なぜLeCunはMetaを去りAMI Labsを作ったのか——ローカルLLMとオープンウェイト消滅論を15分で把握する

TL;DR: 今回の比較では、勝ち負けより用途差で見るほうが実務判断しやすい、というのが結論です。

関連記事としては Blogローカル翻訳AIHy-MT2とDeepL無料版を5テストで比較した結果Hy-MT2をOllamaで実機検証。DeepL無料版との5テスト比較、1.8Bが7Bに勝った理由、onseバグ修正、スペック別推奨までまとめます。→ もあわせて読むと、今回の論点とのつながりを把握しやすくなります。

「LeCunがMetaを辞めたら、ローカルLLMは終わるのか」 「オープンウェイトの新作が減るなら、いまOllama環境を育てる意味はあるのか」

このあたり、かなり気になりますよね。特に自前でLLMを動かしている人ほど、ニュースの見出しより自分のGPU・VRAM・運用方針に何が起きるかが知りたいはずです。

結論から言うと、LLMが終わる話ではありません。ただし、次の勝負軸は、すでに生成テキストのうまさから少しずつずれてきています。LeCunのAMI Labs設立は、そのズレをかなりはっきり示した出来事でした。

一方で、オープンウェイトがこのまま増え続ける保証もありません。Jeremy “Andy” Mollickは、近い将来「新しいフロンティア級のオープンウェイトモデルが出なくなる可能性」を指摘しています。これは断定ではなく、あくまで見立てです。ですが、ローカルLLM勢にとっては無視しにくい話です。

この記事では、AMI Labsの技術的な賭けと、オープンウェイト消滅リスクを同じ地平で整理します。最後には、2026年のローカルLLM選びで何を見ればいいかまで落とします。

2026年時点で大事なのは、単に「LlamaかQwenかDeepSeekか」を並べることではありません。

見るべきなのはこの3つです。

1. ローカルで回す理由が“コスト”なのか“主権”なのか“可搬性”なのか
2. いま欲しいのが会話品質なのか、推論性能なのか、長文処理なのか
3. オープンウェイトの更新が止まったとき、どこまで今の環境で粘れるか

LeCunのAMI Labsは、2のうち特に「推論」「世界理解」「物理ダイナミクス」に賭けています。

つまり、LLMを少しずつ太らせる延長線ではなく、別の知能系統を作るという話です。ここを誤解すると、「LLMは終わった」と雑に受け取ってしまいます。そうではなく、LLMとWorld Modelsは異なる軸で共存する可能性がある、というのが現実的です。

2026年3月、Yann LeCunはMetaのChief AI Scientist職を退任し、AMI Labsを創業しました。しかもシード調達は10.3億ドル、評価額35億ドル。欧州スタートアップ史上最大級のシードという扱いです。

この数字だけを見ると、派手なニュースに見えます。でも本質はそこではありません。

LeCunがやりたいのは、ざっくり言えば**「次のAIは、もっと世界を理解していないとダメだ」**という主張の実装です。彼は以前から、LLM単体には限界があると強く言ってきました。

彼の批判の核心は、かなり単純です。

• LLMはシステム1的で、反射的・反応的である
• 現実世界の表現を持たないから、幻覚が出る
• LLMをいくら伸ばしても、人間レベルの知性には届かない

最後の点についてはかなり強い言い方で、「完全なナンセンス」とまで述べています。ここは賛否が割れるところですが、少なくとも彼は「今の延長戦だけでは足りない」と本気で見ています。

AMI Labsの中核は**JEPA（Joint Embedding Predictive Architecture）**です。これも名前はやや重いですが、発想自体はわりと明快です。

普通の生成AIは、次の単語や次のトークンを出す方向に強いです。JEPAはそこから少し離れて、表現空間の中で、何が起きるかを予測する。つまり、見えているものをそのまま描写するより、裏にある構造や変化の規則を掴みにいく。

V-JEPAはその動画版で、映像から物理世界のダイナミクスを学習します。雑に言えば、「この物体は次にどう動くか」を、言葉ではなく世界の動きとして学ぶわけです。

ここで大事なのは、JEPAがLLMの置き換え候補というより、別の知能部品として立っている点です。コード補完、文章生成、要約のような仕事は依然としてLLMの守備範囲です。一方で、ロボティクス、予測制御、環境理解、シミュレーション寄りの領域では、JEPA系の賭けに理があります。

ここで、もう一つの論点です。

Mollickは2026年3月の観測として、MetaとxAIがフロンティアラボに追いつけず、中国のオープンウェイトモデルも数ヶ月遅れだとし、近い将来、新しいフロンティアオープンウェイトモデルが存在しなくなる可能性が十分あると指摘しています。

これ、かなり重要です。

なぜならローカルLLMユーザーにとって困るのは、「今あるモデルが動かない」ことより、次の強い候補が公開されなくなることだからです。手元のGPUで回せる強いモデルが毎年ちゃんと来る、という前提が崩れると、ローカルLLMの選択肢は一気に細ります。

しかも、彼は最新の中国フロンティアモデルがオープンウェイトでない傾向にも触れています。これはAI市場の大きなシフトを意味する、という見立てです。

ここは断定できません。ただ、少なくとも「オープンウェイトは今後も自然に増えるはず」という楽観は、少し弱くなりました。

ここは冷静に見たほうがいいです。

2026年時点のオープンウェイト勢力は、まだ十分に強いです。

• Llama 4：Scout / Maverick のMoE系
• DeepSeek V3.2：685B規模、37Bアクティブ
• Qwen3 / Qwen2.5-Max：MoE系、1T超級の話も含む
• Mistral Large 3：123B

ベンチマーク上は、まだかなり戦えます。特にローカル運用では、「最高性能」より「手元で安定して回る」ことが価値になるので、閉じたフロンティアモデルと単純比較して負けたとしても、意味はありません。

ただし、問題は別にあります。ARC-AGI-2のような難しい領域では、フロンティアLLMとオープンウェイトの差が広がっているという観測があります。ここは体感とも割と合います。会話や要約はかなり良くなったのに、複雑な推論や自己修正では「あと一歩」が残る。

私の見方では、これは「オープンウェイトがダメ」ではなく、最先端の研究成果が公開されにくくなりつつあるという問題です。モデルそのものの性能だけでなく、学習レシピ、データ、後処理、ツール連携のノウハウが囲い込まれると、ローカル勢が追いかける速度は落ちます。

Ollamaを使っている人ならわかると思いますが、ローカルLLMの悩みは「今この瞬間の性能」だけではありません。

• そのモデルは6か月後も使う理由があるか
• 同じVRAMでより良い世代に乗り換えられるか
• 量子化したときに急に賢さが落ちないか
• 日本語、コード、長文のどこが得意で、どこが苦手か

ここで、オープンウェイトの流れが細ると何が起こるか。

まず、次の乗り換え先の質が下がる可能性があります。今はLlama、Qwen、DeepSeekが競争しているので、ローカルユーザーは毎回どれかを選べます。でも供給が鈍ると、更新されるのは「サイズ違い」「派生」「蒸留版」ばかりになりやすい。

次に、GPU選定の考え方が変わります。これまでは「このVRAMなら、次のオープンウェイト大型モデルに乗れるかな」と考えられました。今後は「そのVRAMで、今の環境をどれだけ長く延命できるか」が重要になります。

この差は地味ですが、運用ではかなり大きいです。モデルが強くなる前提でハードを買うのと、今ある環境を最適化する前提でハードを買うのは、同じGPUでも判断が変わります。

ここが実務上いちばん大事です。

もしあなたがOllamaで回す前提なら、選び方は次の順がいいです。

1. まず用途を分ける

• 会話・要約・社内文書の下読み → まだLLMで十分
• コード補助・リファクタ・設計メモ → LLMが主戦場
• 画像・動画・現実世界の挙動理解 → JEPA/World Modelsの研究を見張る価値あり
• 複雑推論・長いチェーンの整合性 → フロンティア閉鎖系との差が出やすい

2. 次に、モデル更新の“継続性”を見る

オープンウェイトが消えるとまでは言えません。ただ、**「強い公開モデルが次も来るか」**は以前より読みづらいです。

だから、いま重要なのは単発のベンチ結果ではなく、

• 量子化しても崩れにくいか
• 日本語の崩れ方が許容範囲か
• 長文コンテキストで破綻しないか
• ローカル推論のコストに見合うか

このあたりです。

3. そして、GPUは“未来の大型モデル”ではなく“今の主力を何年回すか”で選ぶ

これはハードウェア勢として、かなり現実的に言っておきたいところです。

VRAMは多ければいい、はその通りです。でも、オープンウェイトの供給が細るほど、VRAMの価値は「新モデルに飛びつくため」より「今の良い環境を長く保つため」に寄る。ここを見誤ると、計算資源の買い方を外します。

LeCunの主張とMollickの警告を同時に見ると、極端な二択はできません。

• LeCun側は、LLM単体の限界を強く見ている
• Mollick側は、オープンウェイト供給の先細りを懸念している
• 現場では、LLMはまだ使えるが、万能ではない

この3つは全部、同時に成り立ちます。

なので、2026年のローカルLLM運用で大事なのは、

• LLMを過剰に神格化しない
• でも今すぐ見捨てない
• 次の研究軸としてWorld Modelsを追う
• ただし実務は当面LLM中心で組む

というバランスです。

派手な結論ではありませんが、いまの流れを見るとかなり地に足のついた着地点です。

Q. 2026年の今、何を基準にローカルLLMを選べばいいですか？

A. まずは「自分の用途で壊れにくいモデル」を選んでください。

• 日本語の雑な下書き、会話、要約が中心なら、今は Qwen系 をまず試す価値があります
• コード補助や幅広い実務なら、Llama系 は依然として比較対象になります
• 推論寄り・重めのタスクをローカルで触りたいなら、DeepSeek系 の性格を確認するといいです
• ただし、どれも量子化後の体感が本番です。ベンチだけで決めると外します

Q. じゃあオープンウェイトはもう買い控えるべきですか？

A. いいえ。買い控えではなく、依存の仕方を変えるのが現実的です。

今後は「次の大型公開モデルを前提にハードを買う」より、いまの主力を安定運用しつつ、更新が来たら差し替える考え方のほうが安全です。

Q. AMI LabsはローカルLLM勢にとって重要ですか？

A. 重要です。ただし“使う製品”としてではなく、“次の研究方向を示す旗印”として重要です。

JEPAやWorld ModelsがすぐOllamaに入るわけではありません。ですが、もしLeCunの賭けが当たれば、数年後のAIは「文章をもっと上手く出す」だけでは足りなくなります。その時に、ローカルLLMの価値も「会話AI」から少し広がるはずです。

Q. いまの自分の環境はどう変わる？

A. すぐに壊れるわけではありません。変わるのは、アップグレードの期待値です。

今のOllama環境はまだ十分戦えます。ただし、今後は

• 新モデルの公開速度
• 量子化しても保てる品質
• GPU購入の優先順位

この3つを、以前より真面目に見たほうがいいです。

「LeCunのAMI Labsは“LLM終了”の宣言ではなく、LLMの次に賭ける場所を変えた話。ローカルLLM勢は、今あるモデルより“次も公開されるか”を見たほうがいい」

このくらいの温度感が、いちばんズレません。

• AMI Labsは、LeCunがLLM延長線ではない知能に賭けたプロジェクトです
• JEPAは、生成よりも世界の変化を予測する方向のアーキテクチャです
• Mollickは、新しいフロンティア級オープンウェイトが今後出なくなる可能性を指摘しています
• ただし、2026年時点のオープンウェイトはまだ強いです
• ローカルLLM運用者が見るべきなのは、モデル名の勝ち負けではなく、更新され続けるか、VRAMに見合うか、用途に耐えるかです

ローカルLLMは、まだ終わっていません。ですが、これからは「何を動かすか」だけでなく、その先に新しい公開モデルが来る前提でいいのかまで含めて判断する時代に入っています。

• ローカルLLMとクラウドLLMのどちらを業務標準にするか、品質・速度・運用負荷をまとめて決めたい場面
• ベンチ結果は見たが、自分の用途だとどちらが得かまで判断しきれていない場面

• すでにローカルかクラウドのどちらかに運用方針が決まっていて、比較の判断材料がいらない人
• ベンチ結果の差よりも、単に一番安い選択肢だけ分かれば十分な人

• ベンチマーク結果は、タスク設計や採点基準で印象が変わります。
• ローカルLLMの体感速度は、GPU・量子化・同時実行数で大きく変わります。
• クラウドLLMのコストは、入出力トークン量と再試行回数で想像より振れやすいです。

• 同じ24問テストと既存の使用感メモをもとに、スコア・コスト・体感差を分けて整理しました。
• 勝ち負けだけでなく、要約・下書き・コード補助・閉域運用といった用途別に差分を見ました。

ローカルLLMだけで十分ですか？

軽い要約や反復作業なら十分な場面もあります。ただし、複雑な指示や安定性まで求めるとクラウドLLMが有利です。

GPT-5.4 mini のコストは高いですか？

単発利用では大きな負担になりにくい一方、長文や再試行が増えると効いてきます。評価は月間の使い方込みで見るのが自然です。

まず何を比べればいいですか？

今の業務で最も頻度の高い1タスクだけを、ローカルとクラウドで同条件比較するのが一番判断しやすいです。

• Blogローカル最高80% vs クラウド93%——20点差が示す、規模の残酷な現実GPT-5.4 mini/nanoを同じ24問ベンチマークで測定。ローカル最高峰Qwen3.5:4bの80.8%に対し、miniは92.9%・nanoは79.2%。スコアの読み方と、正直な限界を書きます。→

• Blogローカル最高80% vs クラウド93%——20点差が示す、規模の残酷な現実GPT-5.4 mini/nanoを同じ24問ベンチマークで測定。ローカル最高峰Qwen3.5:4bの80.8%に対し、miniは92.9%・nanoは79.2%。スコアの読み方と、正直な限界を書きます。→

• Blogローカル翻訳AIHy-MT2とDeepL無料版を5テストで比較した結果Hy-MT2をOllamaで実機検証。DeepL無料版との5テスト比較、1.8Bが7Bに勝った理由、onseバグ修正、スペック別推奨までまとめます。→
• Bloggemma4:12bがollamaで直った — 0.30.5で3層バグ全解消を実測確認【回避策は不要に】gemma4:12bのSIGFPE、macOS専用配布、日本語崩れを同一環境で実測。ollama 0.30.5で何が直り、何を捨ててよいかを整理します。→
• Blog推論に特化したモデルが39%しか取れない理由——deepseek-r1で何が起きたかRTX 4070 Ti + Ollamaでdeepseek-r1:7bを24問テスト。94/240点（39.2%）ランクDの背景を掘る。6問タイムアウト・日中混合テキスト・論理は強い、という複雑な姿を正直に記録。→

• 実際の構成を探すなら、GPU 比較ページやローカルLLM向け構成記事もあわせて見ると判断しやすいです。
• ハードウェア候補は用途別の AI 構成ガイドからたどると、単体製品より違和感なく検討できます。