最終更新：2026年3月31日
※本記事は継続的に最新情報へアップデートしています。

GENIACは日本のAI主権を守れるか——2年間の熱量と、誰も語らないafter問題【2026年版】

Q: TSMC熊本やRapidusへの投資は経済安全保障に貢献しますか？

モビリティ・産業機器向けとしては意義がありますが、AI学習チップの国産化には直結していません。TSMC熊本第1工場（12〜28nm）はAI学習用GPU（4nm以下）と用途が異なり、2025年7月にはTSMCが米国優先で熊本第2工場の後ろ倒しの可能性をWSJが報道。国策が外国企業の判断で揺らぐリスクが浮き彫りになりました。

Q: フィジカルAIで日本が勝てる根拠は何ですか？

FANUC（世界シェア約25%）・安川（約20%）に代表される40年の製造・ロボティクスノウハウが最大の比較優位です。ただし「ハードは日本、頭脳は米国」という構図の再現を防ぐため、GENIACのロボット基盤モデル開発枠（2026年〜）への取り組みが重要です。

Q: 次のGENIACはどう設計されるべきですか？

フルスクラッチGPU支援から蒸留・事後学習・フィジカルAI基盤モデル開発へ重心を移し、経済安全保障の定義を「チップを作る」から「AIの神経系を握る」へ更新すべきです。製造装置・素材企業の製造データとAI開発者をつなぐエコシステム設計も急務です。

GENIAC（ジェニアック）は、経済産業省とNEDOが2024年2月に立ち上げた日本の国産AI開発加速プロジェクトであり、第1〜3期の公募総額は339億円、計算資源支援の採択は延べ30件に達した（2026年1月時点の公表資料ベース）。
生成AIをめぐる国際競争が激化するなか、日本はこのプロジェクトで本当に競争力を手にしたのか。そしてGPU支援が終了した「after GENIAC」で、日本のAI開発基盤はどこへ向かうのか。本記事では成果と課題を正面から検証し、経済安全保障の観点から日本の次の一手を問う。

📖 読了時間約20分｜🎯 対象：AI政策・経済安全保障を理解したいCxO・IT戦略担当者・投資家｜🛠 難易度：★★☆

✅ この記事の結論

GENIACは一定の成果を上げた：339億円の支援で参加プロジェクトの技術者規模は数百名規模に達し、ABEJAの日本語LLM進化や楽天の採択など、国産AI開発の底上げは確かに起きた。
しかし「after GENIAC」は無防備：GPU支援終了後に自力で計算基盤を維持できる日本スタートアップはほぼ存在せず、フルスクラッチLLM開発という政策前提自体が技術トレンドに追い越されつつある。
日本のAI主権の解はフィジカルAIにある：LLMの頭脳競争で米中に勝つことは難しいが、製造・ロボティクスの現場知見を活かしたフィジカルAIの神経系を握ることが、日本固有の経済安全保障戦略になる。実際にMETI/NEDOも2026年からロボット基盤モデル開発をGENIACの新規対象に組み込んでいる。

この記事の著者・監修者　ケニー狩野（Kenny Kano）

Arpable 編集部（Arpable Tech Team）

株式会社アープに所属するテクノロジーリサーチチーム。人工知能の社会実装をミッションとし、最新の技術動向と実用的なノウハウを発信している。
役職：(株)アープ取締役。Society 5.0振興協会・AI社会実装推進委員長。中小企業診断士、PMP。著書『リアル・イノベーション・マインド』▶ 詳細はこちら

Toggle

GENIACとは何か——政策クライシスから生まれた国家プロジェクト

GENIACは補助金プログラムではなく、GPUクライシスという緊急事態への政策的対応として生まれた。その出発点を知らずして「after問題」は理解できない。

GENIAC（Generative AI Accelerator Challenge）は、2024年2月に経済産業省とNEDO（国立研究開発法人新エネルギー・産業技術総合開発機構）が立ち上げた、日本国内の生成AI基盤モデル開発力を強化するための国家プロジェクトだ。

名称よりも生まれた経緯の方が重要である。GENIACを理解するには、2023年当時の「日本のAI開発者がGPUを調達できなかった」という危機的状況から始める必要がある。

GPUクライシスと経産省の機転

2023年、ChatGPT登場以降のLLM開発競争が激化するなか、日本のAIスタートアップは深刻なGPU不足に陥っていた。米ビッグテックがNVIDIA H100を買い占める構図のなかで、国内の開発企業は訓練に必要な計算資源を確保できず、基盤モデル開発が事実上止まりかけていた。

経産省が取った手は二重に機転が利いていた。第一に、GoogleやMicrosoftなどのクラウド大手にGPU一括調達を依頼し、採択企業に最大3分の2を補助するという仕組みを作った。第二に、単年度主義の壁を「ポスト5G情報通信システム基盤強化研究開発基金」という既存の研究開発基金に振り向けることで突破した。通常の予算サイクルなら翌年4月まで動けないところを、この基金活用で年度をまたがず支援を実行できた。

政策立案の速度として、これは評価に値する判断だった。問題は、この設計が2023年時点の技術前提——「大規模GPUでフルスクラッチLLMを作ることが競争力の源泉である」——の上に立っていた点にある。この前提は後に崩れることになるが、それは第3章で論じる。

3サイクルの進化——計算資源からPhysical AIへ

GENIACは単発の施策ではなく、3つのサイクルを経て射程を広げてきた。

第1期（2024年2月〜）：7社の基盤モデル開発事業者に計算資源を提供。Sakana AI、Preferred Networks、AI inside など、日本のAI開発の前線にいる企業が集まった。

第2期（2024年10月〜）：採択規模を拡大しつつ、データ実証事業も並走。基盤モデル開発だけでなく、「使う側」の企業との接続を意識し始めた。

第3期（2025年7月〜）：楽天グループ・野村総研を含む新規13件を追加採択し、累計採択は計24件に拡大。そして2025年12月公表・2026年1月改訂の公募検討資料では、自動運転・ドローン・多用途ロボットへのPhysical AI展開が明示的に組み込まれた。GX枠（脱炭素×経済成長）も新設予定で、AIの用途が「テキスト生成」から「現実世界の制御」へとシフトし始めている。

この進化は単なる規模拡大ではない。GENIACが「フルスクラッチLLM支援プログラム」から「日本のAI産業基盤整備」へと目的を組み替えつつあることを示している。

📊 GENIAC 2年間の主要数字

公募総額：339億円（第1〜3期累計・2026年1月時点公表資料ベース）
計算資源支援の採択：延べ30件
参加プロジェクトの技術者規模：数百名規模（公表資料と各社リリースをもとにした著者試算）
GENIAC-PRIZE賞金総額：約8億円（2026年3月表彰式）
第3期採択：計24件（2025年7月時点）
計算資源補助：最大3分の2

採択企業は何を手にしたか——Sakana AIを軸に読む

GENIACの成果を最も鮮明に体現するのがSakana AIだ。GPU支援を受けた第1期採択企業が今や防衛装備庁と委託研究を公表するまでの連鎖は、国産AIエコシステムの萌芽を示している。

「GENIACは機能したか」という問いに答えるには、採択企業の「before / after」を具体的に追う必要がある。補助金の受け皿になっただけの企業と、支援を踏み台にして自立した企業では、経済安全保障への貢献度がまったく異なるからだ。

Sakana AIとGENIACの接点——民間AI主権確立の連鎖

Sakana AIはGENIAC第1期の採択7社のうちの1社として、スーパーコンピューティング助成（GPU支援）を受けた。元Google研究者のDavid HaとLlion Jonesが2023年に創業したこのスタートアップは、「複数の小さなAIを組み合わせて大きな知性を実現する」という進化的アルゴリズムのアプローチで、フルスクラッチの巨大モデルとは異なる道を歩んでいた。

GENIACのGPU支援が果たした役割は、基盤モデルの学習環境を確保することにあった。Sakana AIはその支援を受けてモデル開発を加速し、2025年1月には軽量かつ高性能な日本語モデル「TinySwallow-1.5B」を公開。そして2025年には三菱UFJフィナンシャル・グループ・大和証券との戦略的パートナーシップを締結し、金融という高度な専門領域へのカスタムAI開発に着手した。

さらに2026年3月、Sakana AIは防衛装備庁防衛イノベーション科学技術研究所との委託研究契約を公表し、陸・海・空の全領域から得られるデータをAIで統合分析するC2システム高度化の基盤技術開発に着手した。GENIACでの計算資源支援と、こうした金融・防衛領域への展開は直接因果ではないものの、「国産AIが国家レベルの案件に関与し始めた」という文脈で連続している。

この流れを俯瞰すると——「GENIACのGPU支援 → 基盤モデル開発の加速 → 金融・防衛への実装 → AI主権の具体化」という連鎖が見えてくる。これは政策立案者が描いた絵に最も近い成功事例であり、同時にSakana AIの特異性（世界水準の研究者・独自の技術アプローチ・強力な資本調達力）がなければ成立しなかった例外的な成功でもある。

Sakana AIについての詳細は、別記事で徹底解説している。

大手・スタートアップの成果——ABEJAから楽天まで

Sakana AI以外の採択企業にも具体的な成果が出始めている。

ABEJAはGENIACを通じて、日本語LLMとRAG・Agent周辺技術の高度化を進めてきた。第1期ではMixtral8x7B系をベースにした日本語モデルを開発し、第2期ではQwen2.5の32B/7Bベースモデルを公開、特定タスクではGPT-4を上回る評価も示している。段階的な進化によって、国産LLMが「使えるレベル」に達した事例の一つと言える。

ストックマークは製造業向けに特化した大規模生成AIを開発した。図表や仕様書を読み解くマルチモーダル能力に特化しており、「汎用大規模モデルと戦うのではなく、特定産業の深い知識で差別化する」という戦略を体現している。

楽天グループは第3期で採択され、日本語に最適化した効率的なLLMの開発に着手。楽天経済圏全体へのAIエージェント展開を計画しており、EC・金融・通信という多層的なデータ資産をAI化する構想は、国産AIの「使われる場所」を生み出す意味でも重要だ。

Preferred Networks（自動運転・ロボット向け）、Woven by Toyota（自動運転）、リコー（マルチモーダルモデル）なども参加しており、GENIACのエコシステムは「大規模言語モデル」から「産業特化型AI」へと多様化している。

GENIAC-PRIZE——「開発」から「実装」へのギアチェンジ

2025年5月、経産省はGENIAC-PRIZEという懸賞金型プログラムを開始した。賞金総額は約8億円で、テーマは①国産基盤モデルを活用した社会課題解決AIエージェント、②官公庁の審査業務効率化、③AIの安全性確保に向けたリスク低減技術の3領域だ。

プログラムの責任者・渡辺琢也室長（経産省）は「開発してもそれを使う企業がなければ意味がない」と明言している。これは重要な自己認識だ。GENIACは「作る支援」から「使われる仕組み」の構築へとフェーズを移行しつつある。

2026年3月24日には表彰式が開催され、南場智子（DeNA代表取締役会長）・北野宏明（ソニーCTO Fellow）・松尾豊（東大教授・AI戦略会議座長）という産学の重鎮によるパネルディスカッションが行われた。この顔ぶれは、GENIACが単なる補助金事業を超えた「国家的AI戦略の社交場」として機能していることを示している。

だが華やかな表彰式の裏側で、誰も正面から答えていない問いが残る。GPU支援が終わった後、日本のAI開発基盤はどこに向かうのか。次章でその核心に踏み込む。

転——「after GENIAC」という不都合な問い

GENIACの設計前提は、技術トレンドに追い越されつつある。GPU支援終了後の計算基盤問題、半導体投資の方向不明、オープンウェイト時代の到来——この三つが重なり、日本のAI開発基盤は構造的な問いに直面している。

GENIACの成果を正直に評価するためには、「何が達成されたか」だけでなく「何が解決されていないか」を同時に問わなければならない。以下に述べる三つの問題は、個別の技術論ではなく、日本のAI政策設計の構造的な弱点として読むべきだ。

問題①：政策の設計前提が技術トレンドに追い越された

GENIACは2023年に設計された。その時点での支配的な前提は——「大規模GPUでフルスクラッチLLMを構築することが、AI競争力の源泉である」——というものだった。これは当時の産業界のコンセンサスでもあり、経産省だけが間違えたわけではない。

だが2025〜2026年の技術地平は様変わりしている。

まずオープンウェイトモデルの台頭が決定的な変化をもたらした。MetaのLlama 4やAlibabaのQwen2.5のように、強力なオープンウェイト系モデルが相次いで登場している。中国勢でもDeepSeek-V3.2のような高性能モデルが存在し、次世代モデルへの期待も高い。これらは世界水準の性能を持ちながら、無償または低コストで利用できる。フルスクラッチで日本語LLMを一から作る意義は、2023年時点に比べて急速に薄れている。

次に学習手法の重心移動が起きている。プレトレーニング（フルスクラッチ）には数千台規模のGPUクラスタが必要だが、蒸留・ファインチューニング・事後学習（RLHF系）はその数十分の一から数百分の一の計算資源で実行できる。Sakana AIがモデルマージという「作らずに勝つ」アプローチを選び、NAMAZUが事後学習で差別化を図るのは、この技術的現実への合理的な対応だ。

つまりGENIACが手厚く支援した「大規模GPU×フルスクラッチ」という学習形態は、after GENIACの時代に主流ではなくなりつつある。政策の設計と技術トレンドの間に、構造的な時間差が生じた。これは後知恵での批判ではなく、「次のGENIACをどう設計するか」という建設的な問いとして読んでほしい。

問題②：GPU支援終了後、計算基盤を誰が持つのか

GENIACの支援モデルは「最大3分の2補助」という手厚さを誇るが、裏を返せば「補助があって初めて成立する」という構造でもある。

支援終了後にNVIDIA H100クラスタを自力で調達・維持できる日本のスタートアップは、現時点でほぼ存在しない。H100を1000台規模で運用するコストは年間数十億円に達する。Sakana AIでさえ、NVIDIA・日本生命・シティグループからの資金調達という外部資本に依存しており、国産AIの計算基盤が「自律的に維持される」状態にはほど遠い。

この問題を示す事案として、2025年夏に特定企業の採択決定がその後取り消されるケースも発生した。詳細は公表情報が限られているが、「採択＝成功の保証」ではないことを示す一例と言える。採択企業のうち支援終了後に真に自立できる企業が何社になるかは、まだ誰にも分からない。

これは経産省の失敗というより、「補助金で競争力を買う」という政策手法の本質的な限界だ。温室で育てた植物を外に出したとき、どれだけが生き残れるか——after GENIACはその答え合わせの時期に入りつつある。

問題③：半導体投資は経済安全保障に貢献できるのか

GENIACの計算資源問題を語るとき、必然的に「では日本で計算チップを作れないのか」という問いに行き着く。ここで日本の半導体投資の現実を直視しなければならない。

数字だけ見れば投資規模は壮大だ。TSMC熊本第1・第2工場への政府補助は合計最大1兆2,080億円、Rapidusへの累計支援は約2.9兆円に達する。「半導体が産業のコメ」という旗印のもと、政官産が一体となって動いてきた。

しかし中身を解剖すると、三つの構造的問題が浮かぶ。

第一の問題：熊本とRapidusは「AIチップ」を作らない。

TSMC熊本第1工場（2024年稼働）が生産するのは12〜28nmプロセスの半導体で、自動車・CMOSセンサー向けの成熟技術だ。AI学習に使われるNVIDIA H100は4nm以下で製造されており、熊本では作れない。第2工場で6nm、さらに3nm化の計画も浮上しているが、これはAIデータセンター向けというよりモビリティ・産業機器向けの位置づけだ。

Rapidusは2nm世代のGAAプロセスで世界最先端を狙っており、2025年7月には試作ウェーハの公開に成功した。技術的スピードは評価できる。だが量産は2027年目標、黒字化は2030年目標であり、AI学習チップの主力供給源になれる見通しは現時点ではない。Rapidusが狙うのはニッチ戦略——少量高利益率の受注であり、GENIAC採択企業のGPU需要を満たす大量生産体制とは別の話だ。

第二の問題：日本の「国策」がTSMCの経営判断で揺らいだ。

2025年7月、ウォール・ストリート・ジャーナルは「TSMCが米国工場への投資を優先するため、熊本第2工場の着工・投資スケジュールを後ろ倒しする可能性」を報じた。トランプ政権の関税圧力に対応するため、TSMCはアリゾナへの投資を急加速させた結果、日本向けリソースが後回しになった可能性が浮上した。

サプライチェーンリスクを回避するために誘致したはずのTSMCが、その経営判断次第で日本側の計画に揺らぎを生む——という新たなリスク要因になり得ることが浮き彫りになった。依存先を「台湾」から「日本にいるTSMC」に変えただけで、技術主権は取り戻せていない——この現実を直視する必要がある。

第三の問題：日本の本当の強みは「チップを作ること」ではない。

日本がグローバルで圧倒的なシェアを持つのは、シリコンウエハー（世界シェア50%超）、フォトレジスト（同90%超）、半導体製造装置の主要部品群だ。つまり日本は「チップを作る国」ではなく「チップを作るための道具・素材を作る国」として世界に不可欠な存在である。

これは強みである。だが同時に、チップ設計と製造の主導権を持てないことの裏返しでもある。日本の半導体投資が「チップを国産化する」方向に集中するとき、この既存の強みが十分に活用されているかどうかという問いが残る。

表1：日本の半導体投資——主要プロジェクトの実態比較
プロジェクト	プロセスノード	主な用途	AI学習チップへの貢献	主なリスク
TSMC熊本第1工場	12〜28nm	自動車・CMOSセンサー	❌ なし	自動車市場の低迷
TSMC熊本第2工場	6nm（3nm検討中）	モビリティ・産業機器	△ 限定的	米国優先による遅延リスク
Rapidus	2nm（GAA）	先端ロジック（少量高利益率）	△ 将来的に可能性あり	量産2027年・顧客基盤未確定
※ 2026年3月時点の公開情報に基づく。Rapidus・3nm化計画は検討段階。

この表が示すのは一つの不都合な事実だ。日本が数兆円を投じた半導体投資のいずれも、GENIACが必要とする「AI学習用GPU」の国産化には直結していない。

ここに「日本の半導体投資はどの方向に向かっているのか、実は誰も明確に決められていない」という問題の核心がある。TSMCは日本の経済安全保障のために来たのではなく、自社の事業判断として来た。Rapidusは最先端ロジックの技術習得を目的として立ち上げられたが、AI時代の「何のためのチップか」という問いへの答えはまだ曖昧なままだ。政策の旗印は「経済安全保障」でも、その定義が「チップを作ること」なのか「AIの計算基盤を握ること」なのかが、いまだ整理されていない。

after GENIACへの処方箋——オープンウェイト活用という現実解

ここまで三つの問題を述べてきたが、批判で終わることにArpableの価値はない。では「after GENIAC」の処方箋は何か。

最も現実的な方向性は、「フルスクラッチ開発」から「オープンウェイト活用×蒸留×事後学習」への戦略的シフトだ。

Sakana AIのモデルマージ、NAMAZUの事後学習アプローチはその先行事例だ。既存の強力なオープンウェイトモデルをベースに、日本語・日本産業データ・日本的価値観に特化したファインチューニングと事後学習を施す——この戦略なら、フルスクラッチの数十分の一以下の計算資源で世界水準に近い性能が出せる可能性がある。

重要なのは、この方向性が「負けを認める戦略」ではなく、日本の比較優位を最大化する戦略だという点だ。製造業の暗黙知、医療・法律の専門知識、日本語の微妙なニュアンス——これらは米中の汎用大規模モデルが最も苦手とする領域であり、日本のデータ保有者が強みを持つ領域でもある。

ただし一点だけ正直に言う。蒸留・ファインチューニングにもGPUは必要だ。プレトレーニングほどではないが、それなりの計算資源がなければ高品質な事後学習モデルは作れない。after GENIACで「計算資源をどう確保するか」という問いは消えない。それが次章で論じる「フィジカルAI」という方向性と接続する。

結——フィジカルAIこそ日本のAI主権の解

日本の比較優位は、汎用LLMの規模競争そのものより、製造・ロボティクス・現場データを束ねたフィジカルAI基盤にある。実際にMETI/NEDOも2026年から、ロボット基盤モデルや製造業データのAI-Ready化をGENIACの新規対象として打ち出しており、政策の重心は「テキスト中心」から「現実世界の制御」へ移り始めている。

ここまでGENIACの成果と限界、半導体投資の現実を見てきた。批評的な問いを立てた以上、建設的な着地点を示す責任がある。日本のAI主権はどこに向かうべきか——答えは「フィジカルAI」にある。そしてこれは願望ではなく、すでに動き始めている政策潮流の先読みだ。

なぜLLM頭脳競争では日本は勝てないか

日本が生成AI分野で抱える構造的な非対称性は、資金・人材・データの三重の壁として現れている。

資金規模の差は依然として大きい。Stanford HAIのAI Index 2025では、2024年の民間AI投資は米国1,091億ドル、中国93億ドル、英国45億ドルだった。日本の民間AI投資は各種調査で数千億円規模にとどまるとされており、同一基準での直接比較には留保が必要だが、オーダーの差は明白で、GENIACの339億円の公的投資では構造的な格差は埋まらない。

人材面では、世界のトップAI研究者の大半は英語圏に集中しており、日本語環境でのAI研究人材の絶対数は限られる。日本のデジタル関連の経常収支（いわゆる「デジタル赤字」）は近年数兆円規模に拡大しており、AI・クラウドサービスの輸入増加に伴って今後さらに拡大するとの試算も出ている。LLMを使えば使うほど、海外クラウドへの依存が深まるという構造的矛盾がここにある。

これらの非対称性は、努力で解消できる問題ではなく、構造として受け入れた上で「勝てる土俵を選ぶ」判断が求められる。

フィジカルAIに日本の比較優位がある三つの理由

フィジカルAIとは、AIがデジタル空間を超えてロボット・自動運転・工場制御など現実世界の物理系を動かす技術領域だ。この領域で日本が持つ優位性は、LLM競争とは異なる三つの軸に立っている。

第一の軸：40年の製造ノウハウという参入障壁。

FANUC・安川電機・キーエンス——これらの企業が持つ産業ロボット・センサー・PLC（プログラマブルロジックコントローラ）の技術は、一朝一夕に模倣できない。FANUC産業ロボットの世界シェアは約25%、安川の世界シェアも約20%と圧倒的だ。ハードウェアと制御ソフトの深い統合という強みは、データと計算資源だけでは買えない。

第二の軸：「目で見てROIが測れる」という経営的優位。

LLMへの投資対効果は定量化が難しく、多くの日本企業でCFOへの稟議が通りにくい。しかしロボットアームが1時間に何個組み立てたか、不良品検出率が何%改善したかは誰でも測れる。フィジカルAIは「効果が目で見えるAI」として、日本企業のAI導入の入り口になりやすい。これは単なる分かりやすさではなく、投資判断の速度と規模に直結する実務的な強みだ。

第三の軸：物理的存在が生む技術主権。

工場ラインのロボットは国内に物理的に存在する。LLMのモデルがクラウドの向こうにある以上、データ主権はクラウドベンダーに依存するが、フィジカルAIのハードウェアと制御システムが国内企業の所有であれば、技術主権は担保される。経済安全保障の文脈で「外国製AIへの依存リスク」を語るとき、フィジカルAIは最も具体的な解答を提示できる領域だ。

ただし罠がある——ハードは日本、頭脳は米国の再現リスク

フィジカルAIが日本の活路だと言うとき、一つの重大な罠を見落としてはならない。

「フィジカルAIのハードが得意」と「フィジカルAIのAI部分を自前で作れる」は、まったく別の話だ。

現状を正直に見ると、FANUCや安川のロボットに搭載されるAI基盤モデルは、NVIDIAのJetson・Isaacプラットフォーム、あるいはGoogleのロボティクス基盤モデルに依存している部分が大きい。ハードウェアは日本製でも、ロボットを賢くする「頭脳」の部分は米国製というケースが少なくない。

これはかつての半導体産業で見た構図の再演だ。日本が製造装置・素材では世界シェアを持ちながら、チップ設計・製造では主導権を失った——その失敗をフィジカルAIで繰り返すリスクがある。

だからこそGENIACの2026年以降の公募にロボット基盤モデル開発枠が明示的に組み込まれた意味は大きい。自動運転・ドローン・多用途ロボット向けのロボット基盤モデル、世界モデル、VLM（視覚言語モデル）の国産開発を支援するこの枠は、「ハードは日本、頭脳は米国」の構図を変えるための最初の一手になり得る。

Sakana AIが防衛装備庁と組んでC2システムの研究を始め、Woven by ToyotaがGENIACで自動運転AIを開発し、ストックマークが製造業向けマルチモーダルモデルを展開する——これらは「フィジカルAIの神経系を日本が握る」という方向性への具体的な布石だ。

次のGENIACはどう設計されるべきか——Arpableの提言

「after GENIAC」をどう設計するかは、日本のAI政策の次の10年を決める問いだ。Arpableとして以下の方向性を提言する。

提言①：支援の重心を「フルスクラッチGPU提供」から「蒸留・事後学習・オープンウェイト活用」へシフトする。大規模プレトレーニングの時代は終わりつつある。次世代のGENIACが支援すべきは、オープンウェイトモデルを日本の産業データで特化させる技術と、そのための中規模計算基盤の持続的確保だ。

提言②：フィジカルAI特化の基盤モデル開発を国策の中心に据える。ロボット基盤モデル・世界モデル・産業特化VLMの開発を、GENIACの次フェーズの核心に置く。これは日本の製造業・ロボティクスの強みと直結し、経済安全保障の実効性が最も高い領域だ。

提言③：製造装置・素材という既存の強みをAI開発と接続するエコシステムを設計する。東京エレクトロン・信越化学・JSRなどの半導体材料企業が持つ製造プロセスデータは、フィジカルAIの学習データとして極めて価値が高い。この資産とAI開発者をつなぐ仕組みをGENIACコミュニティが担えるかどうかが、after GENIACの分水嶺になる。

提言④：経済安全保障の定義を「チップを作る」から「AIの神経系を握る」へ更新する。TSMCを誘致し、Rapidusに投資することは必要だが十分ではない。GENIACが育てた国産AI企業が、日本のフィジカルAIシステムの「頭脳」として機能する——このビジョンが明確にならない限り、数兆円の半導体投資と数百億円のAI投資は接続されないままだ。

日本のAI主権は、LLMの規模競争に参加することでは達成されない。製造・ロボティクス・センシングという現実世界の接点で、外国AIに依存しない神経系を持つこと——それが日本固有の経済安全保障戦略だ。GENIACはその出発点として、確かに意味があった。問われているのは、次の2年をどう設計するかだ。

まとめ

GENIACは日本のAI開発基盤を底上げしたが、after GENIACの設計なくして経済安全保障は完結しない。

GENIACの2年間を正直に評価すると——成果は本物だが、十分ではない。

339億円の投資でGPUクライシスを乗り越え、Sakana AIや楽天のような採択企業が具体的な成果を出した事実は評価できる。参加プロジェクトの技術者規模は数百名規模に達し（著者試算）、国産LLMが「使えるレベル」に達した企業も出てきた。GENIACは日本のAI開発コミュニティを生み出した点で、その役割を果たした。

しかしフルスクラッチLLM開発という設計前提はオープンウェイト時代に追い越されつつあり、GPU支援終了後の計算基盤問題は未解決のままだ。数兆円を投じた半導体投資はAI学習チップの国産化に直結せず、TSMCの経営判断次第で「国策」に揺らぎが生じるという依存構造も浮き彫りになった。

日本が向かうべき方向は明確だ。LLMの頭脳競争ではなく、フィジカルAIの神経系を握ること。製造・ロボティクスという既存の比較優位に、国産AI基盤モデルを接続すること。そのためのGENIACフェーズ2を今から設計することが、日本のAI主権への現実的な道筋だ。

専門用語まとめ

GENIAC（ジェニアック）: Generative AI Accelerator Challengeの略。2024年2月に経済産業省とNEDOが立ち上げた日本の生成AI基盤モデル開発力強化プロジェクト。計算資源の提供支援・データ実証・コミュニティ形成・マッチングを柱とし、2026年現在で3サイクルを実施。第1〜3期の公募総額は339億円に達する（2026年1月時点公表資料ベース）。

基盤モデル（Foundation Model）: 大量のデータで事前学習され、多様なタスクに転用できる大規模AIモデル。GPT-4やLlama、Claude等が代表例。GENIACはこの基盤モデルの国産開発力強化を主目的として設計された。

オープンウェイトモデル: モデルの重みパラメータを公開しているAIモデル。MetaのLlama、AlibabaのQwen、DeepSeek-V3.2などが代表例。商用利用条件はモデルによって異なるが、フルスクラッチ開発に比べて大幅に低いコストで高性能なAIを構築できる。2025〜2026年にかけて日本のAI戦略を変える主要因になっている。

事後学習（Post-training）: 事前学習済みモデルに対して、RLHF（人間フィードバックによる強化学習）・DPO・SFT等の手法で追加学習を行うプロセス。フルスクラッチのプレトレーニングに比べて必要な計算資源が格段に少なく、特定用途・言語・価値観への特化が可能。Sakana AIのNamazuモデルがこのアプローチを採用している。

フィジカルAI（Physical AI）: AIがデジタル空間を超えて、ロボット・自動運転・工場制御など現実世界の物理系を動かす技術領域の総称。NVIDIAがIsaac・Cosmos等のプラットフォームで推進しており、日本の製造・ロボティクス産業との親和性が高い。2026年以降のGENIACはこの領域への拡張を明示している。

経済安全保障（Economic Security）: 国家の安全保障を経済・技術の観点から確保する政策概念。日本では2022年の経済安全保障推進法が基盤となり、半導体・AI・量子等の重要技術の国内確保を推進している。GENIACもこの文脈で立ち上げられたが、「何のためのAI主権か」という定義の更新が今後の課題として残る。

Rapidus（ラピダス）: 2022年8月に設立された日本の半導体ファウンドリ企業。トヨタ・ソニー・NTT等8社が出資。北海道千歳市で2nm世代GAA（ゲート・オール・アラウンド）プロセスの開発・量産を目指す。2025年7月に試作ウェーハの公開に成功。政府の累計支援額は約2.9兆円に達するが、量産2027年・黒字化2030年という計画は道半ばだ。

よくある質問（FAQ）

Q1.
GENIACとは何ですか？どんな企業が採択されていますか？

A1.
GENIACは経済産業省とNEDOが2024年2月に立ち上げた国産AI開発強化プロジェクトで、第1〜3期の公募総額は339億円、計算資源支援の採択は延べ30件に達しています（2026年1月時点公表資料ベース）。

採択企業にはSakana AI・ABEJA・ストックマーク・楽天・Preferred Networks・Woven by Toyota・リコーなど多様な企業が参加
計算資源提供・データ実証・コミュニティ形成・マッチングの4本柱で支援
2026年以降はロボット基盤モデルなどPhysical AI領域への拡張も明示