Mistral AIは月曜日にForgeを発表しました。これは企業向けモデル訓練プラットフォームで、組織が独自のデータを用いてAIモデルを構築・カスタマイズ・継続的に改善することを可能にします――この動きはフランスのAI研究所を、企業技術の中で最も重要かつ理解されていない市場の一つに対して、超大規模クラウドベンダーに正面から対抗させる位置づけとなります。
この発表は、Mistralにとって非常に攻勢だった一週間の締めくくりとなり、同社はまたMistral Small 4モデルをリリースし、Leanstral―正式検証のオープンソースコードエージェント―を公開し、Nvidia Nemotron Coalitionに新たに参加して同協会の最初のオープン・フロンティア・ベースモデルの共同開発者となりました。
Forgeは、過去1年間にMistralと競合他社が提供してきたファインチューニングAPIをはるかに超えています。プラットフォームは、モデル訓練全体のライフサイクルをサポートします：大規模な内部データセットでの事前訓練、監督付き微調整による事後訓練、DPO、ODPO、そして重要なのは、内部ポリシー・評価基準・運用目標と時間をかけて整合させるための強化学習パイプラインです。
「ForgeはMistralのモデル訓練プラットフォームです」と、Mistral AIのプロダクト責任者エリサ・サラマンカは発売前のVentureBeatの独占インタビューで語った。「私たちはAI科学者と裏方でこれを構築してきました。Forgeが実際にもたらすのは、企業や政府が自社の特定のニーズに合わせてAIモデルをカスタマイズできる点です。」
真剣な企業向けAIにはファインチューニングAPIだけでは不十分だと、Mistralが言う理由
Mistralが描く区別――軽量なファインチューニングと全サイクルのモデル訓練の違い――は、Forgeが存在し、誰に提供されるのかを理解するうえで中心的です。
過去2年間、企業向けAIの採用の大半はお馴染みのパターンに従ってきました。企業はOpenAI、Anthropic、Googleからの汎用モデルを選択し、クラウドAPIを介してファインチューニングを適用して、限られたタスクの集合に対するモデルの挙動を調整します。このアプローチは概念検証の展開や多くの本番用途にはうまく機能します。しかしサラマンカは、それは組織が最も難しい問題を解こうとすると本質的に頭打ちになると主張します。
「監督付きファインチューニングに依存したファインチューニングAPIを私たちは持っていました。数か月前にはそれが標準だったと思います」とサラマンカはVentureBeatに語った。「それは概念実証の状態に導きます。狙っている性能を実際に得たいときには、越える必要があります。現在のAI研究者はファインチューニングAPIを使っていません。彼らははるかに高度なツールを使っており、それがForgeがもたらすものです。」
What Forge packages, in Salamanca's telling, is the training methodology that Mistral's own AI scientists use internally to build the company's flagship models — including data mixing strategies, data generation pipelines, distributed computing optimizations, and battle-tested training recipes. She drew a sharp line between Forge and the open-source tools and community tutorials that are freely available today.
“There's no platform out there that provides you real-world training recipes that work,” Salamanca said. “Other open-source repositories or other tools can give you generic configurations or community tutorials, but they don't give you the recipe that's been validated — that we've been doing for all of our flagship models today.”
From ancient manuscripts to hedge fund quant languages, early customers reveal what off-the-shelf AI can't do
The obvious question facing any product like Forge is demand. In a market where GPT-5, Claude, Gemini, and a growing fleet of open-source models can handle an enormous range of tasks, why would an enterprise invest the time, compute, and expertise required to train its own model from scratch?
サラマンカはこの質問を正面から認めつつ、汎用的なユースケースを超えたとき需要はすぐに生まれると主張しました。「既存のモデルの多くは非常に遠くまでいけます」と彼女は言いました。「しかし、競合に対して競争力を高めるには、皆が外にあるモデルを採用して使えます。そこから一歩先へ進みたいときには、実際には自分のモデルを作る必要があります。独自の情報を活用する必要があります。」
彼女が挙げた現実の例は、現在のモデルエコシステムの端点を示しています。あるケースでは、Mistralは公的機関と協力し、損傷した箇所から欠落したテキストを含む古文書を扱いました。『利用可能なモデルはこれを行えませんでした。データを見たことがないからです』とサラマンカは説明しました。『デジタル化はあまり良くありませんでした。いくつかの独自のパターンと文字があり、私たちは彼らの欠落部分を埋めるモデルを実際に作成しました。現在は彼らの研究者によって使用されており、これらの文書の公表と理解を加速しています。』
別の案件では、MistralはEricssonと提携して、レガシーからモダンへのコード翻訳のためにCodestralモデルをカスタマイズしました。サラマンカは、エリクソンが内部の呼出し言語に関する半十年分の独自知識を蓄積しており、それは市販のオフ・ザ・シェルフモデルが一度も遭遇したことのないほど専門的なコードベースだと述べました。「具体的な影響は、1年かかるマニュアル移行プロセスを、各エンジニアが6か月のオンボーディングを要するような状態から、はるかにスケーラブルで速いものへと変えることです。」
おそらく最も示唆に富む例はヘッジファンドに関するものです。サラマンカは、金融企業と協力して、独自の定量言語に対するカスタムモデルを作る話を説明しました。これらの企業はオンプレミスで深く守られた知的財産を保有し、クラウド上のAIサービスには公開しません。Forgeの強化学習機能を使って、Mistralはあるヘッジファンドがカスタムベンチマークを開発し、それを上回るようモデルを訓練しました。サラマンカはこれを「競争上の優位性を与えることができたユニークなモデル」と表現しました。
Forgeの収益化の仕組み: ライセンス料、データパイプライン、そして埋め込み型AI科学者
Forgeのビジネスモデルは、エンタープライズ向けモデル訓練の複雑さを反映しています。サラマンカによれば、複数の収益源にまたがって運用されています。自社のGPUクラスター上で訓練ジョブを実行する顧客――高度に規制された業界や知的財産を含む産業で一般的な要件です――に対して、Mistralは計算の料金を請求しません。代わりに、Forgeプラットフォーム自体のライセンス料と、データパイプラインサービスの任意料金、そしてMistralが「forward-deployed scientists」――顧客のチームと並走する埋め込みAI研究者――と呼ぶ人材の料金を請求します。
「現在市場には、この埋め込み型科学者を訓練プラットフォームの一部として提供している競合はほとんどありません」とサラマンカは述べた。
このモデルには、Palantirの初期プレイブックの明らかなエコーがあります。前線展開エンジニアが、強力なソフトウェアと企業データの混沌とした現実を結ぶ重要な橋渡し役を果たした場面です。これはまた、MistralがエンタープライズAIの現状についての基本的真実を認識していることを示唆します。技術だけでは十分ではありません。ほとんどの組織は、効果的な訓練レシピを設計し、データを大規模にキュレートし、分散GPU訓練の厳しい最適化の地形を乗り越える内部専門知識を欠いています。
このインフラ自体は柔軟です。訓練はMistral自身のクラスター上で、Mistral Compute（同社の専用インフラ提供）、あるいは顧客のデータセンター内の完全オンプレミスで行われることもできます。『このようにさまざまなケースがあり、私たちはすべてをサポートしています』とサラマンカは言いました。
機密データをクラウドに出さないことが Forge の最も鋭いセールスポイント
Forgeで推し進めるMistralの最も際立つ差別化点の一つはデータプライバシーです。顧客が自前のインフラで訓練を行う場合、サラマンカはMistralはデータを一切見ないと強調しました。
「それは彼らのクラスター上にあり、彼らのデータとともにあります—私たちはそれを一切見ず、完全に彼らの管理下です」と彼女は言いました。「これこそが競合との差を生む要因だと思います。競合ではデータをアップロードする必要があり、ブラックボックス効果があります。」
防衛、情報機関、金融サービス、医療などの分野では、機密データを第三者のクラウドサービスに曝露することの法的・評判リスクが取引を左右する決定的要因になり得るため、この点は極めて重要です。Mistralはすでに ASML、DSO National Laboratories Singapore、欧州宇宙機関、シンガポールの Home Team Science and Technology Agency、そして Reply — というラインアップを持っており、これは同社がデータ感度の高いエンタープライズ市場の領域を意図的に狙っていることを示唆しています。
Forgeには、Mistralが自社のモデル訓練を通じて開発したデータパイプライン機能が含まれています。データの取得、キュレーション、合成データの生成です。「データは今日の訓練ジョブにおいて重要な要素です」とサラマンカは述べました。「良いデータを持つ必要があります。モデルが良い性能を示すためには、適切なデータ量が必要です。私たちは企業として、これらのデータパイプラインを構築するという非常に素晴らしい知識を獲得してきました。」
AIエージェントの時代において、MistralはカスタムモデルがMCPサーバーよりもなお重要だと主張する
The timing of Forge's launch raises an important strategic question. The AI industry in 2026 has been consumed by agents — autonomous AI systems that can use tools, navigate multi-step workflows, and take actions on behalf of users. If the future belongs to agents, why does the underlying model matter? Can't companies simply plug into the best available frontier model through an MCP server or API and focus their energy on orchestration?
Forgeの発表時期は、重要な戦略的問いを投げかけます。2026年のAI産業はエージェント—ツールを使い、多段階のワークフローをナビゲートし、ユーザーを代行して行動する自律AIシステム—に支配されています。未来がエージェントの時代であるなら、基盤となるモデルはなぜ重要なのでしょうか。企業はMCPサーバーやAPIを通じて入手可能な最先端のフロンティアモデルに単純に接続し、オーケストレーションにエネルギーを集中させることはできないのでしょうか。
サラマンカはこの枠組みに確固たる信念をもって反論しました。「私たちが取り組んできた顧客の中には――いくつかの特定の問題は、どんなMCPサーバーも決して解決しないようなものです」と彼女は語りました。「実際にはその知性が必要です。最も重大なビジネス課題を解決するのに役立つモデルを作る必要があります。」
彼女はまた、純粋にエージェント的なアーキテクチャにおいてもモデルのカスタマイズが不可欠であると主張しました。「モデルに取り入れるべきエージェント的な振る舞いはいくつかあります」とサラマンカは述べました。「推論パターン、特定の種類の文書作成、正しい推論の痕跡を確保することなどがそれに該当します。完全にエージェント的になる場合でも、実際に適切な性能を得るには、強化学習技術のようなモデルのカスタマイズが必要です。」
Mistralのプレスリリースはこの結びつきを明確に示しており、カスタムモデルが内部環境のより深い理解を提供することによってエンタープライズエージェントをより信頼性の高いものにすると主張しています。これにより、ツールの選択がより正確になり、複数段階のワークフローがより安定し、意思決定が内部方針を反映するようになる、ということです。
このプラットフォームはまた「エージェントファースト」という設計思想をサポートします。Forgeは自律エージェント—Mistral自身のVibeコーディングエージェントを含む—が訓練実験を開始し、最適なハイパーパラメータを見つけ、ジョブをスケジュールし、合成データを生成できるようなインターフェースを公開します。「実際、ForgeをAIネイティブな方法で構築してきました」とサラマンカは言います。「私たちはすでに自律エージェントが実際に訓練実験を開始できる方法を試しています。」
Mistral Small 4、Leanstral、NVIDIA連携: 企業の野心を再定義した週
Forgeの意義を十分に理解するには、同じ週にMistralが発表した他の発表と並べて見るとよいでしょう。これら一連の発表は、同社の短い歴史の中で最も野心的な拡張を一堂に示しています。
そしてちょうど昨日、MistralはLeanstralを発表しました。Lean 4に対する最初のオープンソースコードエージェントで、形式的数学とソフトウェア検証に用いられる証明支援ツールです。Leanstralは活性パラメータがわずか60億しかなく、現実的な形式リポジトリを想定して設計されています。孤立した数学競技問題を対象としていません。同日、MistralはMistral Small 4を発表しました。総パラメータは1190億の混成エキスパートモデルですが、クエリあたりの活性パラメータはわずか60億で、前任者より40%速く、秒間のクエリ数は3倍を処理します。両モデルともApache 2.0ライセンスの下で提供されており、広く使われているオープンソースライセンスの中で最も寛容です。
そしてNVIDIAの Nemotron連合 です。NVIDIAのGTCカンファレンスで発表されたこの連携は、NVIDIAとAI研究所のグループとの前例のない協力であり、以下を含む団体 — Mistral、Perplexity、LangChain、Cursor、Black Forest Labs、Reflection AI、Sarvam、および Thinking Machines Lab が共同開発してオープンフロンティアモデルを作り出します。連合の最初のプロジェクトは、Mistral AIとNVIDIAが共同開発したベースモデルで、NVIDIAの DGX Cloud 上で訓練され、今後のNVIDIA Nemotron 4ファミリのオープンモデルの基盤を支える予定です。
「オープンフロンティアモデルこそがAIを真のプラットフォームへと変える」と、NVIDIAの発表の中でMistral AIの共同創設者兼CEOアーサー・メンシュは述べました。「NVIDIAとともに、フロンティアモデルの大規模な訓練と推進において主導的な役割を果たします。」
この連携の役割は戦略的に重要です。これによりMistralはNVIDIAの計算インフラの利用者にとどまらず、より広いエコシステムが基盤モデルを構築する上での共同創作者となる位置づけになります。米国の競合他社の規模の一部にすぎない同社にとって、これは会議テーブルでの大きな席を占めることになるのです。
ForgeはAmazon、Microsoft、Googleを狙い、彼らには深さが足りないと主張する
Forgeは、表面上はすでに混雑している市場に参入します。Amazon Bedrock、Microsoft Azure AI Foundry、そして Google Cloud Vertex AI はすべてモデル訓練とカスタマイズ機能を提供しています。しかし、サラマンカはこれらの提供には基本的に2つの点で制限があると主張しました。
第一に、それらはクラウド専用です。「あるケースでは、答えはとても簡単です。彼らは自分の敷地でこれを実行したいと考えており、したがってクラウドで利用可能なこれらすべてのツールは彼らには利用できません」とサラマンカは述べました。第二に、彼女は大手クラウド事業者の訓練ツールは主に簡略化されたAPIインターフェースを提供しており、真のモデル訓練に必要な深い制御を提供していないと指摘しました。
依存性の問題もあります。サラマンカは、クローズドソースモデルの上に製品を構築していたデジタルネイティブ企業が、新しいモデルのリリース—前任のモデルよりも冗長になることが多い—によって生産パイプラインがクラッシュする事例を説明しました。「クローズドソースのモデルに依存していると、それに伴う副作用を引き起こすアップデートにも過度に依存してしまいます」と彼女は警告しました。
この議論は、欧州やそれ以外の地域でMistralの台頭を支えた、より広範な主権性の物語と共鳴します。同社は、AIスタックを所有したいと考える組織に対して、米国のハイパースケーラーから賃貸するのではなく所有する選択肢を提供する立場を取っています。Forgeはその主張を推論から訓練へと拡張します。単に自分が所有するモデルを実行するだけでなく、そもそもそれらを作ることを意味します。
オープンソースの基盤もここで重要です。Mistralは創業以来、緩やかなライセンスの下でモデルを公開しており、サラマンカはForgeをオープンプラットフォームとして構築していると強調しました。現時点ではMistral自身のモデルと連携していますが、他のオープンソースアーキテクチャのサポートも計画されていることを彼女は確認しました。「私たちはオープンソースに深く根ざしています。創業時から私たちのDNAの一部であり、Forgeをオープンなプラットフォームとして構築してきました。あとは他のオープンソースモデルに対して開放する時機が来るだけです。」
A co-founder's departure to xAI underscores why Mistral is turning expertise into a product
The timing of Forge's launch also arrives against a backdrop of fierce talent competition. As FinTech Weekly reported on March 14, Devendra Singh Chaplot — a co-founder of Mistral AI who headed the company's multimodal group and contributed to training Mistral 7B, Mixtral 8x7B, and Mistral Large — left to join Elon Musk's xAI, where he will work on Grok model training. Chaplot had previously also been a founding member of Thinking Machines Lab, the AI startup founded by former OpenAI CTO Mira Murati.
共同創業者を失うことは決して小さなことではないが、Mistralは個々の卓越性よりも組織としての能力で補償しているように見える。Forgeは、本質的には会社の集合訓練ノウハウ — レシピ、パイプライン、分散計算の最適化 — を、単一の研究者を超えてスケール可能な形に製品化したものだ。この知識をプラットフォームにパッケージ化し、現場配置の科学者と組み合わせることで、Mistralは鍵となる採用者が去っても組織を離れていくことのない、耐久性のある競争資産を構築しようとしている。
Mistralの大きな賭け: 自社のAIモデルを所有する企業こそが勝つ
Forgeは、エンタープライズAIの未来に関する特定の理論への賭けである。すなわち、最も価値のあるAIシステムは、専有知識で訓練され、内部方針で統治され、組織の直接的な管理下で運用されるものになる、という考え方である。これは、過去2年間の支配的なパラダイム—企業は主にクラウドサービスとしてAIを利用してきた、強力だが汎用的で、便利だが統制されていないというパラダイム—とは対照的だ。
問題は、十分な数の企業がその投資を進んで行う意欲を示すかどうかだ。モデル訓練は高価で、技術的にも高度で、組織としての継続的なコミットメントを必要とする。Forgeは、インフラの自動化、実戦で鍛えられたレシピ、現場配置の科学者を通じて障壁を下げるが、それらを完全にはなくすことはない。
What Mistralが賭けているのは、AIから最大の恩恵を得る可能性のある組織、すなわち高度に専門化された分野で数十年にわたる独自知識を蓄積している企業こそが、汎用モデルが最も不十分である、ということだ。これらの企業は、一般用途のモデルが可能にすることと、ビジネスが実際に必要とすることとのギャップが最も広く、ギャップを埋めることによる競争上の優位性が最も大きい企業だ。
Forgeは、denseとmixture-of-expertsアーキテクチャの両方をサポートし、性能、コスト、運用制約の間のさまざまなトレードオフに対応します。マルチモーダル入力を扱います。これは一度限りの訓練ではなく、継続的適応を前提として設計されており、組織が本番導入前に内部ベンチマークに対してモデルをテストできる組み込みの評価フレームワークを備えています。
過去2年間、エンタープライズAIのプレイブックは一貫していた。モデルを選び、APIを呼び出し、機能をリリースする。Mistralは今、「自分たちのモデルを訓練するという困難で高価で華やかさのない作業」を自発的に行う組織が、API利用者が決して手にできないものを手に入れるのか、というより難しい問いを投げかけている。
圧倒的な優位性。
