オープンvsクローズド — 重み公開の経済学と安全論争

なぜ企業は巨費をかけて訓練した重みを無料で配るのか。オープンウェイトとオープンソースの決定的な違い、実際に事故になるライセンス条項、そして「公開すべきか」を巡る両陣営の言い分と意外な収束点を、前提知識ゼロから解説する。

ボンネットが開く車、開かない車

新しい車を買ったのに、ボンネットが溶接されていて点検も改造も正規店でしかできない——これがクローズドなAIモデルです。ChatGPTのような製品は、APIという投入口に質問を入れれば答えが返りますが、中身の重み（学習で獲得した数値の集まり。モデルの実体そのもの）に手を触れることはできません。

もう一方は、ボンネットが開く車です。Llama、Mistral、Qwen、Gemma、DeepSeek——これらは重みのファイルそのものをダウンロードでき、自分のサーバーで動かすことも、部品を交換（微調整）することもできます。

ただし、ボンネットが開くことと、設計図が公開されていることは別です。重みが手に入っても、学習データの中身も学習コードの全体も、たいていは公開されていません。「エンジンは見えるが、なぜこの形になったのかは分からない」状態で、この区別がこれから話すことすべての土台になります。

「オープン」には3つの層がある

AIモデルの公開度は、ひとつのスイッチではなく3層で考えると整理できます。

2024年10月、OSI（Open Source Initiative）は Open Source AI Definition（OSAID）1.0 を公表し、「オープンソースAI」を名乗るには重みだけでなく、学習に使ったコードとデータについての十分な情報が要る、という線を引きました。この基準に照らすと、世間で「オープンソースLLM」と呼ばれるモデルの大半は該当しません。

そこで本記事では、この一群をオープンウェイト（open-weight）と呼びます。言葉の潔癖に見えるかもしれませんが、後で見るライセンス実務では、この一語の違いがそのまま契約上の意味を持ちます。「オープンソースだから自由に使える」という思い込みが、そのまま規約違反になるからです。

なぜタダで配るのか — 固定費と限界費用

大規模モデルの費用構造は極端です。事前学習は一度きりの巨大な固定費、いっぽう出来上がった重みをもう1人に配る費用はほぼゼロ（数十GBの転送費だけ）。ソフトウェアと同じ、「限界費用がゼロに近い財」の構造です。

ここから出る結論は「配っても自社のコストは増えない」。しかしそれは配る理由にはなりません。理由のほうは補完財のコモディティ化という古い戦略で説明できます。自社が売るものの隣にあって一緒に必要になるものを安くすれば、自社商品の需要が増える、という考え方です。

• 広告や端末で稼ぐ会社にとって、LLMは売り物ではなく製品体験の部品です。標準が自社系列に寄れば十分で、モデル自体を売る必要がない。
• クラウド事業者にとって、モデルが無料になるほど売れるのはGPU時間です。
• 新興のモデル企業にとって、小型モデルの無料配布は流通と採用の獲得です。開発者の手元に自社の名前が入り、企業向けの大型モデルやサポートで回収します。

クローズド側の論理も単純です。重みを配らなければ、提供は製品ではなくサービスになります。使われるたびに課金でき、裏でモデルを差し替えても顧客は追随し、競合は中身を複製できない。どう使われたかの記録が自社に残るのも、後の安全論争で効いてきます。

損得はどこで逆転するか

使う側の計算も見ておきます。APIを叩くか、自分で動かすか。分岐点は単純な割り算で出ます。

$N^{*}$ は「自己ホストのほうが安くなる月間トークン数」、$C_{\text{fix}}$ は自己ホストの月額固定費（GPUの確保・冗長化・運用の人手）、$p_{\text{api}}$ はAPIの1トークン単価、$c_{\text{self}}$ は自前で1トークン生成する限界費用（電力とGPU占有時間）です。つまり、固定費を「1トークンあたりの値段の差」で割ると損益分岐点が出る——それだけの式です。

式(1)が現場で効くのは、分母が思ったより小さくなりがちだからです。$c_{\text{self}}$ はGPUが常に満載で動く前提で計算されがちですが、実際の稼働率が3割なら実費は3倍以上になります。分母が縮むと $N^{*}$ は跳ね上がる。「重みが無料だから安い」は、しばしばこの一点で崩れます。見積もり方はGPUクラウドの経済学で扱っています。