なぜNVIDIAを1枚も使わずに29BのAIが作れたのか｜中国電信のXing4.0【ゆっくり解説】

AIを作るにはNVIDIAのGPUが要る——そう思っていました。 2026年9月16日の夜から17日の朝にかけて、その前提に当てはまらないモデルが 静かにHugging Faceへ置かれました。 名前は Xing4.0-29B-A4B。出したのは中国電信AI(China Telecom AI)、 以前 TeleChat という名前でモデルを出していたところです。 総パラメータ29B、1トークンあたりの活性は4B。文脈は最初から256K入り、512Kまで伸ばせます。 ライセンスは Apache-2.0 で、重みは丸ごと公開されています。 そして自社のモデルカードには、こう書かれています。 「この規模で、Ascend NPU の基盤と MindSpore だけで全学習した最初のモデルである」。 計算するチップも、それを動かすソフトも、全部ファーウェイ製ということになります。 さらに成績表が、見たことのない形にねじれていました。 数学(AIME2026)でも指示追従(IFBench)でも長文脈(AA.LCR)でも負けているのに、 ターミナル操作(Terminal-Bench 2.1)と調べ物(DeepresearchBII)では上に出ています。 この動画では、モデルを1台の車に見立てて、工場・テストコース・整備工場の3つから 「なぜ」を順に解いていきます。 そして後半では、その数字の出どころを1枚ずつ剥がします。 モデルカードの脚注は9本とも「我々は Xing4.0 を評価した」で始まっていて、 比べている相手2社をどう測ったのかは、一言も書かれていません。 ※この回は「NVIDIAを使わなくても作れた」という見方と 　「NVIDIAを使えないからここまでやる羽目になった」という見方を、どちらも並べています。 　どちらが正しいかは断定していません。決める材料が外からは見えないためです。 ※ベンチマークの数値はすべて自社モデルカードの掲載値で、第三者による独立評価はまだ存在しません。 　本編でも「勝った」ではなく「作った会社が自分で決めた条件で測るとこう出た」と述べています。 ※学習に使ったAscendの枚数・学習トークン数・学習期間は公表されていません。 　Ascend 910Cの性能値も各社の報道による推定で、ファーウェイの公表値ではありません。 ■ 今回わかること ・なぜ数学で負けるモデルが、ターミナル操作では上に出るのか ・なぜNVIDIAを1枚も使わずに、この規模の学習ができたのか ・なぜ今日ダウンロードしても、手元ではまだ動かないのか ■ 目次 0:00 昨夜置かれた29B｜今日の3つの疑問 2:06 Xing4.0とは何か｜出したのは通信会社だった 4:07 29Bで活性4B｜専門家64人と256Kの文脈 6:11 工場の話｜Ascend 910Cはどんなチップなのか 8:11 学習の速度を約96パーセント上げた、と自社が書いている 10:14 骨格はDeepSeekの借り物｜新しいのは mHC の1点だけ 12:33 テストコースの話｜9つのベンチマークを並べる 14:46 ターミナルでは上に出る｜脚注9本が書いていること 17:05 24時間のタイムアウトと、自分で整備したコース 19:31 整備工場の話｜20.1GBと18.7GBは同じファイルだった 21:58 llama.cpp がまだ読めない｜専用の演算子が3つ要る 24:05 4ビットの速さと劣化｜ただし測定機材が書かれていない 26:27 検証はH100の上で｜分からなかったことと、今日のまとめ ■ この動画について 今回の動画は、Hugging Face のモデルカードと設定ファイル、llama.cpp と vLLM の対応プルリクエスト、 および実ファイルのバイト数にあたって独自に調査した内容をもとに作成しています。 動画内の図解もすべて独自に作成したものです。 公開時刻は Hugging Face と GitHub の API から直接確かめました。 自社が発表した数字と、移植した技術者が書いた説明は、本編中でそのつど区別して述べています。 ■ 引用・出典 ・XingChen-AGI「Xing4.0-29B-A4B-FP8」モデルカード https://huggingface.co/XingChen-AGI/X... (2026-09-17取得) ・XingChen-AGI「Xing4.0-29B-A4B-GGUF」 https://huggingface.co/XingChen-AGI/X... (2026-09-17取得) ・llama.cpp 対応プルリクエスト PR 29012 https://github.com/ggml-org/llama.cpp... (2026-09-17取得) ・vLLM 対応プルリクエスト PR 57135 https://github.com/vllm-project/vllm/... (2026-09-17取得) ・arXiv 2512.24157「Training Report of TeleChat3-MoE」 https://arxiv.org/abs/2512.24157 (2026-09-17取得) ・arXiv 2507.18013「Technical Report of TeleChat2, TeleChat2.5 and T1」 https://arxiv.org/abs/2507.18013 (2026-09-17取得) ■ 関連する過去の回 ・なぜ4bitに潰したQwenは、実機のデバッグを最後まで直せるのか ・なぜ32GBのグラボに載らない54GBのAIが、0円のTPUでは動くのか ・なぜDeepSeek V4.1-Flashは100万トークン読ませても890MBで済むのか ■ コメントで教えてください ・最初に手元で動かしたモデルは何でしたか ・NVIDIA以外で作る流れは、これから続くと思いますか チャンネル登録・高評価をいただけると、次の動画の励みになります。 #ゆっくり解説 #AI #Xing4 #Ascend #ファーウェイ #NVIDIA #オープンウェイト #ローカルLLM #llamacpp #中国AI #AI解説 #生成AI