はじめに

2026年4月12日、ソフトバンク・NEC・ホンダ・ソニーグループの4社を中核とする新会社「日本AI基盤モデル開発」の設立が報じられた。

国産AI・官民連携・1兆円支援ーと並ぶワードだけ見ると「また大型プロジェクトが始まった」で終わりがちだが、技術者として「何を作るのか・なぜこの4社なのか・誰が得をするのか」を構造的に整理しておく価値がある。

この記事では以下の問いに事実ベースで答える。

パラメーター数とは何か、なぜ1兆が重要なのか
国内に競合はいるのか。なぜ既存勢と組まなかったのか
パラメーター数とフィジカルAIはどう繋がるのか
誰がどうハッピーになるのか

新会社の基本情報

項目	内容
社名	日本AI基盤モデル開発
設立	2026年4月
中核4社	ソフトバンク・NEC・ホンダ・ソニーグループ
中核4社の出資比率	各社それぞれ十数%
その他出資	三菱UFJ・三井住友・みずほ（3メガバンク）、日本製鉄、神戸製鋼所
技術連携	プリファードネットワークス（PFN）
開発人員	約100人規模のAI開発者
目標パラメーター数	約1兆（国内最大規模）
フィジカルAI目標時期	2030年度まで
政府支援	経産省：5年間で総額約1兆円（2026年度予算に約3000億円）
インフラ	ソフトバンクが6年間で2兆円のデータセンター投資

① パラメーター数とは何か

ひとことで言うと

「AIがどれだけ知識と文脈を保持できるか」を決める内部の調整値の総数

もう少し正確に

パラメーターとはAIモデルが学習を通じて獲得する数値変数であり、入力データから適切な出力を生成するための計算に使われる。人間の脳の神経細胞（ニューロン）の結合強度に例えられることが多い。

たとえば「医者」と「病院」という単語の関係性を高い重みで結びつけることで、モデルはこれらの概念を適切に関連付けて処理できる。パラメーターが多いほど、複雑な言語パターンや微妙なニュアンスを処理できる表現能力が高まる。

スケール比較

モデル	パラメーター数	備考	出典
NTT tsuzumi 2	300億	単一H100 GPUで動作	codenote.net
NEC cotomi	約130億	GPU 2枚で動作	NEC公式プレスリリース
OpenAI GPT-3	1,750億	2020年発表	日経XTECH
今回の目標	約1兆	国内最大規模	日本経済新聞

今回の目標である「1兆パラメーター」は、国内既存モデルと比べて数百倍〜数万倍の規模である。

注意点：パラメーターが多ければ良いわけではない

パラメーター数が増えると計算資源（メモリ・計算時間）やデータ量の要求も増大する。最近の研究ではパラメーター数だけでなく、アーキテクチャの効率やトレーニング手法も性能に大きく影響することが知られており、単純に「多い＝強い」とは言い切れない。

今回のプロジェクトが主張する差別化は、規模だけでなく「日本の製造業が蓄積した産業データを学習させる」点にある。

② 国内競合はいるのか。なぜこの4社なのか

競合は存在するが、戦略の次元が異なる

2026年時点で、日本には30以上の国産LLMが存在する。代表的なプレイヤーは以下の通り。

企業	モデル	パラメーター	戦略
NTT	tsuzumi 2	300億	軽量・単一GPU・オンプレ
NEC	cotomi v3	約130億	軽量・高速・エンタープライズ向け
富士通	Takane	約1040億（MoE）	1ビット量子化技術で省メモリ
PFN	PLaMo 2.0	非公開	行政・自治体向けに展開中

NTT・NECをはじめとする既存勢は「小さく・速く・安全に・オンプレで動く」を売りにする省エネ路線であり、これは製品差別化として合理的な選択だ。単一GPUで動作するモデルは、企業のオンプレミス環境に展開しやすく、機密データを外部に出さずに済む。

一方、今回の新会社が目指す「1兆パラメーター・フィジカルAI」は、土俵が根本的に異なる。

なぜこの4社なのか

報道を整理すると、4社はそれぞれ明確な役割分担を持っている。

【基盤モデルの構築】

ソフトバンク：データセンター（北海道苫小牧・大阪堺）、GPU計算基盤、2兆円投資
NEC ：AIスパコン保有、国産LLM（cotomi）の開発実績

【産業応用・社会実装】

ホンダ：自動車（自動運転）・汎用ロボットへの組み込み
ソニー：ゲーム・エンターテインメント・半導体への応用

つまり選定基準は「作れる側と、使い倒せる側が揃っているか」だったと読める。

NTTが参加しない理由

NTTはtsuzumi 2を中心とした独自路線に既にコミットしており、2026年3月にデジタル庁の政府AI基盤（「GenNAI」プラットフォーム）に採用され、約18万人の政府職員への展開が決まっている。

参照：codenote.net

③ パラメーター数とフィジカルAIはどう繋がるのか

パラメーター数とフィジカルAIは、手段と目的の関係にある。

大規模モデル（1兆パラメーター）
        ↓ 学習データ：製造業の産業データ（機械音・センサー値・映像等）
        ↓ 微調整（ファインチューニング）
        ↓
 ホンダのロボット / 自動車（自動運転） / 工場設備

パラメーター数（大規模モデル） ＝賢い頭脳を作る
フィジカルAI ＝その頭脳を物理世界に組み込んで機械を自律制御する

なぜ大規模モデルがフィジカルAIに必要なのか

テキストや画像だけを扱う汎用AIと違い、フィジカルAIはリアルタイムで以下の異種データを同時に理解して判断しなければならない。

センサーの数値（温度・圧力・加速度）
カメラ映像
音声・振動
機械の動作パターン
工場の設計図・仕様書

この「異種データを統合して自律判断する能力」には、小型モデルでは表現能力が不足する。既存の国産LLM（最大300億パラメーター）が「日本語テキスト処理」に特化した小型モデルである以上、フィジカルAIの土台には規模が足りない。これが今回の出発点だ。

④ 誰がどうハッピーになるのか

製造業の現場

2030年度までにロボットや機械と連携できるようにすることを目標に掲げており、製造現場へのAI導入を後押しする計画だ。

参照：日本経済新聞

機密データを扱う金融機関

三菱UFJ・三井住友・みずほの3メガバンクが出資に加わっている。

参照：ビジネス+IT / 日本経済新聞

国内のAIエンジニア・研究者

国内に分散していた約100人規模の高度なAI開発者が新会社に集約される体制となる。

参照：読売新聞（Yahoo!ニュース）

整理：全体構造の三層モデル

Layer 3: フィジカルAI（応用・最終目標）
  ロボット / 自動車 / 工場設備の自律制御（2030年度目標）

Layer 2: 産業特化ファインチューニング
  製造業・金融・素材などの業界固有データで微調整
  → 業界別コンソーシアムで横展開予定

Layer 1: 基盤モデル（今回の開発対象）
  1兆パラメーター、マルチモーダル（テキスト・画像・映像・音声）
  → 日本AI基盤モデル開発が構築

まとめ

今回のプロジェクトは、既存の国産LLM（NTT・NEC等）が狙う「軽量・省エネ・オンプレ」路線とは明確に異なる。

「世界最高水準の規模で、日本の産業データを武器に、物理世界を動かすAIを作る」というのが今回の本質であり、パラメーター数の拡大はその手段に過ぎない。

フィジカルAIが実現するかは、1兆パラメーターの達成よりも「質の高い産業データをどれだけ集められるか」「各社が実際に自社製品に組み込むか」にかかっているとも言える。

官民1兆円の大型プロジェクトとして注目は集まるが、2030年度の実装に向けた技術的・組織的なハードルは依然として高い。引き続き動向を追っていきたい。