2026年以降、AI利活用の現場では「高品質データの枯渇」が深刻化すると言われています。
一方で、企業内にはインターネット非公開の Dark Data が大量に眠っており、これらを安全に共有・連携できれば、AIの価値は大きく拡張します。
その鍵となるのが Data Spaces です。
本記事では、IPAや経産省が公開している資料を基に、
Data Spaces → ウラノス → Open Data Spaces（ODS） → DPQM
という流れで、ポイントを整理します。
また、自身の視点でブロックチェーンやAIエージェントの応用方法について議論します。
1. Data Spacesとは何か？
Data Spaces を次のように説明しています：
「組織や国境を越えて、データ主権を保ったまま安全にデータを共有・連携するための分散型エコシステム」
つまり、データを中央に集めず、各組織が保持したまま安全に連携する仕組みです。
Data Spaces を構成する要素
- アイデンティティ管理：参加組織・ユーザーを確実に認証し、信頼できる相手であることを保証
- データ契約：利用目的・保持期間・再提供の可否などをメタデータとして付与
- 相互運用性（Interoperability）：異なるデータ形式・プロトコルを標準化されたインターフェースで橋渡し
- 分散アーキテクチャ：データは各組織が保持したまま、必要なときだけ安全に連携
欧州では GAIA-X / IDSA、日本では ウラノス / ODS が対応する取り組みです。
2. 日本版 Data Spaces：ウラノス・エコシステム
ウラノスは、日本政府が主導する 産業横断データ連携の国家プロジェクトです。
ウラノスが解決しようとする社会課題
- 人流クライシス：中山間地域で移動手段が失われる問題
- 物流クライシス：ドライバー不足や労働時間規制による配送能力低下
- 災害激甚化：地震・豪雨・台風などの大規模化によりインフラが寸断されるリスク
これらの課題に対し、産業・行政・地域を跨いだデータ連携を可能にする基盤としてウラノスが設計されています。
3. Open Data Spaces（ODS）とは？
ウラノスの中で実際に構築される「データスペース群」が Open Data Spaces（ODS） です。
ODSは、以下の背景から必要性が高まっています：
- AI利活用に必要な高品質データが2026〜2032年に枯渇する
- 多くのデータが企業内に眠る Dark Data として活用されていない
- データの複雑性（産業・組織・法制度）が利活用コストを増大させている
ODSのアーキテクチャを支える「3本の柱」
① Ontology & Semantic Interoperability
- データの意味を示すことで相互運用性を向上
- 具体的なデータモデルではなく、抽象的な情報モデルとして再解釈
- LLM時代のデータ利活用に必須
② Data Addressability & Discoverability（DAD）
- データの所有者・所在を明確化
- データカタログにより「どこに何があるか」を誰でも発見可能にする
③ Identity & Usage Control（IUC）
- 認証・認可・クレデンシャルによるアクセス制御
- データ提供者と利用者の権利義務・価格決定権を制御
4. ODS-RAM：ODSのリファレンスアーキテクチャ
ODS-RAMは、ODSを実現するための標準アーキテクチャです。
4つのレイヤ
- Data Layer（L1）
データの主権・改ざん・品質を扱う。 - Transaction Layer（L2）
データ形式や同期/非同期に依存しない転送プロセスを制御。 - Identity Layer（L3）
認証・認可・クレデンシャル管理。 - Semantic Layer
宛先と意味をメタデータとして流通させる。
4つのパースペクティブ
- Service Perspective（ファンダメンタル/コンプリメンタリ/インダストリーサービス）
- Governance Perspective（検索・契約・精算・オンボーディング）
- Security Perspective（サイバー/フィジカルセキュリティ）
- Trust Perspective（信頼性・透明性・監査性）
5. DPQM（Double-Product Quanta Model）
ODSで特に重要なのが DPQM という概念です。
「分散データマネジメントにおける最小のアーキテクチャ単位」
DPQMは Data Product + Ontology Product の2つで構成されます。
- Data Product
データそのもの、APIで提供される - Ontology Product
データの概念・意味を表す
LLMによる推論にも利用される
これにより、意味のズレを吸収しながら分散連携を可能にするのがDPQMの強みです。
6. Data Spaces を支える技術としての「ブロックチェーン × AIエージェント」
Data Spaces の本質は、「データを中央に集めず、分散したまま安全に連携する」 という点にあります。
この思想は、ブロックチェーン と AIエージェント 技術と非常に相性が良いと考えられます。
ここでは、ODS や DPQM の概念を踏まえながら、ブロックチェーン × AIエージェント がどのように Data Spaces を強化し得るかを考察します。
6.1 ブロックチェーン技術が Data Spaces に与える価値
ブロックチェーンは「データを保存する場所」ではなく、
データの意味・所有権・アクセス権を記録するための台帳 として活用するのが本質です。
① データの所有者を明らかにできる
ブロックチェーンは改ざん耐性を持つため、「誰がどのデータを所有しているか」 を透明に記録できます。
これは Data Spaces の Data Addressability（DAD） と完全に一致します。
② 共有台帳によるオントロジーの共有
Ontology Product（意味モデル）を共有する際に、ブロックチェーンの共有台帳を活用することが有効であると考えられます。
DPQM の「Ontology Product」を分散的に共有する仕組みとして非常に相性が良い。
ブロックチェーンに保存すべきは以下のような「軽量メタデータ」です：
- データの意味（Ontology Product）
- データの所有者(ウォレットアドレスや公開鍵暗号)
- データの価値指標（価格・利用条件など）
- アクセス権限レベル
これは ODS の Identity & Usage Control（IUC） に直結します。
またブロックチェーンは P2P ネットワークで動作するため、複数組織が対等に参加する Data Spaces の構造と一致 します。
中央集権的なデータ管理を避けたい Data Spaces にとって、ブロックチェーンは「分散型ガバナンスの実装手段」として最適です。
6.2 AIエージェント技術が Data Spaces に与える価値
AIエージェントは、Data Spaces の複雑なデータ連携を 自律的に仲介する存在 になり得ます。
① ブロックチェーンを「データインデックス」として活用
AIエージェントは、ブロックチェーン上のメタデータを読み取り、どの組織がどのデータを持っているか、どの APIにアクセスすればよいかどのレベルの権限が必要かを判断できます。
これは Agent RAGの分散版とも言えます。
いきなり各組織のデータを直接参照するのではなく、AIエージェントがインデックス情報からオントロジーを理解し、適切なデータを取得することが可能になると考えられます。
② 実データは企業の API にアクセスして取得
AIエージェントは、ブロックチェーンを参照しながら、
- 実際のファイル
- データベース
- REST API / GraphQL API
- IoT デバイス
などにアクセスしてデータを取得します。
つまり、
- ブロックチェーン = 意味・所有権・アクセス権のレジストリ
- AIエージェント = 実データを取りに行く実行主体
という役割分担になります。
③ ブロックチェーンに記録されたアクセスレベルに応じて制御
AIエージェントは、ブロックチェーン上のクレデンシャルを参照し、読み取り可能か・書き込み可能か・再提供可能か・利用目的に合致しているかなどを判断します。
これは ODS の Usage Control（IUC） を自動化する仕組みです。
7. まとめ：Data Spacesは「分散型データ連携のOS」になり得る
Data Spacesは、単なるデータ共有基盤ではなく、データ主権を守りながら組織・国境を越えて意味を保ったまま安全にデータを連携するための 分散型エコシステム です。
ウラノス・ODS・DPQMといった日本の取り組みは、今後のAI時代における データの流通インフラ を形作る重要な技術群と言えます。
参考情報