Sakana Fugu の正体——最強の一手ではなく「最強の指揮者」というビジネス

ある朝、半年かけて1社のAIに最適化した基幹システムが、規制の一行で動かなくなる——2026年6月、Anthropic の Fable 5 と Mythos 5 に輸出規制がかかり、一部の国と企業が一夜でアクセスを失いました。Sakana AI が公開した新サービス「Fugu」は、まさにその「最悪の朝」を起点に設計されています。

Sakana Fugu Executive Summary（情報図解）

1社のAPIに賭けて構築したシステムが、自社の落ち度とは無関係な事情で突然使えなくなる。この恐怖は、クラウド黎明期に「特定ベンダーにロックインされる怖さ」を経験した調達担当者なら、肌で覚えているはずです。

だからこそ Fugu が最初に売ろうとしているのは、最高性能の数字ではなく、この恐怖からの解放そのものです。

そしてその技術を支えるのは2本の論文であり、そこから浮かび上がるのは、Fugu の独自性が「新しいモデル」ではなく「モデルを束ねる中間レイヤーというビジネス」にあるという構造です。

Fugu とは何か——ルーターではなく「指揮者」

利用者から見れば、Fugu は1つの OpenAI 互換エンドポイントにすぎません。既存のシステムが OpenAI の API を叩いていたなら、接続先を Fugu に差し替えるだけで動く、いわゆるドロップイン置き換えとして設計されています。ところが、その1本のエンドポイントの裏側で起きていることは、従来のサービスとまったく異なります。

Sakana の説明によれば、Fugu は「それ自身が言語モデルであり、エージェントプールの中の様々な LLM を呼び出すよう訓練されている。プールには自分自身の再帰的なインスタンスも含まれる」とされています。つまり Fugu は、入力された課題に応じて、他社のフロントエンドモデルを含む複数の LLM を動的にチーム編成し、それぞれに役割を割り当てて協働させます。自らは演奏せず、演奏者の編成と指示に徹する——それが「指揮者」としての Fugu です。

ここは誤解されやすい一点です。

Fugu は、どのモデルに投げるかを1つ選ぶ「ルーター」ではありません。複数のモデルを同時に動かし、誰が考え、誰が実装し、誰が検証するかを決めて束ねる「オーケストレーター（指揮者）」です。

その指揮者には、2つの層が用意されています。

Fugu（既定）：遅延と品質のバランスを取る標準層。特定のプロバイダやモデルをプールから除外（opt-out）できる。
Fugu Ultra：より深いプールを使い、高難度のタスクに向けた上位層。

この2層構成自体が、これから読み解く「独自性」と「矛盾」の両方を抱えています。標準層は乗り換えの自由を残し、上位層はプールを固定して品質を取りにいく——この設計の含意は、コラムの後半で構造として効いてきます。

Sakana AIとは何者か

その Fugu を作った Sakana AI とは何者でしょうか。社名の「Sakana」は、日本語の「魚」です。

単純な一匹一匹が群れをなすことで全体として賢く振る舞う——魚の群れに見立てた「集合知」、自然と進化に着想を得たAIが、この会社のアイデンティティです。巨大な単一モデルに能力を集約するのではなく、得意を持つ小さなモデルの集合体で勝つ。

これが、この会社が一貫して張り続けている賭けであり、後に見る Fugu の発想とまっすぐつながっています。

その賭けを担うのは、頭脳で勝負する少数精鋭のラボです。Sakana AI は2023年7月、元Googleの研究者らによって東京で創業されました。

CTOの Llion Jones は、現代AIの土台となった論文「Attention Is All You Need」（Transformer を提唱した2017年の論文）の共著者の一人であり、CEOの David Ha は、Google Brain の日本チームを率い、Stability AI の研究責任者を務めた人物です。もう一人の共同創業者は外交・ビジネス畑の出身で、元メルカリ欧州CEOとして事業面を支えています。

社員数は2024年時点でおよそ20名——物量ではなく頭脳で勝負する、意図的に小さな東京のラボです。

この顔ぶれが名を上げたのが、「進化的モデルマージ」という手法でした。勾配を使った学習を一切行わず、生物の進化を模した探索だけで、複数モデルの重みと層を混ぜ合わせ、より強いハイブリッドを自動生成する——その成果は Nature Machine Intelligence に掲載され、日本語モデルと英語の数学モデルを掛け合わせた一例では、70B未満のすべての日本語LLMを上回っています。

ただし、この「混ぜて創る」手法には、後で効いてくる制約があります。重みに直接触る手法である以上、効くのは重みを公開しているオープンモデルだけで、GPTやClaudeのように API しか開かない閉じたフロンティアモデルは、そもそも混ぜようがありません。この壁が、のちに独自性の節で大きな意味を持ってきます。

立ち位置としては、急成長中の「国産（ソブリン）AIラボ」です。日本語・日本文化・日本の規制に最適化したAIを掲げ、金融や政府といった領域を標的に据えています。

調達の規模も、その勢いを物語ります。

シードからシリーズBへと調達を重ね、日本で最も評価される非上場企業（ユニコーン）の一つに数えられると報じられていますが、評価額は出典によって幅があります。2025年11月の報道では約1.35億ドルの調達・約26.5億ドルの評価とされ、Sakana 自社の案内ページ（2026年4月更新）は約2億ドルの調達・約27億ドルの評価と記しています。どちらか一方を確定的な数字として扱うのは避け、幅のある事実として受け止めるのが妥当です。

米国の巨大ラボが擁する数十億ドル級のスケールに、物量で正面から挑むことはしない。賢さで挑む——そこに、この会社の一貫した姿勢があります。

核心の主張——「オーケストレーションを学習で実現した」とは何を意味するか

Fugu の本当の新しさは、性能ベンチマークの数字ではありません。「複数のモデルをどう束ねて使うか」という指揮のやり方そのものを、人間が手で設計するのではなく、機械学習で発見させた点にあります。

この核心は、Sakana が基盤とする ICLR 2026 採択の2本の論文——「TRINITY」と「Conductor」——に明示されています。この指揮者は、進化と強化学習という2つの異なる流派から立ち上がっています。

TRINITY——進化で最適化された「LLM コーディネーター」

1本目の TRINITY は、自らを「進化したLLMコーディネーター」と位置づけます。その正体は、極めて小さな調整役です。

論文によれば、およそ0.6B（6億）パラメータの小型言語モデルに、約1万パラメータの小さなヘッドを載せた構成にすぎません。指揮者が巨大である必要はない、というのが最初の含意です。

注目すべきは、その学習方法です。TRINITY は、強化学習でも、模倣学習でも、重みの混合でもなく、進化的手法（separable CMA-ES）で最適化されています。生物の進化を模した探索アルゴリズムで、良い指揮の仕方を世代を重ねて見つけ出す、という発想です。

※CMA-ES＝共分散行列適応進化戦略。微分（勾配）に頼らず、候補を多数試して優れたものを残す進化的な最適化手法。ここでは「どう指揮するか」のパラメータをこの手法で探索しています。

このコーディネーターは、各ターンで、プール内の1つのモデルに対し「Thinker（考える役）／Worker（実装する役）／Verifier（検証する役）」のいずれかの役割を割り当て、最初に検証で合格（ACCEPT）が出た時点で処理を止めます。論文が報告する数値は、コーディングのベンチマーク LiveCodeBench で86.2%です。

小さな指揮者が、この水準でモデルたちをまとめ上げる——ここまでは華やかな成績に見えます。

ところが、同じ論文には明確な線引きも書かれています。

編成できるのは、あくまでブラックボックスな LLM の呼び出しだけで、ツールの実行やコードの実行そのものは扱えません。指揮はできても、現場で手を動かす道具までは握っていない、という設計上の限界があるわけです。

Conductor——自然言語でエージェントを指揮する

2本目の Conductor は、TRINITY とは異なるアプローチで同じ問題に挑みます。ベースは Qwen2.5-7B という公開モデルで、これを強化学習（GRPO）で訓練しており、進化ではなく強化学習を選んだ点が、TRINITY との対照になります。

訓練された Conductor は、与えられた入力ごとに、次の3つを構造化された形で出力します。

どの Worker（作業役）を呼ぶか
各ステップで何をさせるかという自然言語のサブ指示
誰が誰の出力を見るかという通信トポロジ（連携の地図）

学習時にはプールをランダムに入れ替えることで、特定の顔ぶれに依存しない汎化を狙っています。さらに Conductor は、自分自身を Worker として指名することもでき、ここから再帰的なトポロジとテスト時のスケーリングが生まれます。論文は、LiveCodeBench や GPQA で当時の最高水準（SOTA）を主張し、ICLR 2026 のポスターに採択されています。

ただし、論文自身が記すアブレーション（要素を削って効果を測る検証）は見過ごせません。3B 版の Conductor は、7B 版と「ほぼ同じ選択分布」に収束したにもかかわらず、性能は劣りました。

この事実の含意は重く、勝因の多くは「どのモデルをどう組むか」という選択そのものよりも、大きなモデルが持つ「巧みなプロンプトを書く力」に帰せられる可能性がある、ということです。指揮の妙だけでなく、指揮者の語彙の豊かさが効いている——独自性を冷静に評価するうえで、この留保は外せません。

独自性を構造で読む——MoE・ルーター・MoA との「高度」の違い

「複数のモデルを組み合わせる」という発想自体は、Fugu が初めてではありません。だからこそ、Fugu の独自性は、似て見える既存手法との「高度（レイヤーの高さ）」の違いとして読むのが正確です。

まず、MoE（Mixture-of-Experts）。これは1つのモデルの内部に複数の専門サブネットワークを持ち、トークン単位でどの専門家を使うかを切り替える仕組みです。あくまで1モデルの中の話であり、他社のモデルを束ねる Fugu とはレイヤーが違います。

次に、ルーター（RouteLLM に代表される手法）。これは1つのクエリに対して1つのモデルを選ぶ分類器で、「選ぶ」ことはしても、「編成する」ことはしません。Fugu は1つを選ぶのではなく、複数を組んで協働させます。

さらに、MoA（Mixture-of-Agents）。これは複数のエージェントを束ねますが、その連携の形（トポロジ）は人間が固定的に設計します。Fugu は、その連携の形そのものを学習で見つけにいきます。

最後に、アンサンブルやカスケード。複数モデルの出力を多数決で混ぜたり、安いモデルから順に試したりする古典的な手法です。これらは固定的なルールに従うだけで、入力ごとに指揮のしかたを変える学習されたポリシーは持ちません。

つまり、Fugu の独自性の核はこうです。

指揮者そのものが学習されたモデルであり、他社のブラックボックスなフロンティアモデルの「差し替え可能なプール」を再帰的に編成し、その指揮ポリシー（役割・トポロジ・プロンプト・停止条件）が学習で発見される——TRINITY は進化で、Conductor は強化学習で、それを実現しています。

Sakana の思想的一貫性——重みを混ぜられないなら、指揮を学習する

Fugu が単発の思いつきでないことは、Sakana の系譜をたどると見えてきます。先に見たように、Sakana の出発点は、重みを進化的に混ぜることでした。

しかし、この「重みを混ぜる」アプローチには、回避できない壁があります。混ぜるには各モデルの中身（パラメータ）が見えなければならず、閉じた API として提供されるフロンティアモデルには手が届かないのです。

ここに、Fugu の最も真正な独自性の物語があります。

Sakana は、重みを混ぜられないなら、同じ「進化の道具（CMA-ES）」を一段上のレイヤーへ持ち上げました。モデルの中身を混ぜるのではなく、モデルたちの「使い方（指揮）」を進化と学習で最適化する方向へ昇華させたのです。

閉じた API の壁にぶつかった研究者が、その壁を回り込むために発明した中間レイヤー——この一貫性こそが、Fugu の核心であり、他社が真似しにくい思想的な堀です。

思惑を読む——売りの本丸は性能ではなく「単一ベンダー依存からの解放」

技術論をビジネスの言葉に置き換えると、Fugu が売ろうとしている価値の本丸が見えてきます。それはベンチマークの順位ではなく、「単一ベンダー依存からの解放」という地政学ヘッジです。

Sakana の説明は、その狙いを率直に語ります。Anthropic の Fable や Mythos といったモデルに輸出規制がかかれば、「アクセスは一夜で変わる、あるいは消え去り得る」というのです。差し替え可能なプールを持つ Fugu なら、規制のかかったプロバイダを迂回し、別のモデルへ指揮を振り直せる——これが Fugu の中心的な訴求です。

ここで効いてくるのが、価値の所在の移り方です。最高の食材を自分で育てる農家ではなく、各地の最高の食材を仕入れて一皿に仕立てる料理人が価値を取る——Fugu が狙うのは、まさにこの料理人の位置です。誰が最強のモデルを作るかではなく、世界中のモデルを仕入れて一皿に組み上げる中間レイヤーに、価値が移っていくという賭けなのです。

課金設計に込められた思想——fee stacking をしない

この狙いは、価格設計にも一貫して表れています。複数のエージェントを束ねて動かすと、素朴に考えれば、呼び出すモデルの数だけ課金が積み上がりそうです。

Sakana はここで、「fee stacking（料金の積み増し）をしない」と明言しています。具体的には、複数のエージェントが同時に動いても、最上位モデルの単一レートのみが適用され、オーケストレーションにかかる分は標準レートで計算されます。

サブスクリプションは月額 Standard 20ドル／Pro 100ドル／Max 200ドルの3段階で、いずれも両層を含みます。Fugu Ultra の従量課金は、100万トークンあたり入力5ドル・出力30ドル・キャッシュ0.50ドルが基準です。「束ねる」ことの恐怖が「料金が雪だるま式に増える」ことだとすれば、その恐怖を先回りで打ち消す設計になっています。

国産であることの意味——主権としてのオーケストレーション

もう一つの思惑が、国産であることの戦略的な意味です。最先端のフロンティアモデルそのものを自前で訓練するのは、資金面でも計算資源の面でも容易ではありません。

しかし、世界中のモデルを「束ねて使いこなす」指揮層を国産で押さえれば、特定国のモデルが規制で使えなくなっても、別の選択肢へ切り替えられます。これは、技術主権を「最強の一手」ではなく「最強の指揮」で確保しようとする発想です。

その主権の物語には、現時点での実務的な制約も付いています。Fugu は当初、EU/EEA（欧州）では提供されません。

GDPR 対応を進める段階という位置づけで、欧州の利用者がすぐに使えるわけではないのです。グローバルに「どこのモデルでも束ねられる」という構図と、提供地域そのものに枠があるという現実は、分けて押さえておく必要があります。

中間レイヤーを握る者は、その上流（モデル提供者）と下流（利用者）の両方に対して交渉力を持ちます。Fugu のビジネスの堀は、巨大な重みそのものではなく、学習された指揮ポリシーと、乗り換えを促す課金設計の中にあります。

誰が気にすべきか

この動きを最も気にすべきは、次の人たちです。

調達：特定ベンダーへのロックインを避ける選択肢として、中間レイヤーの存在を評価対象に入れる価値があります。
アーキテクト：OpenAI 互換のドロップイン置き換えという設計は、移行コストの試算を大きく変えます。
コンプライアンス：どのモデルがどの国の規制下にあるかを把握し、迂回可能性を担保する論点が浮上します。
FinOps：fee stacking の有無は、エージェント運用のコスト予測を左右する重要な変数です。

正直な留保——構造を読めば見える、弱点

ここまでの訴求は魅力的に響きます。しかし、信頼できる判断のためには、構造的な弱点も同じだけの解像度で見ておく必要があります。

第一に、上位層の矛盾です。最高品質を狙う Fugu Ultra は、プールを固定します。

乗り換えの自由こそが Fugu の売りの本丸だったはずなのに、品質を最大化する場面では、その自由を手放すことになる。「単一ベンダー依存からの解放」という物語と、上位層の固定プールは、構造的に矛盾をはらみます。

第二に、検証不能性です。Fugu Ultra が、Anthropic の Fable5 や Mythos Preview と肩を並べるという主張は、Sakana の自己申告であり、独立した検証ができません。

これらのモデルは非公開で、ベンチマーク表に比較対象の列がそもそも存在しないためです。これは事実ではなく、あくまで Sakana の主張として受け止める必要があります。

第三に、主権の物語の未検証性です。Fugu のプールに具体的にどのモデルが入っているかは開示されておらず、「単一ベンダー依存がない」「主権が確保される」という主張は、独立に検証できません。

もし内部で特定国のフロンティアモデルに静かに依存しているなら、主権の物語は薄くなります。これは断定的に否定すべき話ではなく、構造的に未解決の問いとして提示しておくべき論点です。

第四に、ベンチマークの自己申告性です。現時点（2026年6月23日）で、Fugu が掲げるベンチマークは第三者による再現が確認されていません。

論文値と製品値の混同にも注意が必要で、TRINITY の86.2%や Conductor の値は論文値・特定版であり、製品ページが掲げる LiveCodeBench の数値とは指標が異なります。加えて、前述の Conductor のアブレーションが示した「勝因の多くは巧みなプロンプト力に帰せられる」という事実は、独自性の解像度を上げると同時に、過度な期待への冷静なブレーキにもなります。

そして第五に、これらの裏返しとして浮かぶ、最も皮肉な留保です。Fugu は、特定ベンダーへのロックインを避ける仕組みとして売られています。

ところが、その指揮層に組織のシステムを預ければ、今度は「Fugu 自体への依存」という新しいロックインが生まれかねません。ベンダーから自由になるための中間レイヤーが、いつのまにか新たな単一の要にすり替わる——この入れ替わりの危うさは、構造として意識しておく価値があります。

コスト優位も、無条件ではありません。オーケストレーションは実際のトークン消費を増やすため、高難度のタスクでは単一呼び出しより高くつく場合があります。節約は、トラフィックの構成に依存する条件付きのものであり、保証されたものではありません。

結び——「1つの巨大モデルか、多数を束ねるか」という分岐点

Fugu が問いかけているのは、Agent 時代のアーキテクチャをめぐる、一つの分岐点です。一方には、1つの巨大なモデルに能力を集約していく道があり、もう一方には、多数のモデルを賢く束ねて使いこなす道があります。

Sakana が Fugu で示したのは、後者に賭けるという明確な選択でした。新しい巨大モデルを訓練するのではなく、世界中のモデルを束ねて指揮する「指揮者そのもの」を学習させる——重みを混ぜられない時代に、進化の道具を一段上のレイヤーへ持ち上げた、思想の一貫した賭けです。社名が掲げる「魚の群れ」、すなわち小さな個体が集まって賢く振る舞うという発想は、ここでもう一度、最も大きな形で繰り返されています。

ここから、ビジネスの本質に通じる教訓を一つ引き出せます。

最強の一手を持つことと、最強の布陣を組めることは、別の能力です。

人と組織のマネジメントを思えば、これは古くからの真理でもあります。最も優れた一人を抱えることよりも、その時々の課題に応じて最適なチームを編成し、誰に考えさせ、誰に実行させ、誰に検証させるかを見極められる「指揮者」の価値は、AI の世界でも変わりません。

そして、Fugu の構造が突きつける最後の問いは、こうです。

差し替え可能なモデルの時代に、本当に価値が残るのは、最強のモデルを持つ者ではなく、その指揮者を所有する者ではないか——重みでもパラメータでもなく、「誰がオーケストレーションのレイヤーを握るか」という問いが、これからの数年の主戦場になります。その答えがまだ自己申告と非開示に包まれている以上、私たちが当面すべきことは、華やかなベンチマークではなく、その構造と思惑を冷静に読み続けることに尽きます。

藍