国産AI基盤の現在地｜NEDO・GENIACの支援と、さくらインターネット、領域特化で勝つAIエージェント

こんにちは、株式会社TIMEWELLの濱本です。

国産AIという言葉を、この一年ほどで急に多く見かけるようになったと感じている方は多いと思います。政府が生成AIの開発を支援し、国内のクラウド事業者がGPUを大量に整備し、通信会社やスタートアップが相次いで独自の大規模言語モデルを発表しています。その一方で、海外の最先端モデルには追いつけないという声も同じくらい聞こえてきます。

この二つは、どちらも本当です。汎用の最先端では大きく差をつけられている。けれども、勝てる土俵は確かに残っている。この記事では、その現在地を整理します。NEDOとGENIACによる開発支援がどういう仕組みなのか、各社の国産大規模言語モデルはどこまで来たのか、それを支えるインフラとしてなぜさくらインターネットが注目されるのか。そして、規模で正面から戦うのではなく、領域特化とAIエージェントで勝つという道筋を、私たちが作ってきた輸出管理AIのTRAFEEDを例にお話しします。専門用語は、そのつど日本語に開いていきます。

国産AI基盤とは何か、なぜ今それが問われるのか

まず言葉の整理から始めます。ここでいうAI基盤とは、生成AIを動かすための土台の総称です。大きく三つの層があると考えると分かりやすいと思います。一番下に、計算を担うGPUとデータセンターというインフラの層があります。その上に、大量のデータを学習した基盤モデル（生成AIの本体にあたる大規模なモデル）の層があります。そして一番上に、その基盤モデルを実際の業務に組み込んで使うアプリケーションの層があります。国産AI基盤という言葉は、このインフラと基盤モデルを日本国内の技術と資本で持とう、という発想を指しています。

なぜ今それが問われているのか。背景には、生成AIが経済と安全保障の両面で戦略技術になったという事情があります。文章も画像もプログラムも生成できるこの技術は、産業の生産性を大きく左右します。同時に、どの国のどの企業のモデルに依存するかは、データの主権や供給の安定という論点に直結します。海外の一社に業務の中枢を預けたとき、料金体系が変わったり、利用条件が変わったり、そもそも使えなくなったりするリスクを、企業も政府も無視できなくなりました。

ここで正直に書いておきたいのは、汎用の最先端モデルにおいて、日本が資本と計算規模の面で大きく劣後しているという現実です。これは特定の順位やシェアで断定できる話ではなく、各種の分析や報道での定性的な評価ですが、フロンティアと呼ばれる最先端の汎用モデルは、桁違いの計算資源と開発費を投じられる一部の海外企業が主導しています。国産モデルがそこに規模で正面から挑むのは、現実的とは言えません。だからこそ、どこで勝つのかという問いが重要になります。この記事の後半では、その勝ち筋を具体的に取り上げます。

自社の業務がこうした技術と規制の交差点にどう関わるのか、まず肌感覚をつかみたい方は、輸出管理の無料セルフ診断を試してみてください。数分で、確認すべき論点の当たりがつきます。

GENIACとNEDO、国が生成AI基盤の開発を支える仕組み

国産AIの話をするとき、避けて通れないのがGENIAC（ジーニアック）です。正式名称をGenerative AI Accelerator Challengeといい、経済産業省とNEDO（新エネルギー・産業技術総合開発機構、産業技術の研究開発を支援する国の機関）が2024年2月から実施している、生成AI基盤モデルの開発支援プロジェクトです。名前だけ見ると難しそうですが、やっていることの中心はシンプルで、生成AIを開発する事業者に対して、いちばんの制約になる計算資源、つまりGPUの確保を国が支援する、という仕組みです。あわせて、学習に使うデータの整備や、開発者どうしが知見を共有するコミュニティづくりも支援の柱になっています。

なぜ計算資源の支援なのかというと、生成AIの開発では、性能を左右するのがモデルの設計だけでなく、どれだけ大量のGPUを長期間使えるかだからです。高性能なGPUは価格も高く、調達にも時間がかかります。資金力のあるスタートアップでも、単独で大規模な計算基盤を押さえるのは容易ではありません。そこを国が下支えすることで、開発の入り口のハードルを下げようという狙いです。計算基盤自体は、クラウド事業者が提供します。

GENIACは一度きりの公募ではなく、期を重ねながら続いています。経済産業省とNEDOの公表によれば、2024年に始まった初期の採択に続き、その後も採択を重ね、2026年6月には第4期のキックオフが行われています。興味深いのは、その重心の移り方です。初期は幅広い基盤モデルの開発が中心でしたが、回を追うごとに、製造業のデータをAIで使える形にする取り組みや、ロボットを直接動かす基盤モデル、創薬や金融といった特定産業での社会実装へと、テーマが現場寄りにシフトしてきました。汎用モデルを一つ作って終わりではなく、産業の現場データに根ざした特化型を育てる方向へ、政策の関心が動いてきたわけです。この流れは、記事の後半で述べる領域特化という勝ち筋とも重なります。

なお、GENIACに関して報じられる公募総額や補助率などの数字については、まとめ記事などの二次情報として流通しているものが多く、金額や比率を正確に確認するには経済産業省とNEDOの一次資料にあたる必要があります。ここでは、国が計算資源の確保を軸に生成AI開発を支える仕組みが継続的に走っている、という骨格を押さえておけば十分です。関連して、NEDOは成果報酬型の懸賞金プログラムであるGENIAC-PRIZEも運営しており、人手不足の解消といった社会課題の解決に向けたAIサービス開発を、通常の細かな検査確認を伴わない懸賞金方式で促しています¹。国の支援も、一律の補助から成果重視へと手法が多様化してきています。

各社の国産LLMは、どこまで来たか

支援の枠組みを押さえたうえで、実際のモデルに目を向けます。LLMとは大規模言語モデル（Large Language Model）の略で、生成AIの中核となる、大量の文章を学習した言語のモデルのことです。この一、二年で、国産のLLMは着実に増えました。すべてを網羅はできませんが、性格の違いが分かる範囲で紹介します。

Preferred Networksが開発するPLaMo（プラモ）は、代表的な純国産モデルの一つです。日本語の扱いに強みを持ち、2026年初頭には国内の製品・サービス賞を受賞するなど、評価を高めています。同社はさくらインターネットや情報通信研究機構と、後継モデルの共同開発で連携する動きも見せており、国産のインフラと国産のモデルを組み合わせる好例になっています。KDDIグループのELYZA（イライザ）は、東京大学の松尾研究室を源流とするスタートアップで、日本語に特化したモデルを商用利用できる形で公開してきました。推論を効率化する新しい方式のモデルを打ち出すなど、速度や省電力といった実務面の使い勝手を意識した開発が特徴です。

NTTのtsuzumi（つづみ）2は、軽量でありながら高性能を狙った純国産モデルとして2025年10月に発表されました²。特筆すべきは、推論をGPU一台、あるいはCPUだけでも動かせる点です。これは、機密情報を外部のクラウドに出さず、自社内の閉じた環境やオンプレミス（自社設備内での運用）で動かしたいという、金融や医療、行政の強いニーズに直接応える設計です。学習効率も高く、専門分野の知識を少ない事例で身につけられる点が訴求されています。楽天のRakuten AI 3.0は、2026年3月に公開された約7,000億パラメータ（パラメータとはモデルの規模を表す指標で、この場合およそ700B規模）のモデルで、Apache 2.0という寛容なライセンスのもとで無償かつ商用利用可能な形で提供されています³。日本語のベンチマークでは海外大手モデルを上回る結果を主張しており、これはGENIACの支援を受けて開発されたモデルでもあります。ソフトバンクのSarashina（さらしな）は、2024年11月に公開された4,600億パラメータ規模のモデルが確定した実績で、国内データセンターでの運用によるデータ主権を訴求しています。より大きな規模のモデルは経営陣が目標として掲げている段階であり、目標値と実装済みの規模は分けて捉える必要があります。

こうしたモデルが一堂に会する場が、デジタル庁のガバメントAI「源内(げんない)」です。これは政府が共通で使う生成AI基盤で、試用する国産モデルが公募で選ばれました。多数の応募のなかから複数の国産モデルが選定され、多くの府省庁と十数万人規模の職員による実証が予定されています。選ばれたモデルの具体的な顔ぶれには、tsuzumiやELYZA、PLaMo、Sarashina、そして電機大手が手がけるモデルなどが含まれると報じられていますが、正式な一覧や表記はデジタル庁の公表資料で確認するのが確実です。いずれにせよ、政府自身が国産モデルを本格的に実証し、優れたものを正式に調達しようとしている点は、国産AIの需要をつくる大きな動きだといえます。

さくらインターネットという、国産AIインフラの土台

モデルの話をしてきましたが、それを動かすインフラがなければ絵に描いた餅です。ここで存在感を増しているのが、さくらインターネットです。同社は、GPUクラウドの「高火力」を軸に、国産のAIインフラを整えています。高火力には、物理サーバーをまるごと使えるベアメタル型、コンテナという軽量な実行環境で使える型、仮想マシン型という三つの提供形態があり、開発者が用途に応じて選べるようになっています。さらに、マネージドスパコンの「さくらONE」や、生成AIをすぐ使える形にした基盤「さくらのAI Engine」も提供し、国内のデータセンターと国産クラウド基盤の上で、安全で信頼できるAIプラットフォームを訴求しています⁴。

なぜインフラの国産性がそこまで重視されるのか。ここで経済安全保障の文脈が効いてきます。さくらインターネットのクラウドは、経済安全保障推進法という法律で定められた特定重要物資、具体的にはクラウドプログラムの安定供給を確保する計画として、国の認定を受けています。特定重要物資とは、国民生活や経済に不可欠で、供給が特定国に過度に依存すると困る物資を国が指定するもので、クラウドもその一つに位置づけられています。国は、この枠組みのもとでAIの計算資源整備に対して複数の事業者へ助成を決めており、さくらインターネットもその対象に含まれます。助成額として報じられる数字は複数事業者の合計に対する上限であって、一社が単独で受け取る額ではない点は、誤解のないよう補足しておきます。

同社は計算基盤そのものの増強も続けています。北海道の石狩データセンターの敷地内で、最新世代のGPUを大量に搭載したAIインフラの稼働を2026年に開始するなど、規模の拡大を進めています⁵。ここで一点、正確を期しておくと、こうした個々の設備増強のニュースと、経済安全保障推進法にもとづく国の認定や助成は、別々のトラックの情報です。最新GPUの導入に国がそのまま補助を出した、というふうに単純化して読むのは避けるべきで、政策的な支援と自社投資は分けて理解するのが正確です。それでも全体として見れば、国産のクラウド基盤を海外依存から守り、国内のAI開発を計算資源の面から下支えするという政策の方向性は明確で、さくらインターネットはその象徴的な担い手になっています。

こうしたインフラの上で、国産モデルが育ち、企業や政府が実際に使う。その循環が回り始めているのが、いまの国産AI基盤の現在地です。

領域特化とAIエージェントで勝つ、という現実的な道筋

さて、ここからが本題です。冒頭で、汎用の最先端モデルでは日本が規模で劣後していると書きました。では、勝てる土俵はどこにあるのか。私は、大きく二つあると考えています。

一つ目が、領域特化です。汎用モデルは、あらゆる話題を広く浅く扱えることを目指します。そこでは、学習データの量とモデルの規模がほぼそのまま性能に効いてきますから、資本と計算資源の勝負になります。一方、特定の業務や産業に絞ったモデルは、話が変わります。日本語の読み書き、日本の商習慣、特定業界の専門知識といった土俵では、その分野のデータをどれだけ丁寧に集め、どれだけ実務に即して作り込めるかが効いてきます。ここは規模の差を作り込みで埋められる余地が大きい。先ほど紹介した国産モデルの多くが、日本語や特定業務のベンチマークで海外大手に伍する結果を主張しているのは、まさにこの領域特化の発想の表れです。あらゆる問いに答えられる世界最大のモデルを目指すのではなく、この分野なら確実に役に立つ、という点で勝つ考え方です。

二つ目が、AIエージェントです。ここは言葉の説明が要ります。大規模言語モデルは、いわば文章を生成する頭脳です。しかし頭脳だけでは、実際の業務は片づきません。必要な情報を外部から取ってきて、決められた手順に沿って処理を進め、結論とその根拠をまとめて出す。この一連の作業を最後までやり切らせる仕組みが、AIエージェントです。ここで鍵になるのが二つの部品です。一つは、モデルが参照する信頼できる知識の基盤。もう一つは、モデルにどういう順序で何をさせるかを定めた枠組みで、これをハーネスと呼びます。ハーネスとは本来、機械や人を安全につなぎとめる装具や配線束を指す言葉で、AIの文脈では、モデルという頭脳に手足と道具を持たせ、決められた道筋から外れないよう制御する仕組みを意味します。

なぜこの二つ目が日本の勝ち筋になるのか。モデル単体の規模で世界最大を目指す競争には勝てなくても、知識基盤とハーネスまで含めたエージェントとして作り込めば、特定業務での実用性では十分に戦えるからです。国内でも、構造の異なるモデルを進化的な手法で統合する技術に強みを持つスタートアップが、国産のGPU基盤を計算資源に採用して、エージェントとして動くことを前提とした大規模なモデルの開発に取り組んでいます⁶。これはあくまで開発中の目標であって完成した製品ではありませんが、モデル単体ではなくエージェントとして勝ちにいくという方向性を、象徴的に示す動きだと受け止めています。

この文脈で、私たちが作ってきたTRAFEEDも、まさに領域特化とエージェントの組み合わせで設計してきたAIエージェントです。次の節で、その中身を具体的にお話しします。

TRAFEEDが示す、一つの答え

TRAFEEDは、輸出管理という一つの領域に特化したAIエージェントです。輸出管理とは、自社の製品や技術が、法令で定められた規制対象に当たるかどうかを判定し、当たる場合には必要な手続きを踏んで輸出する一連の実務を指します。この判定の中核にあるのが該非判定(がいひはんてい)という作業で、自社の貨物や技術が規制リストに該当するかどうかを、条文の要件と製品の仕様を一つずつ突き合わせて根拠つきで記録します。輸出管理そのものの基礎を知りたい方は、デュアルユース品目とはもあわせてお読みください。

なぜこの領域が、汎用の大規模モデルではうまく扱えないのか。理由は三つあります。第一に、判断の根拠が条文と製品スペックという極めて具体的な突き合わせにあり、それらしい文章を流暢に生成する能力とはまったく別の正確さが要ることです。第二に、規制のリストは各国が別々のタイミングで更新するため、常に最新の一次情報に接続していなければ、去年の正解が今年の不正解になることです。第三に、機密性の高い製品情報や取引先情報を扱うため、どのモデルにどこまで渡すかというデータの主権が問われることです。汎用モデルに漠然と質問して、それらしい答えをもらう、という使い方では、この三つのどれも満たせません。

だからTRAFEEDは、モデル単体ではなく、知識基盤とハーネスまで含めたエージェントとして作りました。知識基盤にあたるのが、論文9,000万件、特許1億件、研究者30万人といった規模を持つ、2億件を超えるナレッジグラフです。ナレッジグラフとは、人や組織、技術といった要素どうしの関係を線で結んで表した知識のネットワークで、これがあることで、単なる名称の一致ではなく、背後のつながりまで踏まえた確認ができます。そしてハーネスにあたるのが、該非判定の手順に沿ってモデルに処理をさせ、根拠を残す仕組みです。過去の審査データ約3万件を使った岡山大学との共同実証では、AI判定精度95%以上を確認しています(自社調べ)。この輸出管理特化のAIエージェントは、日本の安全保障輸出管理分野で世界初の取り組みであり(2026年3月時点、当社調査)、特許第7862062号を取得し、すでに20を超える組織に導入されています。もっとも、最終的な該非判定は各社の輸出管理責任者が行うものです。AIが担うのは、条文と仕様の突き合わせを漏れなく高速に行い、判断の根拠を残すところまでで、そこは明確に線を引いています。

こうした領域特化のAIが、経済安全保障という大きなテーマのなかでどう位置づけられるかは、経済安全保障とAIのエコシステムで全体像を整理しています。また、輸出管理と地続きにある研究セキュリティの実務については、研究セキュリティの手順書にまとめました。国産AI基盤という大きな絵のなかで、TRAFEEDは、汎用の規模競争とは違うところで勝ちにいく、一つの具体的な形だと考えています。

まとめ

国産AI基盤の現在地を、あらためて整理します。

• AI基盤は、インフラ、基盤モデル、アプリケーションの三層で捉えると分かりやすく、国産化の議論は主に下の二層に向けられています
• GENIACは経済産業省とNEDOによる生成AI基盤モデルの開発支援で、計算資源の確保を軸に、汎用から産業現場の特化型へと重心を移してきました
• 国産LLMはPLaMo、ELYZA、tsuzumi 2、Rakuten AI、Sarashinaなど選択肢が増え、政府のガバメントAI「源内」でも実証が進んでいます
• さくらインターネットは高火力やさくらのAI Engineなどで国産AIインフラの中核を担い、経済安全保障推進法にもとづく国の認定も受けています
• 汎用の最先端では規模で劣後する一方、領域特化と、知識基盤やハーネスまで含めたAIエージェントには、日本の現実的な勝ち筋があります
• TRAFEEDは輸出管理特化とナレッジグラフ、該非判定ハーネスを組み合わせたAIエージェントとして、その一つの形を示しています

海外の巨大モデルに規模で追いつくことだけを目標に置くと、国産AIの話はどうしても悲観的になります。けれども、勝つ場所を選び、その場所で確実に役立つものを、知識基盤とハーネスまで含めて作り込む。そう発想を切り替えると、国産AIには十分に戦える余地が見えてきます。自社の業務のどこに、そういう領域特化のAIを効かせられるのか。もし輸出管理や経済安全保障の分野で検討されているなら、TRAFEEDの担当までご相談ください。

---

Footnotes

1. NEDO「GENIAC-PRIZE」 https://geniac-prize.nedo.go.jp/ ↩

2. NTT研究開発「tsuzumi 2」 https://www.rd.ntt/research/JN202606_39542.html ↩

3. 楽天グループ プレスリリース（2026年3月17日）「Rakuten AI 3.0」 https://global.rakuten.com/corp/news/press/2026/0317_01.html ↩

4. さくらインターネット「さくらのAI」 https://ai.sakura.ad.jp/ ↩

5. さくらインターネット ニュースリリース（2026年2月25日） https://www.sakura.ad.jp/corporate/information/newsreleases/2026/02/25/1968223641/ ↩

6. さくらインターネット ニュースリリース（2026年7月16日） https://www.sakura.ad.jp/corporate/information/newsreleases/2026/07/16/1968225411/ ↩