トムソン・ロイター、カスタム法律AIモデルの訓練に4,000万ドルを支出

執筆：小餅

8月24日、Thomson Reutersは自社開発の大規模言語モデル「Thomson」を発表しました。年間収益が70億ドルを超えるこの情報大手は、モデルがオープンソースのベースで訓練され、人材と計算リソースを含めて約4,000万ドルを投資したと述べています。訓練データはWestlaw法律データベース、Practical Law実務ガイド、Checkpoint税務研究プラットフォーム、Reutersニュースアセットから取得されました。初期評価では、Thomsonが複数のタスクにおいて「最新の最先端モデルと同等のパフォーマンス」を示したことが確認されています。

4000万ドル。比較すると：OpenAIの最新ラウンドの調達額は400億ドル、Anthropicの累計調達額は130億ドルを超え、xAIは単一ラウンドで60億ドルを調達した。最先端のラボでは数十億ドルを投じて汎用モデルのトレーニングを行っているが、Thomson Reutersはそのわずか一部の予算で、特定分野において最先端と同等の能力を実現したと主張している。

CTOのジョエル・ホロンは次のように述べています：AI業界は長年にわたり、規模を答えとしてきました。より大きなモデル、より多くの計算リソース、より多くの資金です。しかし、Thomsonは、強力な基盤から出発し、本当に重要なタスクに深く特化することで、効率的で完全に自己制御可能な知能を構築できる別の道が存在することを証明しました。

垂直業界におけるAI自社構築の時代が幕を開けようとしています。

Thomsonは、オープンソースのベース（公告では具体的なモデルは明示されていない）から出発し、中期トレーニング（mid-training）と後期トレーニング（post-training）を通じて、Thomson Reutersの独自データを組み込みました。

公告によると、現在のトレーニングには自社コンテンツの10％未満しか使用されておらず、今後も新たな専門分野の探求を継続します。数百名の専門家が、トレーニング目標の設計から最終評価まで全程参加しました。

モデルの最初の導入シーンは、法律事務所および企業の法務部門を対象としたCoCounsel Legalのテーブル分析（Tabular Analysis）機能です。CoCounselはマルチモデルアーキテクチャを維持し、Thomsonが顕著な優位性を示すシーンではThomsonを使用し、その他のシーンでは引き続き外部の最先端モデルを継続して使用します。

トムソン・ロイターは、学術および非営利目的のためにHugging Face上に「小型」のオープンソース版を公開し、法学およびAIの研究者による独立した評価を呼びかけています。

ワシントン大学ロースクールのジョナサン・チョイ教授は、企業税の授業で難易度の高い問題をThomson、ChatGPT、Claudeに提示し、3つのモデルすべてが正解を導いたが、特にThomsonの回答を好んだ。理由は、法律文献へのリンクが含まれており、回答がより透明で実用的だったからである。

この数字は、この出来事全体を理解する鍵です。

汎用最先端モデルの訓練コストは指数的に上昇している。MetaはLlama 3の訓練に1万6,000枚以上のH100 GPUを用い、計算リソースのコストは数億ドルと推定される。OpenAIやGoogle DeepMindの訓練予算はさらに高い。これらのモデルは、詩の作成から微分方程式の解法、プログラミングからロールプレイまで、「何でもできる」ことを目指している。

トムソン・ロイターが行っていることは、論理的にまったく異なります。彼らには汎用的なモデルは必要なく、法律研究、税務コンプライアンス、規制解釈、専門文書分析という非常に専門的な分野において、汎用的な最先端モデルと同等、あるいはそれ以上の性能を発揮するモデルが必要です。この目標の範囲ははるかに狭いため、トレーニングコストもはるかに低くなります。

しかし、4000万ドルを可能にしたのは範囲の狭めではなく、データ資産である。

トムソン・ロイターが所有するWestlaw法律データベースは、40,000以上のケースデータベースと100年以上にわたる判例の蓄積をカバーしています。Practical Lawは、650人以上の弁護士編集者が継続的にメンテナンスする操作ガイドとテンプレートを含んでいます。Checkpointは、米国の税務専門家にとって標準的なツールです。Reutersのニュースコーパスは、世界中をカバーし、175年以上にわたる時間的範囲を有しています。

これらのデータはインターネットからスクレイピングしたものではありません。

これらは、専門編集・アノテーション・構造化され、継続的に更新された独自資産です。このようなデータで訓練された垂直モデルは、その専門分野における正確性と引用品質において、一般的なモデルが単純なRAG（検索強化生成）やファインチューニングで追いつくのは困難です。一般的なモデルはこれらのデータに「接続」することはできますが、接続することと「その中で育成すること」は別物です。

トムソン・ロイター自身も、分野特化のトレーニングによって得られる利点は、単なるコンテンツの導入では代替できないと指摘している。

トムソン・ロイターだけではない。「独自データ→垂直モデル→推論コストの削減→データ制御の強化→企業の粗利向上」という連鎖を見ると、少なくともいくつかの企業がこのモデルを模倣する条件を備えている。

金融データ企業。Bloombergは2023年、自社の金融端末データとニュースコーパスを基にBloombergGPTを訓練した。その後の動きはそれほど多くないが、Bloomberg Terminalのデータ壁垒はThomson ReutersのWestlawと同レベルであり、これらはどの汎用モデルにも合法的にアクセスできない独自データセットである。

専門サービス機関。四大監査法人（PwC、Deloitte、EY、KPMG）、大手法律事務所アライアンス（例：Baker McKenzie、Kirkland & Ellis）、および医療情報企業（例：Epic Systemsの電子カルテデータ）は、高度に構造化され、厳重に機密保持された専門データを大量に保有している。これらの機関は、顧客データを汎用モデルに委ねることを望まず、一方でAIによる効率化を必要としている。そのため、独自の垂直型モデルを構築することは、コンプライアンスの観点から選択肢ではなく、必須である。

業界データの独占者。MSCIはグローバルなESG評価およびインデックスデータを保有し、Veriskは保険価格設定およびリスクモデルデータを保有し、Wolters Kluwerは欧州の法律およびコンプライアンスデータを保有し、RELXはElsevierの学術ジャーナルおよびLexisNexisの法律データを保有している。これらの企業の共通点は、データが核心的資産であり、データの独占性が競争優位の城壁であり、他の企業のモデルにデータを提供することは自社の価値を希薄化させるということである。

トムソン・ロイターの公告には見過ごされがちな詳細がある：CoCounselはマルチモデルアーキテクチャを維持している。トムソンが優位な場面ではトムソンを、その他のシナリオでは引き続き外部モデルを使用する。

これは、自社でモデルを構築した企業でも、汎用モデルを完全に放棄しないことを示している。

汎用モデルは、汎用推論、コード生成、多言語処理などにおいて依然として優位性を保っています。垂直モデルは、汎用モデルが特定分野で「十分だが十分ではない」部分を置き換えるものです。

しかし長期的には、より多くの高価値企業顧客が垂直型モデルを自社で構築し始める場合、汎用モデル企業はインフラ層に押し込まれるリスクに直面します。つまり、企業が再学習用のベースモデルを提供し、汎用タスクの推論APIを提供する一方で、最も収益性の高い垂直アプリケーション分野では価格決定権を失うことになります。

これはクラウドコンピューティング業界の進化に似ています。

AWS、Azure、GCPはインフラを提供するが、最も収益性の高いSaaSアプリケーション層はSalesforce、ServiceNow、Workdayのような垂直型企業が占めている。AI業界が同じ道をたどる場合、OpenAIやAnthropicの役割は「AIのSalesforce」よりも「AIのAWS」に近くなる可能性がある。

トムソン・ロイターが4000万ドルを費やして証明したことは、十分に独自のデータを保有していれば、あなたの分野で数十億ドルかけて訓練された汎用モデルに、ごくわずかなコストで追いつけるということである。

このロジックが検証されれば、独自のデータ鉱山を保有するすべての企業が、毎年OpenAIまたはAnthropicにAPI料金を支払い続けるか、はたまたはるかに小さなコストで自社が完全に制御できる垂直モデルを訓練するかを再考するだろう。

「AI軍備競争」というナラティブに慣れた市場にとって、トムソン・ロイターの4000万ドルは逆方向のシグナルである。AI競争の次なる段階では、最も高いトレーニングコストをかけた企業が勝つのではなく、最も独自で代替不可能なデータを持つ企業が勝つだろう。モデルはツールであり、データがバリアである。