AIブームを牽引しているのは、英語と標準中国語(マンダリン)という2つの言語だ。主要AI開発企業であるOpenAI、Anthropic、DeepSeek、Moonshot AI、Z.aiなどはほぼすべてが米国か中国本土に拠点を置いており、その結果、各社のモデルは母語において最も高い性能を発揮する。そのため、数千万単位の話者を抱えるものを含め、他の無数の言語や方言が置き去りにされている。

「AI革命の全体は英語とマンダリンの中にある」と語るのは、香港を拠点に広東語やその他の顧みられない言語向けのAIモデル構築に取り組むスタートアップ、Votee AIのCEO、Pak-Sun Ting氏だ。「他の言語を代表する部分はごくわずかしかない」

Voteeは、他言語を軽視するAIという課題に取り組む企業が増える中の1社である。同社はMetaやAlibabaなどの開発者によるオープンウェイトのモデルを取得して広東語データで再学習し、その成果を銀行、大学、政府機関に販売している。実際にはこれは重要な意味を持つ。広東語対応を最も必要としがちなユーザーは公的な現場で働いており、そこでは地域の言語を正確に扱えるかどうかが、単なる日常会話ではなく日々の業務に影を落とすからだ。

「これは文化だけの問題ではない。広東語は教育、医療、警察の通信で使われている」とTing氏は言う。「これらがカバーされなければ、AIは事実上役に立たない」

広東語が違う点

広東語はしばしば中国語の「方言」と呼ばれるが、この呼び名は、中国語で最も広く話されるマンダリンとの実際の違いを過小評価している。広東語はマンダリンと文法が異なり、語彙も異なる。特に香港では、話者が英語と広東語の単語を、時には同じ文中で切り替えて使うことも多い。

広東語の話者は8,000万人を超え、これは韓国語の話者数とほぼ同等で、イタリア語やタイ語の話者数より多い。しかし、これほど大きな話者基盤がありながら、特に口語広東語については、標準化された書き言葉データが同程度の厚みで蓄積されてはこなかった。このため、汎用モデルは基本的なプロンプトでは有能に見えつつも、現地で使うために必要なニュアンスを捉え損ねることがあるのだ。

主要モデルが広東語の処理で完全に役に立たないわけではない。Voteeがスポンサーとなり、九州大学、香港教育大学、地域のAIコミュニティhon9kon9izeの研究者らが開発したベンチマーク群HKCanto-Evalによると、主流モデルは日常的な広東語を妥当な水準で扱えるものの、文化的・地域的な知識となるとしばしば失敗するという。

低コストでの学習

Ting氏によれば、広東語LLMの構築は「本質的には、ゼロからモデルを学習するのと同じ手順を踏む」ことだという。つまり、MetaのLlamaやAlibabaのQwenといった既存のオープンソースモデルを取り込み、広東語データで追加学習を行う。

Voteeは広東語データを、香港の公共放送である香港電台(RTHK)のコンテンツを含むオンライン上のスクレイピングから調達している。また、コミュニティや大学からデータを受け取るほか、ビッグデータ企業としての旧事業のコンテンツを活用し、さらに合成データとして、モデル学習用に独自の広東語データセットを作成している。

これらの取り組みにより、広東語データのコーパスは1億トークンから5億トークン超へと拡大した。

Votee AIのモデルは約700億パラメータの規模で、市場の最良モデルより大幅に小さい。それでもTing氏は、同社のモデルは広東語での理解と推論に十分な能力があると言う。さらに重要なのは、Voteeの学習コストが、決して小さいとは言えないものの、フロンティア研究機関よりはるかに小さい点だ。Ting氏の推計では、同社がモデル学習に使うトークンは5億〜10億個で、英語モデルに使われる数兆個と比べれば少なく、コストは約25万ドルだという。

ソブリンAI

「低リソース言語」、すなわち背後に膨大な刊行物コーパスを持たない言語向けのモデル構築に取り組む企業も複数ある。インドネシア第2位の通信会社Indosatは、バハサなどインドネシアの言語に注力するオープンソースの大規模言語モデルSahabat AIを構築している。シンガポールの国家支援組織AI Singaporeは、リソースが不足する東南アジア11言語をカバーするSEA-LIONを運営する。韓国はさらに踏み込んでおり、国家支援の勝ち残りトーナメント——地元メディアは「AIイカゲーム」と呼ぶ——を開催して国産基盤モデルのナショナルチャンピオンを選んでいる。2026年のAI予算は約68億ドルだ。

これらはすべて「ソブリンAI(主権AI)」という旗印の下にある。つまり、政府や企業が海外から借り受けるのではなく、自らのデータ、モデル、インフラを所有したいと考える考え方だ。

「AIはそれほど不可欠なものになった。だから、それを止せる他人とつながれたくはない」とTing氏は言う。同氏は、国がAIサプライチェーンのあらゆる部分を所有するというソブリンAIの完全版は「非常に難しい」と率直に認める。その代わりに、各国は基盤モデルと、その上に構築されるアプリケーションの所有に集中すべきだと提案する。

政府がいくつかのタスクを自動化するのに、フロンティア並みの強力なモデルは通常必要ない。Ting氏は、10億パラメータ程度の小さなモデルでも目的には十分だと説明する。より高度な能力が必要な場合は、強力な英語または中国語モデルの出力を、より小さな現地語モデルの出力に経由させればよい。

Ting氏は、同社がMiniMaxとSenseTimeのモデルを利用しており、業務ではNvidiaのチップも使えると指摘する。「Nvidiaのチップも使えるし、MoonshotやDeepSeekのモデルも使える。うちは高校で誰とでも仲良くなれるタイプの人間だよ」

Ting氏は言語保全を語るが、Voteeは営利企業である。広東語やバハサのような言語のAIモデルにとって、最初の顧客は政府と企業だ。Ting氏によれば、Voteeは「収益がコストを上回るという意味で」黒字であり、主に顧客契約を通じて資金を得ている。同社は現在、香港の蘭桂坊(ランクェイフォン)の歓楽街を育てた実業家Allan Zemanをアドバイザーに迎えている。

Voteeの野心は香港だけにとどまらない。Ting氏によると、同社はシンガポールのAI研究イニシアチブ、AI Singaporeと「活発な協議」を進めており、その後は東南アジアへとさらに展開する計画だ。その先として、東アジア、北米、アフリカなどの地域で危機に瀕した言語の保護にAIを活用することを模索したいとTing氏は考えている。

Ting氏は、英語のAIが他の言語に及ぼしていることを「タイプライターの瞬間」と呼ぶ。生産性向上があまりに大きいため、人々はそれを得るために自らの言語を手放してしまうのだ。「タイプライターの生産性は自国語と比べてあまりに強力だから、人々は英語を使うようになる」と氏は言う。

700億パラメータの広東語モデルがこの状況を変えられるかは未知数だ。しかしTing氏は、英語とマンダリンのAIが支配する世界で、他の言語に一矢報いる機会を与えたいという思いに今も駆られていると語る。

「言語がひとつ死ぬたびに、世界を見るもうひとつの方法を失うことになる」と氏は言う。「それは博物館に収められて、なんとなく眺められるものになるかもしれない。でも、私たちは多くの新しい知恵を解き放つこともできる」

Pak-Sun Ting氏は、9月8日にマカオで開催されるFortune Leaders Forumで講演する。

本記事はFortuneに最初に掲載されたものです。