米エヌビディア（NVIDIA）が、元OpenAI最高技術責任者（CTO）のミラ・ムラティ（Mira Murati）氏が率いるシンキング・マシンズ・ラボ（Thinking Machines Lab：TML）に対し、評価額400億ドル以上を前提に約25億ドルの出資交渉を進めている。大手AI企業による自社製ASICへの移行が加速する中、ハードウェアからオープンモデル流通までを資本力で囲い込むNVIDIAの垂直統合は、プロプライエタリなクラウドAPIに依存してきた日本企業のシステム構築方針に根本的な見直しを迫っている。
5週間で巨額資本を集中投下するNVIDIAのフルスタック包囲網
2026年9月、NVIDIAがTMLに対する大型出資協議に入ったことが明らかになった。市場関係者によると、TMLの新ラウンドは総額50億〜60億ドル規模に達する見込みであり、既存投資家であるアクセル（Accel）が主導する少なくとも10億ドル規模の別枠調達案と並行して条件調整が続いている。プレマネー評価額は少なくとも400億ドルとされ、2025年7月にアンドリーセン・ホロウィッツ（Andreessen Horowitz：a16z）主導で調達したシードラウンド（評価額120億ドル）から、わずか1年余りで約3倍以上に企業価値を伸ばした形だ。
今回のディールは単なるスタートアップへの成長資金供給にとどまらない。直近5週間におけるNVIDIAの資本配分は、ハードウェアベンダーの枠を超え、モデル開発および流通の全レイヤーを急速に支配下に置く動きを見せている。2026年7月28日にはイリヤ・サツキバー（Ilya Sutskever）氏率いるセーフ・スーパーインテリジェンス（Safe Superintelligence：SSI）へ50億ドルを出資し、8月下旬にはAI検索のパープレキシティ（Perplexity）と評価額300億ドル超をベースとした出資交渉に入った。さらに9月3日には、オープンソースAIのハブであるハギングフェイス（Hugging Face）を129億3,030万ドルで買収合意に至った。
| 対象企業／案件 | 主な事業領域 | NVIDIAの資本関与・規模 | 戦略的狙い |
|---|---|---|---|
| Thinking Machines Lab（TML） | 企業向けオープンウェイトMoEモデル開発 | 約25億ドル出資交渉（評価額400億ドル以上） | Vera Rubin 1GW供給契約と先端基盤の確保 |
| Safe Superintelligence（SSI） | 安全性重視のAGI研究 | 50億ドル出資（評価額320億ドル） | 超知能研究の独占的計算リソース供給 |
| Hugging Face | モデル配布・開発者プラットフォーム | 約129.3億ドルで買収合意 | 1,800万人の開発者基盤とCUDA流通網統合 |
| Perplexity | AIネイティブ検索・推論エンジン | 評価額300億ドル超での出資協議 | コンシューマーおよび検索推論需要のロックイン |
この資本投下の背景には、大手ハイパースケーラーやフロンティアラボによる「脱GPU」の加速がある。OpenAIの「Jalapeño」やMetaの「Iris」をはじめ、大手テックは推論TCO（総保有コスト）削減を目指して自社製推論ASICへの集団離反を進めている。これに対しNVIDIAは、トップ研究者がスピンアウトして立ち上げた新興ラボに巨額資本と最先端GPUをセットで供給し、GPUに最適化されたオープンウェイトモデルを市場に普及させることで、独自の「反ASIC連合」を形成しようとしている。
NVIDIAのHugging Face買収報道が示すAI推論覇権と垂直統合の全貌でも触れたように、モデルの流通ハブを抑えたNVIDIAにとって、TMLは最高峰のオープンウェイトモデルを供給し続ける中核エンジンとなる。
Inklingモデルが証明したMoEの推論効率と1GW協定の技術的実態
TMLがARR（年間経常収益）1億ドル超から数億ドル規模と推計されながら、売上高倍率400倍という異例のバリュエーションを維持している要因は、2026年7月に公開されたオープンウェイトモデル「Inkling」の技術的完成度にある。Inklingは総パラメータ数9,750億を誇る混合専門家（Mixture-of-Experts：MoE）アーキテクチャを採用しており、推論実行時にはタスクに応じて約410億パラメータのみを選択的に起動する。
4.5兆トークンで事前学習されたこのモデルは、マルチモーダル処理（テキスト、画像、音声、動画）をネイティブにサポートする。さらに注目すべきは、蒸留軽量版である「Inkling-Small」のベンチマークスコアだ。総パラメータ2,760億、起動パラメータ120億というコンパクトな設計でありながら、ソフトウェア開発能力を測定するSWE-Bench Verifiedで80.2%、コマンドライン操作を評価するTerminal Bench 2.1で64.7%を達成した。
| モデル名 | 総パラメータ数 | 推論時アクティブパラメータ | SWE-Bench Verified | 特徴・主用途 |
|---|---|---|---|---|
| Inkling | 9,750億 | 410億 | 非公表（フルスペック） | マルチモーダル対応フロンティアモデル |
| Inkling-Small | 2,760億 | 120億 | 80.2% | エージェント型コーディング・高速推論特化 |
| 競合オープンモデル群（平均） | 700億〜4,000億 | 全パラメータまたは一部MoE | 65.0%〜72.0% | 汎用チャット用途が中心 |
Inklingの成功要因は、TMLが提供するファインチューニング基盤「Tinker」とハードウェアの協調設計（Co-design）にある。企業は機密データを外部APIに渡すことなく、自社環境下でオープンウェイトを実計算量課金ベースで追加学習させることが可能だ。この決定論的推論制御技術は、NVIDIAの次世代アーキテクチャ「Vera Rubin」が備えるHBM4の広大なメモリ帯域や低遅延同期機構、動的低精度演算とシリコンレベルで密結合するよう設計されている。
2026年3月に両社が合意した「ギガワット級戦略的パートナーシップ」は、この協調設計を物理インフラへ拡張するものだ。NVIDIAは2027年初頭の稼働を目指し、TMLに対して少なくとも1ギガワット（原子力発電所1基分に相当）規模のVera Rubinシステムを長期供給することを確約している。
関連記事: Thinking Machines Lab inks massive compute deal with Nvidiaの衝撃
しかし、このハードウェアと資本の結合には脆弱性も内在する。TMLではムラティ氏が取締役会で絶対的な議決権を保持する一方で、共同創業者の6名中4名が離脱した。バレット・ゾフ（Barret Zoph）氏がOpenAIを経てGoogle DeepMindのVP of Researchへ移籍し、リリアン・ウェン（Lilian Weng）氏が業務負荷を理由にOpenAIへ復帰するなど、組織の統治リスクと人材維持は依然として深刻な課題である。
また、エヌビディアの7500億ドルAI投資とは？循環型資金供給の仕組みとデータセンター刷新の課題で指摘された通り、自社が出資した資金がそのまま自社製半導体の購入代金として還流する「循環型ファイナンス」に対しては、資本市場からの信用リスクへの警戒感が根強い。単一クラスタで1GWを調達・冷却するための送電網接続リードタイムや、液体冷却CDU（冷水配分ユニット）のサプライチェーン逼迫も、実稼働に向けた物理的障壁として横たわっている。
クローズドAPI依存の限界と日本企業が構築すべき自律型インフラ
NVIDIAとTMLによるオープンウェイト陣営の強化は、OpenAIやAnthropicなどの汎用APIに依存してきた日本のエンタープライズに大きな示唆を与える。マサチューセッツ工科大学（MIT）らの調査によれば、オープンモデルは既にクローズドモデルの約90%の性能に達し、運用コストを最大87%削減できる実力を備えている。機密保持やデータ主権が厳しく問われる製造業、金融、医療分野において、最先端MoEモデルを自社専用にチューニングして運用する道が現実解となった。
だが、日本企業がこの潮流を取り込むには、固有の制約条件を直視しなければならない。米国のギガワット級投資競争に対し、国内では電力系統の接続枠やデータセンター用地の不足が深刻化している。メガテックと同等の規模で計算リソースを抱え込むアプローチは、電力コストと調達環境の観点から国内単独では成立しにくい。
大規模言語モデル大手がNVIDIAから集団「離反」：OpenAIやDeepSeekが自社製推論チップ（ASIC）へ…にみられる構造変化を踏まえ、国内企業が採るべき現実的なアプローチは以下の3点に集約される。
第一に、推論インフラのハイブリッド化である。事前学習は海外のギガワット級インフラに依存せざるを得ないが、事後学習（Post-Training）や業務特化型の追加学習は「Tinker」のようなオープン基盤を用いて自社管轄下のGPU環境で実行する。これにより、基幹データが外部モデルの学習に流出するリスクを遮断しつつ、最高水準の推論性能を確保できる。
第二に、モデル評価の「実効タスク特化」への転換だ。SWE-Bench Verifiedで80%を超えるようなエージェント型モデルの登場は、汎用チャットボットの優劣比較が無意味化しつつあることを示している。自社の業務コード修正やターミナル自動操作など、決定論的な業務プロセスにMoEのスパース推論（間引き実行）を適用し、1クエリあたりの電力消費とトークン単価を最小化する設計が求められる。
第三に、規制リスクへの先回り対応である。米商務省による輸出管理規則（EAR）の改定や、米政権内におけるオープンウェイトモデルの安全性審査を巡る議論は流動的だ。オープンモデルの活用を進める国内事業者は、モデルウェイト自体のライセンス条項や調達元の地政学的リスク（米中対立に伴うサプライチェーン分断）を法務・技術の両面から継続監査するガバナンス体制を固めておく必要がある。
垂直統合の激変期に技術責任者が着手すべきアクション
半導体巨人がモデル開発企業に直接巨額資本を注ぎ込み、ハードウェア供給枠をテコにエコシステムを掌握する構図は、AI産業の力学が「アルゴリズムの優劣」から「電力網と資本の垂直統合力」へ移ったことを決定づけた。クローズドAPIの従量課金に安住する企業は、プラットフォーム側の価格改定や仕様変更、知財流出リスクに常に晒されることになる。
自社の競争優位を維持するために、技術責任者および事業責任者は以下のステップを進めるべきだ。
- 外部API依存度とデータ主権リスクの棚卸し
自社で運用中の全AIワークロードを洗い出し、プロプライエタリなAPIに依存している業務を特定する。特に社外秘の開発ソースコードや顧客データを取り扱うパイプラインについて、Inkling-Smallのような高性能オープンウェイトMoEへ移行した場合のコスト削減効果とセキュリティ担保性を試算する。 - スパース推論を前提としたインフラ設計への刷新
総パラメータではなく推論時のアクティブパラメータに着目し、社内インフラのサイジングを見直す。数千億パラメータ級のモデルであっても、実稼働時のメモリ占有量と演算負荷を絞り込めるMoEアーキテクチャの導入検証を進め、GPUクラスタの投資対効果を最大化する。 - ハードウェア中立的な推論パイプラインの構築
NVIDIAのCUDA環境への過度な固定化を避けつつ、将来的な推論ASICの台頭やクラウド間移行を見据えた抽象化レイヤーを整備する。モデルウェイト自体の可搬性を確保し、ハードウェア供給企業の資本競争に左右されない自律的なAI運用基盤を確立することが不可欠である。
出典: finance.biggo.jp
出典: investing.com
出典: nvidia.com
出典: nvidia.com
出典: benzinga.com
出典: gazettengr.com
