iFLYTEKは国内AI計算資源の制約をどう乗り越えるのか

「最大の文脈長」ではなく「必要な情報」を扱う

iFLYTEKは、Nvidia製GPUを使う研究機関と、世界最大級のモデル開発競争で正面から張り合おうとしているわけではない。国内の計算資源を、教育、医療、車載システム、企業向けサービスで十分に使える状態へ引き上げ、トークン数や文脈長ではなく、安定した業務成果を提供することを目指している。

同社が認める課題は小さくない。256Kトークンを超える長文脈学習では、国内アクセラレーターの効率がNvidiaのH200に対して最大でおよそ5倍劣るという。ただし、この数値は経営陣による説明であり、一次の決算説明会記録に基づく独立検証済みのベンチマークではない。8

それでも、教育機関が教材や生徒情報を検索したり、医療システムが関連する診療情報を参照したり、車載アシスタントが会話履歴と車両データを扱ったりする場合、常に100万トークン規模の履歴を一つの文脈に読み込む必要があるとは限らない。

必要な情報を検索して分割する、構造化メモリを使う、必要な場面だけツールやエージェントを呼び出す。こうした設計なら、長文脈機能の価値を完全に捨てずに、最も計算コストの高い処理の頻度を抑えられる。

同社の賭けは明確だ。顧客が、ベンチマークで首位に立つ文脈長よりも、分野ごとの精度、データのプライバシー、導入環境の管理、応答速度、業務の確実な完了を重視するなら、iFLYTEKはNvidiaと同じ学習経済性を実現しなくても競争できる。

ハードウェアだけに頼らないフルスタック最適化

iFLYTEKの対応は、単一のソフトウェア改善ではない。モデルと計算基盤を共同設計する取り組みとして、次の領域を横断している。

• Mixture-of-Experts（MoE）を含むモデルアーキテクチャ
• アクセラレーターに合わせた演算子とカーネル
• 分散通信とエキスパート並列化
• メモリ配置とKVキャッシュ管理
• 学習フレームワーク、スケジューリング、展開ツール

狙いは、通信のオーバーヘッドを減らし、メモリのボトルネックを抑え、ハードウェアの稼働率を高めることだ。完成した学習・推論システムの性能は、アクセラレーターの仕様表だけでは決まらない。国内チップの特性に合わせてモデルとソフトウェアを作り込めるかどうかが、実際の処理能力を左右する。

同社の公開資料によれば、国内クラスターの訓練効率は初期段階では業界の主流クラスターの約30％だった。その後、演算子の最適化、分散戦略の改良、全体的なエンジニアリング調整によって、84〜93％まで向上したという。これも会社が公表した数値であり、独立監査済みのベンチマークではない。17

Sparkモデルが示す実践例

この戦略を裏付ける最も分かりやすい材料は、iFLYTEKが国内インフラを推論専用の代替手段として扱わず、モデルの訓練から継続的に利用していることだ。

Spark X2-Flashは、300億パラメーターのMoEモデルで、HuaweiのAscend 910Bクラスター上で訓練・展開をすべて行ったモデルと説明されている。これは、別の環境で訓練したモデルを後から移植しただけではなく、訓練から推論展開までを国内計算基盤でつなぐエンドツーエンドの取り組みを示す。8

同社はまた、長系列推論パイプラインとSpark X2を、モデルとインフラを共同最適化した例として挙げている。Spark X2-VLはこのモデル群をマルチモーダル処理へ広げるもので、同社の公開資料では、X2、X2-Flash、X2-VLが2026年にアップグレードされたとされている。17

こうした方向性は、過去の国内計算資源への取り組みとも一致する。iFLYTEKは、Sparkモデルについて、訓練、反復開発、推論展開までを国産計算基盤で進めてきたと説明している。17また、過去の報道では、モデルアルゴリズムの各世代を国内チップへ適応させ、ハイエンドNvidiaチップの性能の80％超に到達するまで、1回の反復に6カ月以上かかったとされる。5

国内計算資源による新フラッグシップが次の試験

iFLYTEKは2026年8月21日の決算説明会で、完全に国内の計算資源を使った新たな汎用フラッグシップモデルを、同年のGlobal 1024 Developer Festivalで発表すると明らかにした。1

報道には8月末までに段階版を先行公開するとの説明もあるが、決算説明会の発表だけから、質問にある「8月下旬」の具体的な時期まで確定したとは言い切れない。1

このモデルは、同社の手法が専門性の高い用途を超えて、より広い汎用シナリオへ拡張できるかを測る重要な試金石になる。成功すれば、国内インフラが新たな大規模モデル世代を支えられることを示すだろう。ただし、それだけであらゆる学習負荷におけるNvidiaとの性能差がなくなったことを意味するわけではない。

「トークン」ではなく「成果」を売る

計算資源に制約がある企業には、大きく二つの道がある。最先端モデルの学習コストと規模で競うか、モデルを製品や業務システムに組み込み、計算資源以外の価値も含めて提供するかだ。iFLYTEKが重視しているのは後者である。

同社のモデル群は、教育や医療など、分野固有の精度と運用の信頼性が重要になる領域を主な対象としている。教育分野などへのSparkの活用を同社は説明しており、医療分野ではSpark医療モデルを基盤とする臨床意思決定支援システムも紹介している。1735

この製品主導の戦略では、演算子、通信方式、メモリ処理、展開フレームワークの改善を、複数のモデル世代や顧客環境に再利用できる。結果として得られる優位性は、必ずしも絶対的に安い訓練コストではない。制約のあるハードウェアからより多くの実用的な処理を引き出し、訓練から展開までのライフサイクルを自社で管理できる点にある。

劉慶峰氏が「2年程度」に期待する理由

同社の差が縮まるという見方は、国内チップがすでにNvidiaと同等だという前提ではなく、これまでの蓄積に基づいている。iFLYTEKは、モデルアーキテクチャ、分散システム、ソフトウェアツールを国内インフラへ適応する作業に、数年を費やしてきた。

チップ、ネットワーク、コンパイラー、フレームワーク、開発者エコシステムが成熟すれば、新世代のモデルを実用化するまでの時間を短縮できる可能性がある。その場合、現在の不利は組織面の優位性へ変わり得る。国内チップへの移行コストが低く、実運用の経験があり、国内展開の基盤も整っているからだ。同社は、計算インフラからモデルアプリケーションまで、独立性と管理可能性を備えたシステムを構築する取り組みだと説明している。317

ただし、これは可能性を示すシナリオであって、保証ではない。中国のAIハードウェア市場をめぐる報道でも、国内チップは推論で進展している一方、訓練ではNvidiaがなお優位にあり、とりわけメモリシステムの性能差が残っていると指摘されている。26

最大のリスクは、最先端の要件が先に進むこと

この戦略が機能するのは、教育、医療、車載、企業向けの顧客が、無制限の文脈長よりも、安全な導入、分野別の精度、低遅延、業務結果を重視し続ける場合だ。もし顧客が、100万トークン規模の学習や推論を標準機能として求め始めれば、国内計算資源の制約は再び大きな弱点になる。

問われているのは、iFLYTEKがあらゆるハードウェア差を消せるかどうかではない。エンジニアリングと製品統合によって、その差を十分な数の高付加価値用途で「商業的に重要でないもの」にできるかどうかである。

Spark X2シリーズ、報告された効率改善、そして国内計算資源による新たなフラッグシップ計画は、同社がその方向へ進んでいることを示す。一方で、長文脈処理の最前線は、なお解決されていない最大の課題として残る。