AI-translated from English; not yet reviewed by a fluent editor.

# ボリス・パワー氏、OpenAIの研究の大半は後続世代のGPTを対象にしていると語る

> Fellows Forumでボリス・パワー氏は、OpenAIの研究の80～90％が後続世代のGPTを対象にしていると推定した。この数値は同氏の見解であり、研究配分の内訳やGPT-7、GPT-8の開発計画は公表されていない。

By BIG CHANGE Editorial

Published: 2026-09-27T16:28:31.971Z
Updated: 2026-09-27T16:28:31.971Z
Canonical: https://bigchange.ai/blog/boris-power-openai-research-later-gpt-generations

![Conceptual charcoal illustration of an empty chair and a floor microphone on an unbranded stage before rows of seats.](https://bigchange.ai/api/media/file/openai-forum-remarks-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

9月23日の[Fellows Forum](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5568s)で、OpenAIの応用研究責任者ボリス・パワー氏は、同社の研究の80～90％が「GPT-7、GPT-8、そしてそれ以降」に集中していると推定した。現行製品の改善と、より高性能なモデルに関する研究のバランスを説明する中で、この数字を示した。これは公開の場で同氏が示した推定値であり、照合できる研究配分の内訳をOpenAIは公表していない。

## 大きな変化

- **変わったこと：**パワー氏は、現在人々が使うモデルの改善と、後続世代を目指す研究という、互いに関連する2つの取り組みを説明した。同氏は後者がOpenAIの研究の大半を占めると推定した。
- **なぜ重要か：**より高性能な大規模モデルは、定められたタスクについて、より小さく安価なモデルの学習に使う例を提供できる。開発者が製品で小型モデルを利用する場合でも、最先端の研究を追う理由となる。
- **今後の注目点：**今後のモデル公開や技術情報の開示から、大規模モデルの進歩が小型モデルにどう波及するかが分かる可能性がある。このインタビューでは、GPT-7やGPT-8の公開日、仕様、成果は示されなかった。

## 推定の背景

パワー氏は、顧客からの要望が研究にどう反映されるかについて、ザカリー・リプトン氏の質問に答えていた。同氏によると、OpenAIは特定の振る舞い、たとえばツールの利用を、専門的な学習データと応用研究によって改善できる。説明では、モデル世代の途中に行う段階的な更新で、こうした要望に応えることが多い。より大きな新世代のモデルが登場すれば、どのような専門的な改良がなお必要かも変わりうる。同氏は、長期的な戦略そのものではないとしても、現在の学習を進め、改善を加速する方法として、いくつかの投資を位置付けた。

この区別を説明したうえで、同氏が80～90％との見解を示したのは、[Fellows Forumの録画の1時間32分52秒](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s)での発言だった。パワー氏が言及したのは、**OpenAIにおける研究**であり、自身のチームの研究だけではない。録画にもOpenAIの公表資料にも、数えている研究の定義、対象期間、予算、人員数、推定方法は示されていない。そのため、この数字はパワー氏による優先事項の説明として読むべきであり、企業の支出や人員配置を監査した数値ではない。

パワー氏は後続世代の例としてGPT-7とGPT-8を挙げた。どちらのモデルも発表せず、開発段階を明かさず、公開時期も示さなかった。[OpenAIの現行モデルカタログ](https://developers.openai.com/api/docs/models)にはGPT-6 Astra、Sol、Lunaが掲載されている。これはパワー氏が使った名称の公開情報として参考になるが、後続世代の開発状況を示す証拠ではない。

## なぜ蒸留を取り上げたのか

推定値を示した直後、パワー氏はGPT-6 Astraの大規模モデルが、より小さなGPT Lunaモデルを教える方法について説明した。高性能な大規模モデルが、小型モデルの学習例を提供できるというのが同氏の主旨だ。特定の公開済みLunaモデルがAstraから学習したと記録したわけではない。

[OpenAIの教師ありファインチューニングのガイド](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model)は、その仕組みを説明している。開発者はまず、大規模モデルが定められたタスクで良好な性能を示すことを確認し、適切な出力を選び、それを小型モデルの学習例に使い、そのタスクで小型モデルの性能を評価する。OpenAIによると、この方法で小型モデルの性能を大規模モデルに近づけられるとしている**（特定のタスクにおいて）**。ただし、小型モデルが教師モデルの能力をすべて受け継ぐという意味ではない。OpenAIの[モデル蒸留に関する発表](https://openai.com/index/api-model-distillation/)も、評価、出力の保存、ファインチューニングを反復する工程として説明している。

この考え方には、より長い歴史がある。2015年の[研究論文](https://arxiv.org/abs/1503.02531)では、ジェフリー・ヒントン、オリオル・ビニャルス、ジェフ・ディーンが、より大きなシステムの知識を、より導入しやすいモデルへ移す方法を研究した。この研究は教師モデルと生徒モデルの概念を説明するものであり、OpenAIの現在の研究配分については何も示していない。

これにより、パワー氏が最先端研究と実用的なモデルのつながりとして説明した内容が分かる。より高性能な教師モデルは、特定の用途向けに絞った低コストのシステムに役立つ学習素材を作れる。その効果は、タスク、選ばれた例、評価方法によって異なる。パワー氏は、AstraとLunaの例に関する蒸留の成果や比較測定値を示していない。

パワー氏の推定が示唆的なのは、OpenAIが研究価値の大半をどこに見込んでいるかという同氏の見解を表しているためだ。公開情報から確認できるのは、発言があったことと、同氏が言及した一般的な手法である。OpenAIの資源配分の実態や、将来のGPT世代が何を実現するかまでは確認できない。

## Sources

- [Fellows Forum 2026・1日目「モデルが現実と出会う場」](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s) — 主な一次資料。主催者による全編録画には、パワー氏の研究配分80～90％という推定が1時間32分52秒に収録され、その直後に大規模な教師モデルと小規模な生徒モデルの説明が続く。リプトン氏の質問と、段階的な改良と世代交代に関するパワー氏の説明も、発言の背景を示す。録画が確認できるのは発言内容であり、監査済みの配分や製品計画ではない。
- [Fellows Forum 2026のイベント情報と議題](https://www.fellowsforum.com/) — 主催者は1日目の日付を9月23日とし、「モデルが現実と出会う場」のセッションで、OpenAIの応用研究責任者ボリス・パワー氏とザカリー・リプトン氏が登壇すると記している。フォーラムと登壇者は確認できるが、パワー氏の数値的な推定を裏付けるものではない。
- [OpenAI API「教師ありファインチューニング：大きなモデルから蒸留する」](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) — OpenAIは、大規模モデルの良好な応答を保存し、それを使って小型モデルを調整し、特定タスクの性能を確認する方法を説明している。手法についての説明であり、GPT-6モデル内部の系譜や、一般能力が確実に移転することを示すものではない。
- [OpenAI「APIにおけるモデル蒸留」](https://openai.com/index/api-model-distillation/) — 開発者向けの発表では、モデル出力の保存、タスク評価、ファインチューニングを反復する蒸留の工程を説明している。公開されている開発者向け機能であり、OpenAI内部の研究配分を示すものではない。
- [OpenAI API「モデル」](https://developers.openai.com/api/docs/models) — 現行カタログにはGPT-6 Astra、Sol、Lunaが掲載されている。公表済みのモデル名を確認する資料であり、GPT-7やGPT-8の提供状況、時期、仕様は立証しない。
- [ヒントン、ビニャルス、ディーン「ニューラルネットワークの知識蒸留」](https://arxiv.org/abs/1503.02531) — 元となる研究論文は、より小さく導入しやすいモデルに知識を移す方法の歴史的背景を示す。パワー氏によるOpenAIの現在の研究配分や、GPT-6各モデルの学習履歴を裏付けるものではない。