企業や社会がAIとどう付き合っていくかっていう、もっと大きな話につながってるんだなって感じたの。
わたしたちが普段何気なく使ってるAIチャットボットも、その裏側にはこういう「どう作られているか」の違いがあって、それが将来的にはサービスの安定性や信頼性の差として跳ね返ってくるかもしれないんだよね。
主要なAIチャットボットの違いをもっと詳しく知りたい人は、ChatGPT・Gemini・Claude徹底比較｜違いと選び方を解説もあわせて読んでみてね。海外の主要モデルとPLaMoのような国産フルスクラッチモデルを比べてみると、それぞれの強みの違いがより分かりやすくなると思うよ。
わたしはこれからも、国産AIがどんな理由でどんな方向に育っていくのか、ちゃんと追いかけていきたいなって思ってる🇯🇵。2027年、PFNが「ちゃんと国産」と言えるモデルを世に出したとき、わたしはきっと真っ先にチェックしに行くと思う。
関連記事: ChatGPT・Gemini・Claude徹底比較｜違いと選び方を解説
ソース:
よくある質問
- PFNはなぜ国産AI「PLaMo」をフルスクラッチで開発しているのですか？
- アーキテクチャ・学習データ・トークナイザーまで自社で決定できるため、著作権侵害データの有無等を企業から問われた際に十分説明でき、不具合発生時も原因調査がしやすいためです。これを説明責任と呼んでいます。
- PLaMoは日本語処理でどんなメリットがありますか？
- PFN独自のトークナイザーにより、海外モデルより日本語処理時のトークン消費量を約2〜3割抑制できます。最新モデルのPLaMo 3.0 Primeは日本語処理の高性能・低コストを両立し、コスパ1位を目指しています。
- AIモデルが国家安全保障と関係する事例はありますか？
- 2026年6月に米政府命令により、Anthropicの高性能モデルFable 5とMythos 5の提供が一時停止された事例があります。PFNはAIモデルが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と指摘しています。
- PFNは全てのモデルをフルスクラッチで開発していますか？
- いいえ。フルスクラッチは学習コストが高く海外最新モデルに性能で追いつきにくい場合もあるため、医療分野等では既存のオープンモデルへの追加学習を使うケースもあり、領域に応じて使い分けています。