第3回のフルスクラッチ主権型は、基盤モデルを自前で一から作ることに賭けていた。第4回の派生・特化型は、基盤を作らず、土台を借りるか小さく保って特化に振り切っていた。どちらも「自分のモデルをどう作るか」という問いの上に立っている。
今回扱う一群は、その問いから降りる。最強の一枚を自分で作ろうとしない。代わりに、世界中の既存モデルを束ね、指揮することに賭ける。第1回の分類でいう「束ねる型」、ほぼ唯一にして象徴的なプレイヤーがSakana AIだ。
そして偶然ではなく、この戦略の核心を突く製品が、この連載を書いているまさにその最中——2026年6月22日にローンチされた。Sakana Fuguである。第1回の地図で「Sakana Fugu」を束ねる型の代表に置いたのは、この3日前のリリースを織り込んでのことだった。今日はその中身に降りていく。
「束ねる」とは何を束ねるのか
まず、言葉を整理する。「複数のモデルを組み合わせる」と言ったとき、技術的にはまったく違う3つの層が混ざりやすい。ここを分けておかないと、Sakanaが何をしているのかがぼやける。
①の MoE（Mixture of Experts） は、1つのモデルを作るときの内部設計だ。モデルの中にたくさんの「専門家」サブネットがあり、入力トークンごとにゲートがどれを使うかを選ぶ。これは束ねる型ではない。あくまで「1枚のモデルをどう効率よく作るか」の話で、第3回・第4回の延長にある。
②の モデルマージ は、別々に学習されたモデルの重みそのものを混ぜ、新しい1枚のモデルを作る。Sakanaの出発点がここだった。2024年3月に公開した進化的モデルマージ（Evolutionary Model Merge）は、進化的アルゴリズムでモデルの「交配レシピ」を自動探索する手法で、論文は2025年1月にNature Machine Intelligenceに掲載された。これは「作るために混ぜる（mixing to create）」発想だ。
③の オーケストレーション は、重みは混ぜない。完成したモデルをそのまま使い、タスクごとに「どれを呼ぶか・どう協調させるか・どう統合するか」を指揮する。Sakana Fuguはここに立っている。「使うために混ぜる（mixing to use）」だ。
第1回で「束ねる型」と呼んだのは、厳密にはこの③のことだ。そしてSakanaの歩みは、②から③への移動の歴史でもある。
Sakana AIという賭け
技術に入る前に、この会社の立ち位置を押さえておく。性能の数字より、ここの思想のほうが第5回では重要だ。
Sakana AIは2023年に東京で設立された。創業者の一人Llion Jonesは、Transformerを生んだ論文「Attention Is All You Need」の共著者の一人だ。社名の「Sakana（魚）」は、魚が群れることで一匹では持てない知能を発揮する——集合知（collective intelligence）——という、同社の一貫した思想を表している。
その思想は、資金の規模にも裏打ちされている。2024年9月のシリーズAではNEA・Khosla Ventures・Lux Capitalがリードし、NVIDIAも戦略投資家として参加して、設立から約1年で国内最速のユニコーンになった。さらに2025年11月、SakanaはシリーズBで約200億円を調達し、ポストマネー評価額は約4,000億円（約26.5億ドル）に達した。国内の未上場スタートアップとして過去最高水準の評価額だ。シリーズBのリードはMUFGで、米国の戦略投資機関In-Q-Telなども新たに名を連ねた。
重要なのは、Sakanaが巨大モデルを自前で事前学習する競争に、最初から乗っていないことだ。OpenAIやAnthropicやGoogleが数千億〜数兆パラメータのフロンティアモデルに巨額を投じるのに対し、Sakanaは「最も強力なAIは孤立した一枚岩のモデルではなく、協調するエコシステムだ」という立場を取る。資源の制約こそが知性を生む、という確信である。第3回のフルスクラッチ勢とは、思想の出発点が正反対だ。
その思想が、研究の系譜として一本の線になっている。
2025年に発表したAB-MCTSは、推論時に複数のフロンティアモデル（Gemini、o4-mini、DeepSeek-R1など）を協調させ、単体では解けない問題を集合知で解く手法だ。「複数のフロンティアモデルが協力できるようにする」というこの発想が、そのままFuguの土台になっている。研究の旗（束ねる思想）と製品の旗（Fugu）が、ずれていない。これがSakanaの強みだ。
Sakana Fugu — 「モデルとして提供される、マルチエージェント」
では、Fuguとは具体的に何か。
ひとことで言えば、複数のフロンティアモデルを束ねる仕組みを、利用者からは「1つのモデル」に見えるように包んだ製品だ。Sakana自身は「マルチエージェント・オーケストレーションシステムを、1つの基盤モデルとして提供する」と説明している。
仕組みはこうだ。利用者はOpenAI互換の単一APIにリクエストを投げる。すると、Fuguの「オーケストレーター」——いつ・どのモデルに委ねるか、どう協調させ、どう統合するかを学習したLLM——が、差し替え可能なモデルプールから適切なフロンティアモデルを呼び分ける。利用者には1つのモデルとして見えるが、裏では複数のモデルが働いている。Sakanaはこれを「One Model to Command Them All（すべてを統べる一つのモデル）」と呼ぶ。
製品はFuguとFugu Ultraの2段で、上位のFugu Ultraについては、SakanaはAnthropicのFable 5やMythos Previewと肩を並べる性能だと主張している。価格は従量課金（Fugu Ultraで100万トークンあたり入力5ドル／出力30ドル前後）と、月額サブスク（月20ドル・100ドル・200ドルの3段）の併用だ。
ここで第1回・第3回・第4回の「まだ言えないこと」と同じ慎重さが要る。この「肩を並べる」は、直接対決の結果ではなく、各社が公表したスコアとの比較だ。しかも比較対象のうちFable 5は、第1回で扱ったとおり米政府の輸出規制で多くの地域から利用できず、Mythos Previewももともと限定提供のプレビュー版で、いずれもFuguのプールには入っていない。つまり「束ねて使える複数のモデル」対「自由には使えない最強の一枚」の、数字の上での並列である。割り引いて読むべきだ。
Sakanaの主張を鵜呑みにできない理由は、もう一つある。2025年2月、同社は「AI CUDA Engineer」でPyTorchを10〜100倍高速化できると発表したが、第三者の検証で評価コードの抜け穴を突いていたことが判明し、Sakana自身が主張を撤回・訂正した。実際には逆に遅くなる例もあった。野心的な数字が後で崩れた前例がある以上、Fuguのベンチマークも独立検証を待つのが筋だ。これはSakanaを貶める話ではなく、「うますぎる話は裏を取る」という、この連載が一貫して取ってきた姿勢の問題だ。
束ねる型は、連載の3つの軸をどう満たすか
それでも、Fuguが面白いのは、本連載が掲げてきた 主権・特化・フォールバック の3つの軸を、製品レベルで同時に狙いにきている点だ。Sakanaの製品群を3軸に当てはめると、束ねる型の戦略的な意味が見えてくる。
フォールバック。 これが束ねる型の核心だ。第1回で、Anthropicが2026年6月12日にClaude Fable 5・Mythos 5へのアクセスを突然停止した事件を「可用性リスク」として挙げた。重要業務を単一の海外ベンダーに預ける怖さだ。Fuguの差し替え可能なプールは、まさにこの怖さへの答えになっている。あるモデルが規制や障害で使えなくなっても、束ねる役が別のモデルへ動的に迂回する。別連載『AIエージェント構築、その前に』で扱った技術的フォールバックを、製品の標準機能として組み込んだ形だ。Sakana自身、「重要インフラや金融、行政を一社のAPIに依存することは現実的な弱点だ」と明言している。
主権。 Sakanaは別系統でソブリンAIの技術実証も進めている。海外のベースモデル（DeepSeek、Llama、gpt-ossなど）が政治的にデリケートな日本関連の質問を高い割合で拒否していたのを、日本仕様の事後学習でほぼ解消した、というものだ（Namazu α版。ベースのDeepSeek-V3.1-Terminusが関連質問の72%を拒否していたのを、ほぼ0%まで改善したと報告している）。束ねる型は土台に海外モデルを使うため、第3回のフルスクラッチ型のような「学習データの来歴を完全に自社で握る」純度の主権は持てない。だが「一社依存を避ける」「海外モデルの偏りを事後で補正する」という、運用レベルの主権は狙える。主権の意味が、第3回とは少しずれている点が重要だ。
特化。 SakanaはMUFG・大和証券・SMBCといった金融機関や、防衛装備庁 防衛イノベーション科学技術研究所（ATLA）との委託研究など、汎用モデルだけでは届かない実務のドメインに、提携を通じて踏み込んでいる。束ねる役が上にいて、その下に特化を積む構図だ。
3軸を1枚のモデルで満たすのではなく、「組み合わせ」で満たす——これが束ねる型の戦略の正体である。
源内もまた、束ねる型だった
ここで第2回を思い出してほしい。デジタル庁の「源内」が国産7モデルを選定したとき、Sakanaのような束ねる型はその7件に入っていなかった。理由は、束ねる役を源内そのものが担っているからだ、と書いた。
この対比が、第5回ではっきりする。源内は、行政が自前で運用する「束ねる型のプラットフォーム」だ。内部に複数のモデル（海外勢と国産勢）を抱え、業務に応じて使い分ける。つまり束ねる型には2つの実装形態がある。プラットフォームとして政府・企業が自前で束ねる源内型と、製品として束ねる仕組みを売るFugu型だ。
源内型は束ねるロジックと、どのモデルを置くかを自分で握れる。統制は強いが、運用・選定・更新の負荷を自分で背負う。Fugu型は束ねる役を買うので導入は速く、新モデルの追加も提供元が面倒を見てくれる。代わりに、束ねるロジックは提供元のブラックボックスになり、どのモデルが選ばれているかは利用者から見えにくい。
このトレードオフ——統制を取るか、手間を省くか——は、まさに次回・第6回の実装判断につながる論点だ。
まだ言えないこと
束ねる型には、構造的な弱点がある。
第一に、借り物への依存だ。束ねる型は、自分で最強の一枚を作らない。だから束ねる先のフロンティアモデルが他社のクローズドなものである以上、その値上げ・仕様変更・提供停止に振り回されうる。フォールバックで「ある一社」への依存は避けられても、「フロンティアモデル群そのもの」への依存からは逃れていない。Fuguのプールに自前の有力モデルが入れば話は変わるが、現時点ではそうなっていない（Sakanaは今後、自社モデルやオープンモデルをプールに加える予定だと述べている）。
第二に、ブラックボックス性だ。どのタスクをどのモデルに振ったのか、束ねるロジックは提供元のプロプライエタリで、利用者からは見えにくい。来歴と説明責任が重い領域（第3回・第4回で繰り返した金融・医療・行政）では、この不透明さがそのまま採用の障壁になりうる。
第三に、性能主張の検証待ちだ。前述のAI CUDA Engineerの一件もあり、Fugu Ultraの「フロンティア級」という主張は、独立した第三者ベンチマークで裏を取るまで保留しておくのが妥当だ。Fable 5・Mythosとの比較が間接的である点も含め、数字は割り引いて読む。
それでも、束ねる型が提示した問いは本質的だ。「最強の一枚を自分で作る」ことだけがAI戦略ではない。既存の最強たちを賢く束ねることもまた、一つの道である——しかも、それは主権・特化・フォールバックという、性能とは別の軸でこそ価値を持つ。第1回の地図でいえば、束ねる型は横軸（自前の性能）での勝負を最初から放棄し、縦軸（主権・特化）と「組み合わせの妙」で空白地帯を狙う、最も異質な攻め筋だ。
まとめ
- 束ねる型は「最強の一枚を自分で作らない」戦略。世界中の既存フロンティアモデルを束ね、指揮することに賭ける。代表はSakana AI
- 「組み合わせる」には3層ある：MoE（モデル内部）／モデルマージ（重みを混ぜて新1枚を作る＝mixing to create）／オーケストレーション（完成モデルを指揮する＝mixing to use）。Sakana Fuguは3つ目
- Sakanaの研究は進化的モデルマージ（2024）→AB-MCTS（2025）→Trinity/Conductor（ICLR 2026）→Fugu（2026.6）と、一貫して「混ぜて使う」へ進んできた。研究の旗と製品の旗がずれていない
- Sakana Fuguは、複数のフロンティアモデルを束ねる仕組みを「1つのモデル」として提供。差し替え可能なプールが、第1回で挙げた可用性リスク（Fable/Mythos停止）への製品レベルの答えになっている
- 束ねる型は連載の3軸を「組み合わせ」で満たす：フォールバック＝Fugu、主権＝Namazu等のソブリン実証、特化＝金融・防衛の提携
- 源内もまた束ねる型だった。束ねる型には「自前で束ねる源内型」と「束ねる仕組みを買うFugu型」の2形態がある（統制 vs 手間のトレードオフ）
- 弱点：借り物依存・ブラックボックス性・性能主張の検証待ち（AI CUDA Engineer撤回の前例）。数字は割り引いて読む
これで、第1回の地図に置いた3つの戦略——フルスクラッチ主権型・派生特化型・束ねる型——をすべて回り終えた。次回はいよいよ実装編だ。自社のAIスタックのどの層に、どの戦略の国産を、どう組み込むか。主権リスクへの保険と、選定の判断軸を、これまでの5回を束ねて描く。
参考情報
Sakana Fugu: One Model to Command Them All（Sakana AI／2026.6.22）
Announcing Our Series A（Sakana AI／Llion Jones・NVIDIA参加・投資家構成）
Evolutionary Optimization of Model Merging Recipes（進化的モデルマージ／Sakana AI）
Evolutionary optimization of model merging recipes（Nature Machine Intelligence／2025.1）
Inference-Time Scaling and Collective Intelligence for Frontier AI（AB-MCTS／Sakana AI）
この記事をシェアする
