← 2026-11-13 の一覧へ戻るホーム
中国の国境領域におけるAIモデルには、輸出規制対象のGPUの指紋が残されている

2026/11/13 6:56

中国の国境領域におけるAIモデルには、輸出規制対象のGPUの指紋が残されている

RSS: https://news.ycombinator.com/rss

元のHacker News記事へ ↗
要約▶

日本語訳：

改善された要約:

公開された AI モデルの重みの最近の法医学的分析は、特定の中国企業の DeepSeek、Moonshot AI、MiniMax、Ant Group が訓練用に制限付きの NVIDIA Blackwell GPU を利用していたことを示しており、この結論はインサイダー情報漏洩には依存せず、完全に数値パターンに基づくものである。同研究は、DeepSeek-V4-Flash、Kimi K3、MiniMax-M3 の 6 つの最近のモデルで特定の Blackwell 構成（B200/B300 または GB200/GB300）に一致する明確な指紋を特定し、これらを旧型の Hopper チップを使用していた以前のモデルと区別している。Alibaba、Zhipu、Tencent を含む他の主要なラボおよび Meituan がまだ Blackwell 技術に移行していない一方で、特定された企業は 2024 年末から 2026 年中盤にかけての明確な移行タイムラインを示している。統計学的検証により、これらのハードウェア一致は高유의有意性（確率より 49 から 1,385 スイガ超過）で確認され、DeepSeek-V4-Flash の場合、特定の重み保持テストを通じて AMD の代替品である MI300X を排除している。この方法は物理的な所在地を証明したり、追加の証拠なしで輸出管理違反を最終的に確認することはできないものの、1 つのモデル実行あたり 500〜3,000 個の GPU を必要とする大規模な運用スケールおよび 1.5 億ドルから 10 億ドル以上のコストを明らかにしている。この法医学的技術は、物理検査の必要性を回避し、オープンソースデータのみを使用して高級 AI ハードウェアの使用を監視するための規制当局への新たなツールを提供する。

本文

中国の主要 AI モデルに見られる NVIDIA Blackwell GPU の使用に関するフォレンジック分析報告書

エグゼクティブ・サマリー

当研究所が行った公開された AI モデルに関するフォレンジック分析の結果、DeepSeek、Moonshot AI（月-shot AI）、MiniMax、Ant Groupの各社は、中国へのチップ輸出制限にもかかわらず、NVIDIA の Blackwell GPUにアクセスし、そのハードウェアを利用して AI モデルを作成したとの証拠が確認されました。

  • 2026 年 4 月以来にリリースされた 6 つのモデルには、Blackwell ハードウェア特有の数値パターン（フィンガープリント）が見られました。
  • これに対し、同社の以前のモデルは NVIDIA の前世代である Hopper アーキテクチャと一致しました。
  • この発見は、複数の主要な中国 AI 開発者が Blackwell を利用して最新モデルの訓練を開始したことを示唆しています。
    • *注記：米国高官や報道機関がすでに DeepSeek および Moonshot AI が Blackwell チップを使用しているとの主張を行っていましたが、今回の報告は初めて技術的な証拠を発表します。

発見の信頼性と限界について

  • 情報の源泉: 今回の証拠は、情報漏洩や内部関係者の証言ではなく、**モデル自身の公開された重み（weights）**を完全に基にして導き出されたものです。
  • 「フィンガープリント」の本質: モデルの初期値（initial values）を追跡し、それを再現するハードウェア構成を検索しました。「フィンガープリント」は重みがどのように生成されたかを示しており、Blackwell が訓練も実施したという推論を支えますが（証明するものではありません）、高度なコンピューティング・ハードウェアへのアクセスという技術的証拠を提供します。
  • 規制違反の断定について: 発見はチップがどこに位置していたか、アクセスがどのように獲得されたか、輸出規制が明確に違反されたかどうかについては断定できません。

表 1：主要モデルにおけるハードウェアフィンガープリントの推移

モデル名リリース時期起動に使われたチップ
DeepSeek-V32024 年 12 月NVIDIA Hopper (H800)
DeepSeek-V4-Flash2026 年 4 月• NVIDIA Blackwell B200/B300
DeepSeek-V4-Pro2026 年 4 月• NVIDIA Blackwell GB200/GB300
Kimi K22025 年 7 月NVIDIA Hopper (H800)
Kimi K2.52026 年 1 月NVIDIA Hopper (H800)
Kimi K32026 年 7 月• NVIDIA Blackwell GB200/GB300
Kimi K3.1-Pro2026 年 11 月• NVIDIA Blackwell GB200/GB300
MiniMax-M2.72026 年 4 月NVIDIA Hopper
MiniMax-M32026 年 6 月• NVIDIA Blackwell B200/B300
Ling-3.0-flash2026 年 8 月NVIDIA Hopper
Ling-3.1-flash2026 年 10 月• NVIDIA Blackwell GB200/GB300
  • ライセンス状況: 中国への輸出には米国のライセンスが必要ですが、報告されている例はありません。
  • Hopper の特定について: Hopper のフィンガープリントでは、H800 と H100 SXM または H200 を区別できません。上記の H800 の特定は当研究所の方法による発見ではなく、ラボ側の発表に基づくものです。

メイン・ファインディングズ（主な見解）

当調査により、4 つの中国の研究所（ラボ）から公開された 6 つのモデルが、NVIDIA Blackwellで訓練されたものとして読み取られました。

  • DeepSeek-V4-FlashとMiniMax-M3は、NVIDIA の Blackwell クラスである B200 または B300 チップ（148 個のプロセッサコア：SM）と一致します。
  • DeepSeek-V4-Pro、Kimi K3、Kimi K3.1-ProおよびLing-3.1-flashは、Blackwell クラスの GB200 または GB300 チップ（152 個のプロセッサコア）と一致します。
  • 移行プロセス:
    • DeepSeek: V3（Hopper）→ V4（Blackwell）
    • Moonshot: K2.5（Hopper）→ K3（Blackwell）
      • 例外: Kimi K2.7-Code は Hopper エポックで作成されていますが、B200/B300 の一部を含んでいます。
    • MiniMax: M2.7（Hopper）→ M3（Blackwell）
    • Ant Group (Ling): Ling-3.0（Hopper）→ Ling-3.1（Blackwell）

中国以外のラボとの比較

  • 非移行企業: Alibaba（Qwen）、Zhipu（GLM）、Tencent、Xiaomi および StepFun の最新モデルはすべて Hopper で訓練されたものとして読み取られました。
  • 特異なケース: Meituan の LongCat-2.0 は「AI ASIC スーパーポッド」での訓練を主張しており、NVIDIA のフィンガープリントは見つかりませんでした。

統計的有意性と規模

  • 偶然の一致の排除: 無関係の数値同士が一致することは稀です。約 6 トリリオもの組み合わせを検索し、最も強い偶然の一致でも約 8 スイグマ（標準偏差）程度しか得られなかったのに対し、各モデルに対する証拠は 49 から 1,385 スイグマに達しています。
  • 訓練規模: 各実行には 2〜3 ヶ月（DeepSeek-V4-Flash は 6〜8 週間）にわたり、約 500 台から 3,000 台の Blackwell GPU が必要でした。
    • DeepSeek-V4-Flash: 1,000–1,500 台（最良の見積もり）
    • DeepSeek-V4-Pro: 2,000–2,500 台

表 2：各訓練実行の概略規模

モデル名Blackwell GPU（最良の見積もり）レンジ
DeepSeek-V4-Flash1,000–1,500250–4,500
DeepSeek-V4-Pro2,000–2,500750–6,000
Kimi K32,000–3,0001,000–8,000
MiniMax-M3500–600200–2,000
Ling-3.1-flash1,100–1,650400–6,500
  • コスト推計: GPU 1 台あたり約 7 万ドルを適用すると、最大のクラスターは 1.5 億〜2 億ドル、5 つのモデル全体では 5 億ドル以上（総支出は数十億ドルに及ぶ可能性あり）です。

私たちの調査：技術的背景と手法

モデルの「重み」は数十億個の調整可能な数値であり、訓練開始前の初期値は Philox という擬似乱数生成器により生成されます。同じシード（seed）と設定を与えれば、毎回同じ数値が生成され、再現性を持たせます。

  • PyTorch の動作: PyTorch は GPU 上の多数の並列ワーカー（スレッド）に割り当てて重みを埋めます。
  • SM とスレッド: NVIDIA チップでは、処理ユニットごとに最大 2,048 スレッドを使用します。
    • Blackwell B200/B300: 148 SM / 303,104 スレッド
    • Blackwell GB200/GB300: 152 SM / 311,296 スレッド
    • Hopper H100/H200/H800: 132 SM / 270,336 スレッド

重みの配置はハードウェアの指紋になります。 シードを固定してスレッド数（SM）を変えると、初期値の数値は一致しますが、位置がずれます。したがって、公開されたモデルの重みから、どのハードウェア構成（SM の数）で初期化されたかを特定できます。

  • 生存した痕跡: 訓練中に更新されなかった一部の重みは、ほぼ正確に初期値を保持しています。
  • 弱いが測定可能な関係: 訓練によって変更された重みでも、より高い初期値が依然としてより高い最終値に対応する傾向が残っています（相関）。

図の概要（参考）

  • 図 1 & 2: シードとスレッド数（レイアウト）が異なる場合、公開された重みの配置が一致しない様子を簡易例で示しています。
  • 図 3: シードとスレッド数の両方が正しい場合にのみ、元のマトリックスを再現できることを示します。
  • 図 6: DeepSeek-V3 は Hopper（132 SM）、V4-Flash は Blackwell B200/B300（148 SM）、Kimi K3 は GB200/GB300（152 SM）と明確なピークを持つレイアウトを再現しています。

私たちの調査の限界

当フォレンジック手法は以下の点で限界があります。

  • 適用対象: 公開された重みが必要なので、閉鎖型モデルはチェックできません。
  • フレームワーク依存: PyTorch を使用して生成されたパターンが必要です。Baidu の PaddlePaddle フレームワークや、CPU で初期化された重み（例：Alibaba の Qwen3 モデルの一部）には GPU のフィンガープリントが残っておらず、特定できませんでした。
  • ハードウェアの特定範囲: 初期重みの生成に使われたハードウェアを特定しますが、その後に別のシステムで訓練を行った場合や、混合クラスター（例：NVIDIA で初期化し、Huawei で訓練）の場合には、すべてのチップが特定できない可能性があります。
  • 規制違反の証明: 証拠は「アクセス」を示しますが、「密輸」や「明確な規制違反」そのものを直接確立するものではありません。

我々の発見の検証

既知の答えを導き出すテストを実施しました。

  • 再現テスト: Hopper クラス（H100）と Blackwell クラス（B300/GB200）上で修正なしの PyTorch を実行し、DeepSeek のシード番号を使用しました。
    • 結果: H100 は DeepSeek-V3 の初期値を再現しましたが V4-Flash では失敗し、B300 は逆のパターンを正しく再現しました。
  • 一致性確認: 開発者が特定のハードウェアを開示した 24 つのケースについて、当手法はすべて一致しました（例：Meta の Llama 3.1, NVIDIA の Nemotron-3 Ultra）。

統計的閾値の設定

  • 偶然の可能性: シードとレイアウトの約 6 トリリオの組み合わせを検索することは、統計的な誤検知のリスクを含みます。大規模検索における偶然の一致を評価するための基準として、約 8 スイグマを使用します。
  • 当発見の評価: 各モデルに対する最強の証拠はそれぞれ 49 から 1,385 スイグマに達しており、統計モデルの下では偶然による説明が不可能な強度です。

結論

我々のフォレンジック調査に基づき、以下の点で6 つの中国 AI モデルについて強く判断します。

  • 初期化: DeepSeek-V4-Flash の場合は証拠が決定的であり、他のモデルも含め、これらは輸出規制対象の NVIDIA ハードウェア上で初期化されました。
  • 訓練: この初期化は、同様のハードウェアでの訓練も強く示唆しています。

開発企業がこれらのシステムを入手した経緯についてはさらに調査が必要ですが、この事実は公衆の緊急な関心を要するものと判断します。

付録情報

付録 1：各中国研究所の時間経過に伴うハードウェア

（概要）主要研究所からのモデルにおけるハードウェアフィンガープリントの変遷と証拠の強さ。

  • DeepSeek: V2-Lite (Ampere) → V3/V3.2 (Hopper) → V4-Flash/V4-Pro (Blackwell)
  • Moonshot AI: Kimi K2/K2.5 (Hopper) → Kimi K3/K3.1-Pro (Blackwell)
  • MiniMax: M2.7 (Hopper) → M3 (Blackwell)
  • Ant Group: Ling-3.0 (Hopper) → Ling-3.1-flash (Blackwell)

公開コードの発見: Ant Group の cuLA リポジトリには、GB300 で生成されたベンチマーク結果が含まれており、2025 年 6 月の DeepSeek エンジニアのコメントでは「SM100 GPU を持っていない」と書かれていた事実と矛盾しています。

付録 2：識別されたすべてのモデル

（概要）完全なモデルカタログ、開発者、公的に開示されたハードウェア、当研究所との整合性、および輸出規制ステータスの一覧表。

  • 米国: Meta (Llama 3.1)、NVIDIA (Nemotron-3 Ultra) など、自社開発や公開ハードウェアと一致するモデルも多数確認されています。
  • 欧州: Apertus-70B (Swiss AI) なども Hopper/H200 と読み取られています。

引用方法:

  • 推奨: Will DePue, "Top Chinese Frontier AI Models Carry the Fingerprint of Export-Controlled NVIDIA Blackwell GPUs," Unemployment Labs, November 12, 2026.
  • ニュース報道において: 発見は Will DePue に帰属させ、当ページのリンクを付けてください。

同じ日のほかのニュース

一覧に戻る →

2026/11/13 3:39

Rust 1.100

## Japanese Translation: はい、元のサマリーは具体的な技術的な安定化の範囲を捉えたり、アロケータの機能に関する曖昧さを解消したりするために改善が必要です。 **改訂されたサマリー:** Rust チームは公式にバージョン 1.100.0 をリリースしました。これは長待たされてきた機能である「never type」（`!`）を安定化させ、より効率的でカスタマイズ可能なメモリ管理システムを構築するための強力な新 API を導入するマイルストーンです。このリリースには、トランザクションのような安全性を提供する `DropGuard` API、ゼロサイズタイプを作成するための `conjure_zst`、および `Vec` および `Box` 用のアロケータに特化したコンストラクタなど、主要な機能が追加されています。 アップグレードするには、ユーザーは `rustup update stable`を実行するか、`rustup` が不足している場合は Rust ウェブサイトからツールを直接ダウンロードしてください。ほとんどの変更は安全ですが、2024 年版より前のエディションのユーザーにとっては重要な不互換の変更があります：never type の内部フォールバックが `()` から `!` にシフトしました。開発者はコードを調整し、互換性を維持するために新しい `Infallible`アリアスを使用する必要があります。また、このアップデートは Cargo において重大な安全性の向上をもたらしており、未使用の依存関係に対するデフォルト警告や、サプライチェーンリスクを軽減するための最小公開年齢の設定などが含まれます。チームは、早期の問題発見に貢献し、よりスムーズなエコシステムの発展を実現するため、ユーザーがベータまたはナイトリーチャンネルで今後のリリースを試すことを推奨しています。

2026/11/13 3:52

ジェミニ4水和素およびオーケストレーター

## Japanese Translation: 本日、Google は独立した AI モデル「Gemini 4 Hydrogen」を発表し、人工知能分析指数（Artificial Analysis Intelligence Index）でスコア 51 を記録して Argon の 50 を上回るとともに、Terminal-Bench 4.1 で 57% のスコアを取得し、前 versions の 3.8 Flash バージョンの性能を 3 倍以上向上させました。このリリースでは、「Orchestrator」という動的システムが新たに導入されました。これは現在、Google AI Ultra サブスクリプションユーザーに利用可能であり、Hydrogen と Carbon 計画モデルを組み合わせることで複雑なワークフローを最適化します。静的ルーティングシステムとは異なり、Orchestrator は双方向のアプローチを採用しており、Carbon が読み取り専用フェーズと計画を担当し、Hydrogen が書き込み、編集、テストを担当します。Hydrogen が困難に遭遇した場合は、自動的に Carbon に戻って計画の修復を受け、その後再開を行います。この動的な協調により、Carbon のタスク成功率达到にほぼ匹敵しつつ、コンピューティングクォータは 24% 削減し、タスク完了を 19% 高速化を実現しています。開発者は Antigravity SDK を直接使用して多モデルパイプラインに対するプログラム制御を行うことができ、Hydrogen は推論深度の 4 レベル（low、medium、high、xhigh）を提供します。今後の更新では、オープンソースデモへのアクセスが拡大され、例えばエージェントが高速な反復と高レベルのセキュリティチェックの間で任務を分担する問題の分類など、新たなユースケースが追加される予定です。最終的に、このイノベーションは要求の高いソフトウェア開発タスクに対して効率的なリソース配分を提供し、速度や品質を損なうことなく高度な低遅延推論機能を備えています。

2026/11/13 6:13

Foundation Models フレームワーク (macOS)

## Japanese Translation: Apple の Foundation Models フレームワークは、大規模言語モデルをシームレスに統合するネイティブ Swift API を提供することで、アプリ開発を革新します。その最も重要な特徴は、オンデバイスまたはクラウドにあるどの AI モデルプロバイダーにも、複雑な設定なしでアクセスできるようにする統一プロトコルです。ガイド付き生成、ツール呼び出し、画像理解（マルチモーダルプロンプト、Vision フレームワークによる OCR、バーコードスキャンを含む）、ダイナミックプロファイルといった組み込みツールがワークフローを簡素化し、Evaluations フレームワークはプロンプトのテストおよび動的条件下での機能検証を可能にします。プライバシー重視の Private Cloud Compute は、ユーザーデータが安全な環境外に出るか Apple によって保存されることはありません。特に、App Store Small Business プログラムに登録しており、初回ダウンロード数が 200 万未満の開発者は、これらのリソースを無料でお使いいただけます。さらに、新しい Python SDK がエコシステムのリーチを広げ、人気ツールとの統合を容易にし、カスタムスキルやコンテキスト管理ヘルパーなどの実験的機能を備えたオープンソースユーティリティパッケージが提供されています。今後、macOS 27 ではフルアプリケーションを書かずに高速なスクリプト作成と自動化を実現する `fm` CLI ツールを導入します。多様なモデル機能—from オンデバイス機能から Claude サーバーサイドの巨人まで—を一元化することで、このフレームワークは開発を簡素化しユーザーデータを保護し、あらゆるデバイスにわたる AI 統合のための堅牢な未来を確立します。

中国の国境領域におけるAIモデルには、輸出規制対象のGPUの指紋が残されている | そっか～ニュース