Alibabaは2026年9月22日、最大10兆パラメータのAIモデルを開発する計画と、新しいAIチップ「真武(Zhenwu)V900」を発表しました。
ただし、10兆パラメータのモデルがすでに完成したわけではありません。現在はQwen 4を学習している段階で、将来のQwen 4.5やQwen 5を5兆〜10兆パラメータまで拡大する計画です。
今回の発表からAlibabaの開発規模の大きさは分かりますが、「10兆」という数字だけで実際の性能や費用対効果を判断することはできません。
AIの能力を左右するのは、パラメータ数だけではありません。学習データ、実際に動かすパラメータ数、学習後の調整、AIチップ間の通信性能なども関係します。
この記事の結論
- 10兆パラメータは完成品ではなく、Qwen 4.5以降の開発目標
- 現行Qwen 3.8 Maxの2.4兆から最大約4.17倍になる
- MoEでは総パラメータの一部しか1回の計算に使わない
- V900は前世代比3倍だが、NVIDIAとの共通試験結果は未公表
- 利用者に重要なのは規模より、精度・速度・料金・安定性
Alibabaが発表した「10兆AI」とV900の概要
今回の発表では、AIモデル、AIチップ、データセンターを一体で拡大していく戦略が打ち出されました。
AlibabaはAIモデルにとどまらず、半導体からデータセンターまで自社でそろえる方針を明確にしました。
| 発表項目 | 内容 | 現時点の注意点 |
|---|---|---|
| Qwen 4 | 新世代モデルを学習中 | 規模や性能の詳細は未公表 |
| Qwen 4.5/Qwen 5 | 5兆〜10兆パラメータへ拡大予定 | 完成モデルではなく将来計画 |
| 真武V900 | 学習と推論の両方に使えるAIチップ | 2027年第1四半期に量産・商用化予定 |
| V900の性能 | 前世代M890の3倍と説明 | 比較条件や実測値の詳細は未公表 |
| AIクラスター | 最大50万枚のV900へ拡張可能 | 実際の導入枚数や稼働率は不明 |
| データセンター | 2032年までに世界で20GW超を目標 | 建設時期や地域別の内訳は未公表 |
発表は、杭州で開かれた2026年のApsara Conferenceで行われました。Alibabaの呉泳銘CEOは、より複雑で長期的な作業に対応するため、モデルを大規模化すると説明しています。
市場も発表に反応しました。Reutersによると、Alibabaの香港上場株は同日に5.1%上昇し、約1カ月ぶりの高値を付けました。
「10兆パラメータAI」はまだ完成していない
見出しだけを見ると、10兆パラメータのAIがすでに公開されたようにも受け取れます。しかし、今回示されたのは将来の開発計画です。
現在学習しているのはQwen 4で、5兆〜10兆パラメータへの拡大が計画されているのは、その後のQwen 4.5やQwen 5です。
Alibabaの現行主力モデルQwen 3.8 Maxは、総パラメータ数が2.4兆です。10兆になれば、総数は約4.17倍に増えます。
計算すると「10兆÷2.4兆=約4.17」です。5兆の場合は約2.08倍になります。
| モデル | 総パラメータ数 | Qwen 3.8 Max比 | 状況 |
|---|---|---|---|
| Qwen 3.8 Max | 2.4兆 | 1倍 | 公開済み |
| Qwen 4 | 未公表 | 計算不可 | 学習中 |
| 将来のQwen | 5兆 | 約2.08倍 | 計画 |
| 将来のQwen | 10兆 | 約4.17倍 | 計画 |
公開時期、API料金、学習データ量、第三者による評価はまだ分かっていません。現時点で「世界最高性能のAIが完成した」と判断できる材料はありません。
パラメータ数とは何か
パラメータとは、AIが学習を通じて調整する数値です。文章同士の関係やパターンを、膨大な数値の組み合わせとして保持しています。
パラメータ数はAIの「入れ物の大きさ」に近い指標であり、中に何をどのように学習させたかまでは分かりません。
大きなモデルほど、多くのパターンや専門分野を保持できる可能性があります。ただし、データが不足していたり、学習方法が適切でなかったりすれば、その容量を生かし切れません。
大きな倉庫を建てても、商品が少なく、棚の配置も悪ければ便利な倉庫にならないのと似ています。
10兆すべてを毎回答で動かすとは限らない
近年の巨大モデルでは、MoEという仕組みがよく使われています。MoEは「専門家の混合」を意味し、質問の内容に応じて一部のパラメータだけを動かす方式です。
Qwen 3.8 Maxでは、総数2.4兆のうち約950億を1トークンごとに動かします。実際に使う割合は約3.96%です。
MoEでは、総パラメータ数が4倍になったとしても、1回の回答に必要な計算量まで4倍になるとは限りません。
たとえば、Kimi K2は総数1兆に対して320億、DeepSeek-V3は6710億に対して370億を動かします。
| モデル | 総パラメータ | 有効パラメータ | 有効割合 |
|---|---|---|---|
| Qwen 3.8 Max | 2.4兆 | 950億 | 約3.96% |
| Kimi K2 | 1兆 | 320億 | 3.2% |
| DeepSeek-V3 | 6710億 | 370億 | 約5.51% |
| 将来のQwen | 5兆〜10兆 | 未公表 | 未公表 |
総パラメータ数と有効パラメータ数では、意味するものが異なります。総数は知識や専門性を分けて保持できる容量、有効数は1回の処理がどれだけ重いかを見る目安に近い指標です。
独自計算:現行Qwenと同じ割合なら何個が動くのか
将来のモデルでも3.96%を動かすと仮定すると、5兆では約1980億、10兆では約3960億が有効になります。
計算式は「10兆×3.96%=約3960億」です。これはあくまで推定であり、Alibabaが公表した仕様ではありません。
仮に総数が10兆でも、実際の計算規模は約3960億になる可能性があり、「10兆すべてを毎回計算するAI」とは限りません。
逆に、有効割合を増やせば計算負荷も重くなります。正式な有効パラメータ数が公表されるまでは、速度や費用を正確に予測できません。
独自計算:10兆AIの重みだけで最大20TB
パラメータは、AIチップのメモリに保存する必要があります。必要な容量は、数値をどの精度で保存するかによって変わります。
10兆パラメータでは、重みだけでもBF16なら約20TB、FP8なら約10TB、4ビットなら約5TBです。
| モデル規模 | BF16/FP16 2バイト | FP8 1バイト | 4ビット 0.5バイト |
|---|---|---|---|
| 5兆 | 約10TB | 約5TB | 約2.5TB |
| 10兆 | 約20TB | 約10TB | 約5TB |
V900は1枚当たり216GBのメモリを搭載します。単純計算すると、10兆モデルの重みを置くだけでも、BF16なら最低93枚が必要です。
| 条件 | 必要容量 | V900の理論上の最低枚数 |
|---|---|---|
| 5兆・BF16 | 約10TB | 約47枚 |
| 10兆・BF16 | 約20TB | 約93枚 |
| 10兆・FP8 | 約10TB | 約47枚 |
| 10兆・4ビット | 約5TB | 約24枚 |
これは、推論時の重みだけを置く場合の計算です。会話履歴を保持する領域や一時データ、予備容量は含まれていません。
学習時には、勾配や最適化に使うデータも必要です。実際には、表に示した枚数よりはるかに多くのチップを使います。
真武V900はどのようなAIチップなのか
V900は、Alibaba傘下の半導体部門である平頭哥(T-Head)が開発しました。AIの学習と推論の両方に対応します。
V900の強みは単体性能に加えて、多数のチップを一つのシステムとして接続できる設計にあります。
| 項目 | V900の公表内容 |
|---|---|
| 用途 | AI学習・AI推論 |
| メモリ | 216GB |
| チップ間接続 | 最大1200GB/s |
| 対応精度 | FP8、FP4 |
| 前世代比 | M890の3倍 |
| 高速接続 | 最大1000枚を全帯域で接続 |
| クラスター | 最大50万枚へ拡張可能 |
| 商用化 | 2027年第1四半期の予定 |
FP8やFP4は、AIの計算に使う数値の精度を下げ、データ量を小さくする形式です。精度低下を抑えながら、処理速度やメモリ効率を高めるために使われます。
Alibabaは、V900、ICN Switch、ネットワークカード、SSD制御チップを組み合わせた新しい超节点サーバーも発表しました。計算、通信、保存まで一体で設計する狙いがあります。
V900はNVIDIAより速いのか
現時点では判断できません。AlibabaはV900を中国で最も高性能な自社開発AIチップと説明していますが、NVIDIA製品と同じ条件で比べたベンチマークは公表していません。
「M890の3倍」という数字だけでは、H200やBlackwell、Rubinより速いとは証明できません。
現時点で確認できる範囲では、V900のメモリ容量は216GBです。NVIDIA H200の141GBより75GB多く、約53%大容量です。
| 比較項目 | 真武V900 | NVIDIA H200 | 判断 |
|---|---|---|---|
| メモリ容量 | 216GB | 141GB | V900が約53%多い |
| メモリ帯域 | 未確認 | 4.8TB/s | 比較不可 |
| チップ間接続 | 1.2TB/s | 別仕様で確認が必要 | 単純比較できない |
| FP8演算性能 | 未公表 | 約4PFLOPS | 比較不可 |
| 消費電力 | 未公表 | 製品仕様で公表 | 電力効率を比較できない |
| 第三者ベンチマーク | 未確認 | MLPerfなどに実績 | NVIDIAが検証しやすい |
V900の1.2TB/sは、チップ同士を接続する速度です。これに対して、H200の4.8TB/sはチップ内のメモリ帯域を示しています。
道路にたとえるなら、都市間を結ぶ高速道路と、市内道路の広さを比べるようなものです。どちらも性能に関係しますが、同じ種類の数字ではありません。
独自分析:50万枚より「何%を働かせられるか」が重要
大規模なAI学習では、通信待ちや故障によってチップが処理できない時間が発生します。そのため、チップの台数と同時に実際の稼働率を見る必要があります。
50万枚のうち90%を有効に使えれば、45万枚分の計算力になります。60%なら30万枚分です。
同じ50万枚でも、稼働率が90%から60%へ下がると、15万枚分の計算力を失う計算です。
これは仕組みを説明するための仮定であり、V900の実測稼働率ではありません。大規模なシステムほど、ネットワークやソフトウェアの出来が実際の性能を左右します。
大きければ高性能とは限らない5つの理由
モデルの実力を判断するには、規模だけを見るのでは足りません。データ、学習方法、評価条件、運用費まで含めて確認する必要があります。
1.学習データの量と質が足りない場合がある
大きなモデルを十分に学習させるには、それに見合う量と質のデータ、そして計算量が必要です。
パラメータだけを増やして学習量を増やさなければ、巨大なモデルの能力を十分に引き出せません。
Google DeepMindの研究では、700億パラメータのChinchillaが、2800億パラメータのGopherを多くの評価で上回りました。
両者の学習計算量は同程度でしたが、Chinchillaはモデル規模を4分の1に抑える一方、約4倍のデータで学習しています。
2.総数ではなく有効数が処理の重さを決める
MoEでは、すべての専門部分を同時に動かすわけではありません。総パラメータ数が多くても、有効パラメータ数が小さければ計算量を抑えられます。
巨大なMoEモデルを比べるときは、総パラメータ数と有効パラメータ数を分けて見る必要があります。
質問をどの専門部分へ振り分けるかも性能に関わります。振り分けがうまくいかなければ、モデルが持つ専門知識を十分に活用できません。
3.学習後の調整で実用性が変わる
基礎学習を終えた後には、指示への対応、推論、安全性などを調整します。AIエージェントでは、状況に応じて適切なツールを選ぶための訓練も必要です。
同じ基礎モデルでも、学習後にどのような調整を行うかによって使いやすさは大きく変わります。
Alibabaは、AI自身が弱点を見つけ、実験し、学習データを作る自己改善で進展があったと説明しました。ただし、具体的な成功率はまだ公表していません。
4.ベンチマークの条件で順位が変わる
数学、科学、プログラミング、長文処理では、求められる能力が異なります。単一の点数だけでモデルの総合力を判断することはできません。
10兆モデルを評価するには、同じ問題、同じ推論時間、同じツール条件で比べる必要があります。
企業自身が公表する評価に加えて、第三者による試験結果も確認したいところです。
5.性能が上がっても料金と速度が悪化する場合がある
利用者が必要としているのは、最大規模のAIではなく、必要な仕事を速く正確に終えられるAIです。
精度が少し上がっても、料金が4倍、待ち時間が3倍になるなら、実務では小型モデルのほうが有利な場合があります。
比較するときは、100万トークン当たりの料金だけでなく、仕事1件を成功させるまでにかかる費用も見る必要があります。失敗や再試行が多ければ、表示されている料金が安くても、最終的なコストは高くなります。
それでも10兆パラメータに意味はある
「大きければ必ず高性能になるわけではない」からといって、大規模化そのものに意味がないわけではありません。
十分なデータと計算量を用意し、適切なMoE設計を採用できれば、大規模化はAIの能力を伸ばす有力な方法になります。
専門家を増やせば、コード、科学、法律、多言語などの分野を分担できます。質問ごとに使う部分を絞れば、モデル全体の容量を増やしつつ、1回の計算量を抑えることも可能です。
長期的な作業でも効果が期待されます。多くの選択肢を検討し、途中の失敗から修正するには、幅広い知識と高い推論力が求められるためです。
ただし、実際にどれだけ効果があるかは完成後の評価で判断すべきです。計画段階のパラメータ数だけでは分かりません。
競合との違いは「モデル・チップ・クラウド」の一体化
Alibabaの特徴は、Qwen、V900、Alibaba Cloudを自社で持っていることです。モデルに合わせてチップやネットワークを調整できるため、システム全体を最適化しやすくなります。
Alibabaが目指しているのはNVIDIAのチップ単体への対抗ではなく、AIシステム全体を自社で最適化することです。
| 陣営 | 主な強み | 課題 |
|---|---|---|
| Alibaba | Qwen、V900、クラウドを一体化 | V900の外部評価と量産実績が未確認 |
| NVIDIA | GPU、NVLink、ネットワーク、CUDAの成熟 | 高価格と供給制約、輸出規制の影響 |
| DeepSeek | 少ない有効パラメータで効率を重視 | ハードウェアを含む一体供給ではない |
| Moonshot AI | Kimiのエージェント性能とMoE設計 | Alibabaほど広いクラウド基盤を持たない |
| Huawei | Ascendを中心に中国内で代替基盤を構築 | ソフトウェアと大規模学習の実績が焦点 |
米国の輸出規制により、中国企業は高性能なNVIDIA製品を自由に調達しにくくなっています。V900には、性能面で競争するだけでなく、AIチップの調達を安定させる狙いもあります。
ただし、AIチップはハードウェアだけでは十分に使えません。開発環境、演算ライブラリ、障害対応、監視など、周辺ソフトウェアの成熟度も実用性を左右します。
一般の利用者や企業には何が変わるのか
短期的には大きな変化はありませんが、将来はAIサービスの性能や料金、企業の調達先に影響する可能性があります。
一般利用者への影響
今回の発表を受けて、すぐにQwenの回答性能が変わるわけではありません。10兆モデルもV900も、今後の開発や量産を待つ段階です。
利用者への本当の影響は、将来のQwenが高性能になったうえで、料金と待ち時間まで抑えられるかどうかで決まります。
競争が進めば、OpenAI、Google、Anthropicなどが価格や機能を見直す可能性もあります。ただし、これは今後の市場動向についての予測です。
開発者への影響
APIを利用する開発者は、パラメータ数よりも、入力・出力料金、応答速度、エラー率、コンテキスト長を確認したほうが実用的です。
モデルを切り替える前に、自社の実データを使って成功率と総費用を測る必要があります。
Qwenがオープンウェイトで提供される場合は、必要なメモリ容量、利用条件、量子化後の精度も判断材料になります。
企業のAI基盤への影響
中国でAI基盤を運用する企業にとって、V900はNVIDIA以外の選択肢になります。調達先を分散できることは、供給リスクを抑えるうえで利点があります。
ただし、導入を判断するには性能だけでなく、消費電力、保守、開発環境、供給量まで確認する必要があります。
モデルとチップを同じ企業が提供するため、Alibaba Cloudへの依存度が高まる可能性もあります。
今後確認すべき7つの数字
10兆AIとV900の実力を判断するには、まだ追加の情報が必要です。
次に確認したいのはパラメータ数そのものではなく、同じ条件で測定した性能・速度・電力・費用です。
- 将来Qwenの総パラメータ数と有効パラメータ数
- 学習に使ったトークン数とデータの構成
- 独立機関による推論・エージェント評価
- APIの入力料金、出力料金、キャッシュ料金
- V900のFP8/FP4演算性能と消費電力
- V900クラスターの実効通信速度と稼働率
- 2027年第1四半期の量産・商用化が予定通り進むか
特に確認したいのは、V900を使ったQwenの学習時間と推論費用です。モデルとチップを同時に開発する利点が、実際の数値に表れるかが焦点になります。
まとめ
Alibabaは、将来のQwenを5兆〜10兆パラメータまで拡大し、V900で支える計画を示しました。AIモデル、半導体、クラウドを一体で開発する大規模な戦略です。
ただし、10兆パラメータという規模だけで性能は保証されません。完成後の精度、速度、料金、電力効率まで見て評価する必要があります。
V900も、216GBの大容量メモリや50万枚まで拡張できる構成は注目に値します。ただし、NVIDIA製品と同じ条件で比べたベンチマークはまだ公表されていません。
現段階で分かるのは、AlibabaがAIモデルの大規模化と中国国内でのAI基盤整備を同時に進めていることです。本当に高性能かどうかは、Qwen 4以降の公開結果とV900の第三者評価を待つ必要があります。
関連ページ
巨大AIを支えるGPU、通信、データセンターの仕組みについては、以下の記事で詳しく解説しています。
- 生成AIの学習と推論の違いとは?必要なGPU・電力・コストまで解説
- AIデータセンターとは?GPU・CPU・HBM・ネットワークの仕組みを図解
- AI性能の壁はGPUではなく通信?元Intel幹部のDelos Dataが1億ドル調達
- AMDの時価総額が一時1兆ドル突破 NVIDIA対抗の鍵は「AIシステム全体」
- AIモデルのコンテキスト長とは?100万トークンで何ができるのか
参照資料
発表内容と比較データは、2026年9月22日時点で確認できた以下の資料を基にしています。
- Alibaba Cloud「2026 Apsara Conference」
- Reuters「Alibaba deepens AI push with new chip, bigger model」
- Qwen「Qwen3.8-Max: A New Bar for Coding and Cowork」
- Qwen3.8-2.4T-A95B 公式モデルページ
- IT之家「真武V900、磐久超节点サーバー発表」
- DeepSeek-V3 Technical Report
- Kimi K2: Open Agentic Intelligence
- Google DeepMind「An empirical analysis of compute-optimal large language model training」
- NVIDIA H200 GPU 公式仕様



コメントを送信