世界中で「オープンソース」が叫ばれているが、モデルの公開と学習データの公開がまったく別物であることを明確に意識している人は多くない。
2026年10月3日のドイツ統一の日、欧州のAI企業Aleph Alphaは780億パラメータの大規模モデル「Kolibri」を発表した。同社はモデルの重みをオープンソースとして提供したものの、生の学習データは1キロバイトたりとも公開しなかった。
モデルがリリースされるやいなや、開発者コミュニティの議論はデータの所在をめぐって紛糾した。生データを伴わなければオープンとは呼べないとする原理主義的な主張に対し、重みのみの公開こそが業界のデファクトスタンダードとしてすでに定着していると擁護する現実論が激しく衝突した。
すり替えられたオープンソースの定義：完成品を渡し、原料は隠す
ユーザーに料理を無償で提供することと、秘伝のレシピや仕入れ先リストまで完全に公開することは、本質的に異なる。巨大テック企業は長年にわたり、「オープンソース」という曖昧な美名のもとに、中核となる学習データの独占を覆い隠してきた。
Kolibriが選んだのは実利的な折衷案だった。同社はアクティブパラメータ数30億を誇るMoE（Mixture-of-Experts）アーキテクチャモデルをHugging Face上に公開し、Apache 2.0ライセンスで無償提供した。一方で中核となる学習データそのものは手元に留め、その代わりにデータセットをゼロから構築するための詳細な再現手順書を提示したのである。
事前学習に携わったエンジニアはコミュニティフォーラムに直接参加し、データクリーニングの細かな仕様について一つずつ回答を重ねた。物理的なハードディスクを引き渡すことは形式に過ぎない。真の透明性とは、データ蒸留の全工程を自らの手で完全に制御できると証明することにある。
図：緑のグラデーション背景に配された白いハチドリのロゴとワードマーク。出典：Aleph Alpha
翻訳調の拒絶：21%の母国語データで主権を取り戻す
この大規模モデルを学習させるため、20兆トークンにも及ぶ膨大なデータが投入された。中核となる事前学習コーパスにおいて、ドイツ語のネイティブデータは21.3%を占め、機械翻訳テキストはわずか6%にまで抑え込まれている。
この比率の背後には明確な自衛の論理が存在する。翻訳テキストに過度に依存すれば、モデルには英語圏特有の文化的痕跡が色濃く刷り込まれてしまう。Aleph Alphaは、完全一致の重複排除、ファジー重複排除、部分文字列重複排除、そしてヒューリスティックフィルタリングの具体的な実装を明晰に開示した。
7.5兆から20兆トークンへのデータ拡張プロセスにおいても、品質分類器の蒸留プロセスが包み隠さず記載されている。データ精製レシピを自ら開示できる者だけが、他者に依存しない真の技術的主権を語ることができるのだ。
計算資源では買えない見識：機械に「知らない」と言わせる技術
理数系タスクの評価において、Kolibriは数学コンペティション「AIME 2026」で96.0点を獲得した。これはアクティブパラメータ数が4倍に達する同クラスの競合モデルに肩を並べる水準である。
Aleph Alphaはモデルの学習にMerlin-Arthurプロトコルを採用し、機械が自らの無知を認める訓練を徹底した。文脈から導き出せない問題や知識の範囲外の設問に直面した際、モデルは自信満々に嘘をつくことを拒み、「知らない」と率直に回答する。
ハルシネーション（もっともらしい嘘）を防ぐには、自らの知識境界を敏感に察知する能力が不可欠であり、このエンジニアリングの質は単にGPUを買い集めるだけでは手に入らない。
図：Hugging Face上のKolibri-1モデルカード詳細。出典：Hugging Face / Aleph Alpha
原材料そのものをレシピで代替する
著作権侵害への対価という問題は、依然として未解決のままだ。ドイツの作家や出版社からの懸念に対し、Aleph Alphaは現時点で具体的な補償金額を明らかにしておらず、現実的な火種は残されている。
それでもなお、Kolibriが学習データの構築工程を完全に再現できる水準まで詳述した意義は大きい。業界が長年暗黙のうちに受け入れてきたグレーゾーンは、いまや白日の下に晒された。生データを収めたハードディスクを渡すことだけが、オープンの指標ではない。
精製レシピと品質分類器の蒸留手法を完全に明示できるならば、主権という切り札は開発者自身の手に握られ続ける。
参考リンク：
- ドイツ統一の日にAleph AlphaがKolibriを発表
- HNディスカッション（open-weightとopen-dataをめぐって）
