AIプラットフォームとモデル比較

文書基準: 2026年9月 | この文書は変化の速い領域であり、四半期ごとのレビュー対象です。

概要

従来型MLから生成AIまで

世代	主要技術	特徴	クラウドサービス例
従来型ML	回帰、分類、クラスタリング	定型データベース、フィーチャーエンジニアリングが必要	SageMaker, Azure ML, Vertex AI
ディープラーニング	CNN, RNN, Transformer	非定型データ(画像、テキスト、音声)の処理。GPU必須	GPUインスタンス、マネージド学習プラットフォーム
生成AI	ファウンデーションモデル (LLM、マルチモーダル)	テキスト/画像/コード生成。API呼び出しで利用	Bedrock, Microsoft Foundry, Gemini
エージェンティックAI	LLM + ツール呼び出し + 自律実行	目標を与えると自ら計画・実行・検証	AgentCore, Foundry Agents, 詳細→

パラダイムシフト: 従来型MLは「データを集めてモデルを直接学習する」方式でした。2017年にGoogleが発表したTransformerアーキテクチャ(“Attention Is All You Need”)が転換点となりました。大規模テキストを並列で学習できるようになったことでGPT、BERTなどのファウンデーションモデルが誕生し、その後「すでに学習済みのモデルをAPIで呼び出す」生成AI時代が幕を開けました。エージェンティックAIでは、このモデルがツールを使って「自ら作業を完遂する」段階へと進化しています。

こんな状況で役立ちます

チャットボット/問い合わせ自動化 — 顧客問い合わせに24時間対応したいとき
文書要約/分類 — 大量の報告書、メール、契約書を素早く分析したいとき
翻訳/コンテンツ生成 — 多言語対応、マーケティングコピー生成、製品説明の自動化
コード作成/レビュー — 開発生産性の向上、セキュリティ脆弱性の検出
データ分析 — 自然言語の質問でデータインサイトを得る

オンプレミスでAI/MLを行うには、GPUサーバーの購入、フレームワークのインストール、学習インフラの構成を自ら行う必要があります。クラウドではGPUを時間単位でレンタルし、マネージドプラットフォームでモデルを学習・デプロイできます。

生成AIモデルの種類

種類	入力 → 出力	代表的サービス	ユースケース
テキスト (LLM)	テキスト → テキスト	GPT-6系, Claude Opus 5.5, Gemini 3.x系	チャットボット、要約、コード生成
画像生成	テキスト → 画像	DALL-E, MAI-Image, Imagen, Titan Image	マーケティング、デザイン
音声 (TTS/STT)	テキスト ↔ 音声	Polly, Nova Sonic, MAI-Voice, Azure Speech, Cloud TTS	議事録、ARS、アクセシビリティ、音声エージェント
動画生成	テキスト → 動画	Nova Reel, Veo 3.1, Gemini Omni	広告、ショート動画
動画理解	動画 → テキスト	Bedrock（TwelveLabs Pegasus）、Vertex AI（Gemini）、Azure AI Content Understanding、OCI Generative AI（Video Understanding）	動画検索、シーン分析、字幕・要約
マルチモーダル	テキスト+画像+音声 → テキスト	GPT-6系, Gemini 3.x系, Claude Opus 5.5	文書理解、画像分析
エンベディング	テキスト/画像 → ベクトル	Titan Embeddings, Gemini Embedding, Cohere Embed	RAG、類似度検索

意思決定モデル（System One・非生成型）

上記の種類の多くはコンテンツを生成しますが、テキストを生成せず、定義済みの質問に構造化された判定を返すモデル群が2026年9月を起点に急速に形成されています。ベンダーはこれらを「意思決定モデル（decision model）」または「System One モデル」と呼びます。状態（state）とタイプの定まった質問を受け取り、選択肢・スコア・確率に較正された信頼度（calibration）を付けて返すため、ソフトウェアは自由テキストをパースせずに結果をそのまま分岐条件として使えます。柔軟性を手放す代わりに、低遅延・高効率・常に列挙された選択肢内での応答を得られますが、複雑な推論・生成（コーディング・要約・チャットボット）には不向きです。

モデル	提供元	形態	特徴
Jev	TypeSafe AI	ホステッド	TypeSafeが「System One」と名付けて2026年9月中旬に公開したモデル。タイプ質問（Noul・Choice・Score）に確率・信頼度の判定を返す。コンテキスト32,000トークン、入力100万トークンあたり$0.042・出力課金なし、zero data retention。Cloudflare Workers AI経由で提供
GLiNER2.5-Decide	Fastino Labs	オープンウェイト（Apache 2.0）	2026年9月下旬公開。モデルカード基準で340Mパラメータ、GPUなしのCPUでも実行。DeBERTa-v3エンコーダベースで、ルーティング・感情・yes/noゲート・順位スコアなどの運用判定に特化。確率分布・信頼度・制約充足メタデータを返す。オープンソースGLiNER2系列の意思決定派生
Strands Decider 2B	Strands Labs	オープンウェイト（Apache 2.0）	2026年10月初旬公開。Qwen3.5-2Bデコーダから生成ヘッドを除去し、ポインタヘッド（約100万パラメータ）を載せて列挙された選択肢の一つを指す方式。ローカル（CPU・CUDA・MPS・MLX）実行、選択肢分布に基づく信頼度を提供。配布物はアダプタ・ヘッドで、Qwenベース重みは別途ダウンロードが必要。遅延は自社測定基準でタスク・ハードウェアにより大きく変動（例：RTX 3090で全体中央値約115ms）。ブログ · GitHub

上記のモデルは似た入出力規約を共有しつつ、デプロイ形態（ホステッド ↔ オープンウェイト）と実行環境（マネージドAPI ↔ ローカルCPU/GPU）で分かれます。選択軸は「どこで動かすか（データ移転制約・エッジの有無）」と「要求精度・遅延」です。

生成AIサービス

ファウンデーションモデルAPI

自らモデルを学習させることなく、ベンダーがホスティングする大規模言語モデル(LLM)をAPIで呼び出します。各ベンダーは自社開発モデルとパートナーモデルを併せて提供しており、エコシステムが急速に拡大しています。

モデル提供社	主要モデル	1P (直接)	3P (クラウド提供)
OpenAI	GPT-6系(Astraフラッグシップ / Sol中級 / Luna低コスト)、GPT-5.6、oシリーズ	api.openai.com	Azure Foundry, Bedrock
Anthropic	Claude Fable 5.1, Opus 5.5, Sonnet 5, Haiku 5.5	api.anthropic.com	Bedrock, Vertex AI
Google	Gemini 3.x世代 (Pro/Flash — 世代・バリアント・Preview/GAは公式文書で確認)、Gemini Omni	Gemini API	Vertex AI (ネイティブ)
SpaceXAI (旧xAI)	Grok 4.7, Grok Imagine	x.ai/api	OCI, Vertex AI, Bedrock, Azure
Moonshot AI	Kimi K3 (オープンウェイト、マルチモーダル)	platform.moonshot.ai	Bedrock, OCI(インポート), セルフホスティング
Meta	Llama 4 (オープンウェイト)	llama.com	Bedrock, Vertex, Azure, OCI (ホスティング)
Amazon	Nova 1(Premier/Pro/Lite/Micro/Sonic等) + Nova 2(Lite GA、Pro Preview、Nova 2.5 Sonicは音声GA)	— (Bedrock専用)	Bedrock
Microsoft	MAI (Image/Voice/Transcribe)	— (Foundry専用)	Azure Foundry
Mistral	Large, Small, Codestral	api.mistral.ai	Bedrock, Azure, Vertex
Upstage	Solar Pro 4/3, Solar Mini 4, Solar Open 2	console.upstage.ai	AWS/Azure Marketplace
LG AI Research	EXAONE 4.x	直接契約	Marketplace、セルフホスティング

クラウドプラットフォーム別の特徴

上記のモデルをホスティングするクラウドプラットフォームは、それぞれ独自の付加価値を提供します。

プラットフォーム	強み
Amazon Bedrock	マルチモデル単一API、AgentCore、AWS IAM/VPC統合、EDP消化
Microsoft Foundry	OpenAI主力チャネル、M365/GitHub統合、Foundry Local(閉域網)、PTU
Vertex AI / Gemini Platform	Geminiネイティブ、2Mトークン、Model Garden 200+モデル、ADK
OCI Enterprise AI	Oracle DB統合、専用GPUクラスター(RDMA)、イグレス10TB無料

AIエージェント / RAG

ベンダー	エージェントプラットフォーム	RAG
AWS	Bedrock AgentCore	Bedrock Knowledge Bases — Managed KB(Smart Parsing, Agentic Retriever), Web Search
Azure	Microsoft Foundry Agents	Azure AI Search
Google Cloud	Gemini Enterprise Agent Platform	Vertex AI RAG Engine
OCI	OCI Enterprise AI Agents	OCI Search連携

コードアシスタント / AIエージェント

コーディングエージェント(Kiro, Claude Code, Codex, Copilotなど)とエージェントプラットフォーム(AgentCore, Foundry Agentsなど)はAIエージェントで扱います。

MLプラットフォーム

自らモデルを学習・デプロイする必要がある場合に使用します。

ベンダー	製品	備考
AWS	SageMaker AI	学習、チューニング、デプロイ、MLOps統合プラットフォーム
Azure	Azure Machine Learning	ノートブック、AutoML、パイプライン、モデルレジストリ
Google Cloud	Vertex AI	学習、デプロイ、パイプライン、Feature Store統合
OCI	OCI Data Science	ノートブック、モデル学習/デプロイ、パイプライン

GPU / AIアクセラレータ

モデルの学習・推論に使うベンダー別GPUインスタンス（Blackwell B200/GB200、Hopper H100/H200、A100）、自社AIチップ（AWS Trainium/Inferentia、Azure Maia、Google TPU）、予約・スポットオプションは、マルチクラウドAI — GPU可用性に世代別スペック・性能・リージョン可用性とあわせて一元的に整理しています。

GPUインスタンスを選んだら、それらをどうクラスターにまとめて学習・推論するか（通信網・配置・分散学習・Kubernetes・容量・コスト）はGPUインフラの文書群で扱います。

主な違い

Amazon Bedrock — 自社開発のAmazon Novaモデル(第1世代Premier/Pro/Lite/Micro/Sonic等とNova 2 Lite/Pro等 — 公式モデル一覧で世代・提供状況を確認)と、Anthropic Claude、OpenAI GPTシリーズなど多様な提供社のモデルに単一APIでアクセスできます。モデル選択の幅が広く、AIエージェント構築のためのAgentCoreなどの運用体系が強みです。

Microsoft Foundry — 旧Azure AI Foundryがブランドを統合した上位プラットフォームです。OpenAIモデル(GPT-6系、GPT-5.6系列)をエンタープライズ環境で利用できる主要な経路であり、Anthropic、Metaなど他社モデルも幅広く提供します。自社のMAIモデル群(Image-2.5, Voice-1, Transcribe-1)とFoundry Local(ローカル/閉域網実行)が追加されました。Microsoft 365、GitHub、Power Platformなど既存のMicrosoftエコシステムとの深い統合が最大の強みです。

Gemini Enterprise Agent Platform — 旧Vertex AIがエージェント中心に全面刷新されたプラットフォームです。Google自社のGemini 3.x世代シリーズ(Pro/Flash — 各バリエーションの世代・Preview/GA・上限は公式文書で確認)のネイティブなマルチモーダル能力とTPUインフラが強みです。長文コンテキスト・推論モード・Gemini Omni(マルチモーダル)や、Agent Studioを通じたローコードエージェント開発、Google Search/BigQueryとの連携が差別化ポイントです。

OCI Enterprise AI — 旧OCI Generative AIが拡張されたプラットフォームです。Cohere、Meta Llama、SpaceXAI Grok、Google GeminiなどのモデルをOCIインフラでホスティングし、専用AIクラスター(Dedicated AI Cluster)とRDMAベースのBare Metal GPUで高性能ワークロードを支援します。AI Guardrails(コンテンツモデレーション、PII検出、プロンプトインジェクション防御)とEnterprise AI Agents(GA)が追加されました。OpenAIとのパートナーシップにより、OpenAIモデル(API)およびCodexをOCI MarketplaceでOracle Universal Creditsとして利用でき、Oracle Database/アプリケーションとのネイティブ統合が強みです。

AI活用の拡張方向

Applied AI (業界別完成型サービス)

領域	ベンダーサービス	トレンド (2025-2026)
コンタクトセンター	Amazon Connect, Azure Contact Center, Google CCAI	コパイロット → 自律エージェントへの転換
文書処理	Textract, Document Intelligence, Document AI	LLM/マルチモーダル推論の結合
BI	Amazon Quick, Copilot in Power BI, Gemini in Looker	エージェンティック分析、ダッシュボードエージェント
ヘルスケア	Amazon Connect Health, Azure Health Bot	HIPAAエージェント

Physical AI (物理世界との接続)

センサー・ロボット・設備など物理世界とAIを接続するPhysical AI(エッジ推論、デジタルツイン・シミュレーション、ロボティクス基盤モデル)は、別文書Physical AIでベンダー中立の視点から詳しく扱います。

マルチクラウドモデルアクセスの変化 (2025-2026)

2025～2026年にかけて、モデル提供社とクラウドベンダー間の関係が変化しています。最大の変化はOpenAI-Microsoft独占の終了であり、その他の提供社もチャネルを拡大しています。

時期	イベント	影響
2026.04	OpenAI-Microsoft独占終了	OpenAIモデルをAzure以外のプラットフォームでも提供可能に
2026.04	OpenAIモデル → Bedrock提供開始	独占終了直後にGPT-5.xがBedrockに登場
2025-2026	SpaceXAI(旧xAI) Grokのマルチクラウド展開	Azure AI Foundry(2025.09), Vertex AI, OCI, Bedrock(Grok 4.7、GovCloud 2026.10含む)
2025-2026	Anthropic Claudeのチャネル強化	既存のBedrock/Vertexに加え、OCIなどの追加チャネル
2026.09	フラッグシップ世代刷新の波	OpenAI GPT-6系(Astra/Sol/Luna)、Anthropic Opus 5.5がAPI・Bedrock・Vertex・Foundryへ展開

運用上の示唆:

単一のクラウドベンダーに縛られず、複数の経路で同一モデルにアクセスできるようになりました
モデル選択時に「どのモデルか」だけでなく「どのプラットフォームからアクセスするとコスト/SLA/リージョンが有利か」が意思決定基準となります
マルチクラウドAIでベンダーの組み合わせ戦略を詳しく扱います

推論コスト最適化

生成AIの主なコストは推論(inference) で発生します。2025-2026年にベンダーが導入したコスト削減オプションです。

戦略	説明	ベンダー対応
Flex/バッチ推論	レイテンシに敏感でないワークロードを低優先度で処理してコスト削減	Bedrock Flex Inference, Azure Batch API, Vertex Batch Predictions
モデルルーティング	単純なクエリは軽量モデル(Flash/Haiku/mini)、複雑なクエリのみ高性能モデルに分岐	Bedrock IntelligentPromptRouter, 自社構築
プロンプトキャッシング	同一のシステムプロンプト/コンテキストをキャッシュして繰り返しトークンのコストを削減	Anthropic Prompt Caching, OpenAI Cached Tokens, Gemini Context Caching
長期コンテキスト vs RAG	モデルのコンテキストウィンドウ拡張(1～2M+トークン)によりRAGなしでも十分な場合が発生	Gemini 3 Pro系, Claude Opus系
GPU価格競争	ハイパースケーラー間でのGPUインスタンス価格引き下げ傾向	AWS, Azure, GCP競争的値下げ

よくある間違い

Fine-tuningから開始 — RAGで十分な問題をFine-tuningで解決しようとし、コストと時間を浪費。RAGをまず試すべき
モデルバージョンを固定しない — ベンダーがモデルを更新すると既存プロンプトの挙動が変わり、プロダクション品質が突然低下する
単一モデルで全ワークロードを処理 — 単純な分類作業にも最大級のモデルを使用し、コストが不必要に増加。タスク別のモデル分離が必要

チェックリスト

ワークロード特性(対話、要約、コード生成など)に合ったモデルを選択し、コスト/品質を比較したか
モデルID/バージョンをコードに固定し、アップグレード時は評価を経て切り替えているか
RAG → Fine-tuning → 直接学習の順で段階的にアプローチしているか