高性能なAIモデルを構想できても、学習や検証に必要な計算資源を確保できず、事業化まで進めないスタートアップは少なくありません。スペインのバルセロナ・スーパーコンピューティング・センター（BSC）が運営する「AI Factory Accelerator Programme」は、この壁を越えるための支援基盤です。試験運用を経て本格稼働し、スタートアップにソブリンな計算資源、技術支援、トレーニングを提供しています。



ここでいうソブリン・コンピューティングとは、データや計算基盤に対する管理権を自国・地域の制度や運用方針のもとで確保する考え方です。機密性の高い医療情報や社会インフラのデータを扱う企業にとって、モデルの性能だけでなく、どこで計算し、誰がデータを管理するのかも導入判断の一部になります。BSCの取り組みは、公共のスーパーコンピューティング基盤を産業利用につなぎ、この要件に応えようとするものです。

注目すべき点は、計算能力を貸し出すだけのプログラムではないことです。モデルの開発環境があっても、専門人材、推論基盤、事業設計、資金調達への接点が欠ければ、実証実験から先へ進みにくくなります。BSCは技術支援と教育を組み合わせ、NVIDIAのスタートアップ支援プログラム「NVIDIA Inception」と連携することで、開発から市場展開までの空白を埋めています。生成AI基盤への投資効果を考える企業にとっても、ハードウェアと支援制度を一体で設計する必要性が見えてくる事例です。

BSCの中核を担うのが、科学・技術革新を支える公共スーパーコンピューター「MareNostrum 5」です。NVIDIAのアクセラレーテッド・コンピューティングを採用しており、今後予定されている拡張によって、BSC AI Factoryや欧州各地のAIファクトリーを通じたスーパーコンピューティング利用が提供されます。アクセラレーテッド・コンピューティングとは、CPUだけですべてを処理するのではなく、GPUなどの専用プロセッサーを組み合わせ、AI学習や科学技術計算を効率化する方式です。



BSC AI Factoryは、欧州で早期に設けられたAIファクトリーの一つであり、スペインでは初の施設です。2025年4月の開設以降、民間企業と公共部門の利用者に800件を超えるサービスを提供しています。この実績からは、公共計算基盤の役割が研究用途に限定されず、企業のモデル開発、検証、運用準備へ広がっていることが読み取れます。

AIファクトリーという名称は単一の工場を意味するものではありません。大規模な計算設備に加え、データ処理、モデル開発、専門家による支援、利用企業の育成をまとめて提供する仕組みです。高性能GPUを保有するだけでは、業界固有のデータを安全に整備し、現場で使える形にモデルを仕上げることはできません。公共インフラ側が技術と運用の入口を用意すれば、個々のスタートアップが初期段階から大規模設備を購入する負担を抑えられます。欧州の取り組みは、計算資源を競争力の源泉として確保しつつ、その利用機会を産業へ開く政策的な性格も持っています。

BSCのアクセラレータープログラムに参加する企業の多くは、先端技術を開発するスタートアップ向けの「NVIDIA Inception」にも参加しています。BSC AI Factoryの一部サービスはNVIDIA Inceptionのポータルから利用できるようになり、スタートアップが両プログラムへ接続しやすい導線が整えられました。



両者の役割は重複するというより、相互に補完する関係です。BSC AI Factoryがソブリンな計算資源、技術支援、トレーニングを提供するのに対し、NVIDIA InceptionはNVIDIA Deep Learning Instituteの公開講座による学習機会、事業メンタリング、ベンチャーキャピタルとの接点などを提供します。技術検証を終えた企業が顧客を獲得し、継続的な事業へ移行するには、モデル精度以外の課題にも向き合わなければなりません。販売方法、資金計画、運用体制を含む支援が組み込まれているのは、そのためです。

企業向けAI支援策を設計する際にも、この分担は参考になります。計算環境の提供件数だけを成果指標にすると、実証実験が増えても本番運用へ到達しない可能性があります。利用者が必要とするのは、用途に適したモデルやライブラリを選び、データを整え、現場の業務へ接続するまでの一連の支援です。BSCとNVIDIAの連携は、インフラ、人材育成、事業開発、資金への接点を一つの経路にまとめることで、技術を社会実装へ運ぶ仕組みを形成しています。

試験運用のデモデーでは、NVIDIA Inceptionに参加する3社が「AI Champions」に選ばれました。その一社であるQatiumは、水道ネットワークの運用を支援するプラットフォームを開発しています。同社のサービスはすでに16カ国、250を超える水道事業体で利用されており、新たな「Neural Water Intelligence」は初期の本番運用段階に入っています。



Neural Water Intelligenceには、MareNostrum 5で学習した独自AIモデルが使われています。基盤にはNVIDIAのアクセラレーテッド・コンピューティングに加え、グラフ分析ライブラリ「NVIDIA cuGraph」、物理AI向けフレームワーク「NVIDIA PhysicsNeMo」、オープンモデル「NVIDIA Nemotron」が採用されました。水道管や設備が相互につながるネットワークは、点ではなく関係性として扱う必要があります。グラフ処理は、こうした接続構造を分析するための技術であり、物理法則を扱う仕組みとの組み合わせは水道網の状態を理解するうえで自然な構成です。

同社が目指しているのは、水道事業者が日々の運用判断を改善できる環境です。ここでの生成AI活用は、一般的な文章生成ではなく、専門的なネットワークデータと物理的な振る舞いを業務判断へ結び付けるものになっています。B2B企業が注目すべきなのは、汎用モデルをそのまま導入するのではなく、業界データ、計算手法、既存業務を組み合わせている点でしょう。実運用ではモデルの出力だけで意思決定を完結させず、担当者が根拠を確認し、設備や地域の条件を踏まえて判断できる設計が欠かせません。Qatiumの事例は、専用計算基盤が業界特化型AIの学習と本番展開を支える流れを具体的に示しています。

AI Championsに選ばれたOneCareAIは、BSCの研究成果から生まれたスピンオフ企業です。同社はNVIDIA NIMマイクロサービスを使い、一見すると正常に見える心電図から、隠れた心房細動の兆候を見つけるための技術を開発しました。心房細動は心拍が不規則になる状態で、脳卒中リスクと関係するため、発症前にリスクのある患者を医療従事者が見つける支援を目指しています。



NVIDIA NIMは、AIモデルの推論機能をサービスへ組み込みやすくするマイクロサービス群です。学習済みモデルを研究環境に置いたままにせず、実際のアプリケーションから利用できる形へ整える役割を担います。医療分野では、モデルを作ることと臨床現場で安定して利用することの間に大きな隔たりがあります。入力形式、処理時間、システム連携、アクセス管理など、モデル精度以外にも多くの設計項目があるためです。

ただし、この技術は医師を置き換えるものとして紹介されているわけではありません。目的は、医療従事者がリスクのある患者を特定する作業を支援することです。診断性能の詳細、臨床試験の範囲、規制上の位置付けについては、現時点で詳しい情報が示されていません。医療機関や関連企業が評価する場合は、感度や特異度といった性能指標だけでなく、見逃しや誤検知が診療に与える影響、医師が結果を確認できる仕組み、患者データの管理方法を検討する必要があります。高性能計算基盤によって研究を加速しつつ、NIMのような部品で実装への距離を縮める構成は、規制産業におけるAI事業化の一つの型と考えられます。

3社目のAvatiaは、製薬会社向けに音声中心のマルチエージェントシステムを開発しました。複数のAIエージェントが「エージェント型の同僚」として営業担当者を支え、医師には医薬品に関する整理・選別された情報を透明性のある形で提供することを目指しています。最終的な狙いは、適切な治療が適切な患者へ早く届くよう、情報伝達を支援することです。



システムにはNVIDIA NIMマイクロサービス、NVIDIA Nemotron 3オープンモデル群、オープンソースのデータ整理ライブラリ「NVIDIA NeMo Curator」が使われています。NeMo Curatorは、モデル開発や検索に利用するデータを収集・整理する工程を支える技術です。製薬分野では、回答の流暢さだけでなく、どの情報を基に提示したのか、内容が適切に選別されているかを確認できることが欠かせません。Avatiaが透明性とキュレーションを掲げているのは、この業務特性を反映したものです。

音声インターフェースは、移動や面談準備などで手を使いにくい営業担当者にも利用しやすい可能性があります。ただし、複数エージェントが連携する仕組みでは、各エージェントの役割、参照できる情報、承認が必要な操作を明確にしなければなりません。誤った情報が別のエージェントへ引き継がれると、処理全体に影響が広がるためです。製薬会社が同様の仕組みを検討する際は、回答履歴と情報源を追跡できる状態を保ち、人が確認すべき地点を業務フローに組み込むことが現実的です。Avatiaの取り組みは、生成AIを単独のチャット機能ではなく、複数の業務役割を調整する基盤として使う方向性を示しています。

BSC AI Factoryには、Agrikola AI、Elna Health、Lokutor、Montevive AI、Oppy、Pack2Earth、Up2Smartも参加しています。対象分野は、精密農業、医療画像、知識アクセス、音声サービス、企業セキュリティ、営業インテリジェンス、持続可能な包装まで多岐にわたります。同じ計算基盤を利用していても、解決しようとする課題や必要なデータ、許容できるリスクは大きく異なります。



参加企業の構想には、脳卒中の予防支援、生検前の乳がんサブタイプ検出、医師による医療知識への迅速なアクセス、石油由来プラスチックを置き換えるバイオ由来の堆肥化可能素材、化学薬品の代わりにロボットを使う作物保護などが含まれます。生成AIや高度な機械学習は、文章や画像を作る機能にとどまらず、物理シミュレーション、検査データの解析、専門情報の検索、ロボット制御を支える共通技術になりつつあります。ただし、各構想の実用化段階や効果は一様ではなく、個別の検証が必要です。

日本企業が同種の支援基盤や社内AI環境を検討するなら、最初にGPUの台数を決めるのではなく、対象業務と本番移行の条件を定義する方が有効でしょう。扱うデータの所在、専門家による確認方法、既存システムとの接続、推論コスト、障害時の責任分担を整理すると、必要な計算資源や支援内容が見えやすくなります。社内だけで不足する専門性については、研究機関、技術ベンダー、事業支援組織を役割別に組み合わせる方法もあります。

BSCの事例から得られる中心的な示唆は、高性能な計算設備そのものより、それを産業の課題へ結び付ける運営設計にあります。自社でAI活用を進める担当者は、検討中の案件を「計算資源」「データとモデル」「業務実装」「人材と資金」の四つに分け、どこで停滞しているかを確認するとよいでしょう。不足している要素を特定できれば、実証実験を繰り返す段階から、継続的に利用できるサービスへ移るための次の一手を選びやすくなります。