中国の主要AI開発企業4社が公開した6つのAIモデルから、米国の対中輸出規制対象であるNVIDIA Blackwell世代のGPUと一致する数値パターンが検出された。研究者のWill DePue氏が2026年11月12日に公開した調査報告に続き、別の研究者が独立して検証手法を再実装し、同じ結果を得ている。これまで米政府関係者や報道機関が指摘してきた中国企業によるBlackwellの利用について、公開モデルの重みデータから新たな技術的証拠が得られたことになる。ただし、今回の手法で直接確認できるのはモデルの初期化に使用されたGPUの構成であり、訓練全体に使われたハードウェアや、その所在地、輸出規制違反の有無まで特定できるわけではない。
中国4社の6モデルからBlackwellの痕跡を検出、独立検証でも一致
Will DePue氏が2026年11月12日に公開したUnemployment Labsの調査報告書によると、DeepSeek、Moonshot AI、MiniMax、Ant Groupの4社が2026年4月以降に公開した6つのモデルから、NVIDIA Blackwell世代のGPUと一致する初期化パターンが見つかった。DeepSeek-V4-FlashとMiniMax-M3は、148個のストリーミングマルチプロセッサ（SM）を備えるB200またはB300の構成と一致した。一方、DeepSeek-V4-Pro、Kimi K3、Kimi K3.1-Pro、Ling-3.1-flashの4モデルは、152SMのGB200またはGB300と一致している。ただし、Kimi K3.1-ProはKimi K3と同じ乱数シードを使用しており、K3に追加の事後学習を施したモデルである可能性が高い。したがって、6モデルから指紋が検出されたことが、そのまま6回の独立した訓練を意味するわけではない。
この調査結果を裏付ける重要な材料となったのが、Bojie Li氏による独立した検証だ。Li氏はDePue氏のプログラムコードを使用せず、公開されたモデルの重みからGPUの構成を推定する手法を一から実装した。その結果、両者の調査対象が重なる65モデルすべてで推定されたGPUの種類が一致し、指紋を検出できなかった9モデルについても結果が一致した。両者の検証結果に矛盾は見つかっていない。特にDeepSeek-V4-Flashでは、DePue氏が469行の重みデータのうち461行を再現し、統計的な有意性は1,385シグマに達した。Li氏も468行中461行を再現し、1,384シグマというほぼ同じ結果を得ている。
異なるコードを使用した独立検証でも同じ結論に到達したことで、今回の手法の信頼性は大きく高まった。公開された重みデータと検証手順があれば、研究者は特定の開発者のコードや物理的なGPUを用意しなくても、推定結果を再確認できる。ただし、独立した実装同士が同じ理論上の前提に依存している点には注意が必要だ。手法の適用範囲や精度を評価するには、異なる初期化方式やハードウェア構成を使ったモデルについても検証を重ねる必要がある。
乱数生成器PhiloxとGPUのスレッド配置が指紋を残す仕組み
モデルの重みにGPUの痕跡が残るのは、PyTorchがGPU上で重みの初期値を生成する際の並列処理に理由がある。NVIDIA製GPU上のPyTorch（CUDA）環境では、Philoxと呼ばれる疑似乱数生成器を使い、多数のスレッドが並列に初期値を計算する。各スレッドには乱数列が割り当てられ、重み行列の所定の位置に数値を書き込んでいく。同じ乱数シードを使用しても、GPUが起動するスレッドの総数が異なれば、生成された数値が格納される位置も変わる。つまり、乱数そのものだけでなく、その配置にもハードウェア構成の違いが反映される。
今回検証された大規模なテンソルの初期化処理では、PyTorchはSM当たり最大2,048スレッドを使用する。このため、132SMのHopper世代では270,336スレッド、148SMのB200またはB300では303,104スレッド、152SMのGB200またはGB300では311,296スレッドが使われる。各スレッドが担当する要素の間隔は、この総スレッド数によって決まる。その結果、同じシードから生成した乱数であっても、GPUのSM数が異なれば重み行列内の配置が変わり、初期化時のハードウェア構成を反映した数値パターンが生じる。
通常、モデルの重みは訓練中の勾配降下法によって更新される。しかし、訓練データに一度も登場しない希少な単語や記号に対応する埋め込み層の行などには、初期値がほぼそのまま残る場合がある。こうした未更新のデータを見つければ、推定した乱数シードとスレッド配置から初期値を再生成し、公開された重みと直接比較できる。モデルの出力結果から使用ハードウェアを推測する方法とは異なり、条件が合えばビット単位で完全に一致するかを検証できる点が特徴だ。
DePue氏はGitHubの公開リポジトリで検証コードを公開するとともに、実際のGPUを使った再現実験も実施した。H100上ではDeepSeek-V3の未更新データ57,344個をビット単位で完全に再現した。B300上ではDeepSeek-V4-Flashの469行のうち461行を相関係数0.99以上で再現し、そのうち445行はビット単位で一致している。さらに、レンタルしたGB200では、乱数シード「20256586」を使用してKimi K3の未更新データ13行すべてを再現した。シード値を1つ変更した対照実験では、いずれも一致する行が見つからなかった。
公開リポジトリには、約7MBの抽出済み重みデータと検証用のハッシュ値も含まれている。DeepSeek-V3を含む5モデルについては、GPUを使わず、一般的なPCのCPUだけで数秒程度で照合できる。DePue氏は約6兆通りの乱数シードとスレッド配置の組み合わせを探索しており、偶然の一致によって生じ得る最大の統計的有意性を約8シグマと見積もった。これに対し、今回報告された6モデルの最も強い検出結果は49〜1,385シグマに達している。偶然の一致で説明できる可能性は極めて低く、少なくとも検証対象の数値パターンが特定の初期化条件と強く結び付いていることを示している。
指紋だけではGPUの型番・所在地・輸出規制違反を特定できない
今回の結果を解釈する上で重要なのは、この手法が直接特定できるのは初期化時のスレッド配置であり、GPUの製品型番そのものではないという点だ。例えば、AMDのMI300Xは通常304個の演算ユニットを備えるが、使用するユニットを152個または148個に制限すれば、Blackwell世代と同じスレッド配置を再現できる。DePue氏はこの可能性を調べるため、DeepSeek-V4-Flashの重みに残る数値のうち、AMDとNVIDIAの乱数生成処理で違いが生じる377個の値を比較した。その結果、363個がNVIDIAの計算結果と一致した一方、AMDと一致した値は1個もなかった。この結果はDeepSeek-V4-Flashの初期化にNVIDIA製GPUが使われたことを強く裏付けるが、残る5モデルでは同様の判別が完了していない。Li氏も、独立検証ではこのメーカー判別処理を再現していないと明記している。
また、モデルの初期化に使用したGPUと、その後の本格的な事前学習に使用したGPUが同じとは限らない。Kimi K3では、少なくとも64個の異なるシードを持つプロセスすべてから152SMの配置が検出されており、GB200またはGB300と互換性のある環境で初期化された可能性を強く示している。それでも、初期化後に別のGPUへ重みを移して訓練を続けた可能性や、複数世代のGPUを混在させたクラスターを使用した可能性は排除できない。逆に、CPUで初期化したモデルや、PaddlePaddleのようにGPUのスレッド配置に依存しない乱数生成方式を採用したモデルでは、今回の方法ではGPUの指紋を検出できない。したがって、指紋が見つからないことを理由に、国産半導体を使用した、あるいはBlackwellを使用していないと判断することもできない。
法的な評価にも同様の限界がある。公開された重みデータからは、GPUの所有者や物理的な設置場所、調達経路を特定できない。中国国外のデータセンターにあるBlackwellをリモート利用した場合と、輸出規制に違反して中国国内へ持ち込まれたGPUを使用した場合では、重みに残る数値パターンに違いは生じない。米国の輸出管理規則（15 CFR 742.6）は対象品目の輸出、再輸出、国内移転などに関する許可要件を定めているが、重みデータには取引記録や仕向地、最終需要家に関する情報が含まれていない。そのため、今回の技術的証拠だけで輸出規制違反を立証することはできない。
一方、公開モデルから先端GPUと互換性のある初期化環境の使用を推定できることは、企業のハードウェア利用状況を検証する上で重要な進展といえる。調達記録やクラウド契約、データセンターの稼働記録、税関データなどを組み合わせれば、使用された設備やアクセス経路をさらに詳しく調べられる可能性がある。今後の焦点は、重みから得られる技術的な証拠を、実際の取引やハードウェアの所在地を示す記録と結び付けられるかどうかにある。
中国AI企業のGPU利用はHopperからBlackwellへ移行し始めたのか
今回の検出結果を過去の公開情報と照らし合わせると、中国のAI開発企業がHopper世代からBlackwell世代へ移行し始めた時期が見えてくる。DeepSeekはV3の技術報告書で、2,048基のH800を使用して14.8兆トークンを学習し、合計278.8万GPU時間を費やしたと説明している。Moonshot AIもKimi K2の論文で、H800クラスターを使用した15.5兆トークンの事前学習を公表している。両社の2025年までの主要モデルでは、Hopper世代の輸出規制対応版であるH800が使用されていたことを、開発元の資料から確認できる。
今回の調査では、2026年4月公開のDeepSeek V4、6月のMiniMax-M3、7月のKimi K3、10月のLing-3.1-flashで、Blackwell互換の指紋が確認された。移行期の特徴をよく表しているのが、2026年6月に公開されたKimi K2.7-Codeだ。このモデルの未更新データ254行を調べたところ、約80%が従来のHopper配置、約20%が新たな148SM配置に対応していた。両者が各行でほぼ一定の割合で混在していたことから、異なるモデルの重みを統合したチェックポイントである可能性が示唆されている。このモデルは今回の6モデルには含まれていない。なお、DeepSeekのエンジニアであるLyricZhao氏は2025年6月12日、GitHub上で「SM100（Blackwell）GPUを保有していない」とコメントしているが、これはV4公開の約10カ月前の発言であり、2026年時点の利用状況を否定する証拠にはならない。
周辺の公開資料にも、Blackwellへのアクセスを示唆する情報が残されている。Ant GroupのcuLAリポジトリには、2026年3月31日にNVIDIA GB300上でCUDA 12.9とPyTorch 2.9.1を使用して生成されたベンチマーク結果が記録されている。これだけでLing-3.1-flashの訓練にGB300が使われたとはいえないものの、同社がGB300環境で技術検証を行っていたことを裏付ける。一方、DePue氏の調査対象となったAlibaba（Qwen）、Zhipu（GLM）、Tencent、Xiaomi、StepFunのモデルからは、Hopper世代の配置が検出されていた。
こうした結果からは、中国のAI企業が一斉にBlackwellへ移行したというより、企業ごとに先端GPUへのアクセス状況や導入時期が異なっている可能性がうかがえる。ただし、モデルの公開時期がGPUの取得時期と一致するとは限らず、公開されていないモデルや、CPUで初期化されたモデルについては同じ方法で調査できない。また、Hopperの指紋が残っていても、その後の訓練でBlackwellが使用された可能性は排除できない。公開重みから読み取れるのは、あくまで各モデルの初期化環境の一部であり、企業全体の計算基盤を網羅したものではない。
推定12,000基のBlackwell GPUと実際の訓練規模を比較
DePue氏は、モデルのパラメータ数や学習データ量を基に、初期化に使用されたハードウェアでそのまま訓練したと仮定した場合に必要となるGPU数も試算している。11月12日の改訂版レポートでは、DeepSeek-V4-Proに70日間で3,000基（推定範囲750〜6,500基）、Kimi K3に70日間で4,500基（同1,000〜9,500基）が必要だったと見積もった。重複を除く5回の最終訓練を合計すると、最良推定値は12,000基、推定範囲は7,000〜22,000基となる。ただし、これらの数値に事前実験や初期段階の試行、推論サービス用のGPUは含まれていない。
この試算には、実際の訓練環境を確認できないまま設定した複数の仮定がある。DePue氏はモデル稼働効率（MFU）をおおむね20%とし、モデルの公開時期などから訓練期間を推定している。また、DeepSeek以外のモデルについては、学習トークン数を重みデータから逆算する未公開の独自手法を使用した。11月12日の改訂で、当初の「最大規模の訓練に2,000〜3,000基」という見積もりを引き上げたのも、NVIDIAの公称性能ではなく、他社が開示したBlackwellの実際の訓練効率を取り入れたためだ。
| モデル・開示事例 | 証拠の種類 | 検出された構成・使用GPU | GPU数・訓練期間 | 数値の位置付け |
|---|---|---|---|---|
| DeepSeek-V4-Flash | 未更新行の一致（461/469行、1,385σ）とNVIDIA判別 | 148SM（B200/B300互換） | 1,500基・50日（範囲250〜5,000基） | 配置の一致は検証結果、基数・期間は推定 |
| DeepSeek-V4-Pro | 学習済み重みに残る初期値の痕跡（49σ） | 152SM（GB200/GB300互換） | 3,000基・70日（範囲750〜6,500基） | 配置の一致は検証結果、基数・期間は推定 |
| Kimi K3 | 未更新行の一致（13/13行、305σ） | 152SM（GB200/GB300互換） | 4,500基・70日（範囲1,000〜9,500基） | 配置の一致は検証結果、基数・期間は推定 |
| MiniMax-M3 | 未更新行の一致（17/17行、323σ） | 148SM（B200/B300互換） | 1,500基・60日（範囲200〜7,000基） | 配置の一致は検証結果、基数・期間は推定 |
| Ling-3.1-flash | 未更新行の一致（384/384行、244σ） | 152SM（GB200/GB300互換） | 1,500基・100日（範囲400〜6,500基） | 配置の一致は検証結果、基数・期間は推定 |
| Mistral Large 4（参考） | 開発元による一次開示 | Grace Blackwell | 3,800基（期間非開示） | 開発元の公表値（アクティブ52B） |
| Microsoft MAI-Base-2（参考） | 開発元による一次開示 | GB200 | 16,000基・38日（MFU 21%） | 開発元の公表値 |
同じBlackwell世代を使用した他社の事例と比較すると、訓練効率や期間の違いによって必要なGPU数が大きく変わることが分かる。Mistralは、アクティブパラメータ数520億のMistral Large 4を3,800基のGrace Blackwellで訓練したと公表している。これはアクティブパラメータ数490億のDeepSeek-V4-Proと近い規模だ。一方、MicrosoftはMAI-Base-2の訓練に16,000基のGB200を38日間投入し、平均MFU 21%、グッドプット89%を記録したと説明している。DePue氏の改訂版レポートによれば、こうした実際の訓練ペースを中国企業の最大規模2モデルに当てはめると、必要なBlackwellはそれぞれ8,000〜9,000基に達する計算になる。
したがって、DeepSeek-V4-Proの3,000基やKimi K3の4,500基という数字を、各社が実際に保有・使用したGPUの確定値とみなすことはできない。今回の分析で最も確かなのは、公開された重みにBlackwell世代と一致する初期化パターンが残っていたという点だ。一方、必要なGPU数の推定は、訓練期間や計算効率、学習トークン数などの不確実な条件に大きく左右される。今後、各社が実際の訓練規模やGPUの調達・利用経路を開示すれば、今回の推定をさらに詳しく検証できる。公開モデルの重みがハードウェア利用状況を調べる手掛かりになることは示されたが、輸出規制の実効性を評価するには、技術的な分析と取引・稼働記録の両面から検証を進める必要がある。
