最強クラスのAIが「無料」で公開された。それでも僕らが自分で動かせない理由
GPT 5.6 Pro + Fable 5 で執筆。（←これを書く方が信頼性が高そうな時代）
Kimi K3が公開された。
中国のMoonshot AIが出した、総パラメータ2.8兆の巨大モデル。性能はフロンティア級に迫る。そして学習済みの重み（ウェイト）は、誰でもダウンロードできる。
正確には「オープンソース」ではなく「オープンウェイト」だ。重みは公開されているが、利用条件は独自ライセンスに従う。モデルをAPIなどで提供する一定規模以上の事業者には別契約が求められる。無条件のフリー素材ではない。
それでも、ニュースを見た瞬間、僕は「最強クラスのAIがタダで手に入るのか」と思った。
思ったんだけど、調べていくうちに、話はまったく逆の方向に転がっていった。
先に言っておくと、K3自体は公式サービスやAPI経由で、K3自体は、公式サービスやAPI経由ですでに利用できる。問題は「自分の手元で動かす」場合だ。そしてそこにこそ、このニュースの本質があった。
AIの希少性が、モデルから物理インフラへ引っ越した。
今日はその話を、なるべく専門用語を使わずに書いてみる。
レシピはタダになった。厨房が高すぎる
まず、Kimi K3がどれくらい「重い」のかを見てほしい。
総パラメータは2.8兆。ただしMoE（専門家混合）という仕組みで、1回の計算で実際に動くのは約1,040億パラメータ分。全部を毎回計算するわけじゃない。ここは効率化されている。
じゃあ軽いのかというと、そうでもない。
計算するのは一部でも、モデル全体の重みはメモリに載せておく必要がある。4bitに圧縮しても、重みの生データだけで理論上約1.4TB。実際の運用ではキャッシュやら冗長化やらが乗ってくる。公式が推奨するのは、GPUなどのAI向け計算装置を64基以上、高速に接続した構成だ。
64基。
たとえば72基のGPUを一つに束ねるNVIDIAの「GB200 NVL72」というラックは、1ラック約135kWと見込まれ、冷却は液冷が事実上前提になる。仮に定格近くで24時間動かせば、IT機器だけで年間100万kWhを超え、電気代は数千万円規模になる。さらに電源、冷却、高速ネットワーク、保守まで含めれば、設備一式が数億円単位になるのは十分あり得る。
個人はもちろん、普通の会社が自社設備として快適に常用するには、現実的でない数字だ。
つまりこういうことだ。
レシピは無料で公開された。でも、そのレシピを調理できる厨房が、数億円する。
タダになったのは「モデルの取得」だけで、「動かす能力とコストと責任」は、しっかり手元に残る。
競争のルールが変わった
これまでAIの競争は、「どこが一番賢いモデルを作るか」という話だった。OpenAIかGoogleかAnthropicか中国勢か、みたいな。
でも高性能なウェイトが無料で配られるようになると、価値の流れが変わる。ざっくり言うと、モデルの「下」と「上」に分かれて移動していく。
下（物理側）：GPU、メモリ、高速ネットワーク、電力、冷却、データセンター。ここが今、世界中で足りていない
上（業務側）：独自データ、業務フローへの組み込み、顧客接点。AIを実際に使って利益を出す部分
真ん中にあるモデル、とくに「学習済みウェイトを独占的に持っていること」の希少性は、下がっていく。モデルの品質や運用ソフトにはまだ差があるけど（Kimi自身も、最上位のクローズドモデルには総合力でまだ及ばないと認めている）、ウェイト単体では差がつきにくくなっていく。
だから本当の対立軸は「オープン対クローズド」じゃなくて、
モデルを持てるかどうかではなく、モデルを安定して・合法的に・採算が合う形で動かすための計算能力と運用力を、誰が握るか。
ここに移っていると僕は見ている。
ボトルネックは、消えない。移動する
「GPUが足りない」という話はよく聞く。じゃあGPUの供給が増えれば解決するのかというと、たぶん違う。
GPUが揃うと、次はメモリや高速ネットワークが詰まる。そこが解消すると、今度は変圧器、受電容量、冷却設備、建設要員が詰まる。設備が完成したら、今度は運用できる人材が足りない。
ボトルネックが解消されるのではなく、詰まる場所が次々に入れ替わっていく。
IEAの2026年予測では、世界のデータセンター電力需要は2025年の485TWhから2030年に約950TWh、つまりほぼ倍増する見通し。日本でも、2030年までの電力需要増加の過半をデータセンターが占める可能性があると、IEAは見ている。
「効率化すれば電力は減るのでは？」と思うかもしれない。僕も最初そう思った。
でも、効率化しても総電力需要が減るとは限らない。1タスクあたりの電力が10分の1になっても、使われる回数が20倍になれば総量は増える。特にAIエージェントは、人間が1回質問して1回答えるチャットと違って、裏で何十回も推論を回す。安くなるほど、使われる量が伸びる構造がある。
（これは経済学で「ジェボンズのパラドックス」と呼ばれる現象に近い。蒸気機関が効率化したら石炭消費が逆に増えた、という19世紀の話が、AIでも再演されつつある）
米中の戦い方は、思ったより非対称だった
ここが個人的に一番面白かった部分だ。
米国の強みは、賢いモデルを持っていることだけじゃない。NVIDIAのGPUとCUDA、巨大クラウド事業者、ドル資金、そして輸出管理。AIを動かすための重要な層を、まとめて押さえていることだ。実際、米国政府はH200やMI325Xなど、一部の高性能GPUの中国向け輸出を個別審査する体制を敷いている。供給の蛇口を握っているわけだ。
じゃあ中国側には何ができるか。
高性能モデルを、世界に公開する。
これは、中国政府とMoonshotが示し合わせているという話ではない。Moonshotにとっては、API利用や企業契約、開発者の獲得につなげる普通の事業戦略でもある。オープンウェイト自体、MetaやMistralなど各国の企業がやっていることだ。
ただし、地政学的な効果は大きい。高性能な中国製モデルが世界中の選択肢に入ることで、米国企業のクローズドAPIが持っていた希少性と価格支配力が弱まる。
しかも、モデルの学習コストはMoonshotが負担済みだが、それを動かすためのGPU、電力、運用費は、導入する側が負担する。
中国は計算資源を輸出するのではなく、「計算需要」を輸出できる。相手側にインフラ投資をさせる構造だ。ここが非対称で面白い。
で、日本はどうなのか
日本には米国型のフルスタックも、中国型の巨大市場もない。「全部国産化」は現実的じゃないと思う。
いま国内で実際に起きているのは、KDDIが大阪堺のデータセンターを2026年1月に稼働させてGB200 NVL72を導入したり、ソフトバンクが国内GPU基盤のβ提供を始め、2026年10月の一般提供を予定していたり、という動きだ。データを国内法の下で管理できることを売りにしている。
ただ、冷静に見るとこうなる。
たとえばK3を国内データセンターで動かすなら、中国企業が開発したモデルを、米国企業のGPUの上で、国内運用する構図になる。
データの置き場所という意味での主権はある。でもモデルの開発・更新は中国企業に、GPUと主要な運用ソフトは米国企業に依存したままだ。完全な主権ではなく、複数の国外依存を、国内運用によって管理している状態だと思う。
だから日本に必要なのは自給自足じゃなくて、依存先を交換できる余地を、設計段階から残しておくこと。モデルもGPUも、乗り換えは実際には簡単じゃないからこそ、最初から逃げ道を作っておく必要がある。
ここで、自分の足元に戻る
僕の作業環境の話をする。
先日、イベントで撮った768枚の写真から、納品候補の251枚を約20分で選別する仕組みを作った。自分で書いたスキルをAIに渡して、ブレやピント、重複をふるいにかけさせるやつだ。
このとき僕が手に入れたのは、AIそのものじゃない。どこかのデータセンターにあるGPUを、必要な時間だけ使う権利だ。
記事の下調べも、原稿の壁打ちも、全部同じ。僕の「AI活用」は、どこかの電力とGPUを、トークン単位で間借りしている状態だ。月々の利用料を払いながら、その利用料の先には、モデル会社、クラウド、NVIDIA、電力会社がいる。
個人レベルですでに、この記事で書いてきた構造の末端に組み込まれている。他人事として書ける話じゃなかった。
じゃあ、普通の会社はどう動けばいいのか
ここからは実務の話。
Kimi K3のAPI料金は、100万トークンあたり入力3ドル、出力15ドル（キャッシュ済み入力なら0.3ドル）。断続的な利用なら、数億円の設備の年間固定費と比べてAPIが圧倒的に安い。
選択肢は「APIか自社GPUか」の二択じゃない。実際には、
共有API → 国内の専用環境・予約容量 → 自社保有
という段階がある。多くの企業にとって、自社ホストは単純なコスト削減策ではない。データ主権や供給継続に対して払う保険料であり、十分に大きく安定した利用量がある場合にだけ、コスト面の合理性も出てくる。
逆に、「高性能モデルが無料になったから設備を買おう」は、たぶん一番危ない判断だと思う。
実務的に合理的なのは、こういう順番じゃないか。
AIで本当に価値が出る業務を特定する
小型モデルで済む範囲を確認する（意外と多い）
共有APIで需要量と成功率を実測する
必要なら国内の専用環境や予約容量を試す
複数モデルに切り替えられる設計にしておく
継続的な高稼働が証明されてから、初めて自社設備を検討する
比べるべき指標は「トークン単価」じゃなくて、成功した業務処理1件あたりの総コスト。安いモデルが3回失敗するなら、高いモデルで1発の方が安い。逆もある。
だから実際の運用は、簡単な処理は小型モデル、通常業務は中型、難問だけK3級、という「モデルの使い分け」に収束していくと思う。巨大モデルを常用エンジンにする必要は、たぶんない。
インフラ需要が増えても、全員が儲かるわけではない
ここでちょっと真顔になるんだけど、この構造変化で、最終的に誰が得をするのか。
少なくとも現時点で、最も明確に大きな利益を取っている企業の一つがNVIDIAだ。直近四半期のデータセンター売上は752億ドル。全社の粗利率（非GAAP）は75%だった。希少な部品を握る者が、最も大きな取り分を得ている。
ただし、この超過利益が永続する保証はない。
過去の鉄道も光ファイバーもそうだった。社会全体の利用は増え続けたのに、ブームの高値で過剰投資した個別企業は破綻した。AIインフラでも同じことが起こり得る。需要が増え続けることと、インフラ投資家が全員儲かることは、別の話だ。
価値の重心は、二段階で移動すると僕は見ている。
モデル → インフラ → 業務とデータ。
モデルが安くなり、インフラ供給も追いついた先で、最後に残る競争優位は、独自データを持ち、業務フローを握り、顧客接点を押さえ、AIで実際にコストと時間を削れた側だ。
そして一番危ないのは、「モデルが無料になった」という理由だけで、利用目的も稼働率も固まらないまま数億円の設備を買うこと。それはAIへの先行投資じゃなくて、今まさに一番高騰しているボトルネックを、最高値で買う行為になりかねない。
まとめ
Kimi K3が示したのは、AIそのものが無料になったことじゃない。無料になり始めたのはモデルのウェイトで、希少なのは、それを安定して動かす能力だ。
知能の「所有」は分散する。一方で、知能を「大量生産する能力」は、GPU、電力、ネットワーク、運用力を持つ側に集中する。
無料のレシピが増えるほど、厨房の価値は上がる。少なくとも、厨房が十分に増えるまでは。
僕自身は当面、APIを使う。次は自分のワークフローで、小型・中型・フロンティア級のモデルを実際に使い分けて、「成功した業務処理1件あたりのコスト」がどう変わるか測ってみたい。
たぶん、そこからが本当の実務の話だ。
参考リンク
#AI #KimiK3 #オープンウェイト #オープンモデル #データセンター #GPU #ソブリンAI #テクノロジー
人間証跡
