主要なAIモデルに英語や中国語（普通話）で質問すれば、たいていは流暢でニュアンスのある回答が返ってくる。しかし広東語で質問すると、その綻びが見え始める。そのギャップを埋めようとしているのが、香港のスタートアップVotee AIだ。広東語に特化したAIモデルを構築し、これまで大手AI研究所がほとんど見過ごしてきた言語で、銀行、大学、政府機関にサービスを提供しようとしている。
Summary
主なポイント
- OpenAI、Anthropic、DeepSeek、Moonshot AI、Z.aiといった企業が構築する主要なAIモデルの多くは、開発企業が米国や中国本土に拠点を置いているため、主に英語と中国語（普通話）で開発されている。
- 広東語は世界で8,000万人以上に話されているが、標準化されたデジタルテキストの量は普通話よりはるかに少なく、AI学習における典型的な「低リソース言語」となっている。
- Votee AIは、MetaのLlamaのようなオープンウェイトモデルを広東語データで再学習させており、スクレイピング、コミュニティソース、合成データを通じて学習コーパスを1億トークンから5億トークン以上へと拡大している。
- その結果得られたモデルは700億パラメータ規模で、最先端システムよりは小さく、5億〜10億トークンの学習にかかるコストはおよそ25万ドルと、英語モデルに必要な費用のごく一部にとどまる。
- 同社は自らの取り組みを、より広い「ソブリンAI」推進の一環と位置づけており、現在はAI Singaporeを通じて東南アジアへの展開について協議している。
英語と普通話に偏るAIが取り残す広東語
現在のAIブームは、ほぼ完全に2つの言語に依存している。Votee AIのCEOであるPak-Sun Ting氏によれば、「AI革命全体が英語と普通話で起きており」、「その他の言語を代表する部分はごくわずか」だという。この偏りは偶然ではない。OpenAI、Anthropic、DeepSeek、Moonshot AI、Z.aiなど、分野をリードする企業のほとんどは米国か中国本土に本社を置いており、その旗艦モデルが開発者の母語で最も高い性能を発揮するのは当然だ。
その結果、世界で広く話されている言語が数多くあるにもかかわらず、地域の方言も含めると、AIの能力面で大きく後れを取っている。広東語は、毎日何千万人もの人々が話しているにもかかわらず、そのギャップがいかに大きくなり得るかを示す象徴的な例だ。
なぜ広東語は普通話と「別の言語」なのか
広東語はしばしば中国語の「方言」と呼ばれるが、その呼び方は実際の違いを過小評価している。広東語は普通話とは文法が異なり、独自の語彙を持つ。さらに香港では、1つの文の中で英語と広東語の単語を頻繁に混在させる。世界全体で8,000万人以上が広東語を話しており、その規模は韓国語話者数とほぼ同程度で、イタリア語やタイ語の話者人口を上回る。
それほどの規模にもかかわらず、広東語は普通話や英語ほど標準化された書き言葉のテキストを生み出してこなかった。九州大学と香港教育大学、そしてローカルAIコミュニティのhon9kon9izeが共同で開発し、VoteeがスポンサーとなったHKCanto-Evalのようなベンチマークでは、主流のAIモデルは日常的な広東語にはある程度対応できるものの、文化的・ローカルな知識になると頻繁につまずくことが示された。Ting氏の言葉を借りれば、広東語は「教育、医療、警察のコミュニケーションで使われている」ため、AIがそれを適切にカバーできなければ「AIは本質的に役に立たない」のだ。
Votee AIの広東語AIモデル構築アプローチの内幕
Voteeは、ゼロからモデルを構築するのではなく、MetaのLlamaやアリババのQwenのような既存のオープンウェイトシステムをベースにし、広東語データで大規模に再学習させるアプローチを取っている。Ting氏はこのプロセスを、「他社の基盤の上に構築しているだけで、実質的にはゼロからモデルを学習させるのと同じステップを踏んでいる」と説明する。こうして再学習されたシステムは、普通話や英語ではなく広東語で動作するAIツールを必要とする銀行、大学、政府機関に販売される。
放送局や合成データセットからのデータ収集
低リソース言語向けAIプロジェクトの実用的なコーパスを構築するには、入手可能なあらゆる場所からデータをかき集める必要がある。Voteeは、香港の公共放送局である香港電台（RTHK）のコンテンツを含め、オンラインスクレイピングを通じて広東語テキストを収集している。さらに、大学や広範なコミュニティ、ビッグデータ企業として活動していた初期の事業で蓄積したアーカイブからも資料を補っている。実世界のテキストが不足する部分については、Votee自身が広東語の合成データセットを生成して穴を埋める。これらを組み合わせることで、同社の広東語コーパスは1億トークンから5億トークン以上へと拡大した。
フロンティア研究所とのモデル規模と学習コストの比較
Voteeのモデルは700億パラメータ前後で、トップ研究所の最先端システムより明らかに小さい。それでもTing氏によれば、クライアントが必要とする実務的なタスクにおいて、広東語で理解し推論するには十分な能力を備えているという。経済性も重要だ。Voteeは5億〜10億トークンでモデルを学習させ、その推定コストはおよそ25万ドルだ。一方、英語のフロンティアモデルは、何兆ものトークンで学習され、はるかに高額な費用がかかる。この価格差こそが、より小規模でターゲットを絞った広東語AIモデルが、巨大テック企業ではなくスタートアップにとっても商業的に成り立つ理由である。
このコスト構造は、Votee自身を超えた意味を持つ。低リソース言語向けAI市場にサービスを提供するには、フロンティア研究所に投じられているような巨額の資金は必ずしも必要ないことを示唆している。必要なのは、実用的なオープンウェイトの基盤モデル、堅牢なデータパイプライン、そしてその一部の計算資源だけだ。これは、広東語AIの展開を見守る、他の過小サービス言語にとっても重要なシグナルとなる。
ソブリンAIと東南アジアへの進出
Voteeの取り組みは、ソブリンAIと呼ばれるより広い潮流の中に位置づけられる。これは、政府や企業が、海外拠点のプロバイダーに全面的に依存するのではなく、自らのデータ、モデル、インフラを所有したいと考える動きだ。「AIは非常に本質的なニーズになっており、誰かに紐づけられていて、その相手がスイッチを切れるような状態にはしたくない」とTing氏は語る。
スタックを、たとえ部分的にでも自前で持つ
Ting氏は、AIのサプライチェーンのあらゆるリンクを一国が完全にコントロールするという、最も徹底した形のソブリンAIを実現するのは、実務的には「非常に難しい」と率直に認める。そのうえで、より現実的な提案として、各国が重視すべきなのは、基盤となるファウンデーションモデルと、それを基に構築されるソフトウェアソリューションの双方を保有することだと指摘する。また、政府が特定のタスクを自動化するために、必ずしもフロンティアレベルの性能を必要とするわけではないとも述べる。10億パラメータ程度のモデルでも、より限定的な行政用途には十分であり、あるいは小規模なローカル言語レイヤーを用いて、大規模な英語または中国語モデルの出力をルーティングするだけでもよい。
ハードウェアパートナーシップと今後の展望
Voteeは特定のエコシステムに限定されていない。Ting氏によれば、同社はMiniMaxやSenseTimeのモデルとも連携しており、Nvidiaのチップ上で運用することもできるという。「Nvidiaのチップも使えるし、MoonshotやDeepSeekのモデルも使える」と彼は言う。「高校で誰とでも友達になれるタイプの人、という感じです」。Voteeは、収益がコストを上回っているという意味で黒字であると説明しており、その資金の多くはクライアントとの契約から得ている。また、香港のナイトライフ地区・蘭桂坊の開発で知られる香港の実業家アラン・ゼーマン氏がアドバイザーを務めている。
同社の野心は、いまや香港を超えて広がっている。Ting氏によれば、VoteeはAI Singaporeと積極的に協議を進めており、東南アジア全域へのさらなる拡大を計画しているという。さらに長期的な目標として、東アジア、北米、アフリカなどの地域で、絶滅危惧言語の保護にAIを役立てることも視野に入れている。Ting氏は、英語中心のAIの支配を「タイプライターの瞬間」と表現し、その生産性向上があまりに大きいため、人々が自分たちの言語を捨ててでも英語を採用してしまう状況だと警鐘を鳴らす。「タイプライターの生産性が自分たちの言語よりも圧倒的に高いから、人々は英語を採用してしまう」と彼は言う。700億パラメータの広東語AIモデルが、その引力にどこまで対抗できるかは依然として未知数だが、Ting氏にとって動機は市場シェアを超えたところにある。「1つの言語が消えるたびに、世界を見るもう1つの視点が失われる」と彼は語る。
FAQ
なぜVotee AIは広東語に焦点を当ててAIモデルを開発しているのですか？
広東語は8,000万人以上に話されており、普通話とは大きく異なるにもかかわらず、AIの世界では十分に対応されていません。そのことは、正確なローカル言語ツールが不可欠な教育や医療などの分野に影響を及ぼしています。
Votee AIはどのようにして広東語AIモデルを構築しているのですか？
Votee AIは、Metaのような開発元によるオープンウェイトモデルを、スクレイピング、コミュニティソース、大学、合成データを通じて収集した広東語データで再学習させ、コーパスを1億トークンから5億トークン以上へと拡大しています。
ソブリンAIとは何であり、Votee AIはそれとどう関係しているのですか？
ソブリンAIとは、政府や企業が、海外のプロバイダーに全面的に依存するのではなく、自らのAIデータ、モデル、インフラを所有することを指します。Votee AIは、広東語向けにAIモデルをローカライズし、ローカルおよびグローバルなハードウェア・モデルプロバイダーと提携することで、この考え方を支えています。
Votee AIの地域展開の計画はどうなっていますか？
Votee AIはAI Singaporeと積極的に協議を進めており、東南アジアへの進出を計画しています。また、世界の他地域における絶滅危惧言語の保護にAIをどのように役立てられるかについても模索しています。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”なぜVotee AIは広東語に焦点を当ててAIモデルを開発しているのですか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”広東語は8,000万人以上に話されており、普通話とは大きく異なるにもかかわらず、AIの世界では十分に対応されていません。そのことは、正確なローカル言語ツールが不可欠な教育や医療などの分野に影響を及ぼしています。”}},{“@type”:”Question”,”name”:”Votee AIはどのようにして広東語AIモデルを構築しているのですか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Votee AIは、Metaのような開発元によるオープンウェイトモデルを、スクレイピング、コミュニティソース、大学、合成データを通じて収集した広東語データで再学習させ、コーパスを1億トークンから5億トークン以上へと拡大しています。”}},{“@type”:”Question”,”name”:”ソブリンAIとは何であり、Votee AIはそれとどう関係しているのですか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”ソブリンAIとは、政府や企業が、海外のプロバイダーに全面的に依存するのではなく、自らのAIデータ、モデル、インフラを所有することを指します。Votee AIは、広東語向けにAIモデルをローカライズし、ローカルおよびグローバルなハードウェア・モデルプロバイダーと提携することで、この考え方を支えています。”}},{“@type”:”Question”,”name”:”Votee AIの地域展開の計画はどうなっていますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Votee AIはAI Singaporeと積極的に協議を進めており、東南アジアへの進出を計画しています。また、世界の他地域における絶滅危惧言語の保護にAIをどのように役立てられるかについても模索しています。”}}]}
本記事は人工知能の支援を受けて制作され、編集チームによる確認を経ています。
