動画タイトル：シリコンバレー座標 x Fireworks 共同創業者 Benny Chen：オープンソースモデル、トークン増加率、推論最適化とモデルカスタマイズ
動画作成者：Silicon Valley Vector シリコンバレー座標
編集：Peggy、BlockBeats

編集者注：オープンソースモデルがクローズドソースの最先端モデルに急速に迫り、推論価格が継続的に低下する中、業界の議論は「誰が最も強力なモデルを持つか」から「誰がより低コストでモデルを本番環境に投入できるか」へと移行しています。しかし、モデルの能力が収束し、トークン消費の増加が共通認識となるにつれ、より根本的な問題が浮上しています。企業が実際に支払いを惜しまないのは、より安価なモデル呼び出しなのか、それとも特定のタスクを安定して完了できる専用インテリジェンスなのか？

最近、『シリコンバレー座標』の司会者である曹卿雲氏が、Fireworks AI の共同創業者である陳宇飛氏と対談を行いました。Fireworks はモデルと企業アプリケーションの間に位置し、主に顧客向けにオープンソースモデルの推論、パフォーマンス最適化、カスタマイズサービスを提供しています。単にオープンソースがクローズドソースに追いつけるかどうかを議論するのではなく、陳宇飛氏の観察は実際のワークロードに近いものです。トークンがどこへ流れるか、企業がなぜ支払うのか、そしてモデルが概念実証から本番運用に移行するために何が不足しているのか。

この対談で、陳宇飛氏は「オープンソースとクローズドソースのどちらが勝つか」を、より根本的な構造的問題のセットに分解しました。トークン成長が収益に転換できるか、汎用能力が垂直分野の蓄積を代替できるか、低価格モデルが企業評価を通過できるか、そして推論プラットフォームがクラウドベンダーとアプリケーション企業の間で価値を獲得できるか。

第一に、オープンソースモデルの利用規模と商業的価値が分化しつつあります。過去には、能力の追従と呼び出し価格がオープンソースの競争力を判断する主要指標でした。現在、Fireworks プラットフォームは毎日約 40 兆から 50 兆のトークンを処理しており、オープンソースモデルの実際の利用量は急速に拡大しています。しかし、無料トラフィック、プロモーション補助、モデル価格差により、トークン統計が一部の需要を過大評価する可能性があります。顧客は低価格モデルを大量に呼び出す一方で、最高の予算を最も効果的なクローズドソースモデルに割り当てる可能性があります。これは、オープンソースの次の段階が単なるトラフィック拡大ではなく、高価値タスクで最先端モデルに到達またはそれを超えることを証明し、コスト優位性を支払い意欲に転換することであることを意味します。

第二に、汎用モデルと垂直モデルが異なる方向に進化し始めています。過去には、最先端モデルのアップグレードごとに、多くのファインチューニングモデルが直接淘汰される可能性がありました。現在、法律、医療、プログラミングなどの垂直アプリケーションは、より細かい評価、データ、ワークフローを蓄積しており、その最適化目標も最先端ラボから徐々に分離しています。汎用モデルは能力の上限を高める必要があり、垂直モデルは限られたシナリオで安定した結果を提供する必要があります。前者はより広範な問題を解決できますが、後者はユーザーが「正しい」をどのように定義するかをより理解しています。これは、垂直企業の障壁が単にカスタムモデルを持つことではなく、業界のニーズを継続的に評価システムに変換し、基盤モデルの更新に応じて繰り返し移行できることにあることを意味します。

第三に、企業におけるAI導入のボトルネックは、モデル供給から評価能力へと移行しつつある。かつて企業の概念実証は、試用体験や主観的判断に依存することが多かった。現在、AIがコールセンター、法律検索、医療支援などの生産現場に参入する中で、「見た目が良さそう」というだけでは調達判断を支えられない。企業は、モデルがどのタスクで有効で、いつ失敗するのか、またクローズドソースからオープンソースへの切り替えがコストと品質をどれだけ変えるのかを知る必要がある。評価はもはや付属ツールではなく、調達、トレーニング、本番展開をつなぐ基盤である。タスクを定義し、テスト分布を構築し、基準を継続的に更新できる者が、真にモデル選択権を握るのである。

第四に、推論プラットフォームの価値は「安い計算リソースの販売」から、モデル、ハードウェア、ワークフローの組織化へと移行している。かつて推論最適化は、単一トークンのコスト削減として理解されることが多かった。現在では、キャッシュ、タスク分割、モデルルーティング、コンテキスト管理が、タスク完了率を直接変える可能性がある。異なるモデルは同じ位置を争う必要はなく、それぞれが実行役とアドバイザーを担うことができる。Fireworksのビジネスロジックもここで成立する：自社で重資産ハードウェアを構築せず、トレーニング、カスタマイズ、継続的推論を通じて、収益を顧客モデルの実際の使用と結びつけるのである。しかし、この道の主な競争相手は単一の新興クラウド企業ではなく、計算リソース、ソフトウェア、顧客入口を同時に掌握する大手クラウドベンダーである。

第五に、オープンソースモデルの台頭は必ずしもインフラ需要を弱めるのではなく、むしろモデル層のプレミアムを圧縮し、価値をさらに推論と計算リソースへと押し上げる可能性がある。テック大手が資本支出を増やし続けるのは、短期的なリターンを計算しているだけでなく、AIサイクルを逃す長期的リスクを衡量しているからである。ただし、外部資金調達に依存する新興クラウド企業にとっては、債務コスト、プロジェクト遅延、回収期間がより直接的な制約となる。モデルが安くなっても、AIシステムの構築と運用が同時に軽くなるわけではない。

この対談を一つの判断に圧縮するならば、それは：オープンソースモデルの追いつきは単なる出発点であり、AI商業化の次の段階は、評価、カスタマイズ、推論効率、顧客ワークフローを中心に展開されるということである。

以下は原文の内容である（読みやすくするため、一部編集を加えている）：

TL；DR

・オープンソースモデルはクローズドソースモデルに急速に追いつきつつあるが、トークン成長は収益成長と同義ではなく、企業予算は依然として最も効果的なモデルに優先的に流れる。

・蒸留はオープンソースモデルの短期的なギャップ縮小にしか役立たず、長期的な競争力は依然として独立したトレーニング、評価データ、人材、計算リソースに依存する。

・汎用モデルのアップグレードは必ずしも垂直モデルを淘汰するわけではなく、法律、医療などのシーンの障壁はモデル能力から評価、データ、ワークフローへと移行しつつある。

・企業AIがPoCから本番へ移行する鍵はモデル選択肢の増加ではなく、品質、コスト、失敗の境界を測定できる評価体系の構築にある。

·推論最適化は単一トークンコストの削減から、キャッシュ、タスク分割、モデルルーティングへと拡大しており、システム設計自体が複数モデルの組み合わせで単一の最先端モデルを超えることを可能にしている。

·カスタムモデルは、多数の同種顧客をカバーする垂直型SaaSプラットフォームに適しており、単一企業には通常、十分に広範なデータ分布と継続的な評価能力が不足している。

·Fireworksの競争力はGPUの保有ではなく、トレーニング、カスタマイズ、継続的推論を結びつける点にあるが、真の長期的な競争相手は完全な技術スタックをカバーできるクラウド大手である。

·オープンソースモデルの普及は必ずしもハードウェア需要を弱めるわけではなく、モデル層のプレミアムを圧縮し、産業価値を算力、推論インフラ、エンタープライズワークフローに再分配する可能性が高い。

インタビューの要点

オープンソースは追撃を続けるが、蒸留は長期的な答えではない

Fireworksのチームは主にMetaのPyTorchエコシステム出身である。過去のオペレーティングシステムやデータベースなどのソフトウェアの発展経験に基づき、チームは長期的に、重要な価値を持つソフトウェアには最終的に競争力のあるオープンソースソリューションが登場すると信じている。大規模モデルも同様の経路をたどる可能性があるが、今回の追撃スピードは陳宇飛氏が当初予想していたよりも速い。

一方で、OpenAIやAnthropicなどのクローズドソースモデル企業の年間経常収益は依然として急速に成長している。他方で、中国と米国のオープンソースモデルも能力格差を急速に縮め、推論価格を非常に低い水準に押し下げている。オープンソースとクローズドソースは、一方が成長すれば他方が必然的に衰退するというゼロサム関係ではない。

一部のオープンソースモデルがクローズドソースモデルの出力を蒸留していることについて、陳宇飛氏は、この方法はモデルが短期的に高い水準に達するのに役立つが、信頼できる長期的な経路にはなりにくいと述べている。クローズドソースベンダーはAPIとセキュリティメカニズムを段階的に修正し、推論プロセスや関連データが抽出される可能性を低減できる。

しかし、オープンソースモデルの進歩は完全に蒸留に依存しているわけではない。評価システムが継続的に改善され、データコストが低下し続け、十分な人材、GPU、エンジニアリング能力があれば、オープンソースチームは独自に競争力のあるモデルをトレーニングできる。Metaなど算力と人材の備蓄を持つ企業が、長期間にわたってクローズドソースの最先端モデルと大きな格差を維持する理由はない。

これはクローズドソースモデルが市場を失うことを意味しない。陳宇飛氏は両者をAppleとAndroidに例えている。オープンなエコシステムはより大きな利用規模を引き受ける可能性があり、継続的にリードするクローズドソース製品は、安定した体験、ブランド認知、企業の信頼によって、価格感応度の低い高価値顧客を維持できる。

企業の調達は保守的な傾向が強い。「IBMを購入したことで解雇される人はいない」という言葉は、まさにこの意思決定心理を表している。顧客が依然としてトップクラスのクローズドソースモデルを購入する方がより安全だと信じている限り、OpenAIやAnthropicなどの企業は一定の優位性を維持できる。短期的な技術格差よりも、ユーザーの認知と市場参入能力の方が変えるのが難しいかもしれない。

陳宇飛氏は、クローズドソースモデル企業のARR（年間経常収益）は依然として成長すると予想しているが、この数字が最終的に獲得する経済的利益を完全に反映しているとは限らないと指摘する。例えば、一部の収入はクラウドベンダーと分配する必要がある可能性があり、ARRの上昇が必ずしも同比率の会計収益や利益に転換されるわけではない。クローズドソースモデルの価格交渉力が低下したかどうかは、関連企業がより完全な財務情報を開示した後に判断できるだろう。

長期的に見ると、オープンソースはより大きな呼び出し規模を獲得する可能性があり、クローズドソースは引き続き利益率の高い需要を掌握するだろう。両者の商業的境界線を決定するのは、モデルの能力だけでなく、ブランド、チャネル、顧客の信頼、収入分配方法も含まれる。

Tokenはオープンソースへ流れているが、収益は依然として効果に追随する

陳宇飛氏の説明によると、Fireworksプラットフォームは現在、毎日約40兆から50兆のTokenを処理している。同氏が引用した公開データによれば、この規模はGeminiやOpenAIが公表している企業向けAPIトラフィックをすでに上回っている。

プラットフォーム上の主要な需要は、プログラミング、医療、コラボレーションオフィス、ディープリサーチから来ている。その中で、従来プログラミングとは見なされていなかったタスクが、ますます「プログラミング問題」として再定義されている。

PowerPoint、Excelなどのオフィスソフトウェアは典型的な例だ。モデルがコードや構造化ツールを通じてこれらのソフトウェアを操作できるようになると、既存のコード生成、ツール呼び出し、強化学習の手法をオフィスシーンに移行できる。多くの垂直SaaS企業も、業界ツールをモデルが呼び出せる環境にカプセル化し、強化学習を通じてモデルに特定のワークフローを習得させている。

陳宇飛氏は現在の需要を大きく2つのカテゴリーに分類している。1つはプログラミング、もう1つはディープリサーチだ。異なる垂直アプリケーションはこれらを組み合わせて、法律、医療、オフィスなどのシーンに特化した専用エージェントを形成する。

同氏は特に、非技術系ユーザー向けのコラボレーションオフィス製品に期待を寄せている。これまで業界のリソースの大部分は数学やプログラミングといった「理系の需要」に投入されてきたが、スライド生成、ドキュメント処理、動画制作など、幅広い知識ワーカーを対象とした需要の方が急速に成長する可能性がある。

コンピュータ操作エージェントの発展は、これまでの予想よりも遅いペースだ。1年以上前、この種の製品は複雑なAPIを迂回して、人間のように直接コンピュータを使用できると一時考えられていた。実際の開発では、企業はコスト削減のために、むしろ多くのワークフローを純粋なテキストに移行している。テキストモデルはより安価で、既存のプロセスに組み込みやすい。仮想マシンのコスト低下と実行環境の改善に伴い、コンピュータ操作エージェントはより大きなスペースを獲得する可能性があるが、具体的な最適化の道筋はまだ模索中だ。

ただし、Tokenの成長は直接商業価値を表すわけではない。公開モデルルーティングランキングは、無料枠やプロモーション活動の影響を頻繁に受けており、同じ数量のTokenでもまったく異なる価格に対応する可能性がある。低価格モデルが生み出すトラフィックと、高価なフロンティアモデルが生み出すトラフィックは、収入レベルでの意味が異なる。

陳宇飛氏は、トークン数よりも収入の方が顧客の真の選択をより反映すると考えている。企業が価格に敏感でない場合、予算は依然として最も効果の高いモデルに流れる。そのため、Fireworksが顧客のモデルカスタマイズを支援する際、第一の目標は通常「コストパフォーマンスが良い」ことではなく、特定のタスクにおいてトップクラスのクローズドソースモデルに達するか、それを上回ることである。

プログラミング市場でも、利用量と収入の乖離が見られる。トークン消費は今後も増加し続ける可能性が高いが、一般的なモデルの価格が下がり続ければ、低価格がさらなる呼び出しを刺激する一方で、市場収入が同様に拡大するとは限らない。電力の普及が発電企業に利益をもたらすことを意味しないのと同様に、AIの呼び出し量の増加も、産業価値が最終的にどの層に帰属するかを直接的に示すものではない。

今後しばらくは、オープンソースモデルの利用量が増え続ける可能性があるが、関連する支出が同様に拡大するかどうかは、企業がカスタマイズにリソースを投入する意思があるかどうかに依存する。ますます多くの企業がカスタマイズしたオープンソースモデルを特定のタスクでクローズドソースモデルに挑戦させることができれば、トラフィックと収入はさらにオープンソースへ移行するだろう。一方、カスタマイズのコスト、失敗率、組織能力が引き続き障壁となるならば、クローズドソースモデルが依然として高価値の需要の大部分を引き受けることになる。

汎用モデルは能力の上限を引き上げ、垂直モデルはタスクの障壁を築く

新しいフロンティアモデルが発表されるたびに、市場は常に同じ問いを投げかける：企業がデータと資金を投じて微調整したモデルは、すぐに価値を失うのではないか？

陳宇飛氏によると、2025年には確かに多くのカスタムモデルが次世代の基盤モデルに取って代わられたが、2026年にはそのようなケースは明らかに減少した。彼の見解では、これは垂直モデルの商業的価値が徐々に安定してきたことを示す前向きなシグナルである。

その理由は、汎用モデルと垂直アプリケーションが異なる方向で最適化されているからだ。フロンティアラボは、モデルがより困難な数学、科学、創薬の問題を解決できることを証明する必要がある。一方、法律や医療などの垂直企業が注目するのは、具体的なユーザーニーズ、タスク完了率、引用の正確性、ワークフローの信頼性である。

「垂直領域のエージェントをうまく作り上げることと、リーマン予想を解くことは、まったく異なる仕事かもしれない。」

法律AI企業のHarveyを例にとると、その強みは使用している基盤モデルだけでなく、法律タスクの分解、評価システム、データ処理、製品フローにも由来する。医療シーンも同様で、異なる製品は医師の働き方、情報源、正確性の要件に基づいて専門的な基準を構築する必要がある。

これらの評価やデータは、新しいモデルの発表によって自動的に無効になるわけではない。基盤モデルがアップグレードされた後も、垂直企業は既存のトレーニング環境を新しいモデルに移行でき、業界全体を再理解する必要はない。評価がますます細分化され、データクレンジングのプロセスが成熟するにつれて、垂直モデルは特定のタスクを中心に継続的に蓄積される能力を形成している。

理論上、フロンティアモデル企業はリソースを集中して法律や医療市場に参入し、単一領域で既存製品を打ち負かすことも可能です。しかし、このようなアプローチは必ずしも商業目標に合致するわけではありません。汎用モデル企業は幅広い顧客にサービスを提供する必要があり、大量のリソースを垂直領域に投入すれば、追求する市場規模や評価額を支えるのが難しくなる可能性があります。

陳宇飛氏は、汎用モデルを幅広い味覚に対応する必要のあるチェーン店に例え、垂直モデルは少数の料理に特化したレストランのようなものだと述べています。後者はすべての問題を解決する必要はなく、ターゲットタスクで汎用ソリューションを大幅に上回る性能を発揮すれば、独立した有料スペースを構築できる可能性があります。

このような不均衡ながら高度に特化した能力は、彼によって「Jagged Intelligence」とも呼ばれています。法律モデルはリーマン予想を解けないかもしれませんが、特定の法律タスクではより大規模な汎用モデルを上回ることができます。企業顧客にとっては、モデルがより広範な能力を持つかどうかよりも、仕事を確実に完了できるかどうかが重要です。

すべての企業がカスタムモデルに適しているわけではありません。陳宇飛氏は、最も適した顧客は多数の同種機関にサービスを提供する垂直SaaS企業であり、単一の病院、法律事務所、またはエンドユーザー企業ではないと考えています。

垂直SaaSプラットフォームは多くの顧客にアクセスでき、異なる機関間の共通ニーズを理解し、より多くの状況をカバーする評価システムを構築できます。単一企業は通常、十分に広範なデータ分布と継続的な評価能力を欠いており、独自にモデルを訓練するよりも、内部プロセスをスキル、ツール、またはエージェントとして固定化し、外部の基盤モデルを呼び出してタスクを完了する方が適しています。

カスタム強化学習プロジェクトでは、GPUが主要なコストですが、データとトレーニング環境も同様に重要です。チームはモデルが報酬ハッキング（評価の抜け穴を利用して高得点を得るが、実際にはタスクを完了していない）を起こしていないか確認する必要があり、同時にトレーニング環境の安定性を確保し、トレーニング規模を拡大できるようにする必要があります。

初期環境は数十万件に達する必要はありません。陳宇飛氏は、数千のトレーニング環境があれば強化学習を開始できると述べています。なぜなら、モデルはトレーニングプロセス中に繰り返し探索し、大量の軌跡を生成するからです。各トレーニングステップで1つの環境に対して128回実行すると仮定すると、1000件の初期データから約12.8万件のトレーニング軌跡が生成される可能性があります。

カスタムモデルはリリース後も「再調整」が必要です。新しいオープンソース基盤モデルがリリースされると、プラットフォームは既存のトレーニングおよび評価システムを新しいモデルに移行できます。評価基準とタスク環境が固定されていれば、移行自体は必ずしも時間がかかりません。継続的に作業量を生み出すのは、顧客が新しいシナリオ、ワークフロー、より困難なタスクを追加することです。

したがって、垂直企業のコア資産は特定の世代のモデルの重みではなく、基盤モデルの更新に応じて繰り返し移行できるデータ、評価、ワークフローです。

企業AIはPoCで停滞、不足しているのはモデルではなく評価

企業がオープンソースかクローズドソースのモデルを選ぶ際、最優先されるのは性能や価格だけでなく、信頼である。

企業契約は通常1〜2年続くため、調達側はサービスプロバイダーとそのエコシステムが長期的にビジネスニーズを支えられるかを判断する必要がある。オープンソースモデルはより安価で柔軟かもしれないが、クローズドソースのベンダーはブランド認知、成功事例、市場での認知度において依然として優位に立っている。

陳宇飛氏は、オープンソースモデルとそのサービスプロバイダーが現在最も顕著に欠けているのは技術ではなく、市場参入能力だと考える。クローズドソースのモデル企業は、新たな機能デモや研究成果を通じてユーザーの認知を強化し続けることができるが、オープンソースエコシステムには統一されたマーケティングや顧客コミュニケーションの仕組みが不足している。

導入方法も変化している。初期の企業はオンプレミス展開を重視していたが、現在ではますます多くのワークロードがクラウドへ移行している。サービスプロバイダーがセキュリティや仮想プライベートクラウドなどの面で信頼を構築できれば、マルチテナントクラウドサービスは通常、企業専用のGPUよりも経済的である。

単一の企業がGPU群の稼働率を常に高く維持できるとは限らないが、プラットフォームは異なる顧客のニーズを集約し、ハードウェアの利用効率を向上させることができる。推論コストが企業の運営支出に占める割合が上昇するにつれ、共有インフラによるコスト優位性はより顕著になるだろう。

企業が概念実証から本番運用へ移行する際の最大の障壁の一つは、厳密な評価の欠如である。多くの企業はすでにAIをコールセンターなどの重要な業務に活用しているにもかかわらず、モデルの効果を判断する方法は感覚的な試用に近く、再現可能なテスト基準を構築していない。

評価がなければ、企業はオープンソースとクローズドソースのモデルを安定して比較できず、モデル更新が実際に業務を改善したかどうかも判断できない。陳宇飛氏はそのため、AI評価を設計できる人材は依然として希少だと考える。信頼性の高い評価体系は、企業がモデルを置き換えるのを支援し、構築コストをはるかに上回る長期的な支出を節約できる可能性がある。

これは従来のソフトウェア企業における単体テストと本質的に変わらない。かつてSaaS企業はソフトウェアを納品する前に一連のテストを実行する必要があった。現在、垂直AI企業は一連の評価を構築し、Agentが本番投入前に相応の基準に達していることを確認する必要がある。業界の仕事の中心は「テストを書く」ことから「評価を書く」ことへ移行しつつあるが、核心は依然として製品品質を測定可能で蓄積可能な組織能力に変換することにある。

第三者データ企業の発展も、企業AI導入を観察する指標となり得る。その顧客が少数の最先端ラボに集中し続けるなら、一般企業が独自のAI能力を構築する余地は依然として限られていることを示す。収入源が徐々に分散すれば、より多くの企業がデータを購入し、評価を構築し、自社モデルを訓練し始めている可能性を示唆する。

企業に本当に不足しているのは、より多くのモデルではなく、正しさを定義し、失敗を特定し、調達決定を支援する一連の基準である。

推論最適化はトークンコスト削減からシステムスケジューリングへ

Fireworksの最初のコアビジネスは推論最適化である。陳宇飛氏は、この作業にはまだ大きな余地があると考える。なぜなら、モデルがリリースされた直後の実行効率と、長期間の最適化を経た後のパフォーマンスには、通常、明らかな差があるからだ。

プラットフォームが解決すべき課題は、この最適化サイクルを短縮し、新モデルがリリース時に可能な限り最良の状態に近づけることである。モデル実行自体に加えて、キャッシュ、スケジューリング、および関連インフラストラクチャが最終的なコストに影響を与える。多くの最適化は大量の細かいエンジニアリング作業に由来するため、推論最適化は依然として労働集約型のビジネスである。

モデル開発者が提供するファーストパーティAPIと比較して、Fireworksは多数の基盤モデルとカスタムモデルを同時にサービスしており、より多様なトラフィックパターンとワークロードを観察できる。モデルベンダーはまず自社モデルを広範なユーザーに安定して提供する必要があるが、サードパーティプラットフォームは特定の顧客のリクエスト特性に応じてより細かい最適化を行うことができる。

モデルルーティングはコスト削減だけを目的としているわけではない。FireworksとHarveyの共同実験では、システムが1つのモデルをタスク実行役、もう1つのモデルをアドバイザーとして機能させ、長いコンテキストのタスクを複数の短いサブタスクに分割した。大規模モデルの効果はコンテキストが長くなるにつれて低下する可能性があるため、適切な役割分担により、システム全体のパフォーマンスは最強モデル単独の使用を上回る可能性がある。

陳宇飛氏はこのプロセスをCPUパフォーマンス最適化に例える。開発者はプロセッサの特性を理解し、プログラムをそのプロセッサに適したワークロードに分割する必要がある。同様に、AIシステムでは、基盤モデルはテキストプロセッサと見なすことができる：チームはまず異なるモデルの能力境界を理解し、次にタスクフレームワークを設計し、最後に適切なモデルを適切な位置に配置する必要がある。

ハードウェア最適化も、GPU、HBM、CPU、ネットワークの個別指標だけを見るべきではない。モデルはトレーニング開始時点で、通常、既存ハードウェアの計算とメモリの比率に合わせて設計されている。そのため、モデルをNVIDIA GPUから特性が類似したAMD GPUに移行するのは比較的容易だが、アーキテクチャが異なるASICに移行するには多大な作業が必要になる可能性がある。

新しいハードウェアが成功するかどうかは、パラメータがNVIDIAに近いかどうかだけでなく、供給規模、ソフトウェアエコシステム、経済的インセンティブが開発者にそのハードウェア向けのモデル最適化を促すかどうかにも依存する。ハードウェア構成がNVIDIAと類似していても、開発者が使用によって十分なリターンを得られなければ、エコシステムを形成するのは難しい。

推論プラットフォームが最終的に最適化するのは、単なるモデルの実行速度ではなく、モデル、タスク、ハードウェアの間のマッチング方法である。

Fireworks はハードウェアを保有せず、トレーニングと推論を接続する

AIクラウドベンダーがソフトウェア層へ拡張する中、Fireworksは現時点で自社ハードウェアの構築やGPUへの重資産投資の計画はない。陳宇飛氏は自社のモデルを「サブレッサー（又貸し業者）」に近いと表現する。インフラ供給元から計算リソースを調達し、計算ソフトウェア、推論サービス、モデルカスタマイズに重点を置く。

Fireworksと一般的なAIクラウドプラットフォームの違いは、プラットフォーム上のトラフィックの大部分が未修正のベースモデルではなく、カスタマイズされたモデルから来ている点にある。陳宇飛氏は、ベースモデルの推論競争はますます激化し、利益は顧客により良い結果を提供できる専用モデルから生まれる可能性が高いと考えている。

Fireworksはトレーニングと推論を一つのビジネスとして結びつけている。同社は顧客のモデルトレーニングを支援し、モデル稼働後の推論トラフィックが持続的に成長することを期待している。トレーニング費用やコンサルティング費用のみを請求するサービスプロバイダーと比較して、この収益構造はプラットフォームと顧客の長期的な利用効果をより一致させる。顧客がモデルを通じてより多くの価値を生み出せば、Fireworksは継続的な推論からより多くの収益を得られる。

一部の強化学習サービスプロバイダーはトレーニングやコンサルティングのみを提供し、その収益はモデル稼働後の利用効果と必ずしも直接関連しない。Fireworksのビジネスロジックは、トレーニングを通じてモデルの効果を向上させ、その後の推論トラフィックから報酬を得るというものだ。同社が販売するのは一度きりのトレーニングプロジェクトではなく、顧客モデルが継続的に使用量を生み出す能力である。

チェーン全体をカバーできる競合他社は、単一の新興クラウド企業ではなく、AWS、Microsoft Azure、Google Cloudなどの大手クラウドサービスプロバイダーである。彼らは計算リソースを保有し、強化学習サービス、推論プラットフォーム、開発ツールも構築できる。

Fireworksは一方でクラウドベンダーと競争し、他方でそのインフラに依存し協力もしている。現在、同社はAzureと最も緊密に連携しており、顧客はAzureのクレジットを使用してFireworksサービスを購入できる。また、AWSやGoogle Cloudとの協力も進めている。

陳宇飛氏は、Fireworksの現在の推論最適化能力は依然としてクラウドベンダーの同種サービスより優れているが、単一の性能は最も強固な参入障壁ではないと考えている。より重要なのは、トレーニングからデプロイ、評価、推論までの機械学習運用サイクル全体を完結させ、開発者に一貫した体験を提供することだ。新興クラウド企業と比較して、Fireworksがカバーするチェーンはより長い。クラウド大手と比較して、専門性と実行速度で優位性を維持する必要がある。

たとえ将来AIがカーネル、推論、後訓練の最適化を自動で完了できるようになっても、顧客のニーズを理解することは完全に代替されにくい作業であり続けるかもしれません。あるシステムは複雑な数学的問題を解決できても、企業のプロセス、制約、評価基準をゼロから理解できるとは限りません。Fireworksの長期的な価値は、最終的には顧客のニーズをモデル、評価、実行可能な製品に変換できるかどうかにかかっています。

オープンソース圧縮モデルのプレミアム、算力が依然として最終的な制約

今後1〜2年、Fireworksが直面する最大の課題は依然として算力です。同社が妥当な価格で十分な計算リソースを確保できるかどうかが、収益成長を直接制限します。陳宇飛氏はFireworksの現在の状態を「算力に制約されている」と要約し、少なくとも今後1年間は市場全体がこの状態を維持する可能性が高いと判断しています。

これは彼のテック大手のAI資本支出に対する見方にも影響を与えています。市場は通常、投資収益率の観点からGoogleやMetaなどの企業が過剰投資を行っているかどうかを判断しますが、これらの企業にとっては別のリスクの方が大きいかもしれません：もしAIが最終的に極めて高いリターンをもたらし、自社が投資削減によってこの競争の波を逃した場合、永久にゲームのテーブルから外れる可能性があります。

したがって、短期的な過剰投資であっても、その代償は財務諸表への圧力と、今後数年間の減価償却の消化に過ぎないかもしれません。長期的なキャッシュフローと資金調達能力を持つテック大手にとって、これは通常、生存リスクではありませんが、重要な技術サイクルを逃すことは生存リスクとなり得ます。

新興クラウド企業の状況は異なります。彼らはプロジェクトのリターン、資金調達コスト、投資回収期間をより厳密に計算する必要があります。陳宇飛氏は関連企業の債券格付け、プロジェクトの遅延、再融資能力に注目するよう提案しています。今後3〜6か月の間に、ある参加者が信用問題で借入を継続できず債務再編を余儀なくされた場合、市場に資金を引き受ける余力があるかどうかが、AIインフラの資金調達能力を試す重要なポイントとなるでしょう。

「オープンソースモデルがクローズドソースモデルに追いつけばハードウェア需要が低下する」という市場のナラティブについて、陳宇飛氏は懐疑的です。彼の見解では、オープンソースモデルの能力向上はまずモデル層のプレミアム価格設定能力を弱めます。全体のAI支出が変わらなければ、価値はむしろ算力とインフラを提供する企業に移転する可能性があります。

ただし、AI資本支出が最終的に十分なリターンを実現できるかどうかは、依然として答えのない問題です。算力プロジェクトは投資回収に数年かかることが多く、1年後の需給構造はすでに予測が困難です。現時点で比較的明確なシグナルは、Fireworksもその多くの顧客も、依然としてさらなる算力を求めているということです。

オープンソースとクローズドソースの競争は、モデルランキングだけで決まるわけではありません。能力差が縮小し続ける中で、産業価値は誰がタスクを定義し、効果を検証し、持続可能なコストでモデルを本番環境に投入できるかに、より依存するようになるでしょう。

[動画リンク]

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia