NVIDIAが「トークン養殖」を教える理由、オープンソースAIでチップ需要を創出

NVIDIAの戦略

NVIDIAは、自社のNemotronモデル向けに、法律上公開できるデータとトレーニングコードをすべて公開しています。同社はこの取り組みに約260億ドルを投じており、誰もが独自のモデルを学習できる「トークン製造機」を増やそうとしています。目的の一つは、AIの知能が一部企業に独占されない世界を作ることです。この戦略は、AnthropicやOpenAIからモデルを購入するのではなく、自前でモデルを育てることを促す動きとみられます。

その結果、多くの企業が推論処理を必要とするようになり、NVIDIAのチップ需要が拡大するとみられます。記事では、オープンソースのエコシステムが今後NVIDIAの資金に依存する可能性が高いと指摘しています。また、オープンモデル開発者が収益分配型ライセンスを試すなど、持続可能性を探る動きも始まっています。

オープンソースの「レシピ」

記事では、オープンソース言語モデルとオープンウエイトモデルを区別しています。前者はトレーニングの完全なレシピ、データ、コードを伴い、後者はモデル重みと推論コードだけを持つソフトウェアに近いものです。NVIDIAが公開しているのは前者に近く、企業はそれを改変して新しいモデルを生成できます。オープンソースのレシピは資源を大量に消費しますが、どの企業でも利用して「実行」し、新しいモデル重みを作り出せるのが特徴です。

また、トレーニングの工程も変化しています。従来は「事前学習」「中間学習」「事後学習」とされてきましたが、近年は「事前学習」「推論学習」「事後学習」という区分に変わりつつあります。汎用的なエージェント型推論モデルを基本モデルから学習させるのは難しくなっているためです。この変化は、オープンモデル開発者が基盤モデルを公開する数を減らす方向にも影響しているとみられます。

二つの未来シナリオ

今後の展開としては、二つのシナリオが考えられます。第一に、オープンソースのレシピが機能する場合です。NVIDIAはモデル構築にかかるコスト以上のチップ需要を創出できる可能性があります。ただし、Databricksや01.aiのように学習から撤退する企業も出ており、楽観はできません。

第二に、経済的に成功しない場合です。オープンモデルは効率性や特化、変更のしやすさに焦点を当てた「長尾市場」向けの存在に分岐するでしょう。たとえば、オンプレミスで動くエンタープライズ向け特化エージェントなどです。記事では、このシナリオの方が可能性が高いと述べています。

NVIDIAとMetaの違い

Metaも強力なモデルをオープンウエイトで公開する戦略を取っています。たとえばMuse Spark 1.2を公開すれば、AnthropicやOpenAIの収益成長率に打撃を与えるとみられます。Metaはトークンを戦略的に大量供給して競合を圧迫しようとしているのです。これは、NVIDIAとは異なる「間接的な収益化」の方法です。

一方、NVIDIAはエコシステム全体を自立的にしたいと考えています。オープンモデルの開発者が収益を得られるように、収益分配型ライセンスの実験も行われています。これらの試みが成功するかどうかが、NVIDIAの需要創出戦略の成否を左右するでしょう。今後数年のうちに、オープンソースAIの経済的持続可能性が明らかになるとみられます。