コンテンツにスキップ
メインサイト ニュース コンソール

モデルが身近になった今、差をつけるのはAI生産性システム

· 量子位
国内AI

AIの次なるステージは「生産性システム」の覇権争い

大規模モデルの熱狂が始まって約3年、生成AIは今、冷酷な商業的現実の壁に一斉にぶつかっている。

一方では、シリコンバレーや名だたる研究所がベンチマークのスコア争いでしのぎを削っている。今日はパラメータ数が倍増したとアピールし、明日はマルチモーダル指標でトップに立ったと誇示する。しかしもう一方では、極めて不都合な商業化のギャップが存在する。大多数のBtoC向けAIアプリケーションが、「規模が拡大するほど赤字が膨らむ」という泥沼に深く陥っているのだ。

モデル間の性能差が急速に縮まる中、単にAPIをラップしただけのビジネスモデルでは参入障壁を築けないことがすでに証明されている。海外のAI動画領域で急成長を遂げたHiggsfieldの創業者、Alex Mashrabovはかつてこう断言した。「AIアプリケーションは、自社開発モデルという技術的虚栄心によって破滅へと向かっている。真の堀(moat)とは、トラフィックのルーティングを握ることだ」

しかし、これは半分しか正しくない。モデルのルーティングが解決するのは「呼び出しの効率性」であって、「デリバリー能力(最終成果物の提供能力)」ではない。虚栄のスコア競争から抜け出し、フロントエンドでトラフィックを振り分けるだけでは、基盤となる汎用モデルの進化によって簡単に一掃されてしまう運命から逃れることはできない。

この「茹でガエル」のような危機に対し、海馬雲(Haimayun)の創業者兼CEOである党勁峰(Dang Jinfeng)は、極めて本質を突いた業界への洞察を示している。

「コンシューマー向けAIで収益を上げるのは極めて困難であり、世界を見渡しても成功できるのはごく一部のメガテック企業に限られます。真に実用化されマネタイズできるのは、垂直統合型の生産性シナリオだけです。AIの次なるステージの本質は、発散的な確率的生成ではなく、確実性を持ったシステムとしてのデリバリーにあります。**モデル自体は誰でも購入できます。真に差をつけるのは、コンピュートリソース、Harness(Agent、コンテキスト、ツールチェーン)、そしてデータが深く噛み合った『生産性エンジン』です。**業界特化型のAgentや専門家の操作トレースを持たないAIは、結局のところ、言葉を吐き出すだけのオモチャに過ぎません」

海馬雲が展開する「RunningHub」は、まさにこのシステムをAIGC領域で具現化したプロダクトである。

SimilarWebのデータによると、今年3月から9月にかけて、RunningHubのグローバル全サイトのアクセス数は266%増加し、同期間の主要AIクリエイティブプラットフォームの中でトップクラスの成長率を記録した。また今年7月、海馬雲の共同創業者兼CTOである温健(Wen Jian)がCCTVの報道番組『焦点訪談』の取材で明かしたところによると、プラットフォームにおける月間Token消費量はすでに9兆に達しているという。

Image 3

海馬雲の技術的アプローチを紐解くと、リアルタイムクラウドレンダリングから出発した同社が、まったく異なる解決策を提示していることがよくわかる。単にAPIを組み合わせただけのフロントエンドアプリケーションと比べ、コンピュートリソース、ツールチェーン、データを融合させた垂直型の「生産性システム」こそが、アプリケーション層における同質化の泥沼を打破するためのコアとなる支点なのだ。

Image 4

コンピュートリソースがコストの底値を決める:コストを左右するのはモデルの価格だけでなく、GPUがどれだけアイドル状態にあるかだ

AIアプリケーション層において、コンピュートリソースを度外視して粗利率やビジネスモデルを語るのは、砂上の楼閣に過ぎない。現在市場に存在する純粋なアプリケーション企業の大多数(Higgsfieldなども含む)は、本質的に「アセットライト」モデルで運営されている。自前のコンピュート基盤を持たず、サードパーティのクラウドGPUのレンタルや、クローズドソースAPIの直接呼び出しに過度に依存しているのが実情だ。

この構造は、2つの致命的な結果を招く。第一に、粗利率が上流のコンピュートコストの変動に容赦なく圧迫されやすいこと。第二に、商用リクエストが爆発的に急増した際、物理的なレイヤーにおいてコンピュートコストを極限まで最適化できないことだ。

しかし、音声、動画、画像などの実際のコンテンツ制作ワークフローにおいて、AI推論と従来のグラフィックスレンダリングは交互に発生するワークロードである。3Dシーンにはレンダリングが必要であり、BlenderやUnrealなどのプロ向けソフトウェアの実行はGPUに大きく依存する。複雑な動画生成や超解像合成は、なおさら膨大な計算リソースを消費する。従来のアプローチでは、業務のピークに合わせて推論用とレンダリング用にそれぞれGPUサーバーを確保するため、結果として「ピーク時にはキューが滞留し、オフピーク時にはリソースが遊休する」という事態が必然的に発生する。

「したがって、コストを決めるのはモデルが高いか安いかだけではありません。Token費用はAIの生産コストの一部に過ぎないのです。画像、動画、3Dの制作において、単位あたりのデリバリーコストを真に決定づけるのは、推論からレンダリングに至るコンピューティングパイプライン全体が効率的に稼働しているかどうかです。将来のAI制作プラットフォームが競い合うのは、単なるコンピュートリソースの規模ではなく、ヘテロジニアス(異種混在)なコンピュートリソースを大規模に編成・運用・スケジューリングする効率性なのです」

このコスト構造の計算は、低レイヤーのGPU制御能力を持たないアプリケーション企業には見出すことができず、これこそが海馬雲が生まれ持つ強固な参入障壁となっている。

海馬雲は2014年に設立され、リアルタイムクラウドレンダリングからスタートした。『原神』や『黒神話:悟空』といったタイトルのクラウドゲームサービスを支える裏側にも、同社の技術が存在する。長年蓄積してきたGPUリソースのスケジューリング能力を武器に、同社はいち早くAIGCへコンピュートリソースを投入した国内企業の一つであり、現在ではクラウドレンダリングプロバイダーからAI生産性プラットフォームへとその立ち位置を進化させている。

リアルタイムクラウドレンダリング領域における10年の蓄積を経て、海馬雲は世界各地に69のコンピュートノードを展開し、6 EFLOPS規模の算力プール(コンピュートプール)を保有している。海馬雲の根本的なロジックは、根幹部分でヘテロジニアスなGPUをプール化し、リアルタイムクラウドゲーム領域で10年にわたり培ってきた「確実性のあるデリバリーとミリ秒単位のスケジューリング」能力を、AI推論へダイレクトに転用することにある。

RunningHubプラットフォームでは、同じGPUクラスタが時間帯に応じて画像生成、動画生成、プロ向けレンダリングといった異なるワークロードに対応し、統合スケジューリング層がタスクの種類、モデルサイズ、レイテンシ要件に基づいてリアルタイムにリソースを割り当てる。この「レンダリング・推論一体型」のコンピュートスケジューリングにより、海馬雲プラットフォーム全体のコンピュートリソース利用率は、業界平均を70%も上回る驚異的な水準に達している。

費用を支払うエンタープライズ顧客にとっては、これが圧倒的なコストパフォーマンスを意味する。また海馬雲自身にとっても、自社管理のコンピュートリソースと垂直統合された事後学習(Post-training)モデルの組み合わせにより、総合的な粗利率を業界最高水準で安定して維持することが可能となっている。「粗利の確保が生死を分ける」と言われるAIの乱戦において、このインフラレベルのプール化能力は、純粋なアプリケーション企業が決して越えられないコストの防壁となっている。

汎用モデルのパラメータ競争には加わらず、実際の生産現場の弱点を補い、モデルから実制作までの「ラストワンマイル」を徹底的に切り拓く

マルチモーダル基盤モデルの進化に伴い、ある矛盾が次第に顕著になってきている。モデルの確率的生成能力は目覚ましい進化を遂げているものの、いざ本格的な産業レベルのプロダクションパイプラインに投入されると、その実用的なアウトプットと商用デリバリーに求められる期待との間には、依然として埋めがたい断絶が存在しているのだ。

その背景にある原因について、党勁峰の回答は極めて明快である。コンテンツ制作領域における発散的なクリエイティブの要求こそが、汎用モデルには永遠に弱点が存在することを決定づけている。

言語モデルが処理するタスクの多くは「収束型」である。コードが正常に動作するか、数学の問題が解けているかなどは、明確なベンチマークで測定できる。しかし、画像や映像、音声のニーズは往々にして「発散型」である。美意識や感性に唯一の正解はなく、この発散性が厳格な産業制作の現場に持ち込まれると、たちまち具体的なエンジニアリング上の欠陥として露呈する。顔の破綻、スタイルのブレ、ライティングの不整合、カメラワークの制御不能といった問題だ。

さらに根深い課題として、クリエイターが持つ極めて個性的な美的表現のこだわりや、通常の事前学習データの分布を逸脱した奇想天外な特殊エフェクトなどは、短いプロンプトだけで汎用基盤モデルに正確に理解させ、安定して生成させることなど到底不可能である。

汎用モデルが目指すのは「広範な適用性」であるのに対し、実際の映画・映像レベルの制作現場が求めるのは「ピクセル単位の精密な制御性」であり、この2つの目的の間には必然的に能力のギャップが生じる。

こうした洞察に基づき、海馬雲が下した戦略的決断は、メガテック企業と汎用モデルのパラメータ規模で競い合うのをやめ、すべてのコアリソースを汎用モデルのシナリオ特化型事後学習(Post-training)とエンジニアリング最適化に集中させることだった。

長年蓄積してきたヘテロジニアスGPUスケジューリング基盤と高度なエンジニアリング技術力を拠り所に、海馬雲は2つのアプローチで現場への実装を徹底し、アルゴリズムからプロダクションに至るラストワンマイルを切り拓いている。

第一に、垂直統合型モデルの事後学習により、エンタープライズ級デリバリーの「ハードなエンジニアリング課題」を解決すること: 実際の制作現場で最も困難とされる速度、コスト、品質、一貫性の制約に対処するため、RHシリーズの特化型モデルを開発した。

今年9月だけでも、海馬雲はわずか20日間のうちに、3つの独自開発RHシリーズ・シナリオ特化型事後学習モデルをリリースしている。

  • RH Upscale 超解像モデル: 従来のアルゴリズムの限界を突破し、肌の質感や髪の毛、衣服のディテールを補完しながらも被写体の構造破綻を防ぎ、低コスト・低解像度の素材からワンクリックで4K商用レベルの画質へとアップスケールを実現。主要13種のソリューションによる比較評価で総合品質第1位を獲得した。
  • H3 Lightning: サンプリングステップ数を1桁台に圧縮し、クロスステップキャッシングとマルチGPU並列最適化を組み合わせることで、高価なデータセンター向けGPUを必要としないRTX 6000Dノード上で、5秒の動画生成時間を6分から28.7秒へと大幅に短縮(約12倍の高速化)。プロクリエイターのリアルタイムな試行錯誤の効率を劇的に向上させた。また、本手法はNVLinkなどの高速相互接続を持たないPCIe接続のRTX 6000DマルチGPU環境で動作するため、高額なデータセンター向けGPUに依存せず、中小規模のチームでも一般的なマルチGPUサーバーを用いてローカルデプロイが可能である。一連の手法と再現手順はGitHub上でオープンソースとして公開されている。
  • H3 RH Enhanced: 複数カットによる長尺シナリオ向けに一貫性の事後学習を実施。16カット以上の複雑なタスクにおいて人物の破綻率を60%以上低減し、API呼び出しコストは最低0.18元/秒にまで抑えた。

Image 5

△テスト対象となった13の構成において、RH Upscale Ultraが0.539スコアを獲得して総合品質第1位となった。またMaxでは、5〜10秒のテスト動画に対する2倍アップスケール処理を平均わずか34秒で完了している。

現場への徹底した実装力は、オープンソースの「本家」からも高く評価されている。MiniMax公式は、自社クライアント向けにRunningHub経由で「H3 RH Enhanced」をリバース調達して提供している。サードパーティによるシナリオ特化型の事後学習モデルが基盤モデル開発元に逆流して採用される事例は、現在のAI業界において極めて異例である。これは、モデル選定の決定権が、制作現場のフィードバック側へと急速に移行していることを示している。

第二に、ファインチューニングのエコシステムを確立し、「数値化できない美的嗜好」をアセット化すること: プラットフォーム側で共通の課題を解決するだけでなく、海馬雲は過去2年間の実践を通じて、参入障壁の高いファインチューニングの仕組みを確立した。汎用モデルでは理解できないクリエイター独自の美学、特定の画風、極めて厳格な一貫性の要求に対し、海馬雲はクリエイターや企業が自らの作品を用いて反復学習・調整を行い、独自のCheckpointモデルやスタイライズドLoRAを生成できる環境を提供している。これにより、自動化ワークフローにシームレスに組み込み、長期的に再利用することが可能となる。

この仕組みによって、従来は抽象的だった美的スタイルが、AIによって確実に実行可能な「デジタルアートアセット」へと昇華される。現在、RunningHub上にはこうした膨大なスタイルのLoRAが蓄積されており、大手モバイルゲーム会社の中にはゲーム全体のビジュアル体系を独自のモデルマトリクスとして学習させ、原画から背景シーンに至るまでインダストリアル水準の安定した出力を実現している例もある。

Image 6

Image 7

党勁峰はこう率直に語る。「私たちはモデルを所有するためだけに学習させているのではなく、実際の制作現場でAIが確実な成果物を届けるために学習させています。AI業界において、すべての企業が大規模モデルを作る必要はありませんが、大規模モデルにしっかりと実務を遂行させるプレイヤーは不可欠です。海馬雲が注視しているのは、モデルがどれほど大きいかではなく、モデルが実際の制作現場からどれほど離れているかです。モデル競争のゴールは、パラメータの規模ではなく、生産能力そのものなのです」

AIアプリはモデルをチャット欄につなぐだけだが、AI生産性システムはモデルを生産ラインに組み込む

しかし、モデルの能力不足を補うことは単なる入場券に過ぎず、真の分水嶺となるのは生産能力そのものである。AIプロダクトの競争力を真に決定づけるのは、どれだけ多くのモデルを接続したかではなく、それらのモデルを指揮して実際の制作を完遂できるかどうかである。

国内外の多くの純粋なアプリケーション企業は、依然としてモデルの呼び出しレイヤーにとどまっている。モデルのためのインターフェースを構築し、チャットボックスやキャンバスを被せ、ユーザーにプロンプトを入力させてAIを動かしているに過ぎない。だが、制作は雑談とは異なり、実際のタスクも1回のプロンプトだけで完結するようなものでは決してない。タスクの細分化、複数モデルの協調、ツールの呼び出し、プロセスの検証、そして継続的なイテレーションを経て、ようやく工業レベルの基準を満たす最終成果物がデリバリーされる。

**チャットボックスが解決するのは「モデルをどう使うか」であり、生産システムが解決するのは「モデルをいかに生産ライン上で協調稼働させるか」である。**モデル、コンテキスト、そして制作ツールチェーンをオーケストレーションし、最終的なデリバリーに責任を持つこのシステムこそが、「Harness(ハーネス)」である。Harnessこそが、AIを単発の生成から複雑なタスクの実行へ、偶発的な驚きの効果から安定的かつスケーラブルな産業生産能力へと引き上げられるかを決定づける。

「モデルは市場から買ってくることができます。真にプロダクトの差を生み出すのは、構築されたAI生産性システムなのです」と党勁峰は考えている。

垂直領域において、Harnessの価値はすでに繰り返し証明されている。

プログラミング領域ではAnthropicのClaude Codeが挙げられる。その基盤はClaudeモデルであるものの、コードの読み取り、ファイルの編集、テストの実行、エラーに応じた継続的な修正といった能力は、すべてモデルの外側にあるHarnessに起因している。Webサイト生成領域のLovableは、ユーザーがたった一言入力するだけで即座に公開可能な完全なWebサイトを生成でき、今年8月に4億ドルのシリーズC資金調達を完了した後の企業評価額は133億ドルに達した。デザイン領域のFigmaは、時価総額約115.4億ドル(11月2日終値時点)を誇るが、その核心的な強みは単なる描画機能を超え、デザイナーのアセットライブラリ、バージョン履歴、コラボレーションフローをプラットフォーム内に深く定着させ、極めて高い乗り換え障壁を築いた点にある。

AIGC領域において、海馬雲のRunningHubは、まさに画像・音声・映像コンテンツ制作領域におけるHarnessの代表例といえる。

画像や音声・映像の領域において、Harnessの技術的ハードルははるかに高い。ビジュアルコンテンツ制作の要求は極めて発散的であるため、チャットボックス一つだけで最終成果物を作り上げることは到底不可能だ。LoRAの微調整、複雑なスケジューリングパイプラインから、BlenderやUnrealなどのプロ向けソフトウェア、さらには基盤となるレンダリング・推論一体型のコンピュートリソースに至るまで、より長大なツールチェーンとより深いコンテキストのサポートが不可欠となる。

海馬雲のRunningHubが構築しているのは、まさにこうした画像・動画制作に向けたHarnessであり、Runow、無限キャンバスのrhTV、RHSTORYといったプロダクトがその中核を担っている。このHarnessのアーキテクチャは、以下の3つの要素で構成されている。

  • Agent:意図の理解、タスクの分解、ツールのスケジューリング、コストの管理、品質の検証を担当。
  • ツールチェーン:キャンバス、ComfyUIワークフロー、LoRAトレーニング、クラウドPC、ならびにBlenderやUnrealなどのプロ向け制作ソフトウェアを網羅。
  • コンテキスト:映画・映像、EC、ショートドラマ、ゲーム、建築など、各業界の深い専門知識とノウハウを提供。

海馬雲の見解では、未来は必然的にAgentがあらゆるものを駆動する時代になる。

コンテキストが十分であり(Context is Enough)、ツールチェーンが完備されていれば(Toolchain is Enough)、Agentはすべての生産工程を完結できる。

この技術進化のロジックに従えば、プラットフォーム上のすべてのインターフェースは、最終的にAgentのインターフェースへと統合されていくことになる。

Image 8

**これはまず、RunningHubのモデル動的ルーティングとインテリジェントなオーケストレーションに現れている。**同一の要件に対して、どのモデルを選び、どのような順序で呼び出し、どれだけのコストをかけるべきか、従来はユーザーが一つひとつ手探りで試行錯誤する必要があった。しかし現在、これらの複雑な意思決定はAgentに委ねられつつある。海馬雲によれば、RunningHubでは現在、モデル呼び出しの約60%がインテリジェント動的ルーティングによって処理されているという。Agentはまずユーザーの意図を認識し、業界ノウハウに基づくコンテキスト知識を組み合わせてタスクを分解する。そして、軽量なタスクは小規模モデルに割り当て、複雑なタスクは大規模モデルに処理させる。EC用の商品画像、映画クオリティの重厚な映像、ショートアニメ制作など、タスクの性質ごとに最も適したモデルへと割り振られる。

最新版のRunowでは、この機能がプロダクトのコアに直接組み込まれている。「モデル設定」を「自動」に設定すると、Agentが具体的なタスクに応じてSkillと適切なモデルを自動的に呼び出すため、ユーザーが個々のモデルやワークフローの複雑な仕組みを事前に学習する必要はない。これにより、デリバリーの品質が担保されるだけでなく、総合的なコストも効率的に抑制され、重要度の低い工程で無駄に大規模モデルの計算リソースを消費する事態を防いでいる。

当然ながら、Agentが真のエンドツーエンドのデリバリーを達成するためには、2つの前提条件が欠かせない。一つは十分なコンテキスト、もう一つは完備されたツールチェーンである。

**ツールチェーンは、大規模モデルという「頭脳」に「手足」を生やすための必須要件だ。**クリエイティブパイプラインごとに依存するツールチェーンはまったく異なるが、中でもエンジニアリングの複雑性が最も高いのが映画・映像レベルのプロダクションである。

映画・映像レベルの制作では、完成品のクオリティに対して極めて厳格な基準が求められる。キャラクターアセット、シーン構築、カメラワーク、カット割りなど、あらゆる工程に精密な仕様が存在し、大規模モデルとの数回の対話だけで産業レベルのデリバリーを行うことはほぼ不可能である。そのため海馬雲は、キャンバス、LoRAトレーニング、ComfyUIワークフロー、さらにはBlender、Figma、Premiere+クラウドPCといった複数のプロ向けツールチェーンをシームレスにつなぎ、AIGCのコア制作フローに深く組み込むことで、映画・映像レベルの産業プロダクションパイプラインを構築した。

Image 9

中でも特に注目に値するのが、「Blender + クラウドPC」という革新的なソリューションである。3Dモデリングやシーンディレクションの業界標準ソフトウェアであるBlenderは、プロ向けワークフローにおいて欠かせないピースである。市場にある多くのAIGCプラットフォームが提供する「3D監督台」のような機能は、非プロ向けのライトなオモチャにとどまっているものが大半で、高精度なモデリングが必要になると、クリエイターはAIプラットフォームとローカルのBlenderの間を頻繁に行き来しなければならず、パイプラインの分断を招いていた。

RunningHubの解決策は、海馬雲がクラウドPC事業で培ったヘテロジニアスコンテナイメージとアプリケーションレベルの統合スケジューリング能力を活用することだった。GPUへの負荷が極めて高く、レイテンシに極端に敏感なBlenderのようなプロ向け制作ソフトウェアをエッジコンピューティングノード上に直接デプロイし、AgentがRunningHubのキャンバス内からシームレスに呼び出せるようにしたのである。

ユーザーはキャンバス上で自然言語を使って要望を入力するだけで、Harness(システムオーケストレーション)がAgentを駆動し、クラウドPC内のBlenderプロジェクトを自動で立ち上げてシーン構築を実行する。詳細な微調整が必要な場合は、クリエイターがいつでもそのプロジェクトを直接引き継ぎ、手作業でマニュアル調整を行うことができる。

Image 10

このアーキテクチャの価値は、制作効率の向上だけにとどまらない。一つには、プロのクリエイターが持つ支払意欲と予算規模は一般的な一般消費者向けユーザーとは比較にならず、その商業的価値の差は、写真加工アプリの一般ユーザーとPhotoshopを使うプロフェッショナルの違いに匹敵する。もう一つには、プロユーザーがBlender上で行う一つひとつの操作インタラクションが、プラットフォーム独自の「専門家トレース(Expert Trajectory)」として蓄積され、それがAgentモデルの継続的な進化へとフィードバックされる点である。これこそが、単に軽量なオモチャツールを提供するだけのプラットフォームには決して越えられない参入障壁となる。

Image 11

動画URL:
https://mp.weixin.qq.com/s/vJDK570WT8aoEDBwp9lKFQ

映画・映像レベルのキャラクターアセット制作は、もう一つの典型的な実用シナリオである。

AIGCディレクターの@千菫 氏は、RunningHubの代表的なユーザーの一人であり、これまで『少年歌行』シリーズをはじめとする複数のS級映画・アニメIPの企画から制作に至る全プロセスを手がけてきた。同氏が制作したアニメ作品は、かつてキャラクターの「AI感」が強すぎたために、配信プラットフォームの審査を通過できなかったことがあった。

#国内AI#AI智能体#4Allapi.com

4All API チームによる投稿

原文リンク:https://www.qbitai.com/2026/11/507448.html

主流 AI モデル API をお探しですか?4All API は OpenAI / Anthropic / Google Gemini / Qwen / DeepSeek など数十種類のモデルを単一の API キーで呼び出せます。公式準拠の価格、エンタープライズ品質の通信路、5 分で接続完了。

4All API コンソールに登録 →