インドのソブリンAI「BharatGen」、NVIDIA技術を活用し1兆パラメータモデル構築を推進

何が発表されたのか

インド政府主導の「IndiaAI Mission」のもと、同国のソブリンAIイニシアチブである「BharatGen」が、NVIDIAとの包括的な協業を通じて最大1兆パラメータ（1 Trillion Parameters）規模の多言語基盤モデルの開発を推進していることが公表されました。本プロジェクトは、インド工科大学（IIT）ボンベイ校のガネシュ・ラマクリシュナン（Ganesh Ramakrishnan）教授らが主導する学術機関コンソーシアムとしてスタートしたものです。当初は2億3500万ルピー（235 Crores）の資金を受け、最大100億パラメータ規模の小規模モデル開発から開始されましたが、IndiaAI Missionへの採択を経て、1兆パラメータ規模を目指す大型プロジェクトへと拡大しました。研究段階を経て一般提供および社会実装フェーズへと移行しており、モデル重み（Model Weights）、学習データセット、およびトレーニングレシピをHugging Face上にオープンソースとして順次公開する方針が発表されています。

発表された機能・アップデートの全容

170億パラメータ・22言語対応の「Param2」モデル

BharatGenの核となる基盤モデル「Param2」は、170億（17 Billion）パラメータを備え、Mixture-of-Experts（MoE）アーキテクチャを採用しています。インド国内の多様な言語環境に対応するため、テキスト表現では22言語、音声理解および合成では12言語をサポートします。MoE構成の導入により、複雑な推論タスクを実行する際の計算コストを大幅に抑えつつ、低い推論遅延を実現しています。学習データにはインド現地の多様なテキストおよび音声サンプルが活用されており、地域の文化的なニュアンスや方言を正確に捕らえる設計となっています。

複合的なエコシステムを展開する「BharatGen Products」

BharatGenのポータル画面上では、用途に応じた複数の生成AIプロダクトが提示されています。文章作成や文書処理を担う「Patram」、高度なドキュメント解析や知識検索を行う「DocBodh」、および膨大なローカルデータを集約・管理するデータ基盤「Bharat Data Sagar」などが含まれます。さらに、音声認識・合成に特化した「Shrutam」や、テキスト生成モデル「Sooktam」がラインアップされており、多様な業務フローへ柔軟に組み込むことが可能です。

農村ヘルスケアと行政・フィンテックへの社会実装

Param2を基盤とした具体的なソリューションとして、農村部における医療支援とフィンテック・ガバナンスへの適用が推進されています。医療分野では、モバイル端末を介して過疎地の住民に初期的な医療助言を提供し、専門的な診断内容や指示を患者が理解しやすい多言語の形式に変換します。行政および金融分野では、多言語カスタマーアシスタントを通じて公共サービスのアクセシビリティ向上や金融格差の解消を図ります。地方自治体や病院、水質管理部門との実証実験が進行しています。

歴史的文献の解読プロジェクト「Gyan Bharatam」

インドの文化遺産を保存・継承するためのプロジェクト「Gyan Bharatam」においても、BharatGenのモデルが活用されています。羊皮紙や古代の手稿（マニュスクリプト）、異なる書体で書かれた歴史的文献を光学認識および解読し、デジタルデータ化する処理にAIが組み込まれています。アーユルヴェーダや古代科学、歴史的文書の分析を多言語で支援することで、人文学領域におけるAI活用の先行事例となっています。

教育現場を支援する「Kotak Education Foundation」連携コパイロット

教育分野における展開として、Kotak Education FoundationやSpoken Tutorialsとの協業が実施されています。教員や生徒に対して多言語での会話型コパイロットを提供し、授業の準備や学習度の評価（アセスメント）を効率化します。地方都市や農村部の学校において、言語の壁を越えた学習環境を整備するための対話型学習ツールとして機能しています。

NVIDIA NeMoおよびNemotronを活用した事前・事後学習パイプライン

モデル開発の基盤には、NVIDIAのオープンソースAIフレームワークが包括的に採用されています。事前学習にはMegatron-LMやNeMo 2.0が用いられ、分散並列処理による効率的なスケーリングが実現されています。また、事後学習（Post-training）の工程ではNeMo RLやSteerLM、Nemotronシリーズ（Nemotron-Nano-12B-v2等）の設計手法を取り入れ、応答の調整やアライメントを実施しています。

NVIDIA Base Command ManagerとSlurmによる大規模マルチノード管理

最大1兆パラメータ規模のモデル学習を支えるため、インフラ管理にはNVIDIA Base Command Manager（BCM）およびSlurmワークロードマネージャーが導入されています。NVIDIA Reference Architecture（NCP）に基づき構築されたハードウェア環境において、複数ノードにまたがる分散学習の効率とスループット（処理能力）を維持しています。可観測性（Observability）を確保することで、学習中のハードウェア障害やボトルネックを迅速に検知できる運用体制が整えられています。