7月24日版 — The Trend Tribune

【田中テック】2026年7月24日

「数週間で蒸留は無理がある」——ホワイトハウスの告発と、専門家が突きつけたタイムラインの矛盾

7月22日、ホワイトハウス科学技術政策局（OSTP）局長Michael Kratsios氏が、Xへの投稿で爆弾発言をした。中国のMoonshot AIが、Anthropicのモデル「Fable」を大規模かつ組織的に「蒸留（distillation）」し、自社モデル「Kimi K3」の開発に流用した、という告発だ。財務長官のScott Bessent氏も制裁の可能性に言及するなど、政府として一枚岩の動きを見せている。ただ、この告発、時系列を丁寧に追うとかなり無理のある主張だという指摘が、複数の専門家から出ている。今回はこの一件を、告発の中身と、それへの反論の両方からバランスよく見ていきたい。

そもそも「蒸留」とは何か

まず技術的な前提を整理しておきたい。「蒸留（distillation）」とは、大きく高性能なモデル（教師モデル）の出力を使って、より小さなモデル（生徒モデル）を訓練し、教師モデルの能力の一部を、より低コストで再現させる技術のことだ。Kratsios氏自身も投稿の中で「正当なAI蒸留は、より小さく効率的なモデルを作る上で、このオープンなイノベーション・エコシステムにおいて重要な役割を果たしている」と述べており、蒸留という技術そのものを問題視しているわけではない。問題視しているのは、あくまで「大規模かつ隠密に、米国の専有技術を盗む目的で行われた産業規模の蒸留」だという線引きだ。

告発の中身：GB300サーバーとタイ経由のアクセス

Kratsios氏の主張は大きく2つの柱からなる。1つ目は、Moonshotが「米国モデルに対して大規模な蒸留を行うための、検知を回避しながら複数のアクセス手段を素早く切り替えられる、洗練された社内プラットフォームを開発した」というもの。2つ目は、MoonshotがNVIDIAのGB300搭載サーバーを保有し、タイ国内でGB300へアクセスしていたという主張だ。GB300はNVIDIAのBlackwell世代のチップで、中国企業への輸出は米国の規制で禁じられている。

Anthropic自身も今年2月、Moonshotが不正なアカウントを使い、Claudeに対して340万件を超える蒸留クエリを送っていたとする利用規約違反の告発を、既に行っていたという経緯がある。今回のホワイトハウスの発言は、この民間企業レベルの告発を、政府として公式に後追いした形になる。

専門家が指摘する「時系列の無理」

ここからが今回、私が特に紹介したい論点だ。TechCrunchが複数の専門家に取材した記事によれば、今回の告発には技術的な整合性の問題があるという指摘が出ている。

AnthropicがFable 5を一般公開したのは7月1日。Kimi K3が登場したのはそれからわずか数週間後だ。もし本当にこの期間で大規模な蒸留——Fable 5に対して数百万件規模のクエリを実行し、その出力を学習データに組み込み、ホワイトハウスが警戒するほど競争力のあるモデルへと再学習させる——を行ったとすれば、AI研究者が「非現実的」と評するレベルまで、通常の開発サイクルを圧縮する必要がある。大規模な蒸留は通常、数週間ではなく数ヶ月単位の時間を要するとされている。

ただし、これは「告発が虚偽である」ことを証明するものではない、という点は公平のために強調しておきたい。ホワイトハウスが公に示したのはあくまで「疑惑」であり、モデルがどう作られたかの技術的な再構築ではない。政府が非公開の情報（インテリジェンス）を精査した上での発言である可能性も残る。日本語圏を含む複数の報道機関が、Kratsios氏の当初の投稿にあった「確固たる証拠（solid evidence）」という表現が、後に「情報（information）」へと修正された経緯も伝えている。

Kimi K3自体のスペックも押さえておきたい

告発の是非とは別に、Kimi K3というモデル自体のスペックにも触れておきたい。7月17日にリリースされたこのモデルは、2.8兆パラメータのMixture-of-Experts（複数の専門家ネットワークを切り替えて使う構成）モデルで、1トークンあたり896人の専門家のうち16人を活性化させる設計だという。これまでに公開されたオープンウェイトモデルとしては最大規模とされ、100万トークンのコンテキストウィンドウとネイティブな視覚理解能力を持つ。

ベンチマークでは、BrowseCompで91.2点、Terminal-Bench 2.1で88.3点を記録し、フロントエンド・コーディングのリーダーボードでは首位、Fable 5をも上回るスコアを見せているという。総合性能では依然としてFable 5やOpenAIのGPT-5.6 Solに一歩譲るとされるが、その差はAI・半導体関連の投資家を動揺させるほど僅差だった、という報道もある。

GPUの闇市場という、もう一つの現実的な論点

チップアクセスの告発について、ジョージタウン大学の安全保障・新興技術センターの研究員Sam Bresnick氏のコメントが興味深い。GB300のような規制対象チップには、実際に闇市場（black market）が存在するという指摘だ。今年5月には、米国のサーバー製造企業Supermicroの創業者が、高性能チップを中国へ密輸したとして起訴された事例も引き合いに出されている。輸出規制の実効性という、より構造的な課題がここには潜んでいる。

エンジニアとして見ておきたいこと

このニュースを技術記事として扱う理由は、単なる米中対立の一場面という以上に、「モデルの出自（provenance）をどう検証するか」という、AI業界全体の課題が露わになっているからだ。ベンチマークのスコアは独立した評価者によって測定可能で、実際にワークロードを動かせば、そのモデルが自分の用途にどう機能するかは分かる。しかし「そのモデルがどうやって作られたか」という出自の検証は、ベンチマークの数字だけでは判断がつかない、はるかに難しい領域だ。

NVIDIAは今回の告発について直接のコメントを避け、「あらゆる輸出管理規制を遵守し、販売チャネル全体でコンプライアンスを積極的に徹底している」という趣旨の声明を出すにとどめている。Moonshot AI自身も、現時点で公にこの告発への反論を行っていない。米国商務省産業安全保障局（BIS）が、中国企業が海外子会社や第三国のクラウドインフラを使って規制を迂回していないかの調査に着手したとも報じられており、この一件が実際の制裁措置にまで発展するのか、それとも立ち消えになるのか、続報を注視したい。

参考：techcrunch.com／qz.com／mlq.ai／xenospectrum.com／easternherald.com

Moonshot AIKimi K3Anthropic輸出規制AI蒸留米中対立

「Optimus累計5万台」はどこから来た数字なのか——ヒューマノイド業界の「発表」と「検証済み」の間

【高橋呂牡】

▶ ネット上に流布する「Optimus累計5万台」「Figure AI 1万台超展開」といった数字が、実際にはいずれの企業からも公式発表されていないという業界横断の検証記事を紹介。Agility（Digit 7台、トヨタ）やFigure（BMW、一桁台数）という少数だが検証可能な実績、Unitreeの出荷台数と収益の乖離、10,000部品の量産という製造業として前例のない課題、中国の国家情報法という論点までを整理し、発表数字の出所を確認する姿勢の重要性を説く。

「Optimus累計5万台」はどこから来た数字なのか——ヒューマノイド業界の「発表」と「検証済み」の間

「Teslaの Optimus は累計5万台を突破した」「Figure AIはパートナー倉庫で1万台超を展開している」——こうした数字、ネット上でよく見かける。だが、ここは高橋として一度立ち止まりたい。これらの数字、実はどれ一つとして、当の企業自身が発表したものではない。今回は、ヒューマノイド業界に広く出回っている「数字」を、一つひとつ検証してみたい。

Tesla本人の発言は、かなり「地味」

まず最も派手な噂が飛び交うTesla Optimusから見ていこう。7月1日、Elon Musk氏がXにフレモント工場の生産ラインを歩く写真を投稿し、市場は色めき立った。しかし、Tesla自身がこれまでに公式発表しているOptimusの生産台数——監査済みか否かを問わず——は、実は一度も存在しない。

むしろTesla自身の発言は、決算という法的な重みを伴う場では、かなり控えめだ。2025年第4四半期の決算説明会でMusk氏は、Optimusが「工場で本格的に使われているわけではない」「主に学習目的で作られている台数」だと明言している。7月22日に予定されているTeslaの第2四半期決算説明会は、この生産台数について、初めて確認可能な数字が出てくるかもしれない節目のタイミングだ。少なくともこの記事執筆時点では、「累計5万台」も「工場で1000台超が稼働」も、いずれもTesla自身の口から出た数字ではない、という点は明確にしておきたい。

検証可能な実績を持っているのは、実は別の企業

対照的に、比較的検証可能な実績を積み上げているのは、AgilityとFigureだ。Agility Roboticsは、トヨタの施設で1年間にわたるパイロット運用を経て、7台の商用Digitユニットが稼働しているとされる。Figure AIはBMWでの生産統合という実績を持つが、その台数は一桁（single digit）規模だと報じられている。

「わずか7台？」と思うかもしれない。しかし、これは派手な数字ではなく、実際に第三者の工場で、継続的に稼働している検証可能な台数という意味では、むしろ貴重なデータポイントだ。以前このコラムで紹介したApptronikの「Robot Park」も、実運用台数は非公開のままだった。ヒューマノイド業界全体を見渡すと、「実際に稼働台数を開示している企業」自体が、実は少数派なのだと分かる。

中国勢の「量」は本物、しかし「収益」は別の話

中国勢に目を向けると、また違う構図が見えてくる。Unitreeは2025年に約5,500台の人型ロボットを出荷し、2026年は10,000〜20,000台を目標としているという。これは西側の競合と比べても圧倒的な出荷台数だ。ただし、出荷台数の多さは、収益性の高さを意味しないという点が重要だ。Unitreeの2026年第1四半期の純利益は、前年同期比で52%減少したと報じられている。折しも同時期、ロボット関連株が「Optimus調達観測」や「UnitreeのIPO承認」を材料に急騰していたにもかかわらず、だ。

先週このコラムで紹介したAgibot（累計出荷15,000台、市場シェア39%を主張）についても、この文脈で見直しておきたい。今回の情報源では、Agibotが今年4月のパイロットで140時間の試験稼働にわたり99%超のタスク成功率を達成し、直近では時間あたり310台のスループット、サイクルタイム18〜20秒でG2ユニットが稼働していると報告している。数字自体は具体的だが、これも企業側の自己申告データであることに変わりはなく、独立した第三者検証を経たものではない、という前提は崩さずにおきたい。

「10,000部品の量産」という、製造業として前例のない挑戦

技術面で個人的に重要だと思うのが、この記事が指摘している製造業としての難易度の話だ。約10,000点の部品からなる電気機械システムを、シリアル生産で量産した前例は、製造業の歴史上存在しないという。参考として、Tesla自身のModel 3ランプアップ（2017〜2018年、いわゆる「生産地獄」）でさえ、はるかに単純な製品であるにもかかわらず、安定した量産体制に到達するまで18ヶ月以上を要したという事実が引き合いに出されている。

これはソフト屋としても実感を持って頷ける話だ。新規部品点数が1万点規模になると、個々の部品の歩留まり、サプライチェーンの冗長性、組み立て工程の再現性——どれ一つとして、机上の設計だけでは解決しない。以前紹介したTesla Optimus Gen3の週次生産計画（6月数十台→9月1,000台という段階的な立ち上げ）も、こうした製造業としての現実的な制約を踏まえた、慎重な数字だったと理解できる。

中国製ロボットには、もう一つの論点も

技術・製造の話とは別の軸として、この記事が指摘している点も紹介しておきたい。Unitreeは中国企業であるため、中国の国家情報法（2017年制定）の対象になる。これは、中国の法域下にある組織に対し、国家の情報活動への協力を法的に義務づけるもので、製品がどこに配備されるか、サーバーがどこにあるかに関わらず適用される、という指摘だ。これは先週Agibotの記事でも触れた論点と同じで、性能や価格競争力とは別の軸で、導入企業が検討すべきコンプライアンス上のリスクとして押さえておきたい。

まとめ：「量」と「収益」と「検証可能性」は、それぞれ別の軸で見るべき

今回の一連の情報を整理すると、ヒューマノイド業界の実態は、少なくとも3つの異なる軸で評価する必要があることが見えてくる。出荷台数の「量」（Unitreeが圧倒）、実際の収益性（量が多くても利益率は別問題）、そして第三者検証を経た「稼働の実態」（AgilityやFigureの少数だが確認可能な実績）。この3つを混同して「A社が一番進んでいる」と単純化するのは危険だ。

派手な数字が独り歩きしがちなこの業界で、「その数字は誰が、どういう根拠で発表したものか」を一つひとつ確認する癖をつけること——地味だが、これこそがこの分野を追いかける上で一番大事な姿勢だと、あらためて感じさせられる話だった。

参考：www.technology.org／humanoid.guide／www.techtimes.com／www.humanoid.press

ヒューマノイドTesla OptimusFigure AIAgility RoboticsUnitree検証

Qwenが初めてLlamaを追い抜いた——17万本の論文が映す、2026年上半期のAI研究地図

【山本浪漫】

▶ AI Papers Academyが170,927本のarXiv論文を分析した2026年上半期のAI研究動向レポートを解説。AlibabaのQwenが参照シェアで初めてMetaのLlamaを上回った転換点、18ヶ月前には存在しなかったエージェント研究領域の急拡大、推論・アライメント分野の絶対数の大きさを紹介しつつ、キーワードマッチングという手法の限界にも触れる。

Qwenが初めてLlamaを追い抜いた——17万本の論文が映す、2026年上半期のAI研究地図

論文の「引用数」ではなく、論文の「本文でどのモデルが言及されているか」を数えると、AI研究の勢力図がまったく違って見えてくる。今回紹介するのは、AI Papers Academyというデータ分析チームが、arXivに投稿された17万927本という膨大な論文を対象に行った、2026年上半期のAI研究動向分析だ。地味な集計作業のようで、そこから浮かび上がる構図はなかなか興味深い。

分析の手法：17万本を、キーワードでふるいにかける

まず方法論を紹介しておきたい。分析対象は、2025年初頭から2026年6月26日までにarXivへ投稿された、計算機科学・言語処理（cs.CL）、コンピュータビジョン（cs.CV）、機械学習（cs.LG）、人工知能（cs.AI）という4つの主要カテゴリーの論文だ。タイトルと要旨に対して、あらかじめ用意したトピック・モデルファミリー・研究機関のキーワードセットを照合する、という手法が取られている。

分析期間は「2025年上半期」「2025年下半期」「2026年上半期」という3つの半期に区切られている。この分野全体の論文数がおよそ25%増加しているため、単純な件数の比較ではなく、全体に占める「シェア」の変化を追う設計になっている点は、分析手法として妥当だと感じる。

「オープンウェイトAIの重心」が動いた

今回の分析で最もインパクトのある発見が、オープンウェイトモデルの参照シェアにおける逆転現象だ。AlibabaのQwenが、初めてMetaのLlamaを上回ったという。具体的な数字を見ると、Qwenへの言及は752件から1,489件へと、ほぼ倍増（+98%）。一方のLlamaは1,085件から1,232件と、+14%の伸びにとどまった。

これはAI研究者としてかなり重みのある転換点だと思う。これまで「手軽に使える、高性能なベースモデル」というポジションは、ほぼ一貫してMeta社のLlamaが占めてきた。今回のデータは、中国発のオープンウェイトモデル・ファミリーが、西側の学術研究において最も参照されるモデルになったという、初めての事例を記録したことになる。研究者がベースモデルを選ぶ際の「デフォルト」が、静かに、しかし確実に移り変わりつつある、という兆候だ。

「エージェント研究」が、まだ存在しなかった領域から急拡大

もう一つ注目したいのが、研究テーマそのものの変化だ。シェアの伸び率で上位を占めるトピックの多くは、18ヶ月前にはまだ独立した研究領域としてほとんど存在していなかった、エージェント関連の分野だという。分析チームはこの傾向を「エージェント的ワークフロー分野が成熟しつつあり、その配下の各サブ領域の成長が、この分野の発展の方向性そのものを表している」と評している。研究の関心が「エージェントを作れるか」という段階から、「エージェントにどう計画させ、推論させ、ツールを使わせ、自分の出力を評価させるか」という、より実装レベルの課題へと移行している、という指摘だ。

一方で興味深いのが「推論・思考の連鎖（Reasoning & CoT）」というトピックの位置づけだ。シェアの伸び率で見ると9位にとどまるが、論文の絶対数では1位、11,636本という圧倒的な規模を誇る。分野全体があまりに巨大なため、シェアの伸びが控えめでも、実数としては数千本規模の新規論文を意味する、という点は見落とせない。同様に「アライメント・AI安全性」という分野も、シェアの伸び率では10位ながら、既に8,121本という大きな母数の上で、なお33%のシェア成長を記録しているという。

この分析をどう受け止めるべきか

研究者としてこの種の分析を紹介する際、いくつか留意しておきたい点がある。まず、この分析はキーワードのマッチングという手法に依拠しており、論文の中身そのものを精査した質的な分析ではない。あるモデル名やトピック名が本文に登場する頻度をカウントする手法である以上、比較・言及目的での参照と、実際にそのモデルを使った研究との区別までは、この集計だけでは判別できない。

また、AI Papers Academyという分析主体は、独立した学術機関ではなく、AI関連の論文解説を専門とするメディアだ。今回のような大規模データ分析としては野心的な取り組みだが、学術的な査読を経たものではない、という前提は踏まえておくべきだろう。それでも、17万本という規模のデータに基づく、これだけ具体的な数値変化（+98%対+14%というシェアの逆転）を示した分析は、業界の肌感覚を裏付ける貴重な参照点になると思う。

研究者として感じること

引用数という「後から積み上がる評価」ではなく、「今、研究者が実際に何を参照し、何を使っているか」を捉えようとするこの種の分析は、AI研究の潮流を先取りする上で意義がある。オープンウェイトモデルの主導権が地理的に移りつつあること、そして研究の関心が「単体モデルの性能」から「エージェントとしての振る舞い」へと重心を移していること——この2つの流れが、2026年後半以降のAI研究の風景をどう変えていくのか、引き続き注視していきたい。

参考：aipapersacademy.com／medium.com

AI/ML論文arXivQwenLlama研究動向