2026年8月10日、Meta Superintelligence Labs は Muse Glimmer を発表しました。これは 300億パラメータの AI モデルで、Apache 2.0 ライセンスのもとオープンウェイトで公開され、グラフィックカード一枚を搭載した PC や Mac で、インターネット接続なしに、外部サーバーへデータを一切送らずに動作するよう設計されています。経営者にとっての実務上のポイントは、つい最近までクラウドの専売特許だった種類の AI が、いまや自社の中で、自社のインフラ上で、自社のデータを使って動かせるようになったことです。しかもそのコストは、上限のない月額サブスクリプションではなく、ハードウェアの費用です。

Meta が実際に発表した内容

Muse Glimmer はマルチモーダルモデルで、Meta によれば、より大規模なクローズドの Muse Spark ファミリーから蒸留されたものです。つまり、より強力なモデルの出力から学習し、その後追加の学習ラウンドで磨き上げられました。このモデルで最も重要なのはサイズではなく、導入のしやすさです。重みを約四ビット精度まで圧縮することで、フル精度では 55 GB を超えていたサイズが 20 GB 未満にまで縮小し、24 または 32 GB のメモリを備えた一般向けグラフィックカードで動作できるようになりました。Meta は、この圧縮によるエージェント型タスクでの性能低下はごくわずか、あるいはまったくなかったと報告しています。

モデルは Hugging Face から無料でダウンロードでき、Ollama、LM Studio、llama.cpp といった一般的なローカル実行環境で動作するほか、ExecuTorch や MLX などのオンデバイス展開の手段にも対応しています。Meta が公表した比較では、調査・検索、ツール利用、コード生成を対象とするベンチマーク群の一部で、310億パラメータの Gemma 4 と 270億パラメータの Qwen 3.6 を上回りました。

サウジアラビアの経営者にとってなぜ重要なのか

これまで、サウジアラビアの企業で AI を本格的に活用するということは、事実上、データを外部のプロバイダーに送ることを意味していました。これは同時に三つの課題を生みます。利用量に連動する運用コスト、乗り換えが難しい単一ベンダーへの依存、そして顧客や従業員のデータがどこで処理されるのかという規制上の問題です。ローカルで動くモデルはこの三つをすべて解決するわけではありませんが、それらを交渉するうえでのあなたの立場を変えます。

最も明確な効果が表れるのは機密データです。契約書、従業員ファイル、患者の診療記録、財務データを処理する場合、処理を自社所有のデバイスやサーバー内にとどめることで、サウジアラビアデータ・人工知能庁（SDAIA）が定めた個人データ保護法（PDPL）への準拠が簡素化され、越境移転に関する規定の複雑さも軽減されます。準拠のための管理策そのもの、つまり目的の明確化、アクセス権限、保存期間が免除されるわけではありませんが、最も難しい問い、すなわちデータがどこへ行き、誰が保持しているのかという問いを議論の場から取り除いてくれます。

本当に得意なこと、そうでないこと

一台のマシンで動く 300億パラメータのモデルは、最強のクラウドモデルの代わりにはなりません。そうでないと主張するのは誤解を招きます。しかし、企業内での実際の利用の大半を占める幅広い日常業務には十分に対応できます。

  • 社内での文書処理：契約書の要約、条項の抽出、見積書の比較、長い報告書の経営層向け要約への変換などを、文書を一度もマシンの外に出すことなく行えます。
  • 自社データを対象とした検索アシスタント：ファイル、議事録、社内規程からなる社内アーカイブにモデルを接続し、自然な言葉で質問に答えさせます。毎日行われている手作業の検索を置き換えるため、最もリターンの大きい使い方です。
  • 事務作業の自動化：ファイルの整理、受け付けた依頼の分類、返信の下書き作成、社内のツールやシステムを呼び出す複数ステップの処理の実行などです。
  • コーディング支援：特に、ソースコードを外部サービスに送ることが許されていないチームに向いています。

向いていないのは、最高レベルの複雑な推論が求められる業務、数千人のユーザーからの膨大な同時リクエストへの対応、そして世界に関する最新の知識が必要なケースです。これらは引き続き大規模なクラウドモデルの領域であり、正しい判断はたいてい併用です。機密性が高く反復的なものはローカル、難しく頻度の低いものはクラウドに任せます。

経済性：変動するサブスクリプションから固定資産へ

根本的な違いは技術ではなく会計にあります。クラウド AI は利用が増えるほど膨らむ運用費の項目です。試行段階では良い性質ですが、拡大段階では悪い性質になります。社内での導入が成功すればするほど、請求額は下がるのではなく上がるからです。ローカルモデルは、その一部を資本資産に変えます。ハードウェアは一度購入すれば、その後のコストは何回呼び出しても電気代と保守費だけです。

だからといって、ローカルが常に安いわけではありません。利用が少なく断続的であれば、クラウドのほうが明らかに安く、遊休状態になるハードウェアを買う意味はありません。利用が多く定常的になった場合、あるいはデータを社内にとどめておく価値がそもそもコスト差を上回る場合に、この計算は逆転します。

正しい問いはローカルかクラウドかではなく、どのデータが決して外に出てはならないのか、そしてどの業務がハードウェアを正当化するほど毎日頻繁に繰り返されるのか、です。

正しい始め方

よくある間違いは、経営者がまずハードウェアを買い、その後で使い道を探すことです。理にかなった順序はちょうどその逆です。

  • まず、毎日繰り返され、測定可能な人手の時間を消費している業務を二つか三つ特定し、それぞれについて入力は何か、どんな出力が必要かを書き出します。
  • 購入の前に、それらの業務を一台のマシンで二週間試します。小さな試行で、モデルが実際にうまくこなせる業務がすぐに見えてきます。
  • 明確な基準で結果を測定します。何分削減できたか、そして出力に人の修正が必要になった頻度はどれくらいか。この測定がなければ、試行を印象だけで評価することになります。
  • 初日から書面のポリシーを定めます。どのデータを入力してよいか、誰に利用権限があるか、出力をどこに保存するかです。
  • そのうえで初めて拡大します。ベンダーが勧めるハードウェアではなく、試行によって必要だと証明されたハードウェアで。

Origami の見解

今回の発表で私たちの顧客にとって最も重要なのは、モデルそのものではなく、それが示す方向性です。これほどの能力を持つモデルがオープンウェイトで無料になり、購入可能なハードウェアで動くようになると、競争優位は最良のモデルを持つことから、それを自社のシステムやデータとうまくつなぐことへと移ります。モデルは誰もが同じ条件で手に入れられるコモディティです。それを管理システム、在庫、顧客記録と結びつけることこそが差を生み、それはインターネットからダウンロードできるものではありません。

だからこそ、私たちは顧客向けに AI システムを設計する際、モデル層を初日から差し替え可能なものとして構築し、システムが特定のベンダーにも、特定のモデルにさえも縛られないようにしています。市場の動きは速く、一つのモデルへの長期的なコミットメントは数か月のうちに負けの判断になります。あなたが所有する資産は、構造化されたデータと文書化されたプロセスです。モデルはその上に載る、交換可能な部品にすぎません。

最後に注意すべき点があります。モデルがオフラインで動くからといって、自動的に安全になるわけではありません。会社のファイルに接続されたモデルを載せたマシンは新たなアクセスポイントであり、ほかの社内システムと同じ管理策、つまり権限、暗号化、バックアップ、利用ログが必要です。クラウドからの独立は責任をあなたに移すものであり、責任をなくすものではありません。

出典

  • Meta による Muse Glimmer の公式発表：research.meta.ai
  • Hugging Face 上のモデルの重みとドキュメント：huggingface.co
  • 圧縮とベンチマークの詳細を含む公開に関する報道：siliconangle.com
  • サウジアラビアデータ・人工知能庁（SDAIA）— 個人データ保護法（PDPL）：sdaia.gov.sa