YC Data Club、「データの終端価値はゼロ」説を覆す ― この10年で1,000億ドル超の時価総額を創出
2026年、生成AIの進化を語る上で「モデルのアーキテクチャ」や「GPU」よりも重要な論点として急浮上しているのが、「データ」である。YC(Y Combinator)が主催した「YC Data Club」のイベントでは、Focal Systems創業者のフランソワ・ショーバード氏、Snorkel AIのヴィンセント・チェン氏、Inception Labsのヴォロ・クレショフ氏、そして、元MIT博士でAnthropicに所属するシェーン・ロンプレ氏がそれぞれの視点から「データの価値」について語った。かつて「データは、コモディティであり、終端価値はゼロだ」とされていた業界の常識は、この10年間で完全に覆されている。本稿では、投資家・ビジネスパーソン向けに、このイベントで語られた内容を整理し、AI業界における次の投資機会のありかを探る。
1. フランソワ・ショーバード氏 ― なぜ「データ」がAI業界の核心なのか
Focal Systems創業者のフランソワ・ショーバード氏は、2016年に博士課程を中退して同社を設立した当時を振り返り、「データは、コモディティであり、ImageNetをダウンロードすれば十分。これ以上のデータなど必要ない」という考え方が業界の主流だったと語った。当時、データ関連企業の価値を評価していたVCはほとんど存在せず、「データビジネスの終端価値はゼロドルだ」という見方が支配的だったという。
1-1. データ軽視の常識を覆した10年間
ショーバード氏によれば、その後の10年間でデータ関連企業は合計で1,000億ドル規模の時価総額を生み出したという。「VCコミュニティ全体がこの点について意見を変えたことは間違いない」と同氏は述べた。
同氏は、Focalでのエンジニア採用面接でよく使っていた質問を紹介した。「モデルの学習が済み、ホットドッグか否かの判定でF1スコア85%に達している。次に何をするか?」という問いに対し、「論文を読む」「ReLUとGELUを試す」「レイヤーを増やす」といった回答をするスタンフォードやMIT出身の優秀な学生は、軒並り不採用にしてきたという。正解は「データを見ること」であり、誤検知・誤判定のパターンを分析し、パレート原則に基づいて最大の課題を特定することが重要だと同氏は強調した。
1-2. 博士課程と実務の逆転現象
ショーバード氏は、博士課程では研究時間の5%程度しかデータに割かれず、95%がアーキテクチャに費やされていたのに対し、実務(プロダクション環境)ではその配分が逆転すると指摘した。かつては25対75程度だった比率が、現在では3%対97%までデータ側に偏っているという。Transformerアーキテクチャが十分に機能するようになった今、モデルの性能を左右するのはアーキテクチャそのものよりも、学習に使うデータの質であるとの見方を示した。
1-3. 「データセットは製品である」という視点
ショーバード氏は、専門家データとRL(強化学習)環境の両方が、経済活動全体を自動化する上で不可欠だと説明した。検証可能な報酬を伴うRL環境に加え、デザインの良し悪しやコードの保守性といった「好み(preference)」に関わる主観的なデータ、医師同士でも意見が分かれるような医療判断など、多様なタイプのデータが必要になるという。
同氏は、良質なデータセットやRL環境の構築には非常に高い専門性が求められるとし、「単純そうに見える在庫あり/なしの判定タスクでも、商品を陳列棚の手前に押し出しているだけの状態をどう分類するかなど、詳細な設計判断に多くの時間を要した」と実例を挙げた。また、SalesforceのようなSaaSのUIが変更されるたびに、既存の大量データがあっても新たなデータ収集が必要になる例を挙げ、「データの終端価値がゼロになる」という主張がいかに誤っていたかを強調した。
1-4. AIモデルはまだ「専門家」に勝てていない
ショーバード氏は、自身がX(旧Twitter)に投稿した分析を紹介し、「S&P500の向こう7日間のリターン予測において、コイン投げのランダムな結果に勝てるAIモデルは、現時点で商用利用可能なものの中には一つも存在しない」と述べた。ゴールドマン・サックスのトレーダーのような専門家の実際の意思決定データがあれば改善する可能性があるが、現状そうしたデータは存在しないという。会計士、医師、弁護士といった各専門領域でAIが人間の能力に匹敵、あるいは凌駕するためには、各分野の専門家データが不可欠だと結論づけた。
1-5. 「データ企業=アプリ」というアナロジー
ショーバード氏は、データ企業の存在意義を「スマートフォンのアプリ」に例えて説明した。LLMが優れた医師、会計士、弁護士、トレーダーとして機能するためには、それぞれの領域に特化した最新かつ高品質なデータとRL環境が必要であり、「この分野でどれだけのデータ企業が存在しうるか」という問いは、「スマートフォンにどれだけのアプリが入っているか」と同じ発想で捉えるべきだと述べた。同氏は、AnthropicやOpenAI、Google、Appleといった大手が個別に「AI医師」の専門データ整備に注力するよりも、専門化した一社が医師ネットワークを構築し、患者ごとの複数の治療経路を比較検証するデータを整備する方が合理的だとの見方を示した。
2. ヴィンセント・チェン氏(Snorkel AI) ― エージェント評価の技術と「Senior SWE-Bench」
Snorkel AIの創業メンバーであるヴィンセント・チェン氏は、「専門知性のスケーリング」をテーマに、同社が10年以上取り組んできたデータ研究の変遷を語った。
2-1. 「データ1.0」の限界 ― 手動ラベリングの構造的課題
チェン氏は、Snorkelが2010年代半ばに取り組み始めた「データプログラミング」という手法を紹介した。手動でのデータラベリングには、①スケールしないコスト構造、②ノイズへの脆弱性、③仕様変更のたびにゼロからやり直す必要がある、④判断の根拠(プロヴェナンス)が残らない、という4つの構造的課題があるという。特に、非常にニッチな専門領域を持つ医師(MD/PhD)などから、MRIデータや電子カルテのような大規模なラベル付きデータセットを得ることは、実質的に不可能に近いと指摘した。
Snorkelが開発した「ラベリング関数」の考え方は、専門家がスパムか否かを判断する際の理由・ヒューリスティックを明文化することで、暗黙知をより再現性・スケーラビリティの高い形に変換するというものだ。さらに、複数の(不完全で重複する)判断ソースから真の正解を推定する「弱教師あり学習」の理論を導入し、正解データがない状況でも各ソースの精度を統計的にモデル化する手法を確立したという。
2-2. 「データ2.0」時代 ― コーディングエージェント評価の新基準
チェン氏は、コーディング分野を例に、AIエージェントが扱うタスクの複雑性が増すにつれ、データやベンチマークに求められる水準も上昇し続けていると説明した。同氏らがプリンストン大学のオリジナルSWE-Benchチームと共同開発した新ベンチマーク「Senior SWE-Bench」を紹介し、「私たちは既にコーディングエージェントをシニアエンジニアのように信頼し、アーキテクチャ判断やコードベース全体のリファクタリングを任せているにもかかわらず、評価方法は依然としてジュニアエンジニア向けのままだ」と課題を指摘した。
同ベンチマークでは、タスクの指示を具体的すぎる仕様書ではなく、Slackメッセージのような自然言語での指示に近づけ、より実務に近い形にしたという。また、「妥当性検証エージェント(validation agent)」という仕組みを導入し、シニアエンジニアの暗黙知を、実際のコードパスに対して実行可能なテストスクリプトへと変換する手法を確立した。これにより、正確性やマージ可能性だけでなく、コードが「テイスト(taste)」、つまりシニアエンジニアが実際に信頼して書くようなコードスタイルに合致しているかを評価する「テイスト付き合格(tasteful pass)」という新指標を導入した。
チェン氏は、直近のベンチマーク結果として、「Fable、Opus、Soul(それぞれAnthropicのモデルとみられる)が同率で首位に立っている」と明かし、「パレートフロンティアが着実に押し広げられていることを示している」と述べた。同氏は最後に、より多くのベンチマーク開発を業界に呼びかけ、Snorkelが提供する「オープンベンチマーク助成金」制度についても紹介した。
3. ヴォロ・クレショフ氏(Inception Labs) ― 拡散型言語モデルで音声AIを加速
Inception Labs共同創業者のヴォロ・クレショフ氏は、同社が開発する「拡散型言語モデル(diffusion language model)」について説明した。
3-1. トークンを逐次生成しない新方式
従来のLLMが左から右へ逐次的にトークンを生成するのに対し、拡散モデルは、ノイズを含んだ初期出力からスタートし、複数ステップの精緻化を経て全トークンを同時並行的に生成する。この方式の最大の利点は速度であり、同社の最新モデル「Mercury 2」は毎秒1,000トークンを超える速度を実現しているという。これは従来の自己回帰型モデルでは到達し得ない水準だとクレショフ氏は説明した。
3-2. リアルタイム音声AIへの応用
クレショフ氏は、リアルタイム音声エージェント(カスタマーサポートや教育分野で活用)を主要な応用先として挙げた。従来の音声パイプラインは、音声認識・LLM・音声合成のカスケード構造となっており、全体のレイテンシーはLLM部分がボトルネックになっているという。Mercury 2のように毎秒1,000トークンの速度を実現できれば、リアルタイムの会話がよりシームレスになるほか、より大きなモデルの活用や、モデルに長く「考えさせる」ことで品質を大幅に改善できる余地が生まれるとした。
同社の比較データでは、1,200億パラメータの「GPT-OSS」モデル(Cerebras上で稼働)と比較しても、Mercury 2は品質・速度の両面で優れたパレートフロンティアを描いているという。クレショフ氏は「専用チップを使わずとも、より賢いソフトウェアによってGPU上で同等の速度を実現できる」という点を強調した。
3-3. 「Tau Forge」による合成RL環境の生成
音声モデルの品質向上には、アルゴリズムに加えてデータが極めて重要だとクレショフ氏は指摘した。現在最も広く使われるベンチマーク「Tau-Bench」には、実世界の複雑性を十分に捉えられていない、ベンチマーク特化(ベンチマクシング)が進んでいるといった課題があるという。実際、Tau-Bench上では多くのモデルが90%台のスコアを記録する一方、実際の本番運用ログで同じモデルを走らせると、スコアは大幅に低下し、モデル間のばらつきも拡大するとした。
これに対応するため、同社は「Tau Forge」と呼ばれるエージェント型システムを開発した。実際のユーザー利用データや、インターネット全体をクロールして構築した「ビジネス知識グラフ」をもとに、銀行業務や航空券予約といった多様なドメインの合成RL環境を自動生成する仕組みだという。タスクの難易度調整には「ハードニング(hardening)」という手法を用い、モデルが常に解けてしまう簡単すぎるタスクや、逆に学習信号を得られないほど難しいタスクを排除しているという。
クレショフ氏は、Tau Forgeで生成した初期タスクセットで学習させたところ、プレビューモデル「Mercury 2.5」の精度が約50%から23%以上向上し、オープンソース・クローズドソース双方の最先端モデルに匹敵する水準に達したと明かした。
4. シェーン・ロンプレ氏(Anthropic) ― 多言語事前学習における「相乗効果マトリクス」
MITで博士号を取得したばかりのシェーン・ロンプレ氏は、Googleでのインターン中に取り組んだ研究として、多言語事前学習における言語間の転移(相乗効果と干渉)について発表した。同氏は現在Anthropicに所属している。
4-1. 英語偏重の学習データが抱える構造的な壁
ロンプレ氏は、現在の主要なスケーリング則・混合則に関する研究の99%が英語の学習データと評価に基づいていると指摘した。例として、話者数約8,000万人のタイ語を挙げ、一般的なCommon Crawlベースの事前学習コーパス「MADLAD-400」において、タイ語のトークン数は英語のわずか0.6%に過ぎないと説明した。
タイ語だけを使って単言語モデルを学習させようとしても、データ量が少なすぎるため、同じデータを何度も繰り返し学習することになり、結果としてタイ語データに過学習してしまうという問題が生じる。
4-2. 「言語間相乗効果マトリクス」の発見
ロンプレ氏の研究チームは、ある言語の学習曲線が、別の言語と組み合わせた場合にどう変化するかを定量的に測定する手法を確立した。その結果、言語ペアごとの「相乗効果(シナジー)」または「干渉」を表す大規模な言語間転移マトリクスを構築した。
例えば、スペイン語にとってはポルトガル語・イタリア語・フランス語が強い相乗効果を持つ一方、日本語は最も悪影響(干渉)を及ぼす言語だったという。興味深いことに、この関係性は非対称であり、「ポルトガル語がスペイン語に有効だからといって、スペイン語がポルトガル語に有効だとは限らない」ことが実証されたと同氏は説明した。また、聴衆への質問形式で、「同じ文字体系を共有すること」と「同じ言語系統に属すること」のどちらがより言語間相乗効果に寄与するかを尋ね、「文字体系の方がやや影響が大きい」との研究結果を明らかにした。これはトークン化の仕組みに起因するという。
4-3. モデルサイズによる相乗効果の変化
ロンプレ氏は、このマトリクスがモデルサイズによって変化する点も指摘した。モデルサイズを大きくすると、干渉関係にあった言語ペアの多くが相乗効果へと転じる一方、モデルサイズを小さくすると、あらゆる言語がモデル内の限られた表現領域を奪い合い、干渉関係に陥るという。
4-4. 実務者向けのスケーリング則の提示
最後にロンプレ氏は、従来のChinchillaスケーリング則を、対象言語(単言語転移)・近縁言語(マトリクス上の近い言語)・その他全言語という複合的な要素に分解したモデルを提示した。この手法により、開発者は保有するデータ量と計算資源から、特定の言語のためにゼロから事前学習すべきか、既存の多言語モデルをファインチューニングすべきかを判断できるようになるという。また、対応言語数を増やす際に必要となる追加データ量やモデルサイズの拡大幅についても、定量的な指針を示せることを明らかにした。
