ChinaTalkは11月11日(現地時間)、米国拠点のデータ企業が中国のAIラボに対し、強化学習(RL)環境を含む約5億ドル相当のデータを販売していると報じた。このデータは、AIモデルをコーディング、サイバー、金融、法律、生物学といった特定の専門分野で後続トレーニングし、性能を向上させるために利用されている。この取引は、米中間のAI競争における政策担当者や投資家の間で懸念を引き起こしていると指摘されている。
強化学習(RL)環境は、AIモデルが特定のタスクや仮想的な世界で性能を向上させるためにトレーニングできる仮想空間を指す。例えば、モデル開発者がPowerPointスライドの作成能力向上を目指す場合、データベンダーからPowerPointのクローンと、モデルの出力を評価するための採点基準を購入することが可能だ。この採点基準の作成には、マッキンゼー(McKinsey)のコンサルタントや専門デザイナーのような人間の専門家が関与することもある。
モデルはこのようなPowerPointに類似した環境で繰り返しトレーニングを行い、採点基準からのフィードバックを通じて、高品質なスライドを作成する能力を段階的に習得していく。これは特定のドメインに特化していることが多く、開発者は多様なタスクや分野でモデルの改善を促進するため、数多くのRL環境を購入している実態がある。AIモデルがコミュニケーションツールであるSlackや文書作成アプリケーションであるGoogle Docs内で機能するようになるのも、開発者がこれらの環境で後続トレーニングを実施した結果である。
データベンダーが提供する価値は、アプリケーションのクローン作成能力と、適切な採点基準を構築・テストするための専門家ネットワークの保有にある。例えば、コーディング環境の場合、データベンダーは企業のコードリポジトリを大量に購入し、コードベース内のバグとそれを修正したエンジニアによるパッチデータを提供する。これにより、AIモデルはバグのあるコードベースに対して修正を学習することが可能となる。
米国ベンダーが中国のラボに対し、機密性の高いドメインに関連する環境を提供することに対しては問題が提起されている。コーディング環境はサイバー攻撃能力や脆弱性発見能力の向上に寄与する可能性があり、生物学関連のドメイン環境は遺伝子合成や生物兵器設計の能力を高める可能性が指摘されている。許容される環境と危険な環境の境界線は不明瞭であり、現状では多くの環境が問題なく取引されている状況にある。
さらに、中国のラボはAnthropicやOpenAIといった米国の主要AIラボと同じRL環境製品を購入し、計算資源の節約を図っていると報じられている。RLの実行サイクルである「ロールアウト」は、強化学習の後続トレーニング時間の70%以上を占めるという研究もあり、これらの資源節約は無視できない。特に中国のAI開発は高帯域幅メモリ(HBM)の不足に直面しており、メモリ制約のある操作の節約はモデル開発にとって大きな利点となる。米国のラボが独占的な製品のために高額を支払う場合もあるが、それでも暗黙知は中国のラボに伝わってしまう可能性がある。Surge AIは、フロンティアラボでの作業を担当する同じ専門家によって構築されたRL環境をウェブサイトで宣伝している。
参考: ChinaTalk (Jordan Schneider) (アーカイブ) — 2026年11月11日 20:07 (JST)