国産AI開発プロジェクト「GENIAC」の339億円は、何を生んだのか

関連記事：

第1章：はじめに

経済産業省とNEDOが推進する「GENIAC（Generative AI Accelerator Challenge）」というプロジェクトがある。2024年2月に始まり、国内企業にGPU計算資源を補助することで、国産の生成AI基盤モデルの開発を後押しする——というのが公式の説明だ。3期で延べ約50社を採択し、公募総額は339億円に上る。

本稿では、GENIACが何をしていて、何が成果として生まれているのか（あるいは生まれていないのか）を、規模・技術・制度・産業政策の4つの観点から整理する。

なお、本稿で分析する構造は、IT業界で働く自分自身にとっても他人事ではない。この構造はAI関連のサービス開発に携わる企業全般に影響しうるもので、その引力圏の外にいると断言はできない。その前提を踏まえた上で、構造を見に行きたい。

第2章：GENIACの予算規模 ── OpenAI・フランスと桁が2つ違う

GENIACの公募総額339億円は、日本円では大きな数字に見える。だがこの領域における国際的な投資規模と比較すると、風景が一変する。なお、以下で並べる数字はそれぞれ性質が異なる——GENIACは国の補助金、OpenAIは一企業の支出、フランスは民間投資コミットメントの総額だ。単純な比較はできないが、この領域で動いている資金の桁感を把握するために並べる。

OpenAIは2024年だけで計算資源に合計約70億ドル（約1兆500億円）を費やした。内訳は、研究開発（訓練・実験・研究）に約50億ドル、推論（モデルの稼働）に約20億ドルだ。ただし、より新しい調査ではOpenAIの2024年の推論支出が約38億ドルに達していた可能性を指摘する報告もあり、合計はさらに大きい可能性がある。GENIACの総予算はOpenAIの年間支出の約3%にすぎない。

さらにOpenAIは2025年以降、SoftBank・Oracle・AWS・CoreWeave等と合計1兆ドル規模のインフラ投資コミットメント（Stargateプロジェクト等）を発表している。年間ではなく累計だが、それでもGENIACとは桁が3つ違う世界だ。

欧州に目を向けても差は歴然としている。フランスは2025年2月のAI Action Summitで、フランスのAIセクターに対する1,090億ユーロ（約17兆円）の民間投資コミットメントを発表した。内訳はUAEからの300〜500億ユーロ、カナダのBrookfieldからの200億ユーロなど海外からの投資が大半を占めており、フランス政府が自ら投じる金額ではない。だが、これだけの資金がフランスに向かっていること自体が重要だ。Mistral AIは単独で累計約28億ユーロ（約4,600億円）を調達し、18,000基のNVIDIA Grace Blackwellチップを備えたデータセンター「Mistral Compute」を構築している。

339億円では、基盤モデル開発の「競争力」は構造的に確保できない。経産省自身もこれを理解しているようで、第1期の成果報告会では「国内の生成AI研究開発の基礎体力づくりが実施できた」と総括している。「競争力」ではなく「基礎体力づくり」——この言い換えに、プロジェクトの実態が表れている。

第3章：GENIAC採択企業の特化モデル戦略 ── 堀の深さは領域で決まる

「汎用で勝てないなら、特化で勝負すればいい」——GENIACの採択企業の多くはこの戦略を取っている。実際、第1期の成果報告でも「汎用モデルから特化モデルに舵を切った事業者が多い」とされている。

採択企業が手がけている領域を見ると、大きく3つに分かれる。

類型1：汎用モデルと正面競合する領域（FAQ・文書要約・業務自動化）

NRI（野村総合研究所）は金融業界向けの特化型モデルを構築している。ABEJAはミッションクリティカル業務向けのAIエージェント開発に取り組んでいる。これらの領域——文書要約、FAQ応答、問い合わせ分類、業務自動化——は汎用モデルが最も得意とする中核領域であり、汎用モデルの次のバージョンが「ついでに」上手くなる可能性が高い。特化モデルの優位性が最も持続しにくい領域だといえる。

類型2：日本語の業務文書理解（製造業の暗黙知・図表読解）

ストックマークは製造業の暗黙知を含むビジネスドキュメント読解に特化した基盤モデルを開発しており、日本語ドキュメント理解でGPT-4oを上回る精度を達成した。リコーも企業内ドキュメント群を読み取るマルチモーダルLLMを開発している。図表やレイアウト情報を含む日本語の業務文書は、英語中心で訓練された汎用モデルが相対的に苦手とする領域であり、現時点では一定の堀がある。ただし、この堀も汎用モデルの次の世代交代で急速に縮まる可能性がある。

類型3：物理世界と結びつく領域（自動運転・医療）

Turingは完全自動運転に向けたマルチモーダル基盤モデルを開発し、カメラ映像から対象物を認識する視覚-言語モデル「HERON」を構築した。プレシジョンは医療用途特化型LLMで、診療音声のリアルタイム要約やガイドライン検索を行う。自動運転や医療のように、物理的なセンサーデータや法規制に縛られた領域は、汎用モデルがAPIだけでは代替しにくい。この領域の堀は最も深い。こうした領域に限れば、GENIACの計算資源支援が実用的な開発を加速した可能性はある。

問題は、採択企業の多くが第一・第二の領域に集中していることだ。第三の領域（自動運転、医療など）は少数にとどまる。

そして、第一・第二の領域では、汎用モデルの世代交代のたびに堀が埋められてきた実績がある。GPT-3.5では不十分だった日本語の要約精度がGPT-4で大幅に改善されたように、汎用モデルの進化は特化領域の堀を構造的に埋めていく。

なぜそうなるかといえば、規模の差が実験の量の差に直結するからだ。OpenAIの2024年のR&D費用約50億ドルのうち、実際にリリースされたモデルの最終訓練に使われたのは10億ドル未満で、大半は実験・研究・未リリースモデルの訓練に費やされている。つまり、彼らは「失敗を大量に回せる資金力」を持っている。339億円ではその実験量に太刀打ちできない。

ここで「DeepSeekは少額の投資で高性能なモデルを作ったではないか」という反論がありうる。2025年1月に公開されたDeepSeek R1は、OpenAIやAnthropicに比べればはるかに少ない資金で競争力のあるモデルを開発したとされ、「規模がすべてではない」ことを示した事例として注目を集めた。だが、DeepSeekの背景には中国のAI研究者エコシステムの厚みと、先行するモデル群から得られた知見の蓄積がある。さらに重要なのは、DeepSeekの存在は「特化モデルの堀がさらに薄くなる」ことも意味するという点だ。低コストで高性能な汎用モデルが増えれば増えるほど、特化モデルが差別化できる領域は狭くなる。

特化モデルが優位性を持てるのは「汎用モデルがまだ弱い領域」だけだが、汎用モデルの進化速度が速すぎて、その「弱い領域」が半年単位で消えていく。339億円かけて掘った堀を、数兆円の投資が更地にしていくような構図だ。

ただし、ここで注意が必要なのは、実際の競争がモデル性能だけで決まるわけではないことだ。社内データベースとの接続、業務ワークフローへの統合、現場オペレーションへの組み込み——こうした「運用統合」の層で差別化できれば、モデル性能で汎用モデルに追いつかれても堀は残りうる。類型2（業務文書理解）や類型3（自動運転・医療）の堀が深いのは、まさにこの運用統合の層が厚いからだ。逆に言えば、類型1のようにモデル性能だけで勝負している領域では、堀は構造的に浅い。

唯一の例外があるとすれば、レイテンシとコストの制約で小型の特化モデルをローカルで動かす必要がある領域（工場のリアルタイム検査など）だが、推論コストも年々下がっており、この優位性も時間の問題だ。

第4章：「国産AI基盤モデル」の定義を検証する ── Rakuten AI 3.0とDeepSeek V3の事例から

GENIACの根底には「国産の基盤モデルが必要だ」という前提がある。この前提がどこまで成立するかを確認しておきたい。

ソフトバンクグループは、OpenAIに対して合計約410億ドル（約6兆円超）の投資を完了した。Stargateプロジェクトの共同リーダーとしてAIインフラの構築にも深く関与している。一方で、子会社のSB Intuitionsを通じて国産LLM「Sarashina」の開発も進めており、AI計算基盤に約1,500億円を投じている。つまり、国産開発を完全に放棄したわけではない。だが、桁が2つ違う投資をOpenAI側に振り向けたという事実は、市場構造がどちらに向いているかを示している。

「経済安全保障」の文脈で、「海外にデータを流すリスク」が語られることがある。だがこの議論には矛盾がある。日本企業はGoogle検索、AWS、Microsoft 365、Slackを日常的に使っている。海外のクラウドサービスに業務データを預けることを問題視しないのに、LLMのAPIだけを問題視するのは整合性がない。

確かに、LLMのAPI利用では社内文書をプロンプトに入れて処理させるため、検索エンジンより情報量が多い。防衛・医療・金融の一部データには法規制で国外持ち出しが制限されているケースもある。また、API提供元の契約条件変更や価格改定に依存するリスク、地政学的な緊張による供給遮断の可能性も理論上はある。これらは「国産」を正当化する材料になりうる。だが、それだけで339億円の国家プロジェクトを正当化できるかというと、現時点では根拠が十分とは言いにくい。

そもそもソフトウェアに国境はない。自動車や半導体は物理的なサプライチェーンがあるため、有事に輸入が止まれば困る。「国産」に安全保障上の意味がある。だがLLMはAPIである。契約さえあれば世界中どこからでも使える。フランスのようにインフラの運用場所を制限する規制があれば話は変わるが（第5章で詳述する）、日本にはその規制がない。「国産で守る対象が何なのか」が具体化されないまま、「国産」が目的化している面がある。

この「国産とは何か」という問いが、2026年3月に具体的な事例として表面化した。楽天グループはGENIACの一環として開発した「Rakuten AI 3.0」を3月17日に公開し、「国内最大規模」の高性能AIモデルとして発表した。しかし公開直後、Hugging Face上の設定ファイル（config.json）にDeepSeek V3系のアーキテクチャを示す記述が確認され、技術コミュニティで議論が広がった。楽天は「オープンソースコミュニティ上のモデルを基に、独自のバイリンガルデータや技術力を投入して開発」と説明していたが、ベースモデルの出自が発表時に前面に出ていなかったことが、説明の整合性への疑念を生んだ。

ここで重要なのは、楽天の技術的判断自体を問題にすることではない。海外のオープンモデルをベースに日本語最適化を行うのは、現在のAI開発では合理的なアプローチの一つだ。海外の技術メディア（Aitoolsbee）が日経の報道として伝えたところによれば、日本企業の主要モデル10件のうち6件がDeepSeekまたはQwenをベースとした二次開発だという。問題は、GENIACという国家プロジェクトの文脈で「国産」「国内最大規模」という言葉が前面に出たとき、その言葉が何を意味するのかが定義されていないことにある。アーキテクチャが海外製で、訓練データの一部と日本語ファインチューニングが国内で行われたモデルは「国産」なのか。この問いに対する明確な基準がないまま、339億円の公的資金が「国産AI開発」に投じられている。

なお、本稿執筆時点（2026年3月20日）で、楽天はベースモデルについて「非開示」として回答を避けており、Hugging Face上のDeepSeek表記については「サイトの仕様上の問題」と説明している（ITmedia 2026年3月19日報道）。

第5章：フランス（Mistral AI）との決定的な差 ── EU AI ActとGDPRが作る需要

ここまでの議論に対して、「でもフランスはMistral AIで成功しているじゃないか」という反論があるかもしれない。フランスの事例は、GENIACの構造的な欠陥を逆側から照らし出すので、詳しく見る価値がある。

フランス、そしてEU全体には、GENIACにはないものがある。それは「規制」だ。

EU AI Actは、高リスクAIシステムに対して透明性・監視・データガバナンスの厳格な基準を課している。GDPRはデータの域外移転を制限している。米国のCLOUD Actは、米国企業が保有するデータに対して米国政府がアクセスできる権限を定めている。これらの規制の組み合わせにより、EU圏内では「海外（特にアメリカ）のAIモデルを使いにくい領域」が制度的に生み出されている。

この「規制による需要創出」が、Mistral AIのビジネスモデルを成立させつつある。2026年1月、フランス国防省はMistral AIとフレームワーク契約を締結し、フランスが管理するインフラ上でのみ稼働させることを条件にした。SAP、フランス政府、ドイツ政府と共同で公共機関向けのAIスタック構築も進んでいる。Mistral AIのCEO Arthur Menschは2026年1月のダボス会議で「2026年末までに売上10億ユーロ（約1,600億円）を超える見込み」と発言しており、2025年9月時点のARR約3億ユーロからの急成長を見込んでいる。この目標が達成されれば、GENIACの総予算を1社の年間売上が大きく上回ることになる。ただし、これはあくまで経営者の見通しであり、達成を前提に議論すべきではない。

それでも構造的に重要なのは、Mistralに「売れる先」が制度的に存在している点だ。フランスでは「規制→国産モデルの需要→民間資金の集中→性能向上→さらなる需要」という好循環が回り始めている。一方、日本には以下の要素が欠けている。

• EU AI Actに相当する規制がない（2025年施行のAI関連法はあるが、モデルの出自を制限する内容ではない）

• 「国産モデルを使わなければならない」制度的な強制力がない

• 結果として、国産モデルより安くて高性能なOpenAIやClaudeが選ばれ続ける

需要なき供給は、産業政策として機能しない。GENIACは供給側（モデル開発）に339億円を投じたが、需要側（モデルを使う理由）を制度的に作ることをしなかった。これがフランスとの決定的な差だ。

第6章：GENIACの339億円は何を生んだのか

ここで、GENIACが実際に生んだ成果を整理しておきたい。

確認できる成果：開発経験の蓄積とコミュニティ形成

第一に、基盤モデルを実際に開発する経験が国内に蓄積されたことは事実だ。基盤モデルの開発経験がなければ、オープンソースモデルのファインチューニングすらまともに設計できない。339億円で延べ約50のテーマが「やってみた」経験を積んだことは、将来のAI活用人材の層の厚みにつながる可能性がある。

第二に、3,000人超の開発者コミュニティが形成された。Slackでの情報交換、有識者セミナー、開発者と利活用企業のマッチングイベントなど、開発者同士のネットワーキングの場ができたこと自体には価値がある。

第三に、一部の採択企業は特定ベンチマーク上で成果を出している。ストックマークの日本語ドキュメント理解でのGPT-4o超え、Turingの国内最高水準の視覚-言語モデル、国立情報学研究所が失敗を含めた知見をすべてオープンにした取り組みなどがこれにあたる。

第2章で触れた通り、経産省自身が第1期を「基礎体力づくり」と総括しているのは、この意味では正直な評価だ。

確認しにくい成果：産業競争力と商業的成功

一方で、339億円の産業政策として見たときに、確認しにくいものもある。

採択企業のモデルが商業的に成功した事例が見当たらない。Preferred Networksの「PLaMo Lite」など商用化の動きはあるが、売上規模は公開されていない。「GPT-4oを上回った」成果も、GPT-4oが過去のモデルになった時点で意味が薄れる。もっとも、第1期の開発期間は2024年2月〜8月で、まだ2年も経っていない。産業政策の成果が商業的成功として表れるには通常5〜10年を要するため、「今の時点で成果がない」ことだけを根拠に失敗と断じることはできない。ただし、339億円に見合う産業競争力への転換の道筋が見えているかという問いに対しては、現時点で肯定的な材料は乏しい。

成果だけでなく、採択プロセス自体にも疑問がある。第2期に採択されたオルツ社は、約7.9億円分のGPU計算リソースの交付決定を受けた。しかし2025年7月、同社の売上の大半が架空であったことが第三者委員会の調査で明らかになり、NEDOは2025年8月に支援決定を取り消した。オルツは上場からわずか10か月で上場廃止・民事再生に至り、元経営陣4人は金融商品取引法違反で逮捕された（2025年10月28日、証券取引等監視委員会が東京地検に告発）。

これは一企業の不祥事にとどまる話ではない。売上の大半が架空だった企業が、国家プロジェクトの採択審査を通過し、約7.9億円の国費の交付決定を受けていた。技術力の評価以前に、事業の実態を検証する仕組みが採択プロセスに組み込まれていたのかという問題だ。

PR的価値が先行する構造

もう一つ指摘しておきたいのは、採択という事実がPR材料として独立した価値を持つ構造だ。

採択企業はプレスリリースで「経済産業省・NEDOの国家プロジェクトに採択」と発信する。これは資金調達時のIR資料やピッチデッキにおいて信用補強の材料として機能する。成果報告会も、外部の独立した技術評価ではなく、採択企業が発表し経産省・NEDOが総括するという内部報告の形式になっている。

この構造自体は、関係者全員にとって合理的に機能している。経産省は「国産AI開発を支援した」と言え、NEDOは事業を執行でき、採択企業はPR材料を得られる。問題があるとすれば、この合理性が「技術的な成果」や「産業競争力の向上」とは別の方向に最適化されていることだ。

339億円の「基礎体力づくり」としては一定の意味がある。だが、339億円の「産業政策」としての成果は、まだ見えていない。

第7章：同じ339億円で取りえた選択肢 ── 基盤モデル開発以外の道

ここまでの分析を踏まえ、同じ339億円で何ができたかを考えてみる。

参考になるのは半導体の事例だ。日本の半導体産業は1980年代に世界を席巻したが、その後「国産」にこだわり続けた結果、TSMCやSamsungに完敗した。2020年代に入り、日本政府はようやく方針を転換した。TSMCの熊本工場誘致は、「国産で作る」を諦めて「グローバルのトップを国内に引き込む」戦略への転換だった。

GENIACが同じ発想を取っていたらどうだったか。

第一に、グローバルモデルの活用・実装への投資。 基盤モデルをゼロから作る必要はない。Meta（Llama）やMistralがオープンソースで公開しているモデルを、日本語や業界固有のデータでファインチューニングする人材を育成するほうが、実用的かつ費用対効果が高い。339億円の大半をモデル開発ではなく、活用側に振り向けるという選択肢はあった。

第二に、制度設計との連動。 フランスの事例が示しているのは、EU AI ActとGDPRが「国産モデルを使わざるを得ない」状況を制度的に作ったことの効果だ。日本でも、防衛・医療・行政など特定の高リスク領域で、国産または国内運用モデルの利用を義務付ける規制を先に作っていれば、需要が自然に生まれた可能性がある。需要があれば、民間資金も集まる。

第三に、アプリケーション層への集中投資。 GENIACの後発施策である「GENIAC-PRIZE」は、基盤モデル開発ではなくAIアプリケーションの社会実装を対象としている。方向性としてはこちらのほうが現実的だが、基盤モデル開発への予算と比べて規模が小さい（懸賞金総額約8億円）。比重の逆転も選択肢としてはありえた。

ただし、これらの「代案」もそれぞれ構造的な難しさを抱えている。ファインチューニング人材の育成は、基盤モデル開発ほど華やかではなく政治的な推進力を得にくい。規制の導入は産業界の反発を伴う。「やればよかったのに」と事後的に言うのは容易だが、それを実行する構造を作ることは容易ではない。

第8章：おわりに ── 「作る」から「使い倒す」へ

ここまで整理してきた中で浮かび上がるのは、GENIACの問題が技術力の不足ではなく、構造にあるということだ。

• 規模で勝てない（年間70億ドル vs 累計339億円）

• 特化の堀が持続しない（汎用モデルの進化速度）

• 「国産」であること自体に差別化がない（ソフトウェアの性質）

• 需要を制度的に作れていない（規制の不在）

• 成果が「基礎体力づくり」にとどまり、産業競争力への転換が見えない

日本の産業政策には「国産にこだわる」という繰り返しのパターンがある。携帯電話では独自規格で作れたが世界で売れなかった。半導体では製造競争力を失った。AIでは、そもそも作る段階で規模が足りない。パターンの現れ方は異なるが、「国産であること自体を目的化し、グローバルな競争構造の中でのポジションを設計しない」という共通の構造は見える。

339億円は、国産AIを「作る」ためではなく、グローバルのAIを日本の産業にどう「使い倒す」かに振り向けるという選択肢もあった。TSMCの熊本誘致が「国産半導体」ではなく「世界最高の半導体工場を国内に引き込む」戦略だったように、AIでも同じ発想の転換が求められている。

基盤モデル開発力が国際競争力を決する——という前提自体を疑うところに、次の議論の起点があるのではないだろうか。

2026年3月