中国のオープンソースAIエコシステムにおけるアーキテクチャ選択：DeepSeek R1からハードウェアファースト、MoE主導の風景へ

TL;DR – DeepSeek モーメント後に何が起きたか

DeepSeek R1のオープンソースリリースから1年後、中国のAIコミュニティは最大単一モデル性能の追求から、柔軟でコスト効果が高く、ハードウェアに配慮した AIシステムの構築へとシフトしました。

  • Mixture‑of‑Experts (MoE) がデフォルトアーキテクチャに – リクエストごとに「エキスパート」の一部だけを活性化することで、巨大モデルを手頃なコストで運用可能にします。
  • マルチモーダルレースが急速に拡大 – テキスト‑ツー‑イメージ、動画、音声、3‑D、エージェントモデルが同時にリリースされ、すべてがフルツールチェーンと共に提供されました。
  • 小型モデル（≤30 B）が急増 – ローカルでの実行、ファインチューニング、業務フローへの組み込みが容易です。大規模MoEモデルは蒸留用の「教師」ネットとして機能します。
  • Apache 2.0 / MIT ライセンスが主流に – 許容的な条件が法的摩擦を除去し、商用採用を加速させました。
  • ハードウェアファーストの考え方 – リリースは国内チップ（Huawei Ascend、Cambricon、Kunlun など）向けに量子化、推論、サービングスタックが調整され、トレーニングパイプラインもオープンに文書化されています。

これらのトレンドは、競争優位が単なるモデルサイズからシステム設計、デプロイ効率、オープンソースエコシステム統合へとシフトしていることを示しています。

1. MoE – 選択されるアーキテクチャ

「強力な推論はオープンで再現可能であり、実際にエンジニアリングできる」 – DeepSeek R1チーム

  • なぜ MoE か？ 巨大なパラメータプールを多数のエキスパートに分割し、疎に活性化します。単一の推論は全計算量のごく一部だけを使用するため、推論コストを大幅に削減しつつ、100 B 超モデルの能力を保持できます。
  • 実世界へのインパクト: Kimi K2、MiniMax M2、Qwen‑3 などが MoE を採用し、以下を実現しています。
    • リクエストごとの計算リソースを動的にスケール（シンプルなクエリ vs. 複雑な推論）。
    • 異種ハードウェアへの展開 – 低コストのエッジデバイスでも、エキスパート数を減らすだけで同一モデルを走らせられます。
  • 戦略的成果: 中国は絶対的なベンチマーク至高性よりも持続可能なパフォーマンスを優先し、計算予算の制約や輸出管理圧力に適応しました。

2. モダリティ・アームズレース

「動画生成ツール、3‑D コンポーネント、蒸留データセット、エージェントフレームワークが同時に出現したことは、再利用可能なシステムレベルの機能を示していた」 – ブログ著者

モダリティ 注目すべきオープンリリース（2025‑2026） 主な特徴
テキスト‑ツー‑イメージ / イメージ‑ツー‑ビデオ Step‑1X‑Edit, Hunyuan Video 高忠実度生成、編集 API、エッジ‑to‑クラウドパイプライン
オーディオ / スピーチ‑ツー‑スピーチ Step‑Audio‑R1.1, Step‑Audio‑R1 最先端 TTS と音声変換、オープン評価スイート
3‑D & バーチャルワールド Hunyuan 3D, GLM‑Image (vision‑augmented) メッシュ生成、テクスチャ合成、リアルタイムレンダリングサポート
エージェント / ツール‑ユース Various open‑source agent frameworks (e.g., LangChain‑China) ツール呼び出し、メモリ、プランニングモジュールを統合

コミュニティは単に重みだけを公開するのをやめ、各リリースに以下を同梱しました。

  • 推論スクリプト（ONNX、TensorRT、FastDeploy など複数ランタイム対応）
  • データセットパイプライン（マルチモーダルでのファインチューニング用）
  • 評価ハーネス（マルチモーダルベンチマーク、人間‑in‑the‑loop テスト）

3. 小型モデル – 作業馬層

「計算リソースが限られた環境やコンプライアンス要件が厳しい環境では、これらのモデルが長期運用に最適だった」

  • パラメータ範囲: 0.5 B – 30 B。
  • 重要性:
    • 単一 GPU あるいはハイエンド CPU でも容易に実行可能。
    • ファインチューニングが高速 → 製品イテレーションが迅速。
    • コンプライアンスリスクが低減（攻撃面が小さく、監査が容易）。
  • エコシステムパターン: 大規模 MoE モデル（100 B – 700 B）が 教師 ネットとして機能し、知識が数十のコンパクトモデルに蒸留され、ピラミッド を形成します。
    • トップ: 巨大 MoE モデル – 研究ショーケース、能力上限。
    • ミドル: 30 B‑70 B 蒸留モデル – 高品質 API を SaaS 提供。
    • ベース: ≤30 B モデル – オンプレミス、エッジ、組込みアプリ。
  • コミュニティ指標: 月間 Hugging Face サマリーにおける小型モデルのダウンロード比率は、2025 年初頭の約 35 % から 2026 年中頃には >55 % に上昇しました。

4. ライセンス緩和 – Apache 2.0 が主流に

「より許容的なライセンスは、モデルの使用・改変・本番デプロイに伴う摩擦を低減した」

  • DeepSeek R1 前: カスタムや制限的なライセンス（例: CC‑BY‑NC‑SA）が混在し、法的不確実性が企業採用を遅延させていました。
  • 以降: Apache 2.0 と MIT が中国のオープンソース AI モデルの事実上のデフォルトとなりました。
  • 効果:
    • 企業はモデルを独自製品に組み込んでも再ライセンス不要。
    • クラウド事業者は国内インフラ上で「モデル‑as‑a‑service」を提供でき、個別交渉が不要に。
    • 国境を越えた学術協力が円滑化（GPL、BSD などとの互換性）。
  • データポイント: 「Open‑Source Heatmap」における Apache ライセンスのリリース比率は 12 %（2025 年 1 月） から 68 %（2026 年 10 月） に急増しました。

5. モデル‑ファーストからハードウェア‑ファーストへ

「目標は単に重みをダウンロード可能にすることではなく、モデルが国内ターゲットハードウェア上で直接動作できるようにすることだった」

5.1 推論‑ファースト バンドル

  • Day‑Zero ハードウェアサポート – DeepSeek‑V3.2‑Exp は Huawei Ascend と Cambricon 向けの実行バイナリを即提供。
  • 量子化パイプライン – モデルは特定 ASIC 向けに調整された INT4/INT8 バージョンでリリースされ、レイテンシと消費電力を大幅に削減。
  • サービングスタック:
    • Mooncake（Moonshot AI） – オープンソースの pre‑fill/decoding 分離、GPU/CPU 意識のスケジューリング。
    • FastDeploy 2.0（Baidu） – 極端な量子化 + クラスタレベル最適化。
    • Qwen ecosystem（Alibaba） – モデルリポジトリ → Docker イメージ → クラウドデプロイまでのエンドツーエンド CI/CD。

5.2 トレーニング側の透明性

  • Ant Group – Ling: 国内 AI チップを使用した結果、1 兆トークンあたりコストが 5 % 削減されたことを文書化。
  • Baidu – Qianfan‑VL: 5 000 ノードの Kunlun P800 クラスタトポロジーとパイプライン並列戦略を公開。
  • Zhipu – GLM‑Image & Telecom – TeleChat3: 完全に国内チップでのトレーニングを発表し、トリリオントークン規模モデルのフルトレーニングスタックが国内で完結できることを示しました。

5.3 戦略的示唆

  • 輸出管理へのレジリエンス: モデルとチップを共同最適化することで、NVIDIA/H100 クラス GPU への依存を低減。
  • エコシステムロックイン: オープンソースのサービングツール（Mooncake、FastDeploy）は国内ハードウェア SDK と密接に結合し、採用の好循環を生み出す。
  • 残るボトルネック: Zhipu のサインアップ制限など、ハードウェア供給が需要に追いついていないというリスクが依然として存在。

6. 再構築中 – 新たな競争環境

「中国企業はもはや孤立したモデルを最適化するだけではなく、オープンソース世界に適したフルエコシステム構築を目指す独自のアーキテクチャ路線を追求している」

  • システムレベルの競争 が生のベンチマークレースを上回っています。成功は以下で測定されます。
    1. クエリあたりのデプロイコスト（USD/1 M トークン）。
    2. ファインチューニングバリアントの市場投入までの時間（日 vs. 週）。
    3. ハードウェア非依存のポータビリティ（単一リポジトリが Ascend、Cambricon、NVIDIA で動作）。
  • オープンソースは戦略的資産: 重みだけでなく データセット、トレーニングスクリプト、推論エンジン 全体を公開することで、開発者・スタートアップ・学術界を引き付けるネットワーク効果が生まれます。
  • 将来展望（2026 年以降）:
    • Hybrid MoE‑Quantized models – エキスパートごとに動的に精度を切り替える。
    • エッジ中心エージェント – 低消費電力 ASIC 上でリアルタイム意思決定。
    • クロスモダリティ蒸留パイプライン – マルチモーダル教師を統一小型モデルに圧縮。

研究者・開発者・政策立案者への要点

  1. システム設計に注力 – オープンソース AI に貢献する際は、再現可能なパイプライン、ハードウェア対応量子化、サービングスクリプトを優先してください。
  2. 小型モデルを活用 – 実運用では小型モデルが支配的です。大規模 MoE 教師からの蒸留は高品質を実現する実証済みの手法です。
  3. ライセンスに注意 – Apache 2.0 と MIT が商用統合に最も安全な選択肢です。
  4. ハードウェア政策を監視 – 輸出管理の変化は大規模トレーニングの拠点と手法を再構築し続けます。
  5. モダリティ横断的に協業 – マルチモーダルオープンソースプロジェクトは収束しつつあり、クロスモダリティデータセットと評価スイートがコミュニティ標準となりつつあります。

DeepSeek モーメントは、中国の AI エコシステムを孤立したモノリシックモデルから、階層化されたハードウェアファースト、オープンソーススタックへと再構築させました。能力、コスト、戦略的独立性のバランスを取る新たなパラダイムが形成されています。

Sources