オープンウェイトモデルのファインチューニングは安いとよく言われます。それは事実です — LoRAは元の重みを固定したまま、小さなアダプター行列だけを学習するので、フルファインチューニングのわずか1%程度のパラメータしか触りません。 でも、その先の話はあまりされません。学習が終わったモデルを実際にサービスで使うには、GPUを動かし続ける必要があるんです。Together AIの場合、H100を1台24時間稼働させると月額$4,672.80かかります。 この隙間を正確に狙ったxAIの共同創業者が、創業から2ヶ月で11億ドルを調達しました。
オープンモデル、たしかに学習は安いんです
まず本当の話から。オープンウェイトモデルをLoRAでファインチューニングするのは、実際に安く済みます。元の重みは固定したまま小さな行列を2つ追加学習するだけなので、GPUメモリ使用量は約70%削減、学習速度も3〜5倍速くなります。 それでいて性能はフルファインチューニング比95〜99%を維持すると言われています。
価格を見ても負担は大きくありません。Together AI基準で16B以下モデルのLoRA SFT学習は100万トークンあたり$0.48、70B〜100B級でも$2.90程度です。 小規模なQLoRA実験なら、レンタルGPUで数百ドル未満に収まるケースもあります。 学習自体は本当に安いんです。
だからみんなこう考えます
「オープンモデルを自社データで学習させれば、安く自分たちだけのモデルが持てる」。間違いではありません。問題はその先にあります。
でも本当の請求書は学習が終わった後に来ます
ファインチューニングしたモデルは、学習させて終わりではありません。実際にリクエストを受けて応答するには、どこかで動き続けなければなりません。Together AIのようなプラットフォームでは、これを専用エンドポイント(Dedicated Endpoint)として扱いますが、ここからコスト構造が変わります。
| 学習(LoRA SFT) | ホスティング(専用エンドポイント) | |
|---|---|---|
| 課金基準 | 学習に使ったトークン数 | GPU稼働時間 |
| 16B以下モデル | 100万トークンあたり$0.48 | H100が1時間$6.49 |
| 24時間稼働時 | 一回きりの費用 | 月額$4,672.80 |
| トラフィックゼロ時 | 該当なし | それでも課金継続 |
つまり学習費用は安いことが多いのに、モデルを動かし続けるホスティング費用の方がずっと大きいという点が見落とされがちです。 最新のB200なら1時間$11.95まで上がります。 リクエストが一日中集中するサービスならまだいいですが、社内ツールや初期MVPのようにトラフィックが断続的だと、GPUが遊んでいても請求は同じように来ます。「インフラチームなしでオープンモデルを自社のものにする」という計画は、ここでよくつまずきます。
この隙間を狙って11億ドルが集まった
River AIはまさにこの点を突いています。創業者のIgor Babuschkin氏は、DeepMindで4年以上AlphaStar(スタークラフトII AI)などの強化学習プロジェクトを率い、その後OpenAIを経てxAI共同創業に加わった人物です。 2025年8月にxAIを離れ、2026年4月にネバダ州で新会社を設立、6月にRiver AIとしてステルスを解除しました。
そして2026年8月、創業からわずか2ヶ月でシード・シリーズA合同で11億ドルを調達したと発表しました。 General CatalystとAMP PBCが主導し、Nvidia、AMD Ventures、Y Combinator、Temasekが参加しました。 Dealroomはこの規模を「同業界・同地域の初期段階VC取引の上位1%」と評価しています。
RiverのAPIはすでに公開されていて、100万トークン単位で課金されます。核心は学習も推論も実際に使ったトークンの分だけ課金し、アイドル状態のGPU容量コストは一切かからないという点です。 インフラチームなしでも企業が複雑な強化学習を15〜20分で完了でき、クローズドモデル比2〜4倍のコスト削減ができると主張しています。
「AIはオープンで自由で手頃な価格であるべきで、実際にユーザーのために働いている感覚が必要です」
— Igor Babuschkin、River AI CEO
General CatalystのCEO、Hemant Taneja氏は今回の投資を「アメリカのレジリエンス」という国家戦略の観点から説明しました。 Meta、Mistral、そして中国のDeepSeekやQwenといったオープンエコシステムが拡大する中、Riverのような会社が個人・企業がモデルを直接所有できるインフラ層を埋めようとしているというわけです。
まだ検証されていない部分
「2〜4倍のコスト削減」はRiver AI側が発表した数値で、第三者ベンチマークで検証されたものではありません。 評価額や正確なGPU構成といった詳細も公開されていません。創業2ヶ月での大型調達という点で、過熱するAI資金調達市場を反映しているという見方もあります。
オープンモデルのファインチューニング、コストの罠を避けて始める方法
- 目的を絞り込む
口調やフォーマットを合わせるだけならLoRAで十分です。新しいドメイン知識を組み込む必要があるなら、フルファインチューニングやRAGも合わせて検討しましょう。 - 学習費とホスティング費を必ず分けて見積もる
学習の見積もりだけを見て「安い」と判断しないでください。作ったモデルを月にどれくらい呼び出すかをまず計算し、それに合わせてホスティングを別途見積もりましょう。 - トラフィックパターンに合った課金モデルを選ぶ
リクエストが一日中安定していれば専用エンドポイント(時間課金)の方が安くなることもあります。断続的、または予測が難しいなら、トークン課金の方が安全です。 - 今すぐ試せる選択肢から比較する
Together AIとFireworks AIはすでにGA状態で、LoRAファインチューニングに対応しています。 Fireworksはファインチューニングしたアダプターもベースモデルと同じトークン単価で提供してくれるので、比較の基準にしやすいです。 - River AIは見守りつつ、急がない
APIは公開されていますが、創業2ヶ月の会社です。 今すぐ本番環境に必要というわけでなければ、既存の選択肢からまず始めて、Riverの実際のコスト削減が検証されるかを見守るのが安全です。
もっと深く知りたいなら
River AI公式の資金調達発表 創業者の発言、投資家一覧、製品ビジョンまで原文で river.ai
TechCrunchの元記事 このニュースを最初に報じた記事。資金調達の背景と市場の反応 techcrunch.com
LoRA・QLoRA完全ガイド ファインチューニングの概念から実践的なコスト感覚まで blog.mondrian.ai
Together AI料金の徹底分析 学習費とホスティング費が実際にどう積み上がるか eesel.ai
オープンウェイトのトレンド分析 River AIを国家AI戦略の観点から読み解く記事 thenextweb.com
Dealroomの投資分析 この調達ラウンドがどれほど異例の規模かというデータ視点 dealroom.co
