米国発の公開 AI「Beam」 — 自社で動かす AI の選択肢が増える

「5,010 億あるのに、使うのは 230 億」とはどういうこと?

tatsuki 氏の投稿は、Beam の要点を短く整理しています。総パラメータ数は 501B(5,010 億)で、実際に動くのは 23B(230 億)です。得意分野は、プログラムを書く作業、筋道を立てて考える作業、人に代わって作業を進める AI(AI エージェント)です。

パラメータとは、AI が学習で身につけた知識を蓄える調整つまみのようなものです。数が多いほど多くを覚えられます。ただ、全部を毎回動かすと計算が重くなります。

Beam は「専門家を切り替える仕組み(MoE)」で、この問題に対処しています。中身を細かい専門家に分け、入力ごとに必要な専門家だけに仕事を振ります。投稿の言葉を借りれば、「巨大モデルの知識量を持ちながら、推論コストをかなり抑える設計」です。

同社が比べる相手に挙げる、中国 Z.ai の GLM-5.2 と並べると次のとおりです。

計算が 3〜4 分の 1 になると、何が変わるの?

同社は、難しい推論の試験で GLM-5.2 と同じ水準の点を取りつつ、答えを出すための計算量は 3〜4 分の 1 で済むと説明しています。

計算が軽くなれば、同じ機材でより多くの依頼をさばけます。月々の利用料を抑えたり、自社のサーバーで動かしたりする道が広がります。

大事なのは、費用を左右するのが「モデルの大きさ」ではなく「毎回動く量」だという点です。tatsuki 氏が投稿の中心に置いたのは、まさにこの見方でした。

性能は、どこまで当てにしてよいの?

投稿は「性能もかなり高い」と続けています。根拠は、同社が発表した性能試験(ベンチマーク)の結果です。主な点数は次のとおりです。

同社は Beam を、中身を公開する AI(オープンウェイト)のうち、欧米勢の最前線を押し上げるものと位置づけています。一方、中国の Qwen3.8-Max には「迫る」という表現にとどめています。同社の表でも、中国の Kimi K3 のほうが高い項目があります。

なお、比べる相手は中国の公開型モデルで、非公開の最上位モデルを上回るとは同社も述べていません。重みと技術報告は 10 月中に公開される予定です。今はまだ外部の人が同じ試験をやり直せないため、「同社の測定では」と読むのが妥当です。

なぜ「米国発」であることが注目されるの?

tatsuki 氏は「DeepSeek級の衝撃が、今度はアメリカから来るかもしれない」と書きました。中国の DeepSeek になぞらえた、期待を込めた見立てです。TechCrunch も Beam を、中国のモデルに対抗する存在として報じています。

Reflection AI は 2024 年に、Google DeepMind 出身の研究者二人が立ち上げた会社です。Nvidia や Sequoia Capital などから、これまでに約 47 億ドル(約 7,437 億円)を集めています。

同社が掲げるのは「AI 工場(AI factories)」という構想です。企業や国が自分たちのデータで同社のモデルを鍛え、手元で動く専用の AI を持てるようにするものです。

重みは Apache 2.0 ライセンスで公開されます。動かし方、性能の測り方、追加で学習させるための道具一式も出すと同社は説明しています。

SYNCON の視点 — 日本の非エンジニア経営層は何を盗むべきか

tatsuki 氏の投稿から盗めるのは、AI を「大きさ」ではなく「一回あたりの計算」で見る目です。AI の費用を担当者に任せきりにせず、「一件の処理あたりいくらか」を出してもらうところから始められます。

もう一つは、選択肢が増えたことです。社外に出せないデータを扱う仕事は、これまで AI の対象から外しがちでした。米国製で中身が公開されたモデルが増えれば、自社の環境で動かす案を検討の机に載せられます。月曜にできるのは、そうした仕事を書き出しておくことです。決めるのは、重みの公開後に出る外部の評価を見てからでも遅くありません。

要点まとめ

• Beam は全体で 5,010 億、一回に動くのは 230 億のパラメータ。専門家を切り替える仕組み(MoE)で計算を抑える
• 同社は、答えを出すための計算量が GLM-5.2 の 3〜4 分の 1 と説明
• 性能の数字は同社の測定。重みと技術報告は 10 月中に公開予定
• Apache 2.0 で公開され、自社の環境で動かして鍛えられる
• AI の費用は「大きさ」より「一回に動く量」で見る