防衛省が2026年8月4日公開の防衛白書で中国軍によるDeepSeekの兵器搭載を明かした。
従来の軍用AIは通信帯域と高価なクラウド基盤に依存し現場運用が制限されていた。
本分析では低コスト生成AIのエッジ実装が及ぼす防衛と産業の不可逆な変化を解読する。
GRPOとMLAが実現したエアギャップ・高密度推論のブレイクスルー
中国人民解放軍がDeepSeekの生成AI（R1やV4等）を無人航空機（UAV）や時速50kmで自律走行する戦闘支援車両に実戦投入できた背景には、AIモデルの軽量化と高効率化の技術的条件が満たされた点があります。従来の自律型兵器や高度防衛システムは、巨大なデータセンターとの通信、あるいは数百kW級の物理的インフラを前提としていました。しかし、敵の電波妨害（EW）が激化する戦場では、外部ネットワークから完全に遮断されたエアギャップ環境下で、ローカル推論をリアルタイムに実行する技術が不可欠となります。
これを可能にした核心技術が、DeepSeekアーキテクチャの根幹をなすGRPO（Group Relative Policy Optimization）とMLA（Multi-head Latent Attention）です。従来の強化学習（PPO等）で不可欠だったCritic（評価モデル）を排除したGRPOは、モデルの学習・推論に必要な計算量を劇的に削り落としました。さらにMLAによりKVキャッシュ（Key-Value Cache）のメモリ占有量を従来の数分の一へ圧縮したことで、VRAM 8GB〜16GBクラスのエッジ向け民生用GPUや車載SoC上でも高度な思考・推論プロセス（System 2思考）が稼働する土台が完成しました。
さらに、オープンウェイトとして公開された高性能モデルを軽量なエッジモデル（1B〜32Bパラメータ）へ蒸留（Distillation）する技術が確立されたことで、ハードウェア制約の厳しい小型ドローンや移動車両への高密度実装が可能になりました。DeepSeek-R1が示す推論時計算量スケーリングへの大転換で解説したように、計算資源の投資先が「学習」から「推論」へとシフトした結果、末端デバイス自身が高度な意思決定を下す「物理AI（Embodied AI）」の軍民両用（デュアルユース）が加速しています。
| 評価項目 | 従来型の軍事クラウドAI基盤 | DeepSeek統合型エッジAI基盤（R1/V4蒸留系） |
|---|---|---|
| 稼働環境 | 大規模データセンター（高帯域通信前提） | 移動体搭載SoC／車載GPU（完全エアギャップ） |
| 強化学習アルゴリズム | PPO（Criticモデル併用で計算負荷大） | GRPO（Critic非依存で計算資源を大幅削減） |
| KVキャッシュ構造 | 標準Multi-Head Attention（VRAM消費大） | MLA（潜在空間圧縮によりVRAM消費を極小化） |
| 推論遅延（レイテンシ） | 500ms〜2000ms（通信経路依存） | 10ms〜50ms（ローカルエッジ推論） |
| 戦術的自律性 | 指揮所からのデータリンク切断で停止 | 通信断絶下でも目標特定・追跡・障害物回避を維持 |
米軍の「メイブン・スマート・システム」やロシア軍の自律ドローン「V2U」など、世界各国で自律運用の自動化が進んでいます。しかし中国は、独自開発の昇騰（Ascend）チップ等の国産インフラと低コストオープンウェイトAIを垂直統合することで、兵器の製造・運用コスト構造そのものを根本から塗り替えようとしています。
電力制約と熱設計が生む「エッジ推論」の新たな障壁
低コストモデルの登場によってソフトウェアの障壁が下がった一方、物理空間での運用においては新たなハードウェア的ボトルネックが顕在化しています。
第一の課題は、移動体における熱設計電力（TDP）と冷却機構のトレードオフです。時速50kmで悪路を走行する戦闘支援車両や、ペロード制限の厳しいUAVでは、AI推論チップに割ける電力は数十ワットから数百ワット程度に限られます。複雑な目標識別や経路計画のために推論時の計算量を増大（推論時スケーリング）させると、消費電力と発熱が急増し、機体の航続距離や動作時間が急激に低下します。
第二の課題は、未知の環境（ドメインシフト）や敵対的攻撃に対する脆弱性です。戦場や屋外の未知環境では、光学センサーへのノイズ照射や敵対的サンプルの混入により、エッジAIが誤認識を起こす危険性があります。クラウドに接続できないエアギャップ環境では、誤った推論パターンを修正するためのモデル更新（Over-The-Airアップデート）が不可能なため、ローカル環境だけで誤りを自己検知する高次元のAIセキュリティアルゴリズムが求められます。
このように、単に軽量AIモデルを搭載するだけでなく、過酷な物理環境に耐えうるAI推論インフラとハードウェアの最適化が、次なる勝敗を分ける境界線となっています。
エッジAI導入・評価において追うべき3つの技術KPI
技術責任者や事業責任者が、自律型ロボティクスや防衛・産業向けエッジAIシステムの実用化判断を下す際、注目すべき具体的な指標は以下の3点に集約されます。
- 1Wあたり推論処理性能（Tokens/sec/Watt）
- 評価基準: エッジSoC（消費電力30W〜100W枠）において、1秒あたり15トークン以上の思考プロセス出力を維持しつつ、電力効率が従来の2倍以上に向上しているか。
-
意味: バッテリー駆動の移動体（UAV・AGV・自律走行車）において、稼働時間を削らずに高度な推論を実行できるかを決定づける数値です。
-
エアギャップ環境でのVRAM占有量とKVキャッシュ圧縮率
- 評価基準: 100万トークン規模の長文脈・多角データを入力した際、MLA等の適用によってKVキャッシュのメモリ占有量が8GB以下に抑えられているか。
-
意味: 民生用汎用半導体や車載チップなどの限定されたVRAM空間で、高精度なコンテキスト理解を継続できるかの技術的ボーダーラインとなります。
-
完全電波妨害（EW）下でのエンドツーエンド応答遅延（Latency）
- 評価基準: センサーデータ（カメラ・LiDAR）の入力からエッジAIの推論を経てアクチュエータ制御命令を出力するまでの遅延が20ms以下に収まっているか。
- 意味: 時速50kmで移動する車両や高速飛行するドローンが、障害物や突発的な状況変更に衝突なく即時対応できる重要な条件です。
防衛DXとエッジAI基盤構築の不確実性を超えて
中国軍によるDeepSeekの兵器転用は、AIの主戦場が「巨大クラウドの物量戦」から「エッジ環境への高密度実装」へ移ったことを決定づけました。低コスト・高効率なオープンウェイトモデルの登場は、高価な有人兵器に依存する従来のセキュリティおよび産業構造を大きく揺さぶっています。
これに対し、日本政府も2026年内に「臨時無人機運用隊（仮称）」を新設し、令和8年度予算案で1,001億円を計上して無人アセット防衛体制「SHIELD」の構築を進めるなど、従来のオンプレミス依存から脱却した情報インフラの刷新を本格化させています。
技術責任者および事業責任者が取るべきアクションは明確です。クラウド主体の巨大AIモデル導入計画を再検証し、通信切断下でも動的に動作する軽量・高効率な自律型AIエージェントの技術検証を即座に開始することです。エッジ推論の電力効率とローカル安全性を高める技術基盤の構築こそが、今後の産業・防衛双方における最大の競争優位性となります。
出典: Yahoo!ニュース
出典: ITmedia NEWS
出典: 読売新聞オンライン
