Garry TanのAI蒸留計画、フロンティアラボの支配に挑戦
Garry Tanは、フロンティアラボがこの手法の制限を試みるなか、米国におけるAI蒸留の扱いを大きく変える案を提示した。Y CombinatorのCEOであるTanは、より小規模な米国のオープンウェイト開発者が米国の主要モデルから学び、国内の代替モデルをさらに提供できるようにしたい考えだ。彼の立場は、顧客によるモデル出力の再利用をフロンティア企業が管理すべきだという考えに異を唱える。
Garry TanのAI蒸留提案は、中国のAI開発企業をめぐる対立が激化するなかで浮上した。Anthropicは、DeepSeek、Moonshot AI、MiniMaxがClaudeから能力を抽出するための組織的なキャンペーンを行ったとしている。Tanの答えは、この訓練手法を禁止することではない。米国の開発者が国内制度のもとでこれを利用できるようにすることだ。
これは、従来の国家安全保障論を逆転させるものだ。OpenAIとAnthropicは、無許可の蒸留を、米国の能力を海外の競合相手へ移転する近道として描いてきた。Tanは、制限によって米国のユーザーがクローズドな米国サービスか、オープンウェイトの中国モデルのいずれかに依存する状況になりかねないと主張する。したがって、この論争は単なるコピー以上の問題だ。フロンティアの知能を独立した製品へと転換できるのは誰か、という問題でもある。
Garry TanのAI蒸留は国内の代替策を生み出す可能性がある
Tanは、海外のオープンウェイト競争への米国の対応として、海外開発者を阻止するだけでなく、より多くの米国製オープンウェイトモデルを生み出すことを求めている。
モデル蒸留とは、より高性能な別のシステムが生成した回答を使って、一つのシステムを訓練する手法だ。大規模なシステムが教師となり、より小規模な生徒モデルがその出力から学ぶ。開発者は、これらの応答を訓練例、評価材料、あるいは強化学習のためのフィードバックとして利用できる。
蒸留自体は珍しいものでも、自動的に不正となるものでもない。AI企業は、自社の大規模モデルを使って、より小規模な製品を訓練することが日常的にある。対立が始まるのは、一社が別の企業のサービスに無許可で体系的な問い合わせを行い、その回答を使って競合モデルを開発する場合だ。
Tanは、この手法と欺瞞的なアクセスを区別している。彼は、米国のスタートアップに認証情報の窃取、組織的なアカウント網の隠蔽、技術的保護の回避を求めているわけではない。彼が問うているのは、フロンティア提供者がサービス契約を通じて競争的な訓練を禁止できるべきかどうかだ。
2026年9月11日に報じられたコメントで、Tanは自身が「米国の蒸留制度」と呼ぶ構想を主張した。より小規模な米国ラボが米国のフロンティアシステムへ正当なアクセスを得て、その出力を使い、オープンウェイトの代替モデルを訓練するというものだ。オープンウェイトとは、完全なデータセットが非公開のままでも、訓練済みパラメータを他者がダウンロードして実行できることを意味する。
Tanの主張は、競争政策と知識の所有権に関する主張を組み合わせたものだ。フロンティアモデルは、書籍、ソフトウェア、公開ウェブサイト、議論、その他の人間の仕事から学習している。そのため彼は、開発者が公開資料から学ぶ広範な自由を主張する一方で、モデル出力からの下流の学習を厳しく制限することには矛盾があると考える。
「クローズドウェイトモデルへのAPI呼び出しで、ユーザーや顧客が何をするかを管理するのは制約的に感じる」とTanはTechCrunchに語った。公開データで訓練された知能へのアクセスは、制限的な規約の裏に閉じ込められるものというより、公共財に近いものだと説明した。
彼の立場は、フロンティア研究に資本が必要であることを否定するものではない。Tanは、モデル能力を前進させる企業には持続可能なビジネスが必要だと述べた。同時に、オープンウェイトシステムはユーザーの自由とアクセスを維持すべきだとも主張した。
この均衡が、彼の提案の中心にある。国内の蒸留フレームワークは、教師モデルの提供者に報酬を与えつつ、小規模開発者に実質的な再利用権を与える必要がある。こうした権利がなければ、アクセスは独立した競合相手を生み出さず、既存大手を保護する従来型のライセンスプログラムになりかねない。
Tanは、詳細な法的枠組み、技術プロトコル、補償計算式を提示していない。その代わり、現在の制限の前提に異議を唱えている。彼の提案は、競争的なモデル訓練を禁じられた抽出行為とみなすべきか、それともAI能力が広がる通常の手段とみなすべきかを問うものだ。
この区別は重要だ。承認された蒸留プログラムは、攻撃とはまったく異なるものになるためだ。参加者の特定、交渉されたアクセス、文書化されたデータセット、セキュリティ要件、評価義務などを利用できる。こうした条件は説明責任を維持しながら、国内のオープンウェイト開発者が能力差を縮められるかを検証することになる。
したがって、当面の変化は技術的というより政治的なものだ。著名なスタートアップ投資家が、主要モデル提供者が制限しようとしている手法を米国のラボに採用するよう公然と促している。彼の介入は、蒸留管理が米国のリーダーシップに必要だという主張に対し、オープンウェイト支持者へ直接的な反論を与える。
米国のオープンウェイトラボが直面する圧力
米国のオープンウェイト開発者は、クローズドな国内APIと、中国企業が公開した高性能モデルとの間で、広がる戦略的な板挟みに直面している。
クローズドモデルを基盤とするスタートアップは、便利なアクセスを得られる一方で、基盤となるウェイトを管理できない。提供者はモデルの挙動を改定し、アクセス方針を変更し、新たな制限を導入し、あるいは特定バージョンを提供終了できる。スタートアップは、モデルの挙動が製品を直接形作る市場で競争しながら、こうした依存関係を受け入れなければならない。
オープンウェイトモデルは異なる運用構造を提供する。開発者は自社のプライベートインフラ内に展開し、限定的なタスク向けにファインチューニングし、アップグレード前に特定バージョンを評価できる。また、外部API提供者を待つことなく、変更が製品へ及ぼす影響を確認できる。
こうした利点は、機密文書、規制対象のワークフロー、または独自ソフトウェアを扱う企業にとって重要だ。チームは推論環境をデータの近くに保ち、選択したモデルバージョンを維持できる。強固なセキュリティ、評価、ガバナンスは依然として必要だが、展開に対する管理力を得られる。
問題は、フロンティアモデルをゼロから訓練するには、膨大な計算資源、専門研究者、大規模なデータセットが必要になることだ。小規模な米国ラボは、OpenAI、Anthropic、Google、Metaが行ったあらゆる投資を単純に再現することはできない。蒸留は、教師モデルの完全な訓練プロセスを再現せずに、選択された能力へ到達するより短い経路を提供する。
中国のオープンウェイト開発者は、この圧力を強めている。DeepSeek、Moonshot、Alibabaなどのラボは、開発者がダウンロード、適応、または安価なサービス経由で利用できるモデルを公開してきた。各モデルがどのような手法で生み出されたにせよ、その利用可能性は、国内市場が一貫して提供してこなかった代替手段を米国の開発者に与えている。
これは政策上の矛盾を生む。米国当局は中国技術への依存を抑えたい一方で、国内蒸留への厳格な管理は米国の代替手段の数を減らしかねない。能力移転の一つの経路を遮断しても、小規模な米国ラボに競争力あるシステムを独力で訓練する資源が自動的に与えられるわけではない。
Tanの提案は、この隔たりを狙っている。米国のスタートアップが承認されたプロセスを通じて国内フロンティアモデルから学べるなら、米国の事業体が統治し、米国のインフラ内で利用されるモデルを生み出せる。技術的な同等性を保証するものではないが、利用可能な供給者の基盤を広げる可能性がある。
この圧力は企業の購買担当者にも及ぶ。組織はAIワークフロー全体を一社の提供者に結びつけることを望むことは稀だ。調達チームは、可用性、データの取り扱い、モデルの安定性、レイテンシ、移行コスト、サービス障害時の運用能力を検討する。
多様なオープンウェイト市場は、こうした購入者に別の選択肢を与える。要求の厳しい作業にはフロンティアAPIを使う一方、反復可能なタスクはローカルに管理されたモデルへ割り当てられる。蒸留は、特定の能力を中心にこうした小規模システムを訓練する助けとなり得るが、性能は購入者の実際のワークロードで測定しなければならない。
これは、企業が長期にわたるナレッジシステムを構築する場合に特に重要だ。検索可能なナレッジベースは、単一のモデル契約より長く存続し得る。情報アーキテクチャを一社の提供者から分離しておけば、将来のモデル変更を管理しやすくなる。
開発者は、モデル所有とアプリケーション品質も区別する必要がある。オープンウェイトが、信頼できる回答、優れた検索、または安全な展開を自動的にもたらすわけではない。それは、開発者にモデル成果物へのより直接的な管理を与えるだけだ。その管理が実用的な価値を生むかは、周辺の製品によって決まる。
したがってTanの最も強い論点は、すべてのスタートアップにオープンウェイトモデルが必要だということではない。米国の開発者には、少数のクローズド提供者以外に信頼できる選択肢が必要だということだ。それがなければ、米国はフロンティア研究を主導しながら、モデル管理を必要とする企業に限られた国内選択肢しか提供できない可能性がある。
フロンティアラボは蒸留を抽出の脅威とみなす
OpenAIとAnthropicは、競争的な蒸留を、開発コストや安全策を伴わずに価値ある能力を移転し得るため、経済面および安全保障面の問題とみなしている。
Anthropicは2026年2月に最も明確な境界線を引いた。同社は、DeepSeek、Moonshot、MiniMaxによる組織的なキャンペーンを確認したとし、約24,000件の不正アカウントを通じてClaudeとのやり取りが1,600万件以上生成されたと述べた。
Anthropicの蒸留に関する調査結果によると、これらのキャンペーンは検出を避けるため、プロキシサービスと組織的なアカウントを利用した。プロンプトは、コーディング、ツール利用、エージェント型推論、モデル評価などの領域に集中していた。Anthropicは、ネットワークデータ、リクエストのメタデータ、インフラのパターン、業界パートナーからの情報を用いてこれらのキャンペーンを特定したとしている。
これらの数値は、独立した公開監査ではなく、Anthropicの調査結果である。名前が挙がった企業の正確な訓練データセットは、外部の人間が完全に検証できる状態にはない。しかし、Anthropicが説明したアカウントの挙動は、通常の顧客実験の範囲を超えている。
Anthropicはまた、政治的な議論で時に見失われる重要な区別を示している。同社は蒸留を正当かつ広く使われる訓練手法と呼ぶ。その異議は、競合相手が欺瞞的なアクセス、アカウント詐欺、地域制限の回避、その他の禁止行為を通じて能力を取得することに向けられている。
同社によると、あるプロキシネットワークは同時に20,000件以上の不正アカウントを運用していた。このようなシステムは、複数のサービスにリクエストを分散させ、提供者がブロックした後にアカウントを置き換えられる。そのため、異常に大量の呼び出しを行う単一顧客を検出するよりも、帰属の特定と執行は困難になる。
OpenAIの契約上の立場も同様に制限的だ。現在のサービス契約では、原則として、定められた許可用途を除き、顧客が出力を利用して競合するAIモデルを開発することを禁じている。また、モデル抽出攻撃やアクセス保護を回避しようとする試みも禁止している。
これらの契約は、最先端プロバイダーに顧客への直接的な執行手段を与える。企業は、まず裁判で著作権侵害を立証しなくても、アカウントを停止したりAPIアクセスを取り消したりできる。重要なのは、モデル出力から学習することの法的地位が、より広い意味でなお定まっていない点だ。
経済面の懸念は明快だ。最先端ラボは、研究、計算インフラ、データ準備、安全性試験、製品運用に投資している。競合他社が完成済みサービスに問い合わせ、その最も価値ある振る舞いを別のモデルへ移転できれば、その競合他社は初期費用の大部分を回避できる。
セキュリティ上の主張は、商業的損失にとどまらない。Anthropicによれば、蒸留されたモデルは教師モデルの安全策を維持しないまま能力を再現する可能性がある。その重みが公開されれば、元のプロバイダーはモデルを撤回できず、利用者を監視することも、配布済みのすべてのコピーにパッチを適用することもできない。
その後のオープンウェイトに関する立場で、Anthropicは蒸留によって中国の最先端能力が数か月以内に米国のシステムに迫り得ると主張した。同社はオープンウェイトモデルの全面禁止を退けつつ、産業規模の抽出への対策を求めた。
この区別により、Anthropicはある論点において、両者のレトリックが示す以上にTanに近い立場に置かれる。両者ともオープンウェイトAIの役割を認めている。また、蒸留に正当な用途があることも認識している。対立点は、企業間の学習を誰が許可すべきか、元のプロバイダーがどの程度の統制を維持すべきかにある。
Tanは、私的権力の集中というリスクから出発する。Anthropicは、能力の窃取と不可逆的な配布のリスクから出発する。したがって、双方は異なる主体を主たる脅威と見なしている。
Tanにとって過度な制限は既存企業を保護し、米国のオープンウェイト競争を弱める。最先端プロバイダーにとって緩いアクセスは、競合が高価な能力を取り込み、安全管理を外すことを可能にする。実行可能な国内制度は、どちらか一方を架空の問題だと切り捨てるのではなく、両方の懸念に対処する必要がある。
公益論は契約と安全性にぶつかる
最も難しい問いは蒸留が機能するかではなく、米国が欺瞞的な抽出を常態化させず、最先端研究への資金供給インセンティブを弱めずに、それを認可できるかどうかだ。
Tanの公益論には直感的な説得力がある。なぜなら、最先端AIは孤立した企業知識から生まれたものではないからだ。モデル開発者は、人間による表現の膨大な集合を用いてシステムを訓練した。著者、プログラマー、研究者、教育者、オンラインコミュニティは、現代の言語モデルを有用にした素材の多くを生み出してきた。
この経緯は、モデルが生成した情報が下流で絶対的な統制に値するという主張を複雑にする。出版社やクリエイターはすでに、同意のない訓練をめぐりAI企業に異議を唱えている。Tanは、自社サービスを通じた学習から他のモデルを守るために契約上の保護を求める企業に、同様の公平性の議論を適用している。
しかし、道徳的な対称性だけでは法的な問いは解決しない。公にアクセス可能な情報が、著作権、契約、プライバシー、データベースに関する制限から自動的に自由になるわけではない。同様に、APIレスポンスを受け取ったことが、競争目的の訓練のために数百万件の応答を収集する許可を必ずしも意味するわけではない。
国内の蒸留制度には、正当なアクセスの定義が必要となる。その定義は、参加企業が米国企業かどうかだけに依存してはならない。認証情報の窃取、偽名、アカウントの大量作成、意図的な回避は、開発者の国籍にかかわらず欺瞞的だ。
また、通常の製品利用と体系的な抽出を区別する必要もある。その境界は技術的に難しい。安全性のために数千件のプロンプトを評価する企業は、訓練データを構築する企業に似て見える可能性がある。特に、両者が限定的な能力を大規模に試験する場合はそうだ。
BrookingsのフェローであるKyle Chanは、この検知の難題を大きな干し草の山から針を探すようなものだと説明した。連邦政府の対応には、米国のクローズドモデルから主要な特徴を抽出する外国主体を特定するためのプロセス案が含まれている。しかし、不審なトラフィックの特定は、別のモデルが具体的にどのように訓練されたかを立証するより容易だ。
同じ不確実性は、承認された国内参加者にも影響する。最先端ラボは、最も強力な推論、コーディング、生物学関連の能力を留保しつつ、限定的な蒸留アクセスを提供するかもしれない。小規模な開発者は正式な許可を得ても、競争力あるモデルを作るには不十分な情報しか得られない可能性がある。
具体的な商業条件を公表しなくても、価格と容量は別の障壁になり得る。最先端プロバイダーは自社のAPI制限とインフラを管理している。承認済みの訓練に膨大な問い合わせ量が必要なら、アクセス条件はなお資金力のある企業に有利に働き得る。
安全性試験には別個のトレードオフがある。オープンウェイトの開発者は、公開されたモデルを作成者の許可なしに検査、ファインチューニング、デプロイできる。これは研究とローカルでの統制を支える一方、重大な脆弱性を発見した後に元の開発者がシステムを確実に撤回できないことも意味する。
国内の枠組みは、公開前の評価を義務づけることができる。また、すべてのモデルを同一に扱うのではなく、能力に基づく段階的なルールを設けることもできる。小規模な特化モデルに、高度なサイバー能力や生物学的能力を持つシステムと同じ要件を課すべきではない。
もっとも、試験によって配布の問題が解消されるわけではない。ベンチマークは新たな能力を見逃し得る上、利用者は公開後に重みをファインチューニングできる。コピーが流通すれば、後からの制限が及ぶ範囲は限られる。
この提案には、投資インセンティブを弱めるリスクもある。正確なコストが公表されていなくても、最先端研究には依然として多額の費用がかかる。成功した能力のすべてが直ちに競合の訓練素材となるなら、民間企業は外部アクセスを減らしたり、公開を遅らせたりする可能性がある。
Tanは最先端ラボが消滅すべきだとは主張していない。彼は、最先端ラボへの資金供給を維持しながら、オープンウェイト開発者にも実質的な自由を与えたいと考えている。欠けている仕組みは、教師モデルに真の競争への拒否権を与えずに、教師と生徒の間で収益をどう分けるかだ。
ライセンスは一つの可能な道筋だが、その価値は詳細によって決まる。ライセンスは特定の訓練用途を許可し、帰属表示を求め、欺瞞的なアクセスを禁止し、セキュリティ上の義務を定めることができる。一方で、既存企業しか通過できない高価な門にもなり得る。
監督付きの研究プログラムも別のモデルを提示する。参加者は統制された環境で最先端の出力にアクセスし、訓練手法を文書化し、重みを公開する前に評価結果を公表できる。このようなプログラムは、国内蒸留が有用でより安全な代替手段を生むかについての証拠を提供するだろう。
どちらのアプローチも、より広範な所有権をめぐる争いを解決するものではない。最先端ラボは、訓練素材が公開ソースに由来していたとしても、モデルの振る舞いは独自研究を反映していると主張できる。オープン派は、企業が基礎となる知識を集約したというだけで、行動上の能力が恒久的な私有財産になるべきではないと反論できる。
この対立は、ソフトウェア互換性やプラットフォーム統制をめぐる過去の争いに似ているが、AIモデルはより大きな不確実性をもたらす。生徒モデルは単純なインターフェースをコピーするわけではない。一般知識、専門的な推論、誤り、安全性のパターンを含み得る統計的な振る舞いを吸収する。
懐疑的な結論は避けられない。Tanは実在する競争上の問題を指摘したが、米国の蒸留制度が強力なオープンモデルを合法かつ安全に提供できることを、まだ示してはいない。開発者が透明なプログラムを通じてこの考えを検証するまでは、それは運用モデルではなく政策上の仮説にとどまる。
Tanの計画が機能するかを示す3つのシグナル
次の段階は、オープン性をめぐるもう一巡の議論ではなく、米国の開発者、最先端ラボ、政策立案者による具体的なコミットメントにかかっている。
最初のシグナルは、信頼できる米国のオープンウェイト開発者が、企業間蒸留を公に採用するかどうかだ。その発表では、教師モデル、認可の根拠、想定する能力、公開条件を明らかにする必要がある。ひそかに合成データを使うだけではTanの提案を検証できない。中心的な問いは、正当な競争的アクセスに関するものだからだ。
透明なプロジェクトには比較評価も必要となる。開発者は生徒モデルを、そのベースモデル、教師モデル、他のオープンウェイトシステムと比較して試験すべきだ。その結果は、少数の注目度の高いベンチマークではなく、実際のワークロードを対象にする必要がある。
そのようなモデルが文書化された許可の下で高い性能を示せば、Tanの議論は強まる。それは、国内蒸留が隠しアカウントや盗まれた認証情報に頼らず、モデルの選択肢を広げられることを示すからだ。真剣なラボがこのプロセスを試みなければ、この提案は商業的・法的現実から乖離しているように見えるだろう。
2つ目のシグナルは、最先端プロバイダーが明示的な蒸留ライセンスまたはパートナーシップを作るかどうかだ。現在の契約は一般に競合モデルの開発を制限しているため、通常のAPIアクセスだけでは不十分だ。意味のあるプログラムは、独立した参加者が競争可能なものを訓練し、公開できるようにしなければならない。
プロバイダーの安全策が重要になる。本人確認、トラフィック監視、能力制限、公開前評価は、正当な訓練をAnthropicが説明するような活動から切り分けられる可能性がある。明確なルールは、どの行為が執行の対象となるかを開発者が理解する助けにもなる。
このプログラムが名目だけの存在なら、このシグナルはTanの主張を弱める。狭い許可、限定的な出力、あるいは実用的なデプロイを妨げる条件は、現在の市場構造を維持するだけだ。成功する枠組みは、生徒モデルの開発者に真の独立性を与えなければならない。
3つ目のシグナルは、米国の政策立案者がモデル抽出をどのように定義するかだ。議会と連邦機関は、外国主体による米国AIシステムへのアクセスを検討しており、最先端企業は脅威に関する情報をより多く共有している。広範な文言は、欺瞞的な攻撃とともに、正当な研究や国内競争まで取り込む可能性がある。
対象を絞った政策は、詐欺、無許可のアカウント網、回避行為、盗まれた認証情報、機微な能力の抽出に焦点を当てるだろう。これにより、ライセンスに基づく蒸留と独立したオープンウェイト開発の余地を保てる。その結果は、国家安全保障と国内のオープン性が必ずしも対立する必要はないというTanの中心的主張を強めることになる。
より広範な禁止は、政策を反対方向へ進める。モデル出力を用いた競争的な訓練が本質的に違法と扱われれば、米国のオープンウェイトラボが差を縮める道は減る。開発者はその場合、独自の訓練、協力的なプロバイダーとの連携、または海外のオープンモデルに頼ることになる。
読者は、この順序でこれらのシグナルを注視すべきだ。まず、透明性をもって構築する意思のある開発者を探す。次に、最先端ラボが有用な権利を付与するかを調べる。最後に、政策が欺瞞的な抽出と認可された学習を区別しているかを確認する。
Garry TanをめぐるAI蒸留論争は、オープン性が常に善か常に危険かを決めても解決しない。実践的な試金石は、米国のラボがアクセスルールを守り、重大なリスクを検証しながら、独立して利用可能なモデルを生み出せるかどうかだ。
今後数か月間、国内のオープンウェイトモデルが登場するたびに、3つの問いを投げかけるべきだ。訓練出力は誰が提供したのか、そのアクセスにはどのような許可が適用されたのか、そして安全性の主張を支える評価は何か。明確な答えがあれば、Tanの提案は実行可能な競争戦略へと変わる。答えがなければ、米国には集中した国内APIか海外のオープンウェイトシステムかという、同じ選択が残される。
