2026年10月15日、Microsoft AIは公式ブログの「Lab Notes」シリーズ記事において、MAI-Base-2の事前学習完了を正式に発表した。同モデルは混合専門家（MoE）アーキテクチャを採用した基盤モデルであり、総パラメータ数は2.8兆、1トークンあたりの活性化パラメータは800億、学習コーパスは50兆トークンに達する。そのうち18%が視覚データ（合計4.5兆件の独立した視覚トークン）であり、知識のカットオフ日は2026年3月となっている。
microsoft.aiの公式ブログによると、学習インフラの規模は極めて大きく、16,000基のNVIDIA GB200 GPUを並列稼働させ、2026年8月から9月にかけて38日間にわたって学習を実施した。実測のモデル浮動小数点利用率（MFU）は21%、有効学習時間の割合（goodput）は89%に達した。またMicrosoftは、MAI-Base-3の準備作業もすでに並行して開始していると述べている。
効率数値の背景：直接比較ではなく、スケーリング則による推定
Microsoftは、MAI-Base-2の事前学習におけるFLOPs効率がDeepSeek-V4-Pro-Baseより4.2〜12.3倍高く、自社のMAI-Base-1より6.3〜12.7倍高いと主張している。これは今回の発表で最も注目を集める数値であると同時に、最も慎重に受け止めるべき数値でもある。
explainx.aiによる同ブログの技術的解説によると、上記の効率差は2回の実際の学習実行から直接測定されたものではなく、Microsoftが独自に当てはめたスケーリング則（scaling laws）による推定から導き出されたものだ。Microsoftの手法は、異なる規模のモデルで学習を行い、性能が計算量に応じてどう変化するかの曲線を当てはめ、外挿によって効率比較の結論を得るというものだ。この手法は学術的に一定の合理性を持つが、「同一性能を達成するのに要した実際の計算量の比」とは本質的に異なる——前者は予測であり、後者は事実である。
すべての評価結果もMicrosoft内部の「保留テストセット（held-out evaluations）」によるものであり、第三者機関による独立した再現はまだ行われていない。モデルの重みは現在一般公開されておらず、Foundryプラットフォームを通じてアクセスする信頼済みパートナーにのみライセンス提供されている。つまり、研究者や競合他社は現時点でこれらの主張を検証することができない。
なぜオープンソースモデルとのみ比較するのか？
明らかでありながらあまり言及されない疑問がある。Microsoftはなぜ性能比較においてオープンソースの重みを持つモデルのみを列挙し、GPT-5、Gemini Ultra、Claude Opusなどのクローズドソースモデルとは比較しないのか？
Hacker Newsの議論では最も直接的な答えが示されている。トップクラスのクローズドソース基盤モデルの重みと生の推論インターフェースは外部に公開されていないため、外部の研究者は同等の条件で基盤モデルレベルの比較を行うことができず、入手可能なオープンソースモデルをベンチマークとして使用するしかないからだ。これは業界全体の基盤モデル評価における構造的な困難であり、Microsoftだけが競争を回避しているわけではない。
比較対象に含まれたオープンソースモデルは、現在最高水準のラインナップを代表している。DeepSeek-V4-Pro-Base（総パラメータ数1.6兆、活性化パラメータ490億）、Kimi K3（総パラメータ数2.8兆、活性化パラメータ1,040億）、そしてQwen3.8（総パラメータ数2.4兆、活性化パラメータ950億）である。morphllm.comの仕様まとめによると、DeepSeek-V4-ProはMITライセンスのもと2026年4月に公開され、100万トークンのコンテキストウィンドウをサポートする。Kimi K3はMoonshotAIが2026年7月27日に公開したもので、これまでに公開された重みの中で最大のモデルだ。
MAI-Base-2とKimi K3：パラメータ規模は同等、方向性は分岐
パラメータ規模においては、MAI-Base-2（総パラメータ数2.8兆）とKimi K3は完全に一致しているが、両者のアーキテクチャ上の志向には明確な違いがある。MAI-Base-2の1トークンあたりの活性化パラメータは800億であるのに対し、Kimi K3は1,040億であり、後者は1回の推論における計算量が多い一方、表現能力の上限も異なることを意味する。
さらに注目すべきは両者のポジショニングの違いだ。Kimi K3はオープンウェイトモデルであり、公開後すぐにダウンロードして展開でき、コミュニティではすでにファインチューニングや二次創作に活用されている。一方、MAI-Base-2の重みは現在Foundryパートナーにのみライセンス提供されており、ポストトレーニング（指示チューニングと強化学習フェーズ）はまだ完了していない。エンドユーザー向け製品としての公開スケジュールも未定だ。言い換えれば、MAI-Base-2は現時点ではあくまで「基盤モデル」であり、後続のすべての能力の出発点であって、終着点ではない。
Microsoftは学習データが「オーガニック」な来源であり、他のモデルの出力を蒸留したものは含まれていないと強調している。この主張は昨今の業界の文脈において特別な意味を持つ。近年、クローズドソースモデルの出力を使ってオープンソースモデルを学習させることが、複数の法的・倫理的論争を引き起こしており、Microsoftのここでの明確な声明は技術的主張であると同時にコンプライアンス上の立場表明でもある。ただしexplainx.aiが指摘するように、この点は現時点では独立した検証が不可能だ。
MoEアーキテクチャが新たなデフォルトに
MAI-Base-2、Kimi K3、DeepSeek-V4-Pro——2026年を代表する大規模基盤モデルの3つはすべて、混合専門家アーキテクチャを採用している。この収束は偶然ではない。
MoEの核心的なロジックは、スパースな活性化によって総パラメータ数の拡大を実現することだ。2.8兆パラメータのMoEモデルは、1回の推論で活性化するのは800億〜1,040億パラメータに過ぎず、実際の1トークンあたりの計算量は同規模の密なモデルの10分の1以下に近い。これにより、超大規模な学習がエンジニアリング的に実現可能になる。Microsoftはブログの中で、「ドロップレスマルチラウンドルーティング（dropless routing）」方式の改善により、MoEのモデル浮動小数点利用率を24%から35%に向上させたと特に言及しており、これはシステムエンジニアリングレベルで相当に実質的な進歩といえる。
さらに、MAI-Base-2は視覚能力を独立した画像エンコーダの追加ではなく、事前学習段階に直接統合している。このアーキテクチャ上の選択は、視覚理解能力と言語能力が基底から表現を共有しており、2つのシステムの接合ではないことを意味する。視覚データの占める割合18%（約4.5兆トークン）は、現在公開されている技術レポートの中でも比較的高い水準だ。
独立した評価
MAI-Base-2の真の意義は、競合他社に対してどれほど優れているかという問いにあるのではない。その問いはポストトレーニングが完了し、独立したベンチマークテストが公表されてから初めて答えられるものだ。その意義は、Microsoftが基盤モデルの研究開発能力を体系的に内製化しつつあるという点にある。MAI-Base-1からMAI-Base-2へ、ポストトレーニングモデルのMAI-Thinking-1から準備中のMAI-Base-3へと続く道筋は、能力蓄積の明確な軌跡を示している。
4〜12倍の効率向上という主張が最終的に独立した検証を得られた場合、同等の品質のモデルの学習コストが大幅に低下することを意味し、業界全体の計算資源経済に構造的な影響を与えうる。しかし現時点ではこれはあくまで内部的な主張に過ぎない。真の試練はポストトレーニングフェーズの完了後に訪れる。実際に使用可能なMAI-Thinking-2またはMAI-Chat-2が公開され、MMLU、MATH、コード生成などの公開ベンチマークで外部評価を受けたとき、はじめて数字が語り始めるだろう。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接