【徹底解説】Sakana AI(サカナAI)とは？いつ上場するのか

近年、生成AIの発展は目覚ましく、新しいAI企業が次々と誕生しています。その中でも、「Sakana AI（サカナAI）」は特に注目を集めている企業のひとつです。2023年に設立されたばかりにもかかわらず、革新的なAI技術と急成長によって、すでに日本史上最速のユニコーン企業となりました。

しかし、そんなSakana AIについて、こんな疑問を持っている人も多いのではないでしょうか？

Sakana AIとはそもそもどんな企業なのか？
他のAI企業と何が違うのか？何がすごいのか？
Sakana AIはいつ上場するのか？株式は購入できるのか？

本記事では、Sakana AIの企業概要や技術の特徴、開発したAIモデル、資金調達の状況、いつ上場するのかなどを徹底的に解説していきます。（少し難しいのでご注意）

Sakana AI(サカナAI)とは？どんな会社なのか
Sakana AIは何がすごいのか
TAID（Temporally Adaptive Interpolated Distillation）とは？
Sakana AIが開発した主なモデル
Sakana AIはいつ上場するのか
Sakana AIまとめ

Sakana AI(サカナAI)とは？どんな会社なのか

Sakana AI（サカナAI）は、2023年7月に設立された日本発の生成AI企業で、本社は東京都港区西新橋にあります。共同創業者は、デビッド・ハ（CEO）、ライオン・ジョーンズ（CTO）、伊藤錬（COO）の3名。世界的に有名なAI研究者が立ち上げたことでも注目を集めています。

ジョーンズ氏とハ氏はGoogle時代の同僚で、特にジョーンズ氏はChatGPTの元になっている技術「Transformars」の論文の一つの共著者でもある。

事業のメインは、生成AIの基盤モデルの研究開発。後ほど説明しますが、「進化的モデルマージ」という技術を駆使し、複数の小型AIを組み合わせて高性能なモデルを作り出す、といった研究に取り組んでいます。

なぜ日本で創業したのか？

Sakana AIは、アメリカのシリコンバレーや中国・北京といったAI開発の中心地ではなく、あえて日本で創業したそうです。

その背景には、地政学的・経済的なリスクを避けると同時に、日本の技術力を活かして世界で戦えるAIを作りたいという想いがあります。

参考：米でも中国でもない世界的な生成AI技術者が日本を選んだワケ

目覚ましい成長と資金調達

Sakana AIは、設立からわずか1年足らずで急成長を遂げ、2024年には日本史上最速でユニコーン企業（評価額10億ドル超の未上場企業）になりました。

2024年1月に約45億円を調達
シリーズAで合計約300億円を調達

と、日本の企業としては異例のスピードで成長を続けています。

また、2025年1月にも、日本生命と明治安田生命からの出資を発表し、金融業界とのつながりを深めています。

日本生命と明治安田がSakana AIに投資してくださいました。
私たちの持つ最先端のエージェントAI技術などを活かし、両社との協業を進めてまいります。 pic.twitter.com/UQdgbNPkyW
— Sakana AI (@SakanaAILabs) February 10, 2025

「Sakana AI」ってどんな意味？

「Sakana（魚）」という社名は、小さなAIが集まって大きな力を発揮するという企業のビジョンを象徴しています。魚の群れが協力して泳ぐように、個々のAIが連携し、より強力なAIを生み出すという考え方が込められているそうです。

さらに、Sakana AIはAI技術の民主化にも力を入れており、開発したAIモデルをオープンソース化することで、世界中の研究者や企業が活用できる環境を整えています。

中国のAI企業DeepSeekによってNVIDIAやMetaといった企業の時価総額が100億円近く下落する、DeepSeekショックも話題となりましたが、Sakana AIのモデルが世界経済に影響を与える日も遠くないかもしれません。

Sakana AIは何がすごいのか

これだけ多くの企業から期待されているSakana AIですが、何がすごいのでしょうか？

Sakana AIによる研究結果がすでにいくつも発表されていますので、かいつまんでご紹介していきます。

Sakana AIのすごさ①：進化的モデルマージ

Sakana AIが開発した「進化的モデルマージ」は、複数のAIモデルを統合し、アルゴリズムを組み合わせて新しいモデルを自動生成する革新的な技術です。一般的なAI開発では、一つのモデルを大規模なデータで学習させるのが主流ですが、Sakana AIはこの方法とは異なり、異なる特性を持つ複数のAIを組み合わせて、より高性能なモデルを生み出すというアプローチを採用しています。

「モデルマージ」：学習モデルを掛け合わせること。大規模言語モデルや画像生成AIに置いてよく行われる。

この手法は、進化的アルゴリズムをベースにしており、ユーザーが求める特定の能力に優れた基盤モデルを自動的に作成できるのが大きな特徴です。まるで生物が進化するように、AIモデルを掛け合わせながら最適な組み合わせを見つけていく仕組みになっています。

▼進化的モデルマージの仕組み

進化的モデルマージは、以下の手順でAIを進化させていきます。

複数のAIモデルを用意
- それぞれ異なる構造や専門分野を持つモデルを選定。
AIモデルを評価
- 精度、処理速度、効率などの観点で各モデルを分析。
最適な組み合わせを生成
- 進化的アルゴリズムを活用し、評価結果に基づいて最適なモデルの組み合わせを作成。
統合と最適化を繰り返す
- さらに高性能なモデルを生み出せるよう、統合プロセスを何度も実施。

この仕組みにより、従来のAI開発では困難だった「異なる性質のAI同士の融合」を可能にし、まったく新しい性能を持つAIが生み出されるのです。

▼進化的モデルマージの強み

進化的モデルマージには、以下のような大きなメリットがあります。

人間の手を介さず、最適なAIモデルを発見できる
異なる特性を持つAIを組み合わせることで、新しい機能や性能を引き出せる
従来のAIモデルよりも高性能なAIを開発できる
大量のデータを使わずに短期間・低コストでモデル開発が可能

この技術により、例えば非英語圏の言語と数学、画像処理と文章理解など、これまで組み合わせが難しいとされていた領域のAIモデルを融合させることができます。また、専門家でも発見が難しいような最適なモデル統合方法を、進化的アルゴリズムが自動的に見つけてくれる点も画期的です。

Sakana AIのすごさ②：AIサイエンティスト

Sakana AIが開発した「AIサイエンティスト」は、AIが自ら科学研究を行う画期的なシステムです。これまでの研究プロセスは、人間が研究アイデアを考え、実験を行い、結果を分析して論文を執筆するという流れでしたが、AIサイエンティストはこの一連のプロセスを完全自動化するそうです。

このシステムは大規模言語モデル（LLM）を活用し、新しい研究アイデアの生成から実験の実施、論文の執筆、査読までを自律的に行うことが可能です。

実際にAIサイエンティストが執筆した論文の例はこちらから読むことが可能です。

▼AIサイエンティストの仕組み

AIサイエンティストは、研究の各プロセスを以下の流れで実行します。

ブレインストーミング（研究アイデアの発案）
- 研究の方向性を決めるためのアイデア出しを行います。
- 既存の学術文献を検索し、アイデアが新規性のあるものかどうかを確認。
実験の実施とデータの収集
- 提案した実験を自動で実行し、結果を視覚化するプロットを作成。
- 実験メモや保存された図など、論文作成に必要なデータを準備。
論文執筆
- 標準的な機械学習の学術論文のスタイルに沿って論文を自動作成。
- 関連する学術文献を検索し、適切な引用を追加。
査読（レビュー）
- 別のLLMが査読者として論文を批評し、フィードバックを提供。
- 改善点を反映し、研究成果を継続的に向上させる。

このサイクルを繰り返すことで、人間が関与することなく高品質な研究論文を生み出すことが可能になります。

AIサイエンティストの強み

研究プロセス全体を自動化し、効率化を実現
アイデア創出から論文執筆まで一貫してAIが対応
研究者の手間を大幅に削減し、生産性を向上
人材不足が課題となっている研究分野の競争力強化に貢献

AIサイエンティストは、日本国内でも指摘されている「AI研究に携わる人材不足」の問題を解決し、より多くの研究成果を短期間で生み出すことが期待されています。

驚くべきことに、1本の論文を完成させるのにかかるコストはわずか15ドル（約2300円）。これまでの研究と比べると、圧倒的なコスト削減を実現しています。

これにより、科学研究の効率が飛躍的に向上し、より多くの研究者がAIの力を活用できるようになります。

Sakana AIのすごさ③：CycleQD

Sakana AIは、大規模言語モデル（LLM）の知識や能力を効率的に小規模言語モデル（SLM）へ転移させる技術として「CycleQD」と「TAID」を開発しました。従来のAIモデルでは、大規模な計算資源を必要とするLLMが主流でしたが、これらの技術によってSLMでも高性能なAIを実現することが可能になります。

小規模言語モデル(SLM)：大規模言語モデル(LLM)と対比して用いられ、一部の領域に特化して学習させたモデルのこと。一般的にモデルは、学習量が増える（=モデルが大規模になる）ほど賢くなるとされているが、特定領域において動作させる場合は、その領域のみ学習させたほうが出力が良くなるというのがSLMの考え。

まず、CycleQD（Quality Diversity-based Evolutionary Framework）は、LLMエージェントの集団を進化させるフレームワークです。AIエージェントが個々のタスクに適応しながら、多様なスキルを獲得できるように設計されています。

▼CycleQDの仕組み（ざっくり）

多様性に着目した進化的計算とモデルマージを採用
- 異なる専門領域を持つAIエージェントを進化的に統合し、特定タスクに特化したエージェントを育成。
- AIエージェントが知識やスキルを忘れずに蓄積する仕組みを導入し、生涯学習の実現に向けた第一歩と位置付けられている。
エージェントの「ニッチ（生態的地位）」の定義
- それぞれのAIエージェントは異なるタスクに特化した「役割（ニッチ）」を持つ。
- 例えば、文章生成に強いモデルと数学的推論に強いモデルを別々に育て、多様なタスクに対応可能なAI集団を形成する。
進化的なアプローチを採用
- モデルマージを「交叉（crossover）」として用い、複数のモデルを掛け合わせてより優れたエージェントを生成。SVD（特異値分解）を「突然変異（mutation）」に活用し、AIエージェントを適応的に変化させる。
SLMへ転移することで、計算資源の効率化を実現
- 一般的な言語能力を損なうことなく、タスク特化型の小規模モデル群を生み出す。

これにより、従来のLLMよりも軽量で、特定の分野での高精度なパフォーマンスを発揮するAIが構築可能となるそうです。

TAID（Temporally Adaptive Interpolated Distillation）とは？

TAIDは、LLMの知識をSLMへ転移させる「知識蒸留（Knowledge Distillation）」の新しい手法です。従来の知識蒸留では、大規模モデル（教師モデル）の知識をそのまま小規模モデル（生徒モデル）に転移させるため、最適な学習ステップが欠けていました。

TAIDでは、生徒モデルの学習段階に合わせて段階的に知識を転移することで、より効果的な学習を実現します。

▼TAIDの仕組み(ざっくり)

「常にちょうど良いレベルの先生がつく」アプローチ
- 生徒モデルが成長するにつれて、段階的により高度な知識を持つ教師モデルに置き換えていく。
- これにより、無理なく効率的に知識を習得。
中間教師（Intermediate Teacher）の導入
- 小規模な生徒モデルに対し、いきなりLLMの知識を転移するのではなく、段階的に「橋渡し役」の教師を用意。
- 例えば、最初に32BパラメータのLLMから16B、次に8B、最終的に1.5Bと段階的に知識を転移することで、スムーズな学習プロセスを確立。
実績と成果
- 32BパラメータのLLMから1.5BパラメータのSLMへ知識を転移することで、1.5B規模の日本語言語モデルとして最高性能を記録。
- 視覚言語モデル（VLM）にも適用し、「TAID-VLM-2B」という英語の小規模視覚言語モデルの開発に成功。