人工知能の新たな戦略
東京 -- 2026年6月22日、Sakana AIは複数のエージェントを連携させるサービス「Fugu」を発表し、テクノロジー業界に挑発的な問いを投げかけた。人工知能の次なる飛躍には、さらに巨大な単一モデルの構築が必要なのか。それとも、誰に尋ねるべきかを知るだけで、より小さく賢いシステムが同等の成果を上げられるのか。フグを意味する日本語にちなんで名付けられたFuguは、後者のアプローチに賭ける東京のスタートアップの姿勢を示している。このプラットフォームは外部からは単一のモデルのように機能する一方、内部では専門分野に特化した最先端の人工知能システム群を連携させ、複雑な課題を解決する。
今回の発表は、企業による生成AI導入が重要な転換点を迎える中で行われた。何年もの間、進歩は主にパラメーター数、学習に使う計算量、そしてより大規模な基盤モデルを構築する競争によって測られてきた。OpenAI、Anthropic、Googleなどはこのスケーリング戦略を追求し、司法試験に合格し、高度なコードを書き、長時間にわたる推論を行えるシステムを生み出すなど、目覚ましい成果を上げてきた。しかし、能力が一握りの米国企業に集中したことで、新たな脆弱性も生まれている。輸出規制や企業方針の変更、地政学的対立によって、最も高性能なモデルへのアクセスが一夜にして変わり、海外企業がリスクにさらされる可能性がある。
Sakana AIは、集合知に根差した別のアーキテクチャを提案している。1兆パラメーター規模の巨大モデルを訓練して最先端研究機関に追いつこうとするのではなく、約70億パラメーターと推定される小型の調整役を構築した。このモデルは、各作業を振り分ける司令塔として機能する。OpenAIの標準規格に対応するFugu APIを通じてユーザーがリクエストを送信すると、システムはタスクを分析し、自ら直接回答するか、特定の小タスクを処理する専門モデルのチームを編成する。その後、各モデルの出力を検証し、統一された回答にまとめる。開発者から見れば、単一の大規模言語モデルを呼び出すのと同じように使える。その裏側では、エージェントから成る委員会全体が回答に貢献している場合もある。
発表のタイミングは、これ以上ないほど戦略的だ。6月上旬には、米政府の輸出規制命令を受け、AnthropicがClaude Mythos 5およびClaude Fable 5への一般公開アクセスを突如取り消した。この措置は開発者コミュニティーに波紋を広げ、とりわけこれらのシステムを基盤に業務フローを構築していた海外顧客に影響を及ぼした。Sakana AIはこうした混乱をFugu設計の動機として明示し、単一ベンダーへの依存に対する備え、そして同社が「AI主権」と呼ぶものに向けた一歩としてサービスを位置付けている。
2017年の画期的な論文「Attention Is All You Need」の共著者であるLlion Jones氏と、元Google Brain研究者のDavid Ha氏が2023年に創業したSakana AIは、大きな注目と資金を集めてきた。公開情報によると、日本の大手銀行や半導体メーカーのNvidiaが、企業価値約300億円と評価された資金調達ラウンドに参加し、同社に大手競合と渡り合うための資金をもたらした。Fuguを通じて同社が目指すのは、既存の能力を模倣するのではなく、その組み合わせ方を再構想することで、日本のイノベーションが最先端モデルの既成概念に挑めると証明することだ。
連携エンジンの仕組み
Fuguを理解するには、シンプルなAPIの表面だけでなく、その裏側を見る必要がある。プロンプトが届くと、システムはそれを、Sakana AIが「強化学習の指揮者」と説明する中央モデルに渡す。多くの場合、この指揮者自身が最終回答を生成するわけではない。建設現場の現場監督のように、タスクの種類を動的に分析し、入れ替え可能なエージェント群から最適なモデルに作業を割り当てる。エージェント群には、OpenAI、Anthropic、Googleなどの外部事業者が提供する最先端モデルのほか、入れ子状の推論を行うFugu自身の再帰的なインスタンスも含まれる。
この仕組みの理論的基盤となるのは、2026年の国際学習表現会議（ICLR）で発表された2本の研究論文だ。「Trinity: An Evolved LLM Coordinator」と「Learning to Orchestrate Agents in Natural Language with the Conductor」である。Trinityは進化計算の枠組みを導入し、中央の調整役がその場でエージェント構造を作成、変更する。タスクの要件に応じて「Thinker（思考役）」「Worker（実行役）」「Verifier（検証役）」などの役割を与える。Thinkerは要件を分析し、Workerは特定の計算を実行し、Verifierは出力の一貫性と正確性を確認する。
Conductorは深層強化学習を用いて、自然言語による作業の委任方法を調整役に学習させ、この仕組みを発展させている。大規模な訓練を通じて、小型の中央モデルは、直接回答する場合と委任する場合の判断、エージェント同士の連携方法、異なる出力を一貫性のある最終成果物にまとめる方法を学ぶ。その結果生まれるのは、あらかじめ決められたワークフローではなく、経験を通じて連携戦略を見いだす適応型システムだ。この違いは重要だ。設計者が明示的に想定していなかった新しい種類のタスクにも対応でき、固定された手順に縛られないからだ。
エンジニアリングの観点から見て、Fuguの最も興味深い特徴の一つは再帰機能だ。オーケストレーターは小タスクを自分自身に再び割り当て、長時間の分析が必要な問題に対して多層的な推論の連鎖を作れる。つまり、70億パラメーターの調整役は、最先端の基盤モデルに見られる数千億パラメーターに蓄積された百科事典的な知識を自ら備えていなくても、複雑さを問わないワークフローを管理できる。規模の小ささを、より優れた組織的知性で補うという発想は、「大きいほど常に優れている」という一般的な前提に疑問を投げかける。
ベンチマークとベータテスト
Sakana AIはFuguの発表に際し、大胆な性能をうたっている。実際のソフトウェアリポジトリーでバグを見つけて修正する能力を測る、広く評価されているベンチマーク「SWE-Bench Pro」では、Fugu Ultraが73.7点を記録したという。同社が公表した評価によれば、Claude 4.8 Opusの69.2点、GPT-5.5の58.6点を上回る。ほかに報告されたスコアは、単純なウェブ検索では解けないよう設計された大学院レベルの質疑応答テスト「GPQA-Diamond」で95.5点、「LiveCodeBench」で93.2点、システム管理能力を評価する「TerminalBench 2.1」で82.1点、極めて難しい推論テスト「Humanity's Last Exam」で50.0点となっている。
これらの数値を独立して検証した例は限られており、AI業界には本番環境で再現が難しいベンチマーク結果が長年見られてきた。テスト条件やプロンプトの設計手法、許される試行回数はいずれもスコアに影響し得る。それでも、同社が公表した報告が幅広い分野を扱っていることから、オーケストレーション方式は、少なくとも一枚岩の最先端モデルと互角であり、分野によっては上回る可能性が示唆される。
ベンチマーク以上に参考になる可能性があるのは、長く複雑なワークフローに焦点を当てた長期プレビュー期間中にFuguを利用した、約500人のベータテスターからの評価だ。ソフトウェア開発では、参加者からFugu Ultraはコードレビューで際立って徹底しているとの報告があった。ベータテストに参加したあるエンジニアはSakana AIに対し、標準的なモデルが特定のコードベースで通常3件ほどの問題を指摘するのに対し、Fuguは20件以上を洗い出し、詳しい説明と修正手順も示したと語った。
コードレビューでは、Fugu UltraはGPT-5.5より優れている。包括的な回答を返し、ほかのモデルが見逃すバグも見つけてくれる。今ではすべてのレビューを通すモデルになった。
コーディング以外では、サイバーセキュリティーチームがFugu Ultraを導入し、侵入テストの一連の工程を自動化した。人間の担当者が対象範囲を定めると、オーケストレーションエンジンは偵察を実施し、XSSやSQLインジェクションの脆弱性を検査し、認証の仕組みを調べたうえで、証拠と正確な再テスト手順を盛り込んだ最終報告書を作成する。ベータ参加者によると、システムは運用上の制約を厳守し、破壊的な操作を避けながら、徹底した検査を維持した。また企業幹部は、長時間のセッションでもペルソナが安定している点を挙げた。他のモデルでは文脈の劣化が起こりがちな場面でも、Fuguは一貫したアイデンティティーと集中力を保ったという。
1つのAPI、2つのプラン
Sakana AIは、OpenAIの標準規格に対応する単一のAPIエンドポイントから利用できる、2つの異なるプランでFuguを商用展開している。標準版のFuguは、対話型チャットボット、リアルタイムのコーディング支援、Codexのようなコードレビューツールなど、低遅延が求められる本番環境のタスク向けに最適化されている。性能と速度のバランスを取り、ユーザーがほぼ瞬時の応答を期待するアプリケーションに適している。厳格なデータガバナンスやプライバシー規制の下で事業を行う組織向けに、標準プランでは特定の基盤エージェントをルーティング対象から手動で除外できる。この機能により、連携の枠組みを全面的に手放さずに、機密データが特定の外部事業者に渡らないよう、コンプライアンス担当者が制御できる。
Fugu Ultraは上位プランに位置付けられる。多段階にわたる深い推論が必要な複雑で難度の高いタスクにおいて、回答の品質を最大限に高めるよう設計されている。学術論文の再現、特許調査、高度なデータサイエンスのワークフロー、徹底的なセキュリティー監査などが対象となる。Ultraは、より深く固定された専門エージェント群を連携させるため、エージェントの除外機能は利用できない。その代わりに応答時間が長くなり、トークン消費量も増えるが、Sakana AIは、ミッションクリティカルな用途では精度向上がコストに見合うと主張する。このプランの現在のモデル識別子はfugu-ultra-20260615。
料金にも両製品の違いが反映されている。Fugu Ultraは入力100万トークン当たり5ドル、出力100万トークン当たり30ドルで、コンテキストが27万2,000トークンを超える場合は料金が2倍になる。月額サブスクリプションは20～200ドルで、2026年7月末までに加入した契約者には、選択したプランの2カ月目を無料で提供する。トークン使用量と関連費用はリクエストごとに報告され、財務・エンジニアリングチームは支出をリアルタイムで監視できる。なお、同社が一般データ保護規則（GDPR）に沿った運用体制の整備を進めているため、現在このサービスは欧州連合（EU）と欧州経済領域（EEA）では利用できない。サービス開始時点でのこの空白は、プラットフォームの世界展開を制限している。
モデルの振り分けをめぐる地政学
Fuguの商業的な売り込みは技術アーキテクチャーにとどまらず、地政学的リスク管理の領域にも及ぶ。現代のAIサプライチェーンは高度に集中している。高性能な基盤モデルへのアクセスは少数の米国企業が掌握し、その判断は政府の監督を受ける度合いを強めている。2026年6月、米国がAnthropicのFableおよびMythosモデルに輸出規制を課した際の一件は、単一の事業者を中心に重要な業務フローを構築していた米国外の企業にとって警告となった。アクセスは一夜にして失われ、調達担当者にはすぐに使える代替手段がなかった。
Sakana AIは、まさにこの事態への保険としてFuguを売り込んでいる。オーケストレーターが利用できない事業者や制限対象となった事業者を避けて動的に経路を切り替えられるため、顧客は能力を損なわずにシステムの回復力を高められると同社は主張する。Anthropicのモデルが利用できなくなれば、Fuguは作業をOpenAI、Google、または公開されている代替モデルに振り分ける。特定のタスクで優れた新モデルが市場に登場すれば、顧客に新しいAPIに合わせたアプリケーションの書き直しを強いることなく、プールに組み込めるとしている。この入れ替え可能なアーキテクチャーは、テクノロジー業界で現在交わされている抽象的な政策論議より、具体的なAI主権の形だ。
日本の企業や政府機関にとって、この提案はとりわけ響くものがある。日本は国内のAI能力を戦略的優先事項に掲げており、米国の最先端モデル群に全面的に依存することは、経済安全保障と国家安全保障の両面で懸念を生む。東京を拠点とする事業者が、地域に根差したサポート、地域内でのデータ処理の選択肢、そして異なる技術思想を提供することは、技術ポートフォリオの多様化を求める買い手にとって説得力のある材料となる。日本の主要金融機関を含むSakana AIの投資家層も、この位置付けを後押ししている。
とはいえ、懐疑的な見方にも理由はある。Fuguのエージェント群は、迂回をうたうまさにその米国大手企業に大きく依存している。GPT、Claude、GeminiへのAPIアクセスが完全に遮断されれば、最先端レベルの成果を出すことはできない。真の独立には、それらのシステムに匹敵する国内モデルまたは公開モデルの強固なエコシステムが必要だが、そうしたエコシステムはまだ大規模には存在しない。また批判派は、Fuguがオープンな枠組みではなく独自の商用サービスであり、顧客は事業モデルの異なる別の企業に依存先を移すだけだと指摘する。
今回の発表がAI開発に意味するもの
外部による継続的な検証を経てもFuguの性能に関する主張が裏付けられれば、人工知能研究に大きな影響を与える可能性がある。この分野では10年近くにわたり、パラメーター、データ、計算量を増やせば成果が向上するというスケーリング仮説が追求されてきた。この考え方は確かに目覚ましいシステムを生み出したが、参入障壁も高め、最も裕福な企業や政府しか参加できない状況を作り出している。最先端の基盤モデルの訓練には数億ドルがかかり、さらに輸出規制の対象となる特殊なハードウェアが必要だ。
Fuguは別の道筋を示している。百科事典的な知識ではなく連携に特化して訓練された比較的小規模なモデルでも、既存のリソースを巧みに活用すれば、その規模を超える成果を上げられる可能性がある。これにより競争の軸は、学習に投じる計算能力から、アーキテクチャーの工夫やオーケストレーションの効率性へと移る。また、巧みに設計されたルーターなら、GPT級のモデルを一から訓練するために必要な額より、はるかに小さな予算で組織が構築できる可能性があるという意味で、高性能AIへのアクセスの裾野も広がる。
研究コミュニティーは長年、マルチエージェントシステムや混合専門家モデルを研究してきたが、Fuguは一枚岩の最先端モデルに対する直接の代替として位置付けられた、初期の有力な商用実装の一つだ。その成否は、ベンチャーキャピタルや企業の研究資金が、基盤モデルの大規模化だけでなく、オーケストレーションや連携技術にも流れ始めるかどうかに影響する可能性が高い。すでにベータテストの評価からは、コードレビューやセキュリティー監査のように長期間にわたるタスクを含む一部の企業向けワークフローでは、一度の呼び出しで使うモデルより分散型システムの方が適している可能性が示されている。
もちろん、このアプローチにもトレードオフはある。複雑なマルチエージェント推論の過程で遅延が生じ、ミリ秒単位の応答が必要なアプリケーションには適さない場合がある。高負荷のタスクでは計算リソースの割り当ても大きく消費する。また、ルーティングの仕組みが不透明なため、どの基盤モデルがデータを処理したのかをユーザーが常に把握できるとは限らず、規制業界でのコンプライアンス対応が複雑になる。Sakana AIはこうした制約を認めつつ、幅広い分析・エンジニアリング業務では利点がコストを上回ると主張している。
要点
- Sakana AIは、OpenAIの標準規格に対応する単一のAPIを通じて、入れ替え可能な最先端AIモデル群にタスクを振り分けるマルチエージェント連携サービス「Fugu」を公開した。
- このシステムは巨大な単一の基盤モデルではなく、約70億パラメーターの小型調整モデルを利用し、Sakana AIの研究論文「Trinity」と「Conductor」を基盤としている。
- Fugu Ultraは、SWE-Bench Pro、GPQA-Diamond、LiveCodeBenchなどのベンチマークで、GPT-5.5やClaude Opus 4.8を含む主要システムに対抗できるスコアを主張している。
- プランは2種類。手動での除外によるコンプライアンス制御を備えた、低遅延の本番業務向け標準版Fuguと、複雑な推論向けに、より深く固定されたエージェント群を使うFugu Ultraがある。
- このサービスは、ベンダーロックインや輸出規制による混乱への耐性を求める企業を主な対象とする一方、米国の最先端モデルのAPIには依存している。
- FuguはEUとEEAを除く世界各地で利用できる。両地域ではGDPRへの準拠が進められている。Ultraの料金は入力100万トークン当たり5ドル、出力100万トークン当たり30ドルから。
