日本でDeepSeekやManusが生まれない理由 - AIモデル開発の構造的課題と展望

日本でDeepSeekやManusが生まれない理由 - AIモデル開発の構造的課題と展望

はじめに

2024年末から2025年初頭にかけて、世界のAI開発の勢力図に大きな変化が起きました。中国のAI企業DeepSeekは、OpenAIのGPT-4に匹敵する性能を持つ大規模言語モデル「DeepSeek R1」を開発し、しかもその開発コストはわずか600万ドル（約6億円）と、OpenAIの1/20以下で実現したと報じられています。さらに2025年初頭には同じく中国発のManusが「世界初の汎用AIエージェント」として登場し、ユーザーの指示なしに自律的にタスクを遂行する能力で世界を驚かせました。

こうした革新的なAIモデルとサービスが次々と生まれる一方で、日本においては独自の大規模言語モデルの開発は限定的であり、世界的に注目されるようなAIスタートアップの台頭もあまり見られません。なぜ日本では、DeepSeekやManusのような革新的なAIモデルを開発する企業が現れないのでしょうか。

本記事では、DeepSeekやManusの成功要因を分析しながら、日本のAI開発の現状と課題を整理し、日本でAIモデル革命が起きない構造的要因について考察します。さらに、日本がAI開発で競争力を持つための提言を行います。

海外のAIモデル開発企業の事例

DeepSeekの概要と成功要因

DeepSeekは2023年7月に中国・杭州で設立されたAI企業です。創業者である梁文峰（Liang Wenfeng）氏は、2015年に設立したヘッジファンド「High-Flyer」の創業者でもあります。DeepSeekの最大の特徴は、この「High-Flyer」が単独で資金を提供している点にあります。

https://zenn.dev/acntechjp/articles/20250331_deepseek_opensource

創業背景と資金調達

DeepSeekは、High-Flyerの深層学習研究部門「Fire-Flyer」から発展しました。High-Flyerは中国で最も成功したヘッジファンドの一つで、ピーク時には約1兆5000億円（約150億ドル）もの資産を運用していました。このような豊富な資金を背景に、DeepSeekは外部からの投資圧力に左右されることなく、長期的な研究開発に集中することができました。

High-Flyerは長年にわたりGPUを蓄積し、財務データ分析のためのスーパーコンピュータを構築してきました。2023年、コンピュータサイエンスの修士号を持つ梁氏は、これらのリソースを新会社DeepSeekに投入し、最先端のAIモデル開発に取り組み始めたのです。これは、金融企業が自社の蓄積した資金と計算リソースをAI研究に振り向けるという、極めて独特なビジネスモデルでした。

技術的特徴とコスト効率性

2025年1月にリリースされたDeepSeek R1は、約670億のパラメータを持つ大規模言語モデルであり、これまでのオープンソースLLMの中で最大規模とされています。しかも驚くべきことに、その開発コストはわずか600万ドル（約6億円）と報告されています。これはOpenAIのGPT-4の開発コスト（推定1億ドル以上）と比較して、20分の1以下です。

このコスト効率の高さは、DeepSeekが中国国内でGPUを効率的に調達できたこと、High-Flyerの既存のインフラを活用できたこと、そして効率的なモデル設計とトレーニング手法によるものと考えられています。

DeepSeek R1のAPI使用料も非常に競争力があります。OpenAIのAPIが入力トークンあたり約15ドル、出力トークンあたり約60ドルを請求するのに対し、DeepSeek R1は入力トークンあたり0.55ドル、出力トークンあたり2.19ドルと、大幅に低コストでサービスを提供しています。

中国政府との関係と支援体制

DeepSeekの成功後、中国政府はAI開発支援を強化しています。報道によれば、2025年2月初旬から1ヶ月足らずで、中国の中央企業の45%がDeepSeekモデルの導入を完了し、約98の中央企業がDeepSeekサービスにアクセスできる状態になりました。

さらに中国政府は、技術革新のための融資プログラムの予算拡大、新たな国家ベンチャーキャピタルファンドの設立、未上場企業の上場許可の緩和、中国のテクノロジーセクターでの合併・買収の増加など、技術イノベーションへの支援を拡大する方針を示しています。これらの政策は、DeepSeekのような企業の成長を後押しし、中国のAI開発を加速させる要因となっています。

Manusの概要と特徴

Manusは、2022年に肖洪（Xiao Hong）氏が創業した中国のAIスタートアップである「Monica」（モニカ）の子会社として開発されたAIエージェントです。2025年1月31日に発表され、従来のLLMとは異なる「自律型AIエージェント」として注目を集めています。

自律型AIエージェントという新領域

Manusの最大の特徴は、その自律性にあります。従来のChatGPTやGeminiなどのLLMが人間の指示（プロンプト）に応じて動作するのに対し、Manusは指示を待たずに自らタスクを開始し、新たな情報を評価し、その場でアプローチを動的に調整する能力を持ちます。

Manusは「マルチエージェントアーキテクチャ」を採用しており、複数の独立したAIモデルが協力して体系的にタスクを処理します。これにより、非常に複雑なタスクでも、人間のような思考プロセスで自律的に解決できる点が画期的です。

実際にManusはGAIAベンチマークと呼ばれるAIの推論能力を測定するテストにおいて、OpenAIのDeep Researchモデルを上回る結果を出したと報告されており、レベル1で86.5%、より難しいレベル3でも57.7%という高い精度を達成しています。

https://zenn.dev/acntechjp/articles/20250403_gaia_benchmark

資金調達状況と企業戦略

Manusの親会社である「Butterfly Effect」（蝴蝶效应）は、これまでに1000万ドル以上の資金を調達したと報告されています。さらに2025年3月には、様々なベンチャーキャピタルとの新たな資金調達ラウンドで、約5億ドルの企業評価を目指していることが報じられました。

Manusの創業者である肖洪氏は、DeepSeekの梁氏とは対照的に、明確に利益重視の商業的アプローチを取っています。「海外市場の方が大きく、より商業的に実現可能な市場だと感じたため、海外市場をターゲットにすることを選んだ」と述べています。

Manusは中国の主要なベンチャーキャピタル企業（ZhenFundやHSG）からの投資を受け、テンセントなどの中国のテック大手からも支援を受けています。さらにアリババのQwenファミリーの大規模言語モデルとの戦略的パートナーシップも結んでおり、中国のテクノロジーエコシステム内での強固な関係を構築しています。

グローバル市場をターゲットにした戦略

Manusの戦略的特徴として、最初から国際市場をターゲットにしている点が挙げられます。肖洪氏が述べているように、彼らは海外市場に大きな商業的可能性を見出しており、製品開発においても国際的な利用を前提としています。

Manusという名前自体が、ラテン語の「Mens et Manus」（精神と手）に由来していることも、国際的な展開を視野に入れていることを示しています。これは、より実践的なアプローチでリアルライフのアプリケーションを最小限の人間の介入で実行できるAIエージェントを構築するという同社の哲学を反映しています。

中国企業でありながら、グローバル市場を最初から視野に入れたこの戦略は、従来の中国企業の展開パターンとは異なり、より積極的な国際展開を志向するものとして注目されています。

日本のAI開発状況

国産LLM開発の現状と取り組み

日本でも国産の大規模言語モデル（LLM）の開発が進められていますが、その規模や進捗は世界的に見ると限定的です。主要な取り組みをいくつか紹介します。

主要な日本企業のAI開発事例

NEC：2023年12月に世界トップクラスの日本語性能を持つ独自LLMを開発したと公表しました。独自に収集・加工した多言語データで学習し、高性能ながらも130億パラメータとコンパクトなサイズに抑えています。すでに社内の文書作成やシステム開発のソースコード作成などに活用されています。

SB Intuitions：ソフトバンクの子会社として、2023年10月に生成AI開発向けの計算基盤開発に着手し、2024年内の国産LLM構築を目指していると発表しています。

Preferred Networks：AI技術に強みを持つスタートアップの子会社Preferred Elementsは、2024年2月に1000億パラメータのマルチモーダル基盤モデルの開発を開始し、2024年10月にGENIAC第1サイクルの開発成果として大規模言語モデル「PLaMo-100B-Pretrained」を公開しました。さらに1兆パラメータの言語モデル開発に向けた検証も開始しています。

rinna：日本語に特化したAIモデルを開発しており、「Japanese Stable Diffusion」など、画像生成モデルも公開しています。

オルツ社：パーソナルAI技術の開発・実用化を行い、大規模言語処理モデル「LHTM-2」を開発しました。OpenAIのGPT-3と同水準のパラメータで構成され、機械翻訳やテキスト生成、対話などの処理が可能です。

日本政府のAI支援策「GENIAC」などの概要

日本政府は、基盤モデル開発に必要な計算資源の支援や関係者間の連携を促すプロジェクト「GENIAC」（Generative AI Accelerator Challenge、ジーニアック）を2023年11月に開始しました。このプロジェクトは経済産業省と新エネルギー・産業技術総合開発機構（NEDO）が主導しています。

GENIACの主な目的は以下の通りです：

1. AI開発企業に対してGPUなどの計算資源調達を助成
2. 開発者同士の交流促進とコミュニティ形成
3. AI開発のノウハウ共有と人材育成

GENIACがスタートした直接のきっかけは、AI基盤モデルの開発に必要なGPUの不足でした。2023年当時は米国のビッグテックによる大規模言語モデルの開発競争が激化しており、日本のAI開発企業はGPUを調達しにくい状況に陥りました。そこで経済産業省がクラウドサービス事業者にGPUの一括調達を依頼し、「ポスト5G情報通信システム基盤強化研究開発基金」をGPU調達に振り向けることにしました。

政府の2023年度のAI関連予算は1640.9億円（前年度比44%増）で、主要事業者が整備する計算資源経費の1/3～半額を補助する予算が計上されました。

日本企業のAI活用状況

導入率の低さと課題

帝国データバンクが2023年半ばに行った調査によれば、日本企業の61%がAI利用に対して前向きな姿勢を示している一方、実際に利用しているのはわずか9%にとどまっています。

経済産業省のデジタル時代の人材政策に関する検討会では、日本企業がAI導入に消極的な要因として以下を指摘しています：

• 経営陣におけるデジタルリテラシーの不足
• リスクに対する過度の懸念
• 小規模企業や伝統産業におけるデジタル技術導入の遅れ

特に大企業と中堅企業で状況に差があり、Gartnerの調査によれば、AI開発に必要な人材とスキルが「十分確保できている」と回答したのは、海外企業が22%であるのに対し、日本の中堅企業は10%、大企業では7%に留まっています。一方、人材が「慢性的に」または「時として」不足していると回答したのは、海外が26%なのに対し、日本の中堅企業は34%、大企業では64%と大幅に高くなっています。

人材不足と技術力のギャップ

経済産業省の「IT人材需給に関する調査」（2019年）によると、2030年にはAI人材が最大12.4万人不足すると予測されています。この調査では、AI人材を「AIモデルの研究及び開発者、AIモデルを利活用した製品・サービスの企画開発等を行える人材」と定義しており、高度な知識や技術力が求められる人材です。

日本の大企業では、AI技術を導入する際の最大の障壁として「人材の不足」「データの収集や品質の問題」「技術的なスキルの不足」を挙げています。一方、中堅企業では「人材の不足」に加えて「AIのユースケースが見つからない」「事業部門を巻き込めていない」といった実務的な課題も上位に挙げられています。

これらの調査結果から、日本企業はAIの重要性を認識しつつも、実際の導入や活用に必要な人材とスキルの不足に直面していることが明らかです。

日本でDeepSeekやManusのような企業が生まれない構造的要因

ここでは、なぜ日本でDeepSeekやManusのような革新的なAIモデル開発企業が生まれないのか、その構造的要因を分析します。

資金調達と投資環境の問題

リスク資本の不足

日本では、DeepSeekのバックボーンとなったHigh-Flyerのような、巨額の資金を持ち長期的な研究開発に投資できるリスク資本が極めて限られています。日本のベンチャーキャピタル市場は米国や中国と比較して小規模であり、特に初期段階のリスクの高い技術開発に対する投資は限定的です。

例えば、OpenCLIPのようなAIモデルを開発するために必要な規模の資金調達は、現状の日本のベンチャー企業にとって極めて困難とされています。DeepSeekがHigh-Flyerという単一の資金源から安定した支援を受けられたのに対し、日本の企業は複数の投資家から段階的に資金調達を行う必要があり、その都度短期的な成果を求められる傾向にあります。

長期的R&D投資の欠如

日本企業は、かつては長期的な研究開発に強みを持っていましたが、近年は短期的な収益性を重視する傾向が強まっています。特に大規模言語モデルのような、莫大な初期投資が必要でありながら収益化までに時間がかかる技術領域に対しては、十分な投資がなされにくい状況です。

中国のDeepSeekのようにヘッジファンドが直接AI開発会社を立ち上げるような事例や、Manusのように創業間もないスタートアップが大胆にグローバル市場を狙うような事例は、日本では極めて稀です。リスクを取る資本の少なさが、大胆な挑戦を難しくしていると言えるでしょう。

人材と技術的要因

AI人材の深刻な不足

先述のように、日本ではAI人材が深刻に不足しています。特に大企業ほど人材の枯渇感が強く、Gartnerの調査では大企業の64%が「慢性的に」または「時として」AI人材が不足していると回答しています。

この人材不足は、大規模なAIモデル開発に必要な人材プールの欠如につながっています。DeepSeekやManusなどの企業が、トップクラスの研究者や開発者を多数雇用できているのに対し、日本企業ではそうした人材の確保が難しい状況です。

さらに、AI人材には論理的思考力だけでなく、コミュニケーション能力も重要ですが、日本の教育環境ではこれらのスキルを総合的に育成する仕組みが不十分です。少子高齢化による労働力人口の減少も、AI人材不足に拍車をかける要因となっています。

言語モデル開発における日本語の障壁

大規模言語モデルの開発において、日本語には独自の課題があります。英語をベースにした海外のLLMと比較して、日本語LLMの開発には、高品質な日本語データの収集と処理に追加的なリソースが必要です。

さらに、日本語と英語の言語構造の違いにより、英語モデルの単純な移植や適応が難しく、日本語特有の言語処理技術の開発が必要です。このような言語固有の課題により、日本企業がグローバル市場で競争力を持つAIモデルを開発することがより困難になっています。

Manusのように最初から国際市場を視野に入れた戦略を取るとしても、言語の壁が大きな障害となる可能性があります。一方で、国内市場のみに特化すると市場規模の制約から大規模な投資回収が難しくなるというジレンマも存在しています。

企業文化と意思決定の問題

リスク回避志向と失敗を許容しない風土

日本企業は伝統的にリスク回避志向が強く、特に新しい技術領域での挑戦に慎重な傾向があります。Global Startup Ecosystem Index 2024でも、日本の課題として才能ある起業家の不足やリスク回避志向が挙げられています。

この背景には、社会全体で「失敗」に対する許容度が低く、一度失敗すると再起の機会が限られる風土があります。DeepSeekのような大胆な事業転換やManusのような新領域への挑戦は、この文化的背景の中では生まれにくいと言えるでしょう。

さらに、日本では成功事例やロールモデルが少ないことも、新たな挑戦を難しくしています。日本のユニコーン企業数は世界12位と、経済規模に比して少なく、若い世代が起業を志す際に参考にできる成功モデルが限られています。

大企業中心の産業構造と意思決定の遅さ

日本の産業構造は大企業中心であり、新規技術の導入や事業変革においても大企業の意思決定プロセスが重要な役割を果たします。しかし、日本の大企業は階層的な組織構造や合意形成を重視する意思決定プロセスを持つ傾向があり、これが迅速な意思決定や大胆な方向転換を難しくしています。

欧米や中国のスタートアップと比較して、日本企業の意思決定スピードは遅く、リスクテイクも少ない傾向があります。特にAIのような急速に進化する技術分野では、この意思決定の遅さが競争力の低下につながる可能性があります。

政策と戦略的視点の不足

国家戦略としてのAI政策と支援体制の弱さ

日本政府もGENIACなどの取り組みを通じてAI開発支援を強化していますが、中国や米国のような国家戦略レベルの一貫した支援体制には至っていません。特に、リスクの高い先端技術開発に対する政府の支援は限定的で、主に短期的なプロジェクト支援や既存企業の支援に重点が置かれる傾向があります。

例えば、中国では国家戦略として莫大な資金をAI技術開発に投入し、トップダウンで開発を加速させる一方、日本では多くの場合、省庁縦割りの予算配分と短期的な成果を重視する傾向があります。これが長期的かつ大規模なAI開発プロジェクトの実施を難しくしています。

中国のような政府主導の技術開発支援の欠如

DeepSeekの成功後、中国政府は積極的に国内のAI企業を支援する政策を強化しました。中央企業による迅速なDeepSeekモデルの導入や、約1兆円（1380億ドル）規模の国家支援ファンドの設立など、政府の強力なバックアップが中国企業の成長を後押ししています。

一方、日本では、政府と民間企業の連携はあるものの、国家戦略としての一貫性や大胆さに欠ける面があります。「官民連携」という言葉はよく使われますが、実際には官民が一体となった大規模プロジェクトや、政府が主導する形での新興企業の支援は限定的です。

また、中国では政府がAI企業との戦略的パートナーシップを積極的に結び、公共部門での新技術の導入も迅速に進めていますが、日本ではこうした動きは限定的です。

日本がAI開発で競争力を持つための提言

ここでは、日本がAI開発、特に大規模言語モデルやAIエージェントの開発で競争力を持つための具体的な提言を行います。

資金調達と投資環境の改善

リスク投資の促進策

• 政府保証付きのAIベンチャー投資ファンドの創設：政府が一部リスクを負担することで、民間資本がより積極的にAI開発企業に投資できる環境を整える
• 税制優遇措置の拡充：AI開発企業への投資に対する税額控除や、損失に対する税制上の優遇措置を強化
• 国内機関投資家のリスク志向強化：年金基金や生命保険会社などの機関投資家に対し、一定割合のハイリスク・ハイリターン投資を促す制度設計

長期的R&D支援の仕組み

• 10年スパンの長期R&D支援プログラムの創設：短期的成果に縛られず、腰を据えた研究開発が可能な環境を整備
• 基盤モデル開発に特化した国家プロジェクトの拡充：GENIACをさらに発展させ、日本の基幹産業と連携した形での基盤モデル開発を推進
• 大規模計算リソースの継続的整備：国内データセンターと連携し、AI開発企業が低コストで計算リソースにアクセスできる仕組みを長期的に維持

人材育成と技術基盤の強化

AI教育の充実と人材育成プログラム

• 初等教育からのAI・プログラミング教育の強化：小学校からのプログラミング教育をさらに発展させ、AIの基本概念や活用方法を学ぶカリキュラムを導入
• 企業・大学連携による実践的AI人材育成プログラムの拡充：理論だけでなく実務スキルを身につけるプログラムを産学連携で展開
• グローバル人材の獲得と育成：海外のトップAI研究者・開発者を日本に招聘する特別プログラムの創設と、日本人AI研究者の海外研修制度の拡充

言語障壁を克服するための取り組み

• 日本語特化型基盤モデル開発の協調体制構築：複数の企業・研究機関が協力して日本語に最適化された基盤モデルを開発する枠組みの整備
• 日本語コーパスの整備と共有：高品質な日本語データセットの構築と、適切な権利処理を経た形での広範な共有の仕組み
• 多言語対応・翻訳技術の強化：日本語と他言語の橋渡しをする高度な翻訳技術の開発と、多言語対応を前提としたAIシステム設計の推進

企業文化と意思決定プロセスの改革

スタートアップエコシステムの活性化

• 「セカンドチャンス」を可能にする制度設計：起業に失敗しても再挑戦できる環境の整備（信用情報や融資制度の見直し等）
• 大企業とスタートアップの連携促進：大企業がスタートアップと協業する際の税制優遇や、人材交流を促進する制度
• 起業家教育の拡充：大学や高校でのアントレプレナーシッププログラムの強化と、成功起業家によるメンターシップ制度の構築

失敗を許容する文化の醸成

• 「挑戦」を評価する企業風土への転換：失敗を恐れず挑戦する姿勢を評価する人事制度の導入を推進
• 公的機関による「チャレンジ」支援：高リスクの技術開発に対する政府の実証実験支援や、失敗を前提とした学びの共有システムの構築
• 成功・失敗事例の共有プラットフォーム整備：AI開発における成功と失敗の両方の事例を共有し、集合知として活用できる仕組みの構築

政策提言

国家戦略としてのAI開発支援の強化

• 省庁横断型のAI政策一元化：複数省庁に分散しているAI関連政策を一元化し、統一的な戦略のもとで実行する体制の構築
• 国家安全保障の観点からのAI技術保護・育成：重要な基盤技術としてのAIを国家戦略的に育成・保護する枠組みの構築
• 公共調達におけるAI活用促進：政府・自治体の業務システムや公共サービスでの国産AI活用を優先的に進める施策

日本の強みを活かした差別化戦略

• ものづくり✕AI」の強化：日本の製造業の強みとAI技術を融合したソリューション開発の推進
• 特定産業領域に特化したAIモデル開発：自動車、エレクトロニクス、ロボットなど日本が強みを持つ産業領域に特化した垂直統合型AIモデルの開発
• 「信頼性」「安全性」を軸にした日本型AI戦略：過剰な規制ではなく、高い信頼性と安全性を担保した形でのAI開発・展開を世界に先駆けて実現

結論

日本でDeepSeekやManusのような革新的なAIモデル開発企業が生まれない背景には、資金調達環境、人材不足、企業文化、政策支援体制など、様々な構造的要因が複雑に絡み合っています。これらは一朝一夕に解決できる問題ではありませんが、日本がAI時代における競争力を維持・強化するためには、これらの課題に正面から取り組む必要があります。

日本がAI開発において世界と競争するには、単に海外の成功モデルを模倣するのではなく、日本の強みを活かした独自の戦略が必要です。製造業との連携、高度な品質管理能力、きめ細かいサービス設計など、日本の伝統的な強みとAI技術を融合させることで、独自の価値を創出できる可能性があります。

また、一企業の努力だけでなく、産学官が連携した長期的な取り組みが不可欠です。GENIACのような取り組みをさらに発展させ、計算リソースの提供だけでなく、人材育成、資金供給、規制緩和などを包括的に進める必要があります。

DeepSeekやManusの事例が示すように、AIモデル開発における競争力は、技術力だけでなく、資金調達環境、意思決定スピード、政府との関係性など、多様な要素の組み合わせによって決まります。日本が今後のAI開発競争で存在感を示すためには、これらの要素を総合的に強化する取り組みが求められます。

日本がAI開発で世界をリードする日が来ることを期待して、産学官民が一体となった取り組みをさらに加速させていくことが重要です。