Meta、「Muse Wonder」を発表：フロンティアモデルの大型化と背後にある1,000億ドル超の賭け
ザッカーバーグとワン氏が新モデル、有料先行のロールアウト、ギガワット級AIプログラムの経済学について語る（Stripeのジョン・コリソン氏によるポッドキャスト、2026年10月13日）
Meta Platformsは、Meta Superintelligence Labs（MSL）が大幅に拡張された新しい事前学習（プレトレーニング）を基盤に構築した初のモデル「Muse Wonder」を投入する。CEOのマーク・ザッカーバーグ氏とチーフAIオフィサーのアレクサンドル・ワン（Alexandr Wang）氏は、Stripe共同創業者のジョン・コリソン氏との長時間の対談で、同モデルの開発コストおよび商業戦略について語った。最も有益だった開示情報は、Meta独自のベンチマーク主張ではなく、プログラムの経済学に関する点と、巨額の資本投下を決定した時点で同社がいかに先行きを見通せていなかったという告白であった。またコリソン氏は、StripeがMetaのモデルが配信されているOpenRouterを買収する予定であること、そしてStripeがMuseのコマース統合に携わったことにも言及した。投資家は、こうした関係性を念頭に置いて同氏の質問を読み解く必要がある。
Muse Wonder：より大型のベースモデル、有料ユーザーへ先行提供
ワン氏は、Muse Wonderを「フロンティア領域にある新世代のモデル」と表現した。バージョンは2つあり、通常の「Muse Wonder」と、よりハイエンドな「Muse Wonder Full」が用意されている。従来の「Muse Spark」シリーズは昨年末に完了した事前学習をベースに構築されていたが、Wonderは、Metaがしばらくポストトレーニングを進めてきた、独立した「大幅に大規模な」事前学習に基づいている。社内コードネームはSparkが「アボカド」、Wonderが「スイカ」だった。ザッカーバーグ氏は、同社は「果物を使い果たしてしまった」ため、新しい命名規則が必要になると述べた。
ワン氏によれば、Wonderは個人・業務エージェントタスクに関するMeta独自の評価において最先端（ステート・オブ・ザ・アート）の水準にある。また、DeepSWEやSWE-Marathonでのトップクラスの成果、Terminal-Benchでの強力な結果、いくつかの金融および法務の評価での最高成績を主張した。Metaは3つの設計優先事項を挙げている。1つ目は「アクティブメモリ」と呼ばれるもので、外部のハーネス（周辺プログラム）ではなくモデル自体に組み込まれている。ワン氏は、従来の初期エージェント製品で最も弱かったのがメモリであったと指摘し、OpenClawにおける長期・短期のコンパクション（圧縮）アプローチに言及した。「我々の評価ではこれが示されており、非常に誇りに思っている部分だ」と述べつつ、「改善の余地はまだ十分にある」と認めた。2つ目は「アクティブフォーカス」、すなわち長期的で曖昧なタスク全体にわたる持続性である。3つ目は金融、法務、医療、税務などの分野における「ドメイン専門知識」であり、ワン氏はこれによりエージェントが「頼りになる専門家チームのように」感じられるはずだと語った。
商業的ロールアウトは慎重に進められる。Wonderはサイズが大きく提供コストがかかるため、ザッカーバーグ氏によれば、最初はMuseアプリ内の「有料サブスクリプションを中心に」提供を開始し、Muse Sparkについては、豊富な無料トークン枠を付与した上で無料のまま維持する。また、WonderはMeta Model APIおよびOpenRouter経由でも提供される。「Muse Code」の加入者にはWonder Fullが提供される。ザッカーバーグ氏は、Muse Sparkと同じフォームファクター（数百万人規模のユーザーに提供可能なバージョン）でWonderと同等のモデルを「そう遠くない将来に」提供したいと語った。それが実現するまでの間、Metaの最高性能モデルは無料ユーザー層には届かず、同社は大規模提供に向けた手法を現在も模索している。さらにザッカーバーグ氏は、Wonderのコーディング能力の向上はMuseユーザーの少数派にとって重要なものになると付け加えた。
Metaが語る「ベンチマーク・ゲーミング」からの脱却手法
グッドハートの法則とベンチマーク最適化（ベンチマックシング）について問われたワン氏は、Metaがトレーニングの方向性を社内評価へとますますシフトさせていると述べた。外部のベンチマークについては、「出発点としては悪くないが」、主に「生存の兆候を探す」ために有用なものだと語った。その出所については率直であり、それに頼ることは「たまたまバイラルなベンチマークを作成した一人の博士課程の学生に、すべてのプロダクトの思考をアウトソーシングすることに等しい」と切り捨てた。
Metaの研究ポストでは、「ビッグモデル・スメル（大モデルの臭い）」と呼ばれる現象を数値化している。これは、強化学習（RL）やポストトレーニングのデータに類似したタスクでのモデルの性能と、分布外（OOD）タスクでの性能との間のギャップとして定義される。ワン氏によれば、このギャップはSparkシリーズからWonderシリーズにかけて急激に縮小しており、それはより強力なベースモデルのおかげであるとした。この指標はMeta自身のものであり、第三者の監査は受けていない。しかし、単なるポストトレーニングの追加ではなく、より大規模な事前学習こそが性能向上の源泉であると同社が捉えていることを示唆している。ワン氏は、新規の事前学習を行わずにバージョン1から1.3へと進化したSparkの経緯を引き合いに出し、強化学習のレシピが業界全体で急速に改善されている証拠だと述べた。Metaは、事前学習と強化学習の両方を同時にスケーリングしているという。
ザッカーバーグ氏は、同社のプロダクト哲学を率直に表現して「モデルがプロダクトそのものだ」と語った。Museにおける困難なプロダクト開発の仕事は、エージェントが触れるデータのプライバシーとセキュリティモデルの構築であり、パーソナリティや能力はトレーニングによって組み込まれるという。同氏は、コーディングエージェントよりもパーソナルエージェントにとって重要な特性として「慎重さ（ディスクレション）」を挙げた。例えば医療上の制約を考慮してレストランを予約する際など、パーソナルエージェントはユーザーについて多くのことを知りつつも、第三者には「可能な限り開示を抑える」必要がある。Museにはモデルや性能のセレクター（選択機能）が搭載されていないが、これは業界全体における紛らわしい命名規則に結びついた意図的な選択である。
モデルが存在する前に下された1,000億ドルの決断
最も衝撃的だったのは、このプログラムの資金調達に関する開示である。ザッカーバーグ氏によると、昨年末の時点で、モデルがまだ見えていない状態でありながら、Metaは「何というか、1,000億ドルや2000億ドルといった」小切手を切る準備を進めていたという。同氏はワン氏に直接「アレックス、これがうまくいくって本当に確信しているのか？」と尋ねたことを回想した。ワン氏によれば、ハワイでのエグゼクティブ・オフサイトにおいて、CFOのスーザン・リー氏から「もしこれがうまくいかなければ……財務的に非常に、非常にまずいことになりますよ」と何度も脇に引き離されて念を押されたという。同氏はこの状況を「ハードモードの起業であり、リーン・スタートアップの正反対だ。なぜなら、証明を待つということは『根本的に後れを取る』ことを意味するからだ」と表現した。
コストに関して、ザッカーバーグ氏は業界標準に沿った大まかな数字を挙げた。1ギガワットのクラスターを1年間運用するコストは150億ドル規模であり、構築には初期費用としておよそ500億〜600億ドルがかかるという。スケーリングの各段階でのテストを含む研究開発費は、最終実行コストに匹敵する可能性が高い。その上さらに提供コスト（サービングコスト）が加わる。同氏が目にした財務試算によれば、フロンティアモデルのトレーニングには「数百億ドル」という額が妥当な見積もりになるという。オハイオ州にあるMetaの「Prometheus（プロメテウス）」クラスターは1ギガワットを超えて拡大しており、ルイジアナ州の「Hyperion（ハイペリオン）」クラスターは5ギガワットへの到達が計画されている。ザッカーバーグ氏は、これらはいずれもMSLが存在する前の2023年か2024年に計画されたものだと述べた。さらに、Museの提供に必要なデータセンターの容量は、まだ存在すらしていなかったプロダクトのために数年前から確保しておかなければならなかったと付け加えた。
ザッカーバーグ氏は、下振れリスクは数字が示すほど大きくはないと主張した。もしMetaのモデルが期待値を下回ったとしても、そのギガワット単価で他の買い手がコンピューティング容量の代金を支払うはずであるため、計算能力が座礁資産（スタンデッド・アセット）となるには「AI全体が失敗しなければならない」という理屈だ。これは経営陣の見解であり保証ではなく、コンピューティングに対する業界の継続的な需要に依存している。
Metaが語る資金回収の道筋
この開発費の資金調達方法について問われたザッカーバーグ氏は、4つの収益経路を挙げた。第1に、Wonderへのアクセスを皮切りとするサブスクリプション。第2に、コマースであり、Museがユーザーに節約またはもたらした利益の「少額の手数料」を受け取るほか、中小企業向けの「ビジネス・イン・ア・ボックス」エージェントを展開する。第3に、APIおよびCJ・デサイ氏が率いる新しい「Meta Enterprise Platform」であり、「優良かつ手頃な価格」のWonderを求める企業顧客をターゲットとする。第4に、中核である広告事業であり、同氏によれば「数百億ドル規模でありながら今なお極めて急速に成長しており」、これらのモデルを活用することで成長を「数パーセント加速させる」ことができるという。これらについて、具体的な収益数値やタイムラインは示されなかった。
同氏はまた、クラウドに依存するライバルに対する会計上の優位性にも言及した。Metaは自社データセンターを資本化して減価償却する一方、研究者の給与は費用処理されるという。コンピューティング資源が依然として逼迫しているため、H100 GPUですら昨年より価値が高くなっていると彼は語った。Metaが掲げるモデルは、まず10億人のユーザーを獲得してから収益を拡大するというものであり、AIがマネタイズできるのかという問いに対する答えは「Yesでなければならない」とした。
エージェント型コマース：初期の行動様式であり、まだ財務上の柱ではない
ザッカーバーグ氏は、Museがユーザーの買い物をエージェントに完全に委任する最初のプロダクトの1つであると述べた。Metaは店舗側が統合作業を行う必要がないよう、ブラウザの利用法をモデルに直接学習させており、主要パートナーとの直接APIアクセスの構築も進めている。同氏によれば、エージェントをブロックしようとする企業よりも、深く統合したいと連絡してくる企業のほうが「圧倒的に多い」という。個人的な例として挙げたのは、娘との毎週のベイキングのルーティンであり、MuseがInstacartを通じて材料を注文しているという。同氏は、Muse専用にInstacartのアカウントを開設し、現在では週に1、2回そのサービスを利用していると語った。彼の主張は、独自のアカウントを持つエージェントが単なるシェアの奪い合いにとどまらず、コマースの全体的なアドレス可能な市場（TAM）を拡大し得るというものである。これはあくまでエピソードに過ぎず、Metaは注文量やコンバージョンに関するデータを示していない。
ザッカーバーグ氏によれば、サードパーティのレポートは、Museがこれまでのところおそらく最も急速に成長しているエージェントまたはAIアプリであることを示しているが、ユーザー数の数値は明らかにされなかった。同社はプロダクト・マーケット・フィット（PMF）に向けて改善を重ねる予定であったため、ローンチ時には成長を促進するためのツールを用意していなかったと彼は付け加えた。
少数精鋭の研究室、そしてLlama 4についての告白
ザッカーバーグ氏は方向転換について率直に語った。Metaは2025年4月4日に「Llama 4」をリリースしたものの、その軌道に満足できず、約2週間後には外部のアドバイザーへの連絡を開始した。ワン氏によれば、研究チームはインフラスタッフを除けば「200人未満」、おそらく100人に近い規模であり、他社の数百人規模とは対照的である。リソースを競合する取り組みに「ピーナッツバターのように薄く塗り広げる」のではなく、少数の賭けに集中させているという。同氏は、Llama時代のリーダーの1人が、Metaはそもそも推論モデルを必要としているのかと問いかけ、「胸が張り裂けるような思いがした」初期の会議について振り返った。ザッカーバーグ氏は、優秀な人材を採用するためには、ラボが再出発のように感じられなければならなかったと述べた。また、研究者と面会するために1、2カ月間スケジュールを空けたとも語った。ワン氏は、Wonderが8月から計画されており、初期のポストトレーニングにおける性能向上が急速に現れたことは良い兆候だと指摘した。
Metaが「AIは勝者総取りにはならない」と主張する理由
ワン氏は、2023年に予測された再帰的自己改善の暴走は起きていないと述べた。その理由として、各ラボにおける不均一な実行力と、フロンティア級の能力をより小型のモデルに凝縮する「蒸留（ディスティレーション）」を挙げ、「反覇権的な力」と呼んだ。ザッカーバーグ氏は、Metaが他のラボよりも個人および業務エージェントを重視していると述べ、これを差別化要因として挙げた。さらに、多様なモデルとチェック＆バランスが存在する世界は、少数の企業が最高のモデルを支配する世界よりも安全だと付け加えた。またザッカーバーグ氏は、メガネ型端末（「純粋なマルチモーダル製品」になると見込んでいる）向けにアプリストアを構築しない可能性があり、「Muse Gadgets」はすでにスマートフォンメーカーから関心を集めているとも述べた。