中国のAI開発企業DeepSeekが、同社の推論モデル「R1」の訓練コストがわずか29.4万ドル（約4,400万円）であるとする詳細なレポートを発表した。OpenAIなどが数千万ドルから1億ドル以上を投じているとされる中、この驚異的な低コストは、AI開発における「中国の効率性」を象徴するものとして瞬く間に拡散されたが、しかし、この数字は物語のすべてを語ってはいない。むしろ、巧みに切り取られた一面であり、その背後には遥かに巨大なコストという氷山が隠されている。
衝撃の発表、その内訳は「追加学習」のコスト
発端は、2025年9月18日に学術雑誌『Nature』に掲載されたDeepSeekの査読付き論文である。この論文で、同社はR1モデルの訓練に512基のNVIDIA H800チップを80時間使用し、そのコストが29.4万ドルであったと明記した。この数字は、AI開発の常識を覆すものとして、多くのメディアで報じられた。
しかし、同社が今年の1月にも同様な発表を行った際に指摘されたように、この29.4万ドルはR1モデル開発の全工程にかかった費用ではない。これは、すでに存在する大規模な基盤モデル「DeepSeek V3」に対し、「推論能力」を特化させるための追加学習フェーズ、専門的には「強化学習（Reinforcement Learning）」のみにかかったコストに過ぎないのだ。
AIモデル開発は、大きく二つの段階に分けられる。
- 事前学習（Pre-training）:
インターネット上の膨大なテキストデータなどを読み込ませ、言語の文法、知識、文脈理解といった基本的な能力を獲得させるフェーズ。これはAIモデルの「基礎工事」にあたり、莫大な計算資源と時間を要するため、開発コストの大部分（95%以上とも言われる）を占める。DeepSeek V3モデルがこの段階で構築された。 - ファインチューニング／強化学習（Fine-tuning / Reinforcement Learning）:
事前学習済みのモデルに対し、特定のタスク（対話、コーディング、推論など）の性能を向上させるための追加学習を行うフェーズ。これは「内装工事」や「専門教育」に例えられる。今回報告された29.4万ドルのコストは、まさにこの段階、特に「Group Relative Policy Optimization (GRPO)」と呼ばれる強化学習手法を用いた部分の費用なのである。
つまり、DeepSeekはすでに完成している巨大な脳（V3モデル）に、推論という特殊技能を教え込むための「授業料」が29.4万ドルだったと報告したに過ぎない。その脳をゼロから作るためのコストは、この数字には全く含まれていない。
隠された氷山：ベースモデルV3の巨額開発コスト
では、R1の土台となったベースモデル「DeepSeek V3」の開発には、一体どれほどのコストがかかったのか。その答えは、DeepSeek自身が公開している別の技術論文の中に示されている。
同社の論文によれば、DeepSeek V3モデルは2,048基のNVIDIA H800 GPUを約2ヶ月間稼働させて訓練された。その総計算量は、279万GPU時間に達する。
この計算量からコストを推定すると、その規模が明らかになる。GPUのレンタルコストを控えめに1時間あたり2ドルと仮定しても、単純計算で 558万ドル（約8.4億円） という巨額の費用がかかる。
したがって、R1モデルを世に送り出すための真の総コストは、以下の合算となる。
- V3モデルの事前学習コスト: 約558万ドル
- R1モデルの強化学習コスト: 約29.4万ドル
- 合計: 約587.4万ドル（約8.8億円）
これは、最初に報じられた29.4万ドルの約20倍に相当する金額である。もちろん、これですらGPUの計算コストのみを算出したものであり、研究開発に携わる人件費、データセンターの運用費、データ収集・整備の費用などを含めれば、実際のプロジェクト総額はさらに膨れ上がる。
この事実は、DeepSeekの発表が誤りであったことを意味するわけではない。学術論文として、特定の技術（GRPO）の有効性を示すために、その適用フェーズにかかったコストのみを記載することは不自然ではない。しかし、その数字が文脈を離れて一人歩きした結果、「中国は米国の20分の1以下のコストで同等のAIを開発できる」という、実態とはかけ離れた誤解を生む原因となった。
比較対象としての西側モデル
それでもなお、総額587万ドルという数字は、西側企業のモデル開発コストと比較すれば依然として低い水準に見えるかもしれない。OpenAIのSam Altman CEOは、基盤モデルの訓練に1億ドル以上かかったと示唆している。MetaのLlama 4は、モデルサイズによるが238万〜500万GPU時間で訓練されたとされ、DeepSeek V3の279万GPU時間と近いレンジにある。
しかし、両者を単純比較することはできない。Metaはより多くの訓練データ（トークン数）を用いており、DeepSeekは比較的少ないデータで効率的に学習させた可能性がある。つまり、DeepSeekがコスト効率に優れている可能性は否定できないが、その差は20倍といった桁違いのものではなく、より現実的な範囲に収まると考えられる。
さらなる深層：国家規模の投資と輸出規制の réalité
DeepSeekのコストに関する議論は、これだけでは終わらない。半導体産業の調査会社SemiAnalysisは、同社の投資規模が公表されている数字を遥かに上回ると分析している。
同社のレポートによれば、DeepSeekは実際には約50,000基のNVIDIA製GPU（H100、H800などを含む）を運用しており、サーバーへの設備投資総額は約16億ドル（約2,400億円）、年間の運用コストは9.44億ドル（約1,400億円）に達する可能性があるという。
この分析が正しければ、DeepSeekは単なるスタートアップではなく、中国政府の強力な支援を受けた国家的なプロジェクトと見るのが妥当だろう。もはや数百万ドル規模の議論ではなく、文字通り国家の威信をかけた巨大投資の実態が浮かび上がってくる。
米国の輸出規制と使用されたチップ
今回の発表は、米国の対中半導体輸出規制の実効性についても疑問を投げかけている。DeepSeekは公式には、米国が中国市場向けに性能を調整したH800チップを使用したと説明している。
しかし、同社はNature誌に付随する補足情報の中で、研究の準備段階で、より高性能なA100チップを使用していたことを初めて認めた。さらに、米当局者からは、DeepSeekが輸出規制後に調達された最先端のH100チップにもアクセスしているとの指摘も出ている。
これらの情報は断片的ではあるが、米国の輸出規制網に抜け穴が存在し、中国のトップAI企業が必要な計算資源を確保し続けている可能性を示唆している。
「蒸留」疑惑とAI開発の倫理
コスト問題と並行して議論されているのが、DeepSeekのモデルがOpenAIの技術を「蒸留（Distillation）」したのではないかという疑惑だ。蒸留とは、既存の高性能モデル（教師モデル）の出力を学習データとして使い、より小型で効率的なモデル（生徒モデル）を訓練する手法を指す。これにより、ゼロから事前学習を行うコストを大幅に削減できる。
DeepSeekは当初から蒸留の有効性を主張してきたが、今回のNature論文では、V3モデルの訓練データに「OpenAIモデルが生成した回答をかなりの数含む」Webページが含まれていたことを認めた。ただし、これは意図的なものではなく、Webをクロールした結果、偶発的に含まれたものだと説明している。
この説明が事実だとしても、今日のインターネットがAI生成コンテンツで溢れている現状を浮き彫りにする。あるAIが別のAIの生成物を学習し、それがまた新たなAIの学習データとなる…という連鎖は、AIの知識の出所や独創性、著作権といった根源的な問題を提起する。DeepSeekの事例は、AI開発における透明性と倫理の重要性を改めて問いかけている。
発表の戦略的意図とAI覇権争いの新局面
DeepSeekがR1の強化学習コストである29.4万ドルという数字を前面に押し出した背景には、戦略的な意図があったと筆者は考える。それは、西側諸国、特に米国の巨大テック企業が展開する「資本力と計算資源の規模こそがAI開発を制する」というパラダイムに対する、技術的・思想的な挑戦状ではないだろうか。
DeepSeekは、「我々は巨額の資金を無駄に投じるのではなく、優れたアルゴリズムと効率的な学習手法によって、より低コストで高性能なAIを開発できる」というメッセージを世界に発信したかったのかもしれない。たとえその数字が全体像の一部を切り取ったものであったとしても、そのメッセージは一定のインパクトを与えた。
この一件は、我々にいくつかの重要な教訓を示している。
- AI開発コストの透明性: AI企業が発表するコストや性能に関する情報は、その算出根拠や前提条件を注意深く吟味する必要がある。
- 効率性という新たな競争軸: 今後のAI開発競争は、単なる計算資源の投入量だけでなく、アルゴリズムの革新性や学習の効率性も重要な評価軸となる。
- 米中AI覇権争いの複雑化: 中国は米国の規制をかいくぐりながら、独自の開発思想と戦略で着実に実力をつけている。両者の競争は、単純な物量作戦から、より複雑で多層的なものへと移行している。
DeepSeekの29.4万ドルという数字は、AI業界に蔓延する過剰な期待に一石を投じると同時に、AI開発の真実がいかに複雑であるかを見事に示した。この数字の裏に隠された巨大な氷山を理解することこそが、今後のAI技術の動向、そして米中間の技術覇権争いの行方を見通す上で不可欠な視点となるだろう。
論文
参考文献
