Box CEO Aaron Levie氏、Jensen Huangのオープンウェイト書簡に賛同 ― 「蒸留に倫理的な線引きはできない」
クラウドコンテンツ管理企業Boxの共同創業者兼CEO、アーロン・レヴィ氏が、ポッドキャストに出演し、Nvidia CEOジェンセン・ファン氏が、発表したオープンウェイトAIに関する書簡への見解から、中国製オープンモデルをめぐる国家安全保障上の懸念、そして、自社で実施したClaude Opus 5の企業向け評価結果まで、幅広いテーマについて語った。本稿ではその内容を整理して紹介する。
1. ジェンセン・ファン氏のオープンウェイト書簡をどう読むか
1-1. 書簡に込められた2つの論点
Boxも署名したこの書簡について、レヴィ氏は、大きく2つの論点が含まれていたと解説した。
第一に、オープンウェイトAIが、AIの進歩そのものを牽引する重要な存在であるという点だ。より多くのイノベーションと選択肢が生まれ、企業は、自社のユースケースに合わせてモデルを訓練できるようになる。レヴィ氏は、オープンウェイトとクローズドモデルを「ゼロサム」の関係として捉えるのは誤りであり、実際にはAIの活用事例そのものを増やす存在だと強調した。
第二に、米国が、オープンウェイトモデルへの投資をさらに強化すべきだという、いわば「行動への呼びかけ」が書簡に込められていたと分析した。これは中国への対抗を直接的に主張するものというよりも、米国自身がこの分野でさらなるイノベーションを起こす必要があるという趣旨だったとの見方を示した。
1-2. 安全性をめぐる健全な論争
レヴィ氏は、オープンウェイトモデルの将来的な能力向上に伴う安全性上の懸念については、商業的な利害関係を脇に置いても正当な論点があると認めた。自身は、この見方に同意しないとしつつも、健全な議論に値するテーマだとし、総じて、オープンな技術革新とオープンウェイトの普及は、AI全体、そして、AIの社会への浸透にとって好ましいという立場を明確にした。
2. 蒸留(ディスティレーション)に「倫理的な線引き」はあるのか
蒸留(他社のAIモデルの出力を使って自社モデルを訓練する手法)のうち、通常の経済活動とみなせるものと、何らかの違反行為とみなすべきものの境界線について問われたレヴィ氏は、そもそもそのような線引きは存在しないとの立場を示した。AIモデルが、公開インターネット全体を学習データとして使うことは許容されるのに、別のAIモデルの出力を学習に使うことだけが許されないという主張は、根拠が薄弱だと指摘。自身が、AIラボを運営する立場であれば、あらゆる防御手段を講じて、自社モデルの蒸留を防ごうとするだろうとしつつも、そこに倫理的な一線があるとは考えにくいと述べた。多くの人々は、自分のデータがモデルの訓練に使われることに明示的に同意したわけではなく、世界の一般知識がモデルに組み込まれることを前提としている以上、その知識が、Redditから来たのかAnthropicから来たのかで区別する意味のある根拠はないとの見解を示した。
この点についてホスト側からは、Anthropicが、蒸留を問題視するのであれば、むしろ自社のAPI利用をどう制限するかという方向で対処すべきではないかとの指摘もあった。レヴィ氏も、蒸留目的での大量のAPI利用に対しては、通常の利用者以上の対価をAnthropic側が、すでに得ている点を挙げ、直接的なAPI経由の蒸留と、生成されたコードが結果的にGitHub上の公開リポジトリに蓄積され、それが別のモデルの学習データになるという間接的な経路との間に、説得力のある違いを見出すのは難しいとの考えを示した。
3. 中国製オープンモデルへの依存リスク
3-1. 「iPhoneを5000ドルにする気か」という反論
米国のスタートアップエコシステムが、中国製オープンウェイトモデルへの依存を深めた場合、中国側が、突然オープンウェイトの公開を停止すれば大きな打撃を受けるのではないか、あるいは、中国製モデルが米国企業のマージンを圧迫する国家安全保障上の懸念があるのではないか、という論点についてもレヴィ氏は見解を示した。同氏は、こうした懸念自体は正当だとしつつも、「では実際に何をすべきか」という段になると難しいと指摘。中国での製造上の優位性に頼らないために、iPhoneの価格を1,000ドルではなく、5,000ドルにすべきだという主張と本質的に同じ構造だとし、その先にあるのは、「米国は高価なAIを持ち、世界の他の地域は安価なAIを持つ」という状況であり、それが今後5〜10年の競争環境でどう機能するかを見極める必要があるとの見方を示した。オープンウェイトモデルは、すでに存在し、中国はその作り方を知ってしまっている以上、この流れを巻き戻すことはできないというのが同氏の基本認識だ。
3-2. Jensen-Doresh論争への評価
レヴィ氏は、著名な対談として話題になったジェンセン・ファン氏とダレシュ氏の議論についても触れ、多くの人にとって、この対談が「踏み絵」のような役割を果たしたと振り返った。自身はファン氏の立場が明らかに正しいと感じたとし、中国を完全に締め出したところで、AIをめぐる競争そのものを大幅に減速させ、米国が「何となく勝つ」というシナリオは成立しないとの見方を示した。
3-3. 中国のAI競争力の実態
レヴィ氏は、中国が、AIを戦略的に重要な技術と位置づけている以上、簡単に諦めることはないと分析した。中国国内で優れたAI人材を輩出できることは、すでに広く認識されており、人材面で米国が越えられない壁を持っているとは言えない状況にあるという。加えて、人材と産業力という核となる要素についても中国は豊富に持ち合わせており、仮に訓練データが不足しても10万人規模の人員を雇ってデータを生成させるといった手段も取りうるため、中国が強力なAIプレイヤーへと成長すること自体は十分に想定しうるシナリオだと指摘した。世界が中国のモデルやアーキテクチャを採用するようになれば、それは長期的に見て米国経済にとって不利益になるとし、ファン氏の論点は「それを規制によって加速させるくらいなら、すでに進行しているインフラ構築に自ら関与すべきだ」というものであり、自身もおおむねこの立場に賛同すると述べた。米国が完全に中国を締め出しても、AIモデルは別のハードウェアスタック上で結局訓練され続けることになり、そのハードウェアスタックがやがて各国の主権クラウドに導入されていくことになるとの見通しを示した。
4. 米国がフロンティアモデルをオープンソース化した場合の帰結
4-1. 推論(インファレンス)こそが収益源という論理
米国が、Kimi K3級のモデルを中国に先んじて、完全にオープンソース化した場合の影響について問われたレヴィ氏は、AIにおける収益の源泉は、最終的に「推論(インファレンス)」にあるとの見方を示した。1〜2社しかラボが、存在せず、訓練に関する秘密が完全に守られ、知的財産として保護される世界であれば、スタック上の複数の層を囲い込む戦略も成立しうるが、米国内で3〜5社が、「主導的なモデルを持つことは存立に関わる問題」と捉えて競争している現在の状況では、トークンのコストは、徐々にインフラのコストに近づいていく(ゼロにはならないが、上乗せ幅はインフラコストの70〜90%ではなく20〜40%程度に収束していく)と分析した。
その場合、オープンモデルであっても、そのモデルを支える推論インフラを提供したり、ポストトレーニング環境を構築したり、企業から見て「より安全なブランド」として展開を担ったりすることで、ほぼ同水準の収益を得られるはずだと主張。OpenAIのような企業であっても、フロンティアモデルの一世代前に相当するオープンソース版を、より一貫したペースで追随リリースしていれば、むしろユースケースを自社のエコシステム内に留められ、その推論を担うことで収益を確保できたはずだとの見方を示した。オープンウェイトAIは、経済構造そのものを根本的に変えるものではなく、より多くのイノベーションとユースケースを可能にする「別の切り口」に過ぎないと結論づけ、大規模なGPUクラスターへの支出が必要である以上、資金の流れ着く先がどこかのインフラプロバイダーであることに変わりはないと述べた。
4-2. クローズドラボがなぜオープンソース化しないか
大手ラボが、オープンウェイト化に消極的な理由についても分析が示された。レヴィ氏は、2つのカテゴリーがあるとし、一つは、モデルをクローズドに保てば短期的には確実により多くの収益を得られる一方、長期的には、トークン単価のコストがどのみち低下していく以上、クローズドかオープンかの違いは徐々に薄れていくという時間軸の問題だと説明した。
もう一つ、Anthropicに特有の理由として、同社は、オープンウェイト化を経済的・市場シェア獲得の観点からではなく、根本的な安全性上のリスクと捉えている可能性が高いとの見方を示した。プロンプトインジェクションの防止や、クエリの種類に応じて適切なモデルへルーティングする仕組みを機能させるためには、トークンの流れを単一のエンティティが管理する必要があるとAnthropicは考えているのではないかとし、同社が、自社モデルをオープンソース化することはほぼないだろうと予想した。
5. Claude Opus 5の企業向け評価
5-1. Opus 4.8からの大幅な進化
Boxは、Claude Opus 5について、リリース後1〜2週間にわたり自社の評価を実施したという。レヴィ氏は、リリース当時すでに業界最高水準だったOpus 4.8と比較しても、意味のある進化が見られたと評価した。
Boxが扱う企業向けデータ(財務文書、契約書、マーケティング資料、研究資料など、ライフサイエンス企業から法律事務所、大手銀行に至るまで多様な業界のデータ)の観点からは、AIモデルに求められる要素は大きく2つあるという。一つは、法律や生命科学といった各業界に特化した深い専門知識、もう一つは大量のデータを処理し、ツールを使いこなす横断的な分析能力だ。Opus 5は、この両方の軸で改善が見られ、Boxが実施した業界別のさまざまなテストにおいて、4.8から意味のある進歩が確認されたという。
5-2. Fableとの比較、安全フィルタの過剰反応という課題
Fableとの比較については、コーディングタスクにおいて、Fableが4.8を大きく上回っていたことは認めつつ、コストの違いを踏まえるとOpus 5の方が、パレート最適(コスト対効果で優れている)になった可能性があるとの見方を示した。Opus 5がリリースされる以前の段階での比較であり、両者を直接比較する十分な社内コーディングテストはまだ揃っていないとも留保した。
一方で、Fableが抱える課題として、特定の能力を発揮すべき場面で、しばしば4.8相当の性能まで「格下げ」されてしまう現象がすでにSNS上でも話題になっていると指摘した。ある処理が権限やアクセス制御に関するコードを調べていたためにセキュリティ上の警告をトリガーしてしまい、Fable本来の知性が発揮されないケースが事前に予測しづらいという問題があるという。バイオ分野の関係者からは、Fableが、クエリを過度に頻繁に格下げしてしまうため、事実上使い物にならないという声も聞いているとした。レヴィ氏は、Anthropicが、政府との間で提案した、リスクレベルに応じてモデルの能力をテストする多段階のフレームワークについては評価しつつも、そのリスク基準を誰がどう決めるのかという問題が残ると指摘。現時点でFableが抑制している範囲の広さは、AIの将来にとって持続可能ではなく、こうした環境が続けば人々は単純にAIを使わなくなってしまうと警鐘を鳴らし、こうしたリスクの線引きを今の時点で固定化するには時期尚早だとの考えを示した。
6. AIがBoxのソフトウェアエンジニアリングに与える影響
6-1. 「できなかったこと」への挑戦が可能に
自社のソフトウェアエンジニア採用への影響について、レヴィ氏は、ソフトウェアエンジニアリングという職種に対して依然として強気な見方を示した。AIの活用によって、以前は「複雑すぎる」として着手すらしなかった大規模プロジェクトに取り組めるようになった一方、「1週間程度で終わるが、それほど重要ではない」という理由で先送りされ続けてきた小規模なタスクも、今では数時間で片付けられるようになったという。結果として、これまで顧客が抱えてきた課題により多く応えられるようになり、企業としての野心そのものが拡大していると説明した。
6-2. 人材採用は減らない ― むしろ増やしたい
レヴィ氏は、AIによって人員を削減する方向に向かうべきだという発想自体が、プロダクトロードマップにおける野心の欠如を示しているとの考えを明確にした。現在のBoxにおける制約は人材需要の減少ではなく、むしろ他の事業領域への投資とのバランスという財務的な制約にあるとし、AIによって「今、何をさらに実現できるか」を常に問い続けていると述べた。
7. 企業のAI戦略 ― モデルルーティングという未来
モデルのリリース頻度が加速する中、特定のAIプロバイダーへの「忠誠」が、もはや成立しなくなっているという指摘に対し、レヴィ氏は、複数モデルを使い分ける「モデルルーティング」の重要性が増していくとの見方を示した(自身の事業がまさにこの層に位置するため、バイアスがある点を認めつつ)。タスクをこなすうえで複数モデルの活用が必要になればなるほど、タスクの内容を理解しデータへのアクセスとワークフローの管理を担う「アプライドAI層」に価値が集中していくという。SpaceX、Google、Anthropic、OpenAI、Metaという5つの有力な米国プレイヤーが、知性の向上とコスト低減という両面で競い合い続ける以上、その上位に立って状況に応じて最適なモデルを選択できるルーターの存在は、企業にとって大きな価値を生むと説明した。
レヴィ氏は、こうした「アプライドAI層」が、AIの普及そのものを後押しする側面もあると指摘した。次々と登場するモデルが互いに追い抜き合う状況では、企業は特定のモデルファミリーやパートナーに肩入れすることへの抵抗感(いわば「決断麻痺」)を抱えがちだが、アプライドAI層がその決断を代行してくれることで、企業はまずワークフローとデータ整備を進め、その日の状況に応じてFable、GPT-5.6、Grok 4.5などを柔軟に使い分けられるようになるという。同氏は、法務・金融・医療といった業界特化の深い知見を必要とする分野では、モデル自体の能力よりも、周辺のデータアクセスやワークフロー統合の仕組みが整っていないことがボトルネックになりやすく、この層でこそ今後大きな価値創出が起きると締めくくった。
