官民の距離感と生成AI開発の出遅れ：2001年のADSL戦争と、TSUBAMEがあっても大規模言語モデルが生まれなかった理由

はじめに：問いの立て方

「日本は生成AIで出遅れた」という言い方は、2023年以降あまりに繰り返されたせいで、 もはや分析ではなく決まり文句になっています。そして決まり文句の常として、 原因についての説明も雑になりがちです。いわく「計算資源がなかった」「人材がいなかった」 「英語圏のデータ量に勝てなかった」。

本記事は、このうち「計算資源がなかった」という説明が、事実としてかなり怪しい ところから出発します。日本は、GPUによる科学技術計算という分野では世界的にかなり早い側にいました。 にもかかわらず、その計算資源が大規模な基盤モデルの学習に投じられることはありませんでした。 だとすれば、問題はハードウェアの有無ではなく、ハードウェアを「どう使うか」を決める仕組み の側にあったのではないか——というのが本記事の見立てです。

ただしこの見立てを出す前に、まず対照実験として、日本のテック市場でも 「外部から来た事業者が既存の独占構造を実際に壊した」という事例を確認しておきます。 それが2001年のADSL戦争です。

対照例：2001年、固定回線の独占が実際に壊れたとき

1999年〜2000年：規制の側が先に動いていた

1990年代末の日本のインターネット接続は、NTTの加入電話回線（銅線）に依存していました。 この「ラストワンマイル」を他社が使えるようにする加入者線のアンバンドル（開放）と、 NTT局舎の中に他社が自前の通信装置を設置できるようにするコロケーションのルールは、 当時の郵政省・総務省によって整備が進められます。1999年から2000年にかけて、 東京めたりっく通信をはじめとする新規事業者がNTTの回線を借りてADSLサービスを開始しました。

もっとも、ルールが紙の上にあることと、実際に工事が進むことは別問題でした。 NTT側が新規事業者のDSL装置の「試験」に長期間を費やしたことや、局舎内コロケーションの 申請手続きが極めて煩雑だったことは、当時から繰り返し指摘されています。 接続料の水準やアンバンドルの範囲は2000年の日米規制緩和交渉でも争点となり、 外圧も含めた複数の力が働いてようやく条件が動いた、というのが実際の経緯です。

2001年：価格破壊と「赤い袋」

そこに参入したのがソフトバンクでした。2001年6月19日、Yahoo! JAPANは ADSL接続料月額990円からという水準を掲げたブロードバンドサービス「Yahoo! BB」を発表し、 同年9月にサービスを開始します。ISP料金込みで月額2,280円（税別）、下り最大8Mbps という価格は、当時の相場から見て明確な価格破壊でした。ADSL回線とプロバイダ料金を合わせて 月5,000〜6,000円というのが当時の水準で、Yahoo! BBの登場後、競合各社の追随によって これは3,000〜4,000円台まで押し下げられます。同年12月にはNTT自身も フレッツADSLの料金を2,000円台へ引き下げました。

この価格戦略とセットで記憶されているのが、街頭でのADSLモデム無料配布です。 赤と白のパラソルを立てたブースに「パラソル部隊」と呼ばれる要員が立ち、 赤い紙袋に入ったモデムを通行人に手渡していく——という、通信事業者としては かなり異例のゲリラ的な販促が全国の駅前で展開されました。 ちなみにこのYahoo! BBのADSLサービスは、22年間の提供を経て2024年3月末に終了しています。

局舎の中で何が起きていたか

一方、契約者を集めても、NTT局舎内での接続工事が進まなければサービスは開通しません。 ここでソフトバンク側が直面したのが、前述のコロケーション手続きの遅さでした。 孫正義氏が総務省に直接乗り込み、担当官を前に極めて強い言葉で抗議した——という逸話は 複数のビジネス書やメディアで繰り返し語られており、その後NTT側の工事が動き出した、 という筋立てで紹介されるのが通例です。

2001年の事例から取り出せるのは、次の構造です。 (1) 規制当局が既存事業者の独占資産（銅線と局舎）を開放するルールを先に作り、 (2) そこに既存の通信業界の外から来た事業者が、既存プレイヤーが絶対に取らない 価格と販促手段で参入し、 (3) 参入障壁が実務レベルで機能していることを当局に直接ぶつけて押し返した。 結果として、既存事業者自身を含む市場全体の価格が動きました。 日本のテック市場でも、条件がそろえば本物の破壊的競争は起きるのです。

本題：日本には計算資源があったのか

では生成AIの話に移ります。まず、「計算資源がなかった」という説明が どこまで正しいのかを事実で確認します。

TSUBAME：世界に先駆けたGPUスパコン

東京工業大学（現・東京科学大学）のTSUBAMEシリーズは、GPUを科学技術計算に使うという アプローチを世界でもかなり早い段階で本格採用したスパコンです。

• TSUBAME1.0（2006年4月稼働）：ピーク性能85TFLOPS級。当時の国内・アジア最速
• TSUBAME1.2（2008年10月）：NVIDIA Tesla S1070を170台（GPU 680基）増設。TOP500上位にランクインしたシステムとしては世界初のGPU搭載スパコンとされ、ピーク性能は約80TFLOPSから約141TFLOPSへ
• TSUBAME2.0（2010年）：国内初のペタフロップス級。電力効率ランキングGreen500で世界2位
• TSUBAME3.0（2017年）：540ノード、NVIDIA Tesla P100を2,160基搭載。Green500で世界1位
• TSUBAME4.0（2024年4月1日稼働）：240ノード、1ノードあたりAMD EPYC 2基＋NVIDIA H100 4基（GPU計960基）

重要なのは2008年という年です。NVIDIAのCUDAが登場して間もない時期に、 日本の大学が数百基規模のGPUを束ねて実運用していた。深層学習が 画像認識のブレイクスルーで注目を集めるのは2012年以降ですから、 日本はGPU計算のインフラと運用ノウハウの面では、むしろ先行していた側です。

富岳とABCI：国費は投じられていた

国家レベルの投資も小さくありません。理化学研究所と富士通が開発したスーパーコンピュータ 「富岳」は、2020年6月のTOP500で世界1位となり、2021年から本格運用に入りました。 研究開発・整備・アプリケーション開発を含む国の予算規模は約1,100億円とされています。 ただし富岳のアーキテクチャは、Armv8.2-A＋SVEを採用した富士通A64FXという CPUのみの構成で、GPUを搭載していません。これは当時のHPC分野では 意識的な設計選択でしたが、結果として、Transformerの大規模学習という用途にとっては 素直に使える構成ではありませんでした。2024年5月に公開された「Fugaku-LLM」が 13Bパラメータ規模だったのは、この制約と無縁ではありません。 （富岳上でTransformerを動かすためにMegatron-DeepSpeedを移植するところから始めた、 という開発経緯自体が、この点を物語っています。）

AI用途に特化した計算基盤としては、産業技術総合研究所のABCI（AI Bridging Cloud Infrastructure）が2018年8月に本格運用を開始しています（初代はNVIDIA Tesla V100構成）。 2025年1月からはABCI 3.0がNVIDIA H200を6,128基搭載して稼働しており、 大学・公的研究機関・スタートアップに開かれた国のAI計算基盤として運用されています。 また経済産業省とNEDOは2024年2月から「GENIAC」を開始し、 基盤モデル開発テーマに対する計算資源の提供支援を続けています （採択規模は第1期10件から始まり、その後の各期で16〜24件程度が採択されています）。

では何が足りなかったのか

ここで数字を並べてみると、事情が見えてきます。GPT-3が発表されたのは2020年6月、 パラメータ数1,750億。GPT-4は2023年3月。この時期に米国のフロンティア研究所が 1回の学習に投入していたGPUは、数千から数万基規模です。 一方、2024年稼働のTSUBAME4.0でGPUは960基、しかもこれは 大学全体の研究・教育を支える共用資源です。ABCI 3.0の6,128基にしても、 全国の利用者で分け合う国の共用基盤です。

つまり、「日本にGPUが一枚もなかった」というのは明確に誤りですが、 「ひとつのチームが数か月間、数千基のGPUを独占して1本の投機的な学習に注ぎ込む」 という使い方ができる資源は、事実上存在しませんでした。 そしてこの差は、ハードウェアの総量の差というより、資源の割り当て方の差です。 ここから先は組織の話になります。

構造仮説：組織の側に何があったか

(1) 共用資源の配分モデルと、投機的な大規模学習の相性の悪さ

日本の国家系スパコンの多くは、HPCI（革新的ハイパフォーマンス・コンピューティング・インフラ） のような枠組みのもとで、公募された研究課題を審査委員会が選定し、採択された課題に対して 計算資源を配分する形で運用されています。これは公的資金で整備された資源を、 特定の主体に偏らせず、分野横断的に、説明可能な基準で配分するための仕組みとしては まったく合理的です。

しかし、この仕組みは「事前に成果が説明できる計算」に最適化されています。 課題申請には目的・手法・期待される成果を書かなければならず、審査があり、 配分される計算時間には上限と期間があります。これは、 「このアーキテクチャをこの規模まで大きくしたら何が起きるか正直わからないが、 とにかく数か月クラスタを占有して回してみたい」という スケーリング則の実験とは、審査の前提からして噛み合いません。 しかも大規模言語モデルの学習は、途中で発散したらやり直しという、 失敗コストの大きいプロセスです。

(2) リスク回避的な公的資金と、VC型の「一発賭け」

GPT-3以降の基盤モデルを生んだ米国側のモデルは、端的に言えば 「収益がまだ立っていない企業が、VCから調達した巨額の資金を、 成功確率の不確かな1回の大規模学習に燃やす」というものでした。 これが成立するには、失敗しても次の賭けができる資金供給の層が必要です。

日本の資金供給環境は、この点で厚みが異なります。2024年上期のVC投資額は 米国が約14兆2,157億円だったのに対し、日本は約1,447億円。 2024年の国内スタートアップの資金調達額は約7,613億円で、対GDP比では0.11%程度という 水準が報告されています。この差は絶対額の問題でもありますが、より本質的なのは 「一社に数百億円を、プロダクトがない段階で入れる」という賭け方が 制度的にも文化的にも成立しにくいという点です。公的資金はなおさらで、 税金を原資とする以上、事前の成果説明と失敗時の説明責任が求められます。 これは制度の欠陥ではなく設計通りの挙動ですが、投機的な大規模学習とは相性が悪い。

(3) 「調達する能力」と「回し続ける能力」は別物である

もうひとつ見落とされがちなのが、スパコンを導入することと、 基盤モデルを作り切ることが、要求される組織能力としてまったく違う、 という点です。

大型計算機の調達は、予算獲得・仕様策定・入札・設置・ベンチマークという 一連のプロセスで完結し、TOP500やGreen500での順位という形で成果が可視化されます。 これは日本の官学が長年にわたって高い練度を持ってきた領域で、 TSUBAMEや富岳の実績はその証拠です。しかし 順位が出た時点でプロジェクトとしては完了扱いになりやすいという 構造的な副作用もあります。

一方、基盤モデルの開発は、データの収集・クリーニングから、学習の失敗と再開、 評価、安全性対策、推論基盤の構築、そしてプロダクトとしての提供まで、 年単位で走り続ける必要があり、しかも途中に明確な「完成」の瞬間がありません。 必要なのはハードウェアの入手能力ではなく、 不確実な長期プロジェクトを、途中の失敗を含めて抱え続ける組織です。 日本が前者に強く、後者を担う主体が育ちにくかったとすれば、 それは計算機の問題ではありません。

(4) 公的資金の集中という構造的パターン

ここからは、より慎重に扱う必要のある論点です。 日本のAI・先端技術分野への公的資金の流れについて、しばしば指摘される構造的な傾向があります。 それは、助成金や官民連携プロジェクトの受け皿が、少数の有力な国立大学系研究室から スピンアウトした企業群に集中しやすいという観察です。 本記事はこの点について、特定の企業・研究室・個人を指すことなく、 あくまで一般的な構造の話として扱います。

この集中には合理的な理由があります。大規模な技術開発を任せられる実績と体制を持つ組織は そもそも数が限られており、審査する側にとっても評価しやすい。 限られた予算を薄く広く撒くより、実行能力のある主体に集中させるほうが 成果が出やすい、という判断も十分に成り立ちます。

一方で、集中には競争動学上のコストも伴いうる、という指摘があります。 独立した賭けの数が減れば、探索される技術的アプローチの多様性も減ります。 受け皿が事実上限られていれば、新規参入者にとって 「公的資金を取りに行く」ことは市場での検証よりも 既存のネットワークへの接続の問題になりやすい。 そして資金配分の判断が、市場での実績よりも学術的な経歴や人的ネットワークに 影響されやすくなれば、選別のシグナルとしての精度は下がります。

念のため明示しておくと、これは不正や不適切な関係があったという主張ではありません。 個別の助成金交付や委託契約について、本記事は何ら具体的な問題を指摘するものではなく、 そうした事実を把握してもいません。ここで述べているのは、 「資源配分が構造的に集中する設計は、それ自体が意図や善意と無関係に、 競争の多様性を下げる方向に働きうる」という、 制度設計についての一般論です。

2001年と2020年代を並べてみる

ここで冒頭の対照例に戻ります。2001年の通信市場で破壊的競争が成立したのは、 次の3つがそろったからだと整理できます。

• 独占資産が制度的に開放されていた：加入者線のアンバンドルとコロケーションのルールが、不完全ながら先に整備されていた
• 業界外の資本が、業界の常識を無視する形で参入した：通信事業者出身ではない経営者が、既存事業者が絶対に選ばない価格と販促手段を持ち込んだ
• 実務レベルの障壁を押し返す当事者がいた：ルールが機能していないことを、当事者が規制当局に直接ぶつけた

2020年代の生成AI開発に、この3条件を当てはめるとどうなるか。 筆者の解釈としては、いずれの条件も成立しにくかったように見えます。 鍵となる資源（大規模かつ専有可能な計算資源）は、そもそも独占事業者が抱えていたわけではなく、 公的な共用基盤として「公平に配分」される形で存在していました。 開放すべき独占構造という形をしていない以上、2001年型の「制度的開放」という手が効きません。 業界外から巨額を持ち込む資本の層は薄く、 そして押し返す相手——つまり明確な既得権の壁——も、はっきりとは存在しませんでした。

言い換えれば、2001年の問題が「壁が高すぎた」ことだったのに対し、 2020年代の問題は「壁がないかわりに、大きく賭ける仕組みもなかった」 ことだったのではないか、というのが本記事の見立てです。 前者は規制で壊せますが、後者は規制では解けません。

この見立てが正しいとすれば、示唆はそれほど悲観的ではありません。 日本のテック市場が構造的に破壊的競争を受け付けない、というわけではないからです。 2001年は、条件がそろえば起きることを示しています。 必要なのは計算機の追加調達だけではなく、 「失敗する可能性が高い長期プロジェクトに、独占的な資源と時間を割り当てられる主体」 をどう作るか、という設計の問題です。

まとめ

• 2001年のYahoo! BB参入は、加入者線アンバンドルという制度整備と、業界外からの価格破壊的な参入が重なって、NTTの固定回線独占を実際に動かした事例である
• 日本は2008年のTSUBAME1.2でTOP500上位における初のGPU搭載スパコンを実現しており、GPU計算では先行していた側だった
• 富岳（2020年、国費約1,100億円規模）はCPUのみの構成で、大規模言語モデルの学習には素直に使える設計ではなかった
• ABCI（2018年〜、3.0は2025年稼働でH200 6,128基）やGENIAC（2024年〜）など、AI向けの公的計算基盤と支援制度は存在する
• ただしこれらはいずれも共用・配分型の資源であり、「1チームが数か月間クラスタを占有して投機的な大規模学習を回す」という使い方には向いていない
• したがって出遅れの主因は計算資源の総量ではなく、資源配分の仕組み、公的資金のリスク許容度、調達能力と長期運用能力の乖離、独立VCの層の薄さといった組織構造の側にあった可能性が高い
• 公的資金が少数の有力大学系スピンアウトに集中しやすいという構造的傾向は、競争の多様性を下げる要因として論じられることがあるが、これは解釈のひとつであり、特定の不正を指摘するものではない
• この問い全体が多因的であり、本記事の構造仮説は他の説明候補と併せて検討されるべきものである