Sakana AI、シリーズBラウンドで200億円調達を発表、持続可能なAI開発と日本市場での社会実装を加速

Sakana AIは2025年11月17日、シリーズBラウンドにて総額約200億円(1億3,500万米ドル)の資金調達を実施したと発表した。

調達後の企業価値は約4,000億円、累計調達額は約520億円に達し、MUFGやKhosla Venturesなどの既存投資家に加え、Factorial FundsやMacquarie Capitalなど国内外の新規投資家が参画した。

Sakana AIは設立から約2年で、世界的なAI開発競争とは異なる方針を掲げている。現在のAI業界では大量の計算資源を投入したモデル開発競争が激化しているが、同社は大規模な資源投入に依存しない持続可能なAI技術の開発を推進している。

研究開発面では、既存のオープンソースモデルを進化的に融合させる「進化的モデルマージ」手法、複数のAIモデルが協力する推論アルゴリズム「AB-MCTS」、研究の仮説立案から論文執筆までを自律的に行う「The AI Scientist」などを開発した。

また、基盤モデルとコードが自己改善する「Darwin Gödel Machine (DGM)」やLLM生成プログラムを進化させる「ShinkaEvolve」、人間の脳の時間処理を反映した「Continuous Thought Machine (CTM)」など、次世代AIパラダイムの探究を進めている。

同社は研究成果の社会還元に向け事業開発本部を立ち上げ、日本企業との連携を本格化させている。2025年には三菱UFJフィナンシャル・グループ(MUFG)や大和証券グループとの戦略的パートナーシップを発表し、金融分野でのカスタムAI開発に着手した。

この過程で、汎用AIモデルと実際の業務アプリケーションの間には、言語化されていない「暗黙知」を扱う必要があるという大きなギャップが存在することを認識している。

このギャップを埋めるため、高度な技術力を持つエンジニアが特定領域に深くコミットし、業務プロセス自体をAIと共に設計するアプローチを採用している。

金融分野に加え、2025年6月には総務省の「インターネット上の偽・誤情報等への対策技術の開発・実証事業」に採択され、防衛・インテリジェンス分野での取組みも加速させている。

同社は各国が自国の文化や価値観に基づいたAIを求める「ソブリンAI」への強い需要を認識している。

現在のAI開発の主戦場は、大量データをモデルに与える「事前学習」から、既存の高性能モデルを特定目的に最適化する「事後学習(Post-training)」へ移行している。

同社はこの事後学習パラダイムに研究開発を集中させ、フロンティアモデルの性能を維持しながら日本の文化的背景や社会規範に最適化されたモデルを構築することを目指している。このアプローチは、米中の大規模モデル開発競争とは異なる、日本が技術開発力を発揮できる重要な方向性として位置づけられている。

今回調達した200億円は、日本市場に最適化された基盤モデル開発、金融に加え防衛や製造業での社会実装強化、戦略的投資・パートナーシップ・M&Aによる基盤拡大、グローバル展開の加速に投資される。

投資家には既存のMUFG、Khosla Ventures、New Enterprise Associates、Lux Capitalに加え、新規にFactorial Funds、Macquarie Capital、Santander GroupのVCファンドであるMouro Capital、米国政府戦略投資機関In-Q-Tel(IQT)、MPower Partners、STNetなどが参画した。

MUFGの亀澤宏規CEOは「銀行業務の変革に留まらず、日本の多様な産業へAIの恩恵が広がることを期待する」とコメントしている。

AI Market の見解

Sakana AIの200億円調達は、現在主流となっている大規模計算資源投入型のAI開発とは対照的なアプローチを示している点で注目に値する。

特に事後学習レイヤーへの注力は、日本のような資源制約がある国にとって現実的な戦略と想定される。進化的モデルマージやAB-MCTSなどの手法は、既存モデルの能力を効率的に組み合わせる技術として、コスト効率の高いAI開発を可能にする可能性がある。

金融・防衛・製造業という日本の基幹産業での社会実装に焦点を当てる戦略は、汎用モデルと業務特化モデルの間のギャップを埋める具体的な取組みとして評価できる。

特にMUFGや大和証券との戦略的パートナーシップは、金融業界の暗黙知をAIに組み込む実証実験の場として機能すると想定される。

ソブリンAI開発への注力は、各国が自国の文化・価値観に適合したAIを求める世界的潮流と合致している。事前学習から事後学習へのシフトは技術的にも合理的であり、日本企業が限られた資源で競争力を維持するための有効な戦略と考えられる。

ただし、事後学習の最適化には高品質な領域特化データと深い業務理解が必要であり、これらを継続的に獲得できるかが成功の鍵となる。

参照元：Sakana AI

Sakana AIのシリーズB調達に関するよくある質問まとめ