アシス・ゴーシュ氏、Peanut Robotics共同創業者兼元CTO。
GPT-5は生の知性における大きな飛躍というわけではなく、非常に優れたルーターなのだ。GPT-4が登場した時のことを覚えている。世界が変わったように感じた。明らかな進歩だった。モデルが突然、本物の新しさを感じさせる洗練さで推論し、文章を書き、コーディングするようになった。しかしGPT-5はそのような飛躍ではなく、その頭脳の使い方がより賢くなっているのだ。
GPT-5は一つの巨大なモデルではなく、質問を受け取り、その仕事に最適な「頭脳」に送るシステムだ。日常的な質問のための高速で汎用的なモデル、複雑な問題のためのより深い「思考」モデル、そして文脈とプロンプトの意図（例えば「これについてよく考えて」と明示的に頼む場合）に基づいてそれらを選択するリアルタイムルーターがある。ユーザーがモデルを切り替えたり出力を評価したりする際のシグナルから学習し、ルーティング方法を継続的に改善している。
内部的には、このルーティングは静的なスイッチではなく、クエリの複雑さ、コンテキストの長さ、コスト制約をリアルタイムで評価するよう訓練されたポリシーネットワークによって駆動されている。軽量なリクエストは遅延を最小限に抑えるために小規模な高密度エキスパートを通じてショートサーキットされ、推論ヒューリスティック（多段階の思考連鎖、ツールの呼び出し、長文脈参照）を引き起こすプロンプトはより重いモデルにエスカレーションされる。オーケストレーション層は複数の異なるモデルバックエンド間でエキスパートミックスチャーコントローラーとして効果的に機能する。これは微妙だが重要な変化だ：GPT-5は一つの巨大な塊ではなく、入力が正当化する場合にのみ動的にFLOPsを割り当てることで効率性を実現する分散システムなのだ。
AIの導入に長く携わってきた経験から、小さな非効率性が急速に拡大することを知っている。ロボットの単純な動作の遅延は些細なことに思えるが、何千もの処理サイクルにわたると処理能力を低下させる。GPT-5のブレークスルーはより賢い推論ではなく、より賢いリソース使用にある。日常的なタスクは迅速に処理され、重い推論は必要な時だけ起動し、必要なものに対してのみ（計算能力やレイテンシーの面で）支払うのだ。
このシフトが広く示しているのは、「最大の単一モデル」という軍拡競争が輝きを失い始めている世界に移行しつつあるということだ。GPT-5は、オーケストレーションが単なる規模ではなく、真の差別化要因になりつつあることを示している。
同じ戦略が他の場所でも展開されているのが見て取れる：gpt-oss、Qwen、Gemmaなどのオープンウェイトシステムは効率性を強く推進し、AnthropicやMistralは独自のエキスパートルーティングとモジュール性を実験している。
ビジネスリーダーにとって、GPT-5のルーター設計は単なる技術的な好奇心ではなく、コストと信頼性のレバーだ。大きな勝利は予測可能性にある：単純なタスクは軽量モデルを通じて即座に完了し、本当に複雑な問題だけが重い推論エンジンを起動する。つまり、重要な場面での低レイテンシーと、予測不可能に急増するのではなく実際のワークロードに応じてスケールする計算コストを意味する。これはPeanut Roboticsで学んだのと同じ教訓だ—実際の導入は理論上のピーク知性ではなく、スループットとコスト規律にかかっている。
現在、ほとんどのAIラボは同じ堅実なアーキテクチャ基盤—長文脈のためのRoPE、効率性のためのSwiGLU、安定したトレーニングのためのRMSNorm—に依存しているため、優位性は新しいブロックを発明することではなく、それらをいかに賢く組み合わせるかにますます依存している。gpt-oss、Qwen、Gemmaなどのオープンウェイトモデルは急速に追いつき、クローズドシステムとほぼ同じ推論、コーディング、多言語能力を提供しながら、導入の完全な制御とより厳格なガバナンスオプションを提供している。
GPT-5がルーティングを最適化する一方で、gpt-ossは導入マップを完全に変える。最先端クラスのモデルを汎用ハードウェアのフットプリントに適合させることで、企業が強力なLLMを社内に導入するオプションを提供する。これにより、独自データでのファインチューニングが実用的になり、機密性の高いワークフローを外部APIに送信する余裕がない業界にとってはゲームチェンジャーとなる。これは単にお金を節約するだけでなく、制御、ガバナンス、そして価値ある独自データを手放すことなくAIを既存のインフラに統合する能力に関するものだ。
gpt-ossを見れば、どれだけ進化したかがわかる。120Bモデルは単一の80GB GPUに快適に収まり、20Bバージョンはわずか16GBのVRAMにMXFP4量子化で収まる。これは単なるエンジニアリングの技ではなく、導入マップを完全に変えるものだ。突然、高容量モデルが大規模なGPUクラスターなしでオンプレミス、小規模なラボ、あるいは企業の既存のスタック内で実行できるようになった。コストを気にするチームや機密データを社内に保持する必要があるチームにとって、これは全く異なる種類のブレークスルーだ。
gpt-ossの主要なユースケースは、多くの企業がすでに所有しているハードウェア要件に合致する、最先端に近いパフォーマンスを提供することだ。MoEスパーシティ（トークンごとにエキスパートの一部のみがアクティブ）と量子化のおかげで、推論効率が十分に高く、20B MoEはスループットとVRAM使用量においてQwen-32Bのような大規模な高密度モデルを上回ることができる。この効率性プロファイルにより、gpt-ossは70B以上の高密度モデルの運用コストなしに、ファイアウォールの背後でモデルをファインチューニングまたはホストしたい規制産業に特に適している。要するに、これはベンチマークだけでなく、導入の現実のために設計されたモデルなのだ。
Peanut Roboticsを構築していた頃、まさにこの緊張関係に直面した：最先端のビジョンモデルはラボでは素晴らしかったが、ホテルのハードウェアに導入しようとした瞬間、計算のトレードオフは過酷なものになった。単に最大のモデルを問題に投げ込むことはできず、環境の制約に合ったものが必要だった。
だからこそgpt-ossが私にとってとても馴染み深く感じるのだ：それは研究だけでなく、導入の現実のために構築されている。同様に、GPT-5のルーターアプローチも同じ教訓を反映している：知性とは単なる処理能力の問題ではなく、適切なタイミングで適切なツールを使うことなのだ。
そしてそれがGPT-5が部屋の中の天才というよりも、非常に鋭い配車係のように感じられる理由だ。GPT-4のように一気に飛躍するわけではない。代わりに、静かにすべてをより使いやすく、より効率的に、よりスケーラブルにする。それは華々しく聞こえないかもしれないが、実際には、現実世界でAIを本当に勝利させる種類のシフトなのだ。
