PalantirとAnthropicが1,000目標を24時間処理、軍事AIの「実証段階」が終わった日 (2026-03-07)
PalantirとAnthropicのClaudeが軍事ターゲティングを実行、「AIが意思決定サイクルを定義する」段階へ
PentagonはPalantirのMaven AIシステムとAnthropicのClaudeを組み合わせ、イランへの攻撃目標の生成・優先順位付けを実施した。
【補足】Maven AIはProject Maven（2017年開始）を起源とする米国防総省のAI統合プログラム。当初はGoogle製コンピュータビジョンを使用していたが、社内反発を受けてGoogleが2018年に撤退。その後Palantirが主要ベンダーとなり、情報収集・監視・偵察（ISR）データの分析基盤として発展してきた。24時間で1,000目標という数字は、人間の計画立案プロセスでは物理的に不可能なスループットだ。「AIが意思決定を補助する」という従来の語り方は、もう実態に合っていない。
注目すべきは記事後半の事実だ。PentagonはAnthropicのAIツールを「ポリシー上の対立」を理由に段階的に廃止する方針を示した。軍事利用の実績を作った後に、提供側がその用途に異議を唱えるという構造が既に発生した。
この因果連鎖を追うと次の展開が見えてくる。Anthropicが軍事用途から離脱する→Pentagonは代替モデルを必要とする→軍事利用に制約を設けない、あるいは政府専用ファインチューニング版を持つプロバイダーへの需要が急増する。PalantirがMeta（Llama系）やMistralのようなオープンウェイト系モデルとの統合を深める方向に動くのは自然な流れだ。
もう一つの連鎖もある。今回の運用が公になったことで、他国の軍・防衛省が同等のシステム調達を加速する。「1,000目標/24時間」というベンチマークが事実上の標準値として機能し始める。
構造問題の核心
Anthropicは「responsible scaling policy」を掲げ、高リスク用途への慎重な姿勢を対外的に示してきた。しかし今回の件は、APIを通じた間接的な軍事利用が既に実現していたことを示している。
【補足】AnthropicのUsage Policyは「weapons development, military and warfare」を明示的な禁止用途として列挙している。ただし禁止対象は「Claude自体の直接利用」であり、Palantirのようなサードパーティが自社プラットフォームにClaudeを組み込む場合、エンドユーザーの最終用途をAnthropicが把握・制御する仕組みは利用規約上存在しない。利用規約と実際のエンドユーザーの間にPalantirのような統合プラットフォームが挟まると、ラボ側はユースケースの可視性を失う。「私たちは軍事利用を許可していない」という声明が、技術的には意味をなさない状況が生まれた。
Anthropicがこのタイミングで関係を切ろうとしているのは、倫理的な判断というよりレピュテーションリスクの管理として読むべきだろう。逆に言えば、軍事利用に積極的なスタンスを取るラボが政府契約を獲得しやすくなる構造が固定化しつつある。
開発者への示唆
汎用LLM APIを防衛・安全保障系システムに組み込んでいるなら、今すぐ利用規約の「prohibited use」条項を再確認すべきだ。Anthropicのような企業が事後的にポリシーを強化した場合、稼働中のシステムが突然利用不可になるリスクがある。依存先の多様化か、オープンウェイトモデルへの移行パスを今のうちに設計しておく必要がある。
Maven AIのような「モデル非依存のオーケストレーション層」の設計思想は、軍事以外の高リスク業務（インフラ制御、緊急対応システム）にも転用できる。特定モデルへの密結合を避け、モデルをスワップ可能なコンポーネントとして扱うアーキテクチャが、今後の調達リスクを下げる。
MetaがBitTorrentシーディングを「技術的必然性による公正使用」と主張、AI著作権訴訟の争点がシフトする
MetaがAnna's Archiveの海賊版書籍をBitTorrent経由で取得した件で、「プロトコルの仕様上避けられなかった」という技術的必然性の主張を持ち出した。BitTorrentはダウンロードとアップロードが不可分な設計になっている。
【補足】BitTorrentプロトコルでは、ファイルをダウンロードしながら同時に他のピアへ同じデータを送信（シーディング）する仕様が標準動作。クライアントはデフォルトでシーダーとして機能し続けるため、「ダウンロードのみ」を技術的に分離することは通常のクライアント実装では困難。Metaはこの仕様を「著作物の再配布という能動的行為ではなく、プロトコルの受動的副作用」と位置づけている。だからシーディングは「行為」ではなく「副作用」だ、という立場だ。
この論理構造は危険な拡張性を持つ。P2Pプロトコルに限らない。CDNのキャッシュ、クラウドストレージのレプリケーション、分散データベースの同期——これらすべてが「データを複製・転送する技術的仕組み」を内包している。「インフラの仕様上、コピーが発生した」という主張は、あらゆるデータ収集パイプラインに応用できる。
もう一つ重要な事実がある。著者たち自身が「自分の著作物に酷似したモデル出力を知らない」と証言している。Sarah Silvermanは「それが問題かどうかさえ分からない」と述べた。Meta側はこの証言を、市場損害の不在を示す証拠として使っている。
これが認められると、AI学習における著作権訴訟の争点が根本的にシフトする。「何を使ったか」から「何を出力したか」へ。入力側の権利主張は、出力側の損害証明なしには成立しにくくなる。
因果の連鎖を整理する。MetaがBitTorrentシーディングの公正使用主張に勝訴する→「技術的必然性」が著作権侵害の抗弁として機能する判例が生まれる→他のAI企業がデータ収集パイプラインの設計を「技術的必然性」で包む形に再設計し始める→著作権者側は「出力の損害」を具体的に証明しなければ訴訟が成立しなくなる→権利者の事前許諾モデルではなく、事後救済モデルへの移行が加速する。
この連鎖が断ち切られるとすれば、Judge Chhabriaがシーディングを「選択の余地があった行為」と認定した場合だろう。Anna's Archive以外にも入手経路があったか、あるいはBitTorrent以外の手段でバルクデータを取得できたかが争点になる。
著作権法のフェアユース分析が変わる
Metaが「U.S. AI Leadership at Stake」という地政学的フレームを訴状に持ち込んだことは、純粋な法律論を超えた圧力だ。このフレームは現在の政治的文脈（中国との技術覇権競争）と組み合わさることで、司法判断に対する間接的な重力として機能する。
従来の二次的著作物は「元の市場を代替するか」が問われた。だがLLMの学習データは「元の市場を代替する出力を生むか」という、さらに一段階間接的な問いになっている。
【補足】米著作権法107条のフェアユース判断は①変容性（transformative use）②著作物の性質③使用量④市場への影響の4要素で評価される。AI学習への適用では、①「学習という変容的行為」と④「出力による市場代替」が主戦場となっており、Authors Guild v. Google（2015年）でのスキャン判例が変容性の先例として双方から引用されている。この抽象化の層が、権利者側の立証を構造的に困難にしている。
開発者への示唆
データ収集パイプラインにP2Pや分散プロトコルを使っているなら、今すぐ「技術的必然性」の記録を残すべきだ。「なぜその手段しかなかったか」「代替手段の検討と却下の経緯」をドキュメント化しておくことが、後の法的防衛で意味を持つ。Metaは「Anna's Archiveはtorrent以外で入手不可能だった」という事実を主張しているが、それを証明できる記録があるかどうかが今まさに争われている。
学習データのソースに著作物が含まれる場合、モデルの出力監査を定期的に実施して「著作物の複製が出力に現れていない」という証拠を積み上げておく必要がある。今回の訴訟でMetaが有利に使っているのは著者自身の「出力を見たことがない」という証言だ。出力の監査・フィルタリングへの投資が法的防衛に直結することを示している。
Sarvam 105B：MoE+MLAアーキテクチャで10インド語を事前学習段階から焼き込んだオープンソースLLM
Sarvam 105Bはヒンディー語・タミル語・テルグ語など10言語のインド語を大量に学習したオープンウェイトの推論モデルだ。「多言語対応のためにGPT-4クラスのAPIに依存し続ける」という制約が、これで変わる。インド語ベンチマークでは自身より大きなモデルを上回ると報告されている。アーキテクチャはMixture-of-Experts（128エキスパート）にMulti-head Latent Attention（MLA）を組み合わせており、長文コンテキストでのKVキャッシュメモリを圧縮している。重みはHugging FaceとAI Koshから取得でき、vLLM・SGLangでそのまま動く。Sarvam 30BはGQAを採用し、リアルタイム会話用途向けに最適化されている。
核心的な洞察は、このモデルが「インド語対応の後付けファインチューン」ではなく、事前学習段階からインド語を組み込んでいる点だ。後付けの多言語対応は往々にして英語性能とのトレードオフが生じる。Sarvamは16T（30B）・12T（105B）トークンの事前学習データにインド語を「substantial portion」として含めており、言語能力がアーキテクチャレベルで焼き込まれている。
アーキテクチャ上の注目点
MoE + MLAの組み合わせはDeepSeek-V2/V3が先行して示したアーキテクチャ路線だ。
【補足】Multi-head Latent Attention（MLA）はDeepSeek-V2（2024年5月）が提案した手法で、Key-Valueキャッシュを低ランク行列に圧縮することでメモリ使用量を従来のMHAの約5〜13分の1に削減する。長文コンテキスト処理時のGPUメモリボトルネックを緩和し、同一ハードウェアでより長いシーケンスを扱えるようになる。Sarvamがこれを採用したことは、最新の効率化手法を積極的に取り込む姿勢を示している。
30Bモデルに16T、105Bモデルに12Tというトークン数の逆転は興味深い。通常は大きいモデルほど多くのデータを必要とするが、Sarvamは「105Bが30Bよりも早い段階でベンチマーク優位に達した」と述べている。これはMoEのスケーリング効率を示す実証データであり、同規模のデンスモデルとの比較において学習コスト面での優位性を示唆する。
強化学習フェーズでの「sigmoid-based routing」は、従来のsoftmax gatingよりもエキスパート負荷分散が改善するという主張だが、まだ広く検証された手法ではない。オープンウェイトだがオープンサイエンスかどうかは別の話だ。
開発者への示唆
インド語を含む多言語プロダクトを構築しているなら、今すぐSarvam 30BをvLLMでローカル評価すべきだ。既存の多言語モデルとのインド語品質の差を自分のデータで測れる唯一のタイミングが「リリース直後」だからだ。数週間後には他モデルの追随ファインチューンが出てきて比較軸がぼやける。
エージェント系ワークフローを設計しているなら、105BのSFTデータに「実世界リポジトリからのエージェントトレース」が含まれている点を重視すべきだ。シミュレーション環境だけでなく実リポジトリからのトレースは、コードエージェントのツール呼び出し精度に直結する。
データ主権要件がある案件（医療・金融・政府）でLLMを選定しているなら、SarvamのIndiaAI missionを通じたインド国内学習・推論スタックは「クラウドAPIを使えない」という制約を回避する現実的な選択肢になる。ただし、安全性フィルタリングの詳細（taxonomy・model specification）が非公開のため、レッドチーミングは自前で行う必要がある。
総括
今日の3つのトピックに共通するのは「汎用APIへの依存リスクが一気に可視化された」という構造だ。
軍事利用では、Anthropicが自社APIの用途を把握できないまま戦時インフラへの組み込みが完了していた。著作権訴訟では、Metaがデータ収集パイプラインの「技術的必然性」を抗弁に使い、権利者側の事前許諾モデルを無効化しようとしている。Sarvamは、GPT-4クラスのAPIに依存せずインド語対応を実現するオープンウェイトの選択肢を現実にした。
3つとも方向は異なるが、「特定プロバイダーのAPIに乗り続けることのリスク」を具体的な形で示した日だった。軍事用途では倫理ポリシーの突然の変更、著作権では法的不確実性、多言語対応ではコストと主権——それぞれの文脈でAPIへの依存が問い直されている。