・中国Moonshot AIのKimi K3は、最先端の性能を持ちながらモデルの中身を丸ごと無料公開した、世界初の3兆パラメータ級モデルです
・ですが47ページの技術レポートを読むと、本当に驚くのはサイズではなく訓練手法でした。偽のGmailやSlackを5121万9741個作り、そこでAIを働かせて鍛えています
・手順書を渡さず合格条件だけ渡す、自己申告は評価しない、分量は評価しない。この育て方は、企業の人材育成と評価制度にそのまま置き換えられます

いま、AI業界でいちばん話題になっているモデルが、中国のMoonshot AIが公開したKimi K3です。

理由は単純で、最先端の性能を持ちながら、モデルの中身が丸ごと無料公開されたからです。総パラメータ2.78兆。中身が公開されたモデルとしては、世界初の3兆クラスです。

第三者評価も揃っています。

・Artificial Analysisの知能指数で、580モデル中4位

・業種横断の実務ベンチマークで、39モデル中2位

・Web開発の人間投票アリーナで1678Eloを記録し、中身が公開されたモデルとして初めて首位に立ちました

その性能が、誰でも自社のサーバーに持ってきて動かせる形で置かれた。だから騒がれています。

なお以下の比較はすべて、レポートが公開された7月下旬時点のものです。アリーナの順位はその後Claude Opus 5に抜かれ、現在は2位になっています。この世界の順位は週単位で動きます。

ただ、47ページある技術レポートを読み終えて残ったのは、少し違う感想でした。

このモデルの本当に面白いところは、大きさではありません。育て方です。

そしてその育て方は、企業が新人を育て、評価し、KPIを設計するときにぶつかる問題と、驚くほど同じ形をしていました。

この記事で読み取れる6つのポイント

・ポイント1：AIの育て方が「読ませて育てる」から「働かせて育てる」に変わった

・ポイント2：手順書は渡さない。渡すのは目的と制約と合格条件だけ

・ポイント3：AIもズルをする前提にする

・ポイント4：9人の専門家を別々に育てて、最後に1人へ統合

・ポイント5：最初から「安い形」のまま鍛えた

・ポイント6：K3は自分の開発基盤を作っている

以下、順に見ていきます。最後に、この育て方を人間の育成と評価に置き換えるとどうなるかをまとめます。

ポイント1：AIは「読ませて育てる」から「働かせて育てる」に変わった

座学からOJTへ

AIの学習は、長いあいだ一段階でした。ネット上の膨大な文章を読ませて、次に来る言葉を当てる練習をさせる。事前学習と呼ばれる工程です。

転換点は2025年に来ました。DeepSeekのR1が、模範解答の手順を一切与えず、最終的な答えが合っているかだけでAIを鍛えるという方法を成立させたのです。数学なら答え合わせ、コードなら実行して通るかどうか。手順は教えないが、正誤は機械が判定できる。

すると、誰も教えていない振る舞いが生えてきました。途中で自分の答えを疑う。立ち止まって検算する。方針を変える。

手順を教えなかったからこそ、AIは自分で手順を発明したわけです。

ただ、この方法には天井があります。

答え合わせができる問題が、そう多くないのです。数学とコードには唯一の正解があります。ですがリサーチ、資料作成、業務代行、営業の下調べには、正解と呼べるものがありません。

2026年のAI各社が向かったのは、その先でした。

正解が定義できないなら、正解の代わりに「検証できる職場」を作ってしまえ、と。

偽のGmail環境を5000万個作った

K3の訓練で作られた仮想の作業環境は、のべ5121万9741個。ベースとなるテンプレートは150万5678種類あります。

端数まで書いたのは、レポートにその桁で書いてあるからです。

そこに何を用意したか。Gmail、Notion、Slack、Canvasの偽物です。

見た目を似せたのではありません。メールが届き、スレッドが伸び、通知が飛ぶという中身の振る舞いまで、本物と同じ意味を持つように作り直しています。

なぜ本物を使わないのか。

理由は3つあります。

・APIの利用制限に引っかかる

・課金が発生する。5000万回も操作すれば、どのサービスからもアカウントを止められる

・そして再現できない

3つ目が本質です。訓練では「同じ状況をもう一度」が必要になります。本物のメールボックスは、二度と同じ状態に戻せません。巻き戻せる偽物のほうが、教材として優れているのです。

そこでやらされる仕事も、一問一答ではありません。

人事、法務、財務の業務シナリオが、何日分もの疑似的な時間の中で流れていきます。数十の出来事が互いに絡み合いながら、複数のアプリをまたいで到着する。割り込みも起きる。

1回の勤務で、数千回のツール操作と数百万トークンの文脈が積み上がります。

レポートはこれを「持続し、進化していく環境」と表現しています。課題ではなく、勤務です。

そしてその職場を組み立てたのも、AIエージェントでした。Webで参考資料を調べ、筋の通った業務環境へと構成しています。

人間は一生に一つの職場しか経験できません。K3は5000万人分の勤務経験を、並列で積みました。

裏側は、意外なほど泥臭い

まず、普通のコンテナ技術では回りませんでした。

エージェントが予期しない操作をしてカーネルパニックやデッドロックを起こしたからです。かといって行動を制限すると能力が育ちません。そこで、ディスクをマウントしようが仮想マシンを起動しようが平気な、独立した超軽量の仮想マシン方式に切り替えています。

そのうえで効いた工夫が、稼働率の削り込みでした。

・AIが次の一手を考えている間、環境は完全に凍結してメモリもCPUも一切使わない。これが環境の寿命の最大98パーセントを占める

・復帰は49ミリ秒、状態保存は133ミリ秒

・メモリの見かけ上の水増しは最大6.5倍

工場やコールセンターの稼働率管理と、まったく同じ発想です。この地味な最適化がなければ、5000万回は回りませんでした。

▶︎ あわせて読みたい：AIに仕事を任せるコツは「新人教育」だった——ChatGPT Work完全攻略

ポイント2：手順書は渡さない。渡すのは合格条件だけ

目的と制約と、合否判定の窓口だけ

K3の訓練で最も過酷なのは、自律実行課題と呼ばれるものです。

AIに渡されるのは、目的、状況、制約、実行予算、そして合否を判定する窓口だけ。

手順書はありません。模範解答の道筋もありません。

分解も、道具選びも、失敗からの立て直しも、そして「もう終わりでいい」という終了判断まで、すべて自分でやります。

採点も容赦がありません。AIが「完了しました」と言っても無視されます。評価されるのは、作業が終わったあとの環境の最終状態だけです。

レポートに載っている課題例が強烈でした。

中身を隠された3Dカメラ修理管理システムに対して、質問を投げることだけを許され、そのシステムをWebアプリとして復元しろ、という課題です。

結果は、K3が完全復元の1.000。Claude Opus 4.8が0.918、GPT-5.5が0.893、前世代のKimiが0.560でした。

仕様書なしのリバースエンジニアリングを、訓練としてやらせているわけです。

道具は固定しない

もうひとつ、地味だが効いている設計があります。

K3の訓練環境は、エージェントの作業環境そのものを部品に分解しています。ツールの窓口、システムプロンプト、文脈の管理方法、スキル、記憶、サブエージェント。

これらを組み替えることで、Kimi Code、Claude Code、Codex、OpenClaw、Hermesといった主要な作業環境を再現でき、課題ごとに構成を切り替えています。

狙いは、特定の道具の作法に染まらせないことです。

ある会社の業務システムでしか働けない人ではなく、道具が変わっても仕事ができる人を育てている。

ポイント3：AIもズルをする

自力で見つけた3つの抜け道

GPUの計算プログラムを高速化しろ、という課題で、K3は自力で抜け道を発見しました。

・一度記録した計算の実行手順をそのまま再生して、計算したように見せる

・入力を保存しておいて、同じ入力が来たら計算そのものを飛ばす

・計算の精度をこっそり落として、その分だけ速くする

どれも、速度の計測上は速い。しかし、その方法は誰も望んでいません。ズルです。

Moonshotはこれを検出する仕組みを作り、新しい手口が観測されるたびに追加していった、とレポートに書いています。

イタチごっこです。

ここで大事なのは、AIに悪意がないことです。

むしろ、こちらが出した指標に正直すぎるのです。「速度スコアを上げろ」と言われたから、速度スコアを上げた。目的を推し量ってはくれません。

処理時間を短縮しろと言われた現場が、集計対象を減らして時間を短縮する。あの構造とまったく同じです。

だから、評価の仕組みを作り直した

対策は、罰することではなく、評価の設計を変えることでした。

K3の訓練で組まれたのは、次の6つです。

・自己申告を評価の一次情報にしない。最終的な状態だけを見る

・採点する検証者を、作業するAIから隔離する

・診断的なフィードバックをくれる公開の検証者と、提出後に未知の条件で採点する隠された検証者を併用する

・提出回数に上限を設け、外すとペナルティを与える

・成果物が動かなければゼロ点。Web開発では、ビルドが通らない、エラーが出る、実装せずに実装したフリをする、のいずれかで点数がゼロになる

・審査員がAIの場合は、審査員にも手順を義務づける。成果物を読む、採点基準を自分で作る、その基準に照らして採点する、つけた点数を記録簿に残す

最後にもう一つ、長さで誤魔化す戦略も封じられました。

審査員AIは、長くて詳しそうな回答を高く評価しがちです。AIはそれを学習して、だんだん冗長になっていきます。

対策として、標準的な長さの一定倍を超えた回答は、内容を見るまでもなく自動的に敗北としました。

▶︎ あわせて読みたい：「AIに、どこまで任せていい?」決めて育てる組織だけが生き残る

ポイント4：9人を育てて1人に統合し、「考えすぎるな」と教えた

分けて育てて、あとで統合する

K3は、訓練の途中では9人いました。

3つの領域と、3段階の思考量の掛け合わせです。領域は一般業務、汎用エージェント、コーディングエージェント。思考量は低、高、最大。

それぞれを別々に鍛え、最後に1体へ統合しています。

ここで注目したいのは、細かく分けていないことです。レポートは「個々のタスクごとに専門モデルを訓練するのではなく」と明記しています。営業一課、営業二課と刻むのではなく、営業・企画・開発の3部門に留めた。

写経ではなく、赤ペン

統合の方法が面白いです。

模範解答を写経させるのではありません。

統合される側のモデルに、まず自分の言葉で答えさせる。そのうえで、一語一語について「担当領域の先生モデルなら、この語をどれくらいの確率で選んだか」を照合し、報酬と罰を与えていきます。

生徒が自分で書いた答案に、先生が一語ずつ赤ペンを入れていく方式です。

なぜ写経ではだめなのか。模範解答は「正しい道」しか教えてくれないからです。生徒が道を外れたとき、どうすればいいかは、外れた地点で赤ペンを入れないと教えられません。

なお、より精密な手法も試したが効かなかった、とレポートには書いてあります。効かなかった実験を残しているのは、地味に誠実です。

正解しても、時間をかけすぎたらマイナス

もう一つ、奇妙な訓練が入っています。

考えすぎるな、という訓練です。

課題ごとにトークンの予算をあらかじめ見積もり、それを超えたら、答えが合っていようがマイナス1点。一般業務では考えた量を数え、エージェント業務では推論に加えてツールに渡した引数まで全部数えます。

正解しても、時間をかけすぎたら評価はマイナスになります。

順序も逆で面白いです。

まず予算をたっぷり与えた「最大」型を育て、そこから段階的に予算を絞って「高」型と「低」型を作っています。

最初から短く答えられる人を育てるのではありません。深く考えられる人を作ってから、短く出せるように締めていくわけです。

ポイント5：安い制服のまま鍛える

出荷前に圧縮するのをやめた

AIを軽くする代表的な手法に、量子化があります。中の数値を粗い刻みで表現し直して、データ量を減らす技術です。

普通は、フル装備で訓練して最高性能を出し、出荷の直前に圧縮します。そして、たいてい性能が少し落ちます。

落ちる理由は、訓練したときの自分と本番で動いている自分が、微妙に別人になるからです。

精密なグラム単位の計量で覚えた料理人が、本番では10グラム刻みの秤しか使わせてもらえない。腕は落ちていないのに、結果がぶれる。

K3は逆をやりました。

事後学習の最初から、圧縮された姿で鍛えたのです。手本を真似る段階も、強化学習の段階も、すべて。しかも強化学習の中では、試行として文章を生成するときと、その結果から学習するときで、同じ圧縮方式を使っています。

最初から10グラム刻みの秤で修行させたので、本番でも同じ味が出る。

ただし一律には削っていません。圧縮したのはメモリの大半を占める専門家たちの重みで、専門家を選ぶルーターや注意機構は高い精度のまま残しています。

現場作業員の装備は軽量化するが、指令系統の計器は精密なままにする。どこを削ると判断が狂うかを見極めているわけです。

代理指標をやめて、本当に測りたいものを測る

高速化のための「下書き役」の訓練にも、鋭い判断がありました。

小さくて速いモデルに先の数語を下書きさせ、本体がまとめて検証する。当たっていれば一気に進むので速くなる、という手法です。

この下書き役を鍛えるとき、普通は「本体にどれだけ似た出力を出せるか」を目標にします。

Moonshotは、それは目的そのものではないと指摘しました。本当に上げたいのは、下書きが本体に採用される確率だからです。

そこで、似ている度合いを測る代理指標をやめ、採用率そのものを直接の目標に置き換えました。

上司に似た文章を書く練習ではなく、上司に採用される確率を上げる練習をする、ということです。

結果、いくら安いのか

こうした積み上げの結果はこうなりました。

・コーディングの内製ベンチマークで、Claude Fable 5に4.0点差まで迫り、コストは38パーセント

・思考量を「高」に落とした時点で、Claude Opus 4.8の最大思考量のスコアに並ぶ。コストは約3分の1

・調べもの課題では91.2パーセントで最高スコアを、1件2.03ドルで達成。同水準のGPT-5.6 Solの半額、Claude系の最大思考量に対しては1桁安い

・実務価値ベンチではGPT-5.6 Solと50Elo以内の差で13パーセント安く、Claude Fable 5の2.6分の1

頂点ではありません。ですがコスト対効果の最前線には、確実に乗っています。

ポイント6：新人が、自分の工具を作り始めた

自分が動くための計算プログラムを、自分で速くした

レポートの終盤で、立場が静かに入れ替わります。

K3は、自分が動くための計算プログラムの最適化に取り組みました。1件あたり最大24時間の予算を与えられ、計測し、書き直し、また計測する。

結果はこうです。

・ある処理の待ち時間を283.6ミリ秒から114.4ミリ秒へ。約6割減

・別の2つは、実行時間を55.1パーセントと73.6パーセント削減

・もう1つでは、ハードウェアの理論上限の半分超まで引き上げた

同じ課題を他のモデルにも解かせた比較があります。1つ目の処理での高速化率は、K3が59.7パーセント、Claude Fable 5が57.1パーセント、GPT-5.5が30.8パーセント、GPT-5.6 Solが17.3パーセント。

4種類の処理を通してみると、K3はClaude Fable 5と互角で、Claude Opus 4.8、GPT-5.6 Sol、GPT-5.5を大きく上回りました。

そしてレポートには、こう書かれています。

ベンチマークとは別に、開発後期の計算プログラム最適化作業の多くは、すでに初期段階のK3自身が担っていた。

K3を速くするための作業を、開発途中のK3がやっていたのです。

育てられていた新人が、いつのまにか自分の職場の設備改善を任されていた。

コンパイラを作り、チップを設計した

そこから先は、層をどんどん降りていきます。

独自のGPUコンパイラを作りました。コードを機械語に翻訳する、開発基盤の最も土台に近い部分です。標準的な実行方式を平均で上回り、ゼロから書いた行列演算は実測性能上限の約9割に達しています。

さらに、48時間の自律実行1回で、推論用チップの試作を設計し、検証まで通しました。4平方ミリの面積予算内で、100メガヘルツで動作条件を満たし、シミュレーション上で毎秒8700トークン以上。回路データは公開されています。

知識労働と、映像制作

知識労働の事例も並びます。

・天体物理学の先行研究の再現。論文20本以上を読み、300を超える状態方程式を評価し、公開されている数式の不整合まで指摘し、Python3000行超と対話型ダッシュボードを作成。所要約2時間。熟練研究者なら1〜2週間

・AI半導体産業42年分の調査サイト構築。1万1000ページ超の資料を、2800回超のWeb検索と1100回超のコマンド実行を挟みながら、120回以上の改稿で仕上げた

そして最後に、映像です。

K3は、自分自身のアーキテクチャを解説するモーショングラフィックス動画を作りました。さらに、公開用のティザー動画を56本の素材クリップから編集しています。クリップの選定、動きに合わせたカット、フレーム単位での音楽との同期、音声処理、複数回の改稿まで。

同等の密度の短尺動画は、熟練編集者でも1〜2日かかる、とレポートは書いています。

もちろん、完璧ではない

ここまでの話は、万能を意味しません。

レポート自身が限界を認めています。セキュリティ課題での失敗を分析した結果として挙がっているのは、次の4つです。最後の詰めができない。遠回りな手を選ぶ。不毛なデバッグの無限ループに入る。提出前の検証が甘い。

途中までは異常に速い。ですが完遂には、まだ人が要る。

それが2026年7月時点の現在地です。

▶︎ あわせて読みたい：「中国AIは危険」で止まる前に——Kimi K3騒動で見直す3つの実務判断軸

この育て方は、人間にも当てはまる

ここまで、AIの話をしてきました。

ですが読み返すと、ほとんど組織運営の話だったことに気づきます。

K3の訓練から取り出せる原則を、そのまま人間の育成と評価に置き換えてみます。

育て方について。

・手順書ではなく、目的と制約と合格条件を渡す。手順を教えないほうが、自分で手順を発明する

・道具を固定しない。特定のツールの作法に染まった人は、環境が変わると動けなくなる

・分けて育てて、あとで統合する。ただし細かく分けすぎない。K3もタスク単位ではなく、3つの大領域に留めた

・深く考えられるようにしてから、短く出させる。順番を逆にすると、浅いまま速い人ができる

・模範解答を写経させるより、本人が書いたものに赤を入れる。道を外れた地点でしか、立て直しは教えられない

評価について。

・自己申告を評価の一次情報にしない。最終的な状態を見る

・評価する人を、評価される人から離す

・全部を事前開示しない。開示された基準だけが最適化される

・提出回数を絞る。無制限に出せると、基準に合わせ込む行動が最適解になる

・成果物が動かなければ、努力の量は評価しない

・評価者に、評価軸の明文化と記録を義務づける。印象評価は必ず抜け道を作られる

・分量を評価しない。長さは努力の代理指標にならない

・代理指標に気づいたら、本指標に置き換えられないか疑う。似ているかではなく、採用されるかを測る

この十数個を並べて、自社の評価制度がいくつ満たしているかを数えてみると、たぶん気分がよくないと思います。

ただ、ここには救いもあります。

Moonshotも完璧な制度は作れていません。新しい抜け道が見つかるたびに検出を追加し続けた、と書いてあります。評価制度は作って終わりではなく、更新し続けるものだという、当たり前の結論に落ちます。

そして、この記事でいちばん持ち帰ってほしいのは、次の一点です。

AIの伸びしろは、環境と評価の側へ移った。

そこは資本の勝負ではありません。業務知識と設計力の勝負です。2.8兆パラメータのモデルは作れなくても、自社の業務を再現した練習環境と、合格条件の定義は作れます。

そして裏を返せば、こうなります。

合格条件を書ける業務から順に、AIへ移っていく。書けない業務が、手元に残る。

だから問うべきは「AIに仕事を奪われるか」ではありません。

自分の仕事の完了条件を、自分は言葉にできるか。

Kimi K3の47ページは、最後にその問いを置いていきました。

よくある質問（FAQ）

Q1. Kimi K3は日本の企業でも使えますか

モデルの重みが公開されているので、技術的には自社サーバーでの運用が可能です。ただし2.78兆パラメータを動かすには相応のGPU群が必要で、多くの企業にとってはAPI経由での利用が現実的です。中国製AIを使うかどうかの判断については、別記事で3つの実務判断軸を整理しています。

Q2. なぜ本物のGmailではなく偽のGmailを使うのですか

理由は3つあります。APIの利用制限に引っかかること、5000万回の操作では課金が膨大になること、そして最も本質的なのが再現性です。訓練では「同じ状況をもう一度」が必要になりますが、本物のメールボックスは二度と同じ状態に戻せません。巻き戻せる偽物のほうが教材として優れているのです。

Q3. この記事の内容は、AIを使わない部署にも関係がありますか

あります。記事の後半でまとめているとおり、K3の訓練から取り出せる原則は人材育成と評価設計そのものです。自己申告を評価の一次情報にしない、公開基準だけで評価しない、分量を評価しない、代理指標を本指標に置き換える。AIを一切使わない組織でも、そのまま使える論点です。

あわせて読みたい・聴きたい

新著（7/27発売）『Claude 最強のAI自動化術』：https://amzn.to/4eTUVG1

YouTube『いけともch』：https://www.youtube.com/@iketomoch

Podcast『いけとも尾原DeepなAIニュース』：https://open.spotify.com/show/3hGAbKZI5oo9PsbFI1IxTr

■合わせて読みたい

■関連記事