生成AIの土台になる基盤モデルを開発する日本の主要な提供者8社は、自社で独自開発する純国産系4社と、海外モデルを土台に日本語特化する系4社に分かれます。ライセンスは商用提供が中心で、楽天のみオープンソースです。経産省とNEDOの支援プログラムGENIACが国産モデル活用の実証を後押ししています。これらは日本の基盤モデル開発の全てではなく主要な担い手の例で、純国産と既存ベースの戦略の違い、商用とオープンソースの選好、国産がなぜ必要かを整理します。
純国産系はPFN (PLaMo)・Sakana AI・NTT (tsuzumi)・Stockmarkの4社ですが、開発の起点は同じではありません。PFN・NTT tsuzumi・Stockmarkはモデルをゼロから作るフルスクラッチ、Sakana AIは既存のモデルを進化的に組み合わせる進化的アプローチで、いずれも純国産ながら手法が異なります。残る4社はELYZAがMeta Llama、楽天がMistral、富士通がCohere、SoftBank CristalがOpenAIをそれぞれ土台にしています。
ライセンスは楽天のRakutenAI 7BのみApache 2.0のオープンソースで、Sakana AIは商用提供と一部オープンソースの併用、残りは商用提供です。パラメータの規模は社ごとに公表状況が異なり構成や用途も違うため、この表は単純な優劣比較ではなく、純国産か既存ベースか・商用かオープンソースかという選択の設計を読むものとして扱うのが適切です。
純国産系は技術蓄積とデータ主権、既存ベース系は開発速度とコストを重心に置き、提携先も金融・製造・通信・公共と分かれています。どの戦略が優れているという話ではなく、用途と資源に応じた選択の違いとして読むのが適切です。
Preferred Networks (PFN)のPLaMoは独自 (純国産)を起点とする基盤モデルで、2024年に提供を開始しました。最新世代はPLaMo 2.2 Prime + PLaMo Translation (2026-05-13)です。
開発の起点は純国産フルスクラッチ、パラメータ数は非公表、ライセンスは商用提供で、Snowflake Marketplace 経由 cloudを通じて提供されています。重みは公開せず提供形態を限定する商用提供で、導入支援とセットになります。
JR 東海 (AI エッジ DC)・プロネクサス (IR 業務最適化)・TBS (3DCG)などと連携し事業展開しています。
Sakana AIのTinySwallowは進化的アプローチ (純国産研究)を起点とする基盤モデルで、2025年に提供を開始しました。最新世代はAI Scientist (2026-03 Nature 掲載)です。
開発の起点は純国産(進化的アプローチ)、パラメータ約15億(1.5B、Bは10億)、ライセンスは商用提供(一部OSS)で、直販 + 提携 (MUFG / 大和 / SMBC / Google / Datadog)を通じて提供されています。重みは公開せず提供形態を限定する商用提供で、導入支援とセットになります。
MUFG Bank (2025-05)・大和証券・Google (2026-01 foundation model 戦略提携)などと連携し事業展開しています。
NTTのtsuzumiは純国産 (フルスクラッチ、NTT 研究所 約40年蓄積)を起点とする基盤モデルで、2024年に提供を開始しました。最新世代はtsuzumi 2 (2025-10-20 提供開始、フルスクラッチ純国産)です。
開発の起点は純国産フルスクラッチ、パラメータ約70億(7B、Bは10億)、ライセンスは商用提供で、NTT グループ + NTT データ LITRON 連携を通じて提供されています。重みは公開せず提供形態を限定する商用提供で、導入支援とセットになります。
NTT データ (LITRON 連携、2024-01)などと連携し事業展開しています。
StockmarkのStockmark-LLMは純国産 (1,000 億 param 日本語 LLM)を起点とする基盤モデルで、2024年に提供を開始しました。最新世代はStockmark-LLM-100b (2024-05 公開) + Aconnectです。
開発の起点は純国産フルスクラッチ、パラメータ約1000億(100B、Bは10億)、ライセンスは商用提供で、Aconnect (製造業特化 SaaS) + SAT (PaaS) + AWS パートナーを通じて提供されています。重みは公開せず提供形態を限定する商用提供で、導入支援とセットになります。
AWS (2026-05 パートナーシップ)・欧州特許庁 EPO (2026-04 Aconnect 展開)などと連携し事業展開しています。
ELYZA (KDDI 子会社)のELYZA-japanese-LlamaはMeta Llama (日本語特化 fine-tune)を起点とする基盤モデルで、2020年に提供を開始しました。本ページの一次情報では最新版を特定していません。
開発の起点はLlamaベース、パラメータ数は非公表、ライセンスは商用提供で、ELYZA Works (法人向け生成 AI 活用ツール) + KDDI 経由を通じて提供されています。重みは公開せず提供形態を限定する商用提供で、導入支援とセットになります。
SmartNews・JR 西日本・東京海上日動などと連携し事業展開しています。
楽天のRakutenAIはMistral-7B-v0.1 (語彙 32k -> 48k 日本語拡張)を起点とする基盤モデルで、2024年に提供を開始しました。最新世代はRakutenAI-7Bです。
開発の起点はMistralベース、パラメータ約70億(7B、Bは10億)、ライセンスはOSS (Apache 2.0)で、Hugging Face (公開 OSS)を通じて提供されています。重みを公開し商用利用も可能なため、自社環境での利用や改変がしやすい点が特徴です。
経産省 GENIAC 第3期採択 (2025-07-15)などと連携し事業展開しています。
富士通のTakaneはCohere Command R+ ベース (日本語特化追加学習)を起点とする基盤モデルで、2024年に提供を開始しました。最新世代はTakane + 生成 AI 再構成技術 (2025-09-08 軽量化・省電力)です。
開発の起点はCohereベース、パラメータ数は非公表、ライセンスは商用提供で、Fujitsu Kozuchi 生成 AI プラットフォームを通じて提供されています。重みは公開せず提供形態を限定する商用提供で、導入支援とセットになります。
Cohere (2024-07-16 戦略的パートナーシップ)などと連携し事業展開しています。
SoftBank Group / SoftBank Corp (Cristal Intelligence)のCristal intelligence (OpenAI 最新モデル + SI)はOpenAI (GPT 系) ベース + 個社カスタム実装を起点とする基盤モデルで、2026年に提供を開始しました。最新世代はCristal intelligence (2026 年提供開始予告)です。
開発の起点はOpenAIベース、パラメータ数は非公表、ライセンスは商用提供で、JV SB OAI Japan GKを通じて提供されています。重みは公開せず提供形態を限定する商用提供で、導入支援とセットになります。
OpenAI (2025-02-03 提携発表、年 30億 USD 投資枠)・Oracle (Stargate)・Arm (Cristal intelligence 活用)などと連携し事業展開しています。
GENIAC(経産省とNEDOの生成AI基盤モデル開発支援プログラム)のPRIZE実証は、製造業の暗黙知形式知化・カスタマーサポート・官公庁審査・生成AI安全性の4領域で、合算で約154社が参加しています。懸賞は1位で領域により数千万円から1億円規模で、産業を動かすほどの資金規模ではありません。これは国産モデル活用が業務で実証され始めていることを示す政府支援策の一つであり、業界を主導する力としては描けません。
代表事例ではダイキン工業が空調メンテの抜け漏れ検知を画像言語モデルで試み、検知精度は研修施設のテストで91%、現場環境では76%でした。未来都とnewmoはタクシー配車の電話受付を国産音声合成で自動化し着信のAI完結率45.5%(2025年11月時点)、東洋船舶とJDSCは社内文書のAI抽出で情報検索を1件30分から3分に短縮しています。いずれも実証段階でテスト環境と現場で差がある数字であり、国産モデルの業務適用が試行されている状況を示すものとして読むのが適切です。
純国産は4社、海外ベースは4社で、純国産はデータ主権と長期の技術蓄積、海外ベースは開発コストの抑制と早期実用化を狙います。ライセンス面では大半が商用提供で、楽天のみオープンソース(Apache 2.0)として重みを公開し自社環境での利用や改変を可能にしています。
日本企業が国産基盤モデルを選ぶ際は、データを社外に出せない要件や日本語精度、導入支援の有無で純国産と既存ベースを使い分け、世界モデルとも併用するのが現実的です。どちらか一方が正解という構図ではありません。
純国産系4社(PFN・Sakana AI・NTT tsuzumi・Stockmark)は自社で独自開発しますが、手法は同じではありません。PFN・NTT tsuzumi・Stockmarkはモデルをゼロから作るフルスクラッチで、NTT tsuzumiは研究所の長年の蓄積を背景に、Stockmarkは1,000億パラメータ規模の日本語モデルとして、データ主権と長期の技術基盤を重視します。Sakana AIは既存のモデルを進化的に組み合わせる進化的アプローチで、フルスクラッチとは異なる純国産研究です。
対して既存ベース系4社は、ELYZAがMeta Llama、楽天がMistral、富士通がCohere、SoftBank CristalがOpenAIを土台に日本語データで追加学習し、開発コストを抑えて早期に実用水準へ到達する戦略です。前者は時間と学習コストの負担が大きく、後者は土台モデルのライセンスや改変制約に依存します。どちらが優れているかではなく、保有する資源と用途に応じた選択の違いとして読むのが適切です。
国産基盤モデルのライセンスは商用提供が中心で、提供形態を限定し導入支援とセットにする形が一般的です。例外は楽天のRakutenAI 7Bで、Apache 2.0のオープンソースとして重みを公開し商用利用も可能にしています。
商用提供は導入支援が受けられる一方で利用形態が限定され、オープンソースは自社環境での利用や改変がしやすい代わりに運用を自社で負担します。日本企業の実務では、機密データを扱う処理や内製化にはオープンソース、導入支援が必要な業務には商用提供という使い分けに加え、世界の主要モデルとの併用も含めて選択するのが現実的です。単一の正解がある構図ではありません。
背景には、日本のAI導入率が22.2%と米国の40.4%に対して低い現状があります。日本語の精度確保には独自の学習データ整備が必要で、海外モデルをそのまま転用しにくいこと、データを社外に出せない用途があることが、国産モデルが議論される理由です。
経産省とNEDOのGENIACは国産モデル活用の実証を後押ししていますが、懸賞は1位で数千万円から1億円規模であり、産業を動かす力ではなく実証を促す政府支援策の一つです。国産基盤モデルは万能の解ではなく、世界モデルと併用しながら、機密性や日本語要件が高い領域で役割を担うという位置づけで整理するのが妥当です。
2026-2027年は、純国産系と既存ベース系がそれぞれの強みを活かして業務適用を広げる局面です。NTT tsuzumiやStockmarkは特定業界向けの実装を進め、ELYZAや富士通は土台モデルの更新に追随します。GENIACの実証事例が増え、国産モデルの業務適用の参照例が蓄積されますが、これは選定の判断材料の一つにとどまります。
2028-2030年は、日本語精度と運用コストで国産モデルの実用度が問われる局面です。純国産系は学習投資の回収が論点になり、既存ベース系は土台モデルのライセンス変更リスクが論点になります。代表例として挙げた8社以外にも、研究機関やスタートアップの参入で顔ぶれは流動的に変わり続けます。
2031年以降は、国産基盤モデルが世界モデルと併用される前提で、機密性や日本語要件の高い領域に役割が定まっていく見通しです。純国産と既存ベース、商用とオープンソースを用途ごとに束ねる運用が一般化し、特定の数社が固定的に市場を占めるのではなく、多様な担い手が流動的に並存する構造が続くと整理できます。
