モデルを持つことと、AIの供給を持つこと

Mistral Large 4の発表で気になったのは、1兆というパラメータ数より、学習と提供に使う設備の話だった。

Mistralの2026年10月6日の発表では、モデルは1兆パラメータのMoEで、トークン当たり49Bがactiveとなる構成。欧州の自社データセンターにある3,800基のNVIDIA Grace Blackwell GPUで学習し、プレビューもその設備から提供するという。

ただ、2026年10月7日JST時点ではAPIプレビューであり、重みの公開は月末予定だ。「open-weightモデルが手元で動く」ところまで来たわけではない。

重みがあるだけでは、運用できない

open-weightは、重みを入手できることを示す。ライセンス、学習データの公開、再現可能性まで自動的に保証する言葉ではない。セルフホストの判断には、公開後の条件を読む必要がある。

MoEのactive parameter数と、保持する重みの総量も違う。仮に1兆パラメータを各2バイトで保存すれば、重みだけで約2TB。各0.5バイトなら約500GBになる。これは単純な理論計算で、スケール情報、KV cache、実行時の余裕、通信費は含まない。49B activeだから49Bモデルと同じメモリで動く、と考えてはいけない。

公式changelogには1M contextが記載されるが、長い入力を日常的に安く扱えるかも、実測する別の問いになる。

欧州で完結する範囲にも、境界がある

欧州内の計算設備で学習・提供できることは、データの所在地や運用を選ぶうえで意味がある。一方でGPUはNVIDIA製で、ハードウェアまで完全に自立した供給網という意味ではない。

所有を一枚のラベルにせず、重み、ライセンス、計算設備、所在地、更新手順、障害対応へ分けて見ると、選択肢が具体的になる。

製造業SaaSでも、すべてをローカルへ移す必要はない。機密データを含む定型処理と、難しい判断を要する処理では、求める条件が違う。公開後には、同じ実タスクで品質、レイテンシ、運用費、失敗時の復旧を比較したい。

モデルを持つ自由と、そのモデルを供給し続けられる力。この二つは近いようで、別のものだ。

Sources

確認日：2026-10-07 JST。モデル仕様・設備は企業発表。メモリは説明用の理論計算で、実測要件ではない。

• Mistral, Introducing Mistral Large 4, 2026-10-06.
• Mistral, Official changelog.