韓国科学技術院（KAIST）はNVIDIAと連携し、2027年までに韓国語のAI学習データを100万件以上整備する。合成データの生成に加え、品質を見極める評価手法もあわせて整え、韓国国内のAI企業や研究機関が活用できる基盤の構築を進める。

NVIDIA・KAIST AI共同研究所長のキム・ヒョヌ氏は11月10日、ソウル市江南区にあるNVIDIA Koreaで行ったインタビューで、2027年までに少なくとも100万件の韓国語学習データを整備する方針を明らかにした。韓国語データセットを通じて、AIエコシステム全体を育てたい考えも示した。

NVIDIAのリサーチマネジャーでもあるキム氏は、7月に共同研究所の設立計画が発表された後、KAISTのキム・ジェチョルAI大学院助教授に着任した。初代所長を務める同氏は、韓国のAI産業全体を「森」に見立て、政府支援や企業投資を背景に個々のAIモデルは育っている一方で、持続的な成長を支えるデータには十分な注目が集まってこなかったと指摘した。

これまでは、モデルという「木」や、日光や水に当たるGPU（画像処理半導体）などの研究インフラに関心が集中してきたが、今後はデータによってAIの森全体を育てる段階に入ると強調した。

共同研究所は、韓国語ベースの合成データ生成と、既存データの学習効率向上に注力する。英語資料をそのまま韓国語に翻訳する方式から脱し、より自然な文体や多様な状況設定を盛り込んだデータを整備することで、国産AIモデルの高度化につなげる考えだ。

合成データで似た表現や回答が繰り返されると、学習性能の低下を招く可能性がある。このため研究所は、韓国語データセットの正確性と回答の多様性を高める方針だ。あわせて、各データがモデル学習にどの程度寄与するかを見極める評価指標の策定も進める。

生成手法にも独自性を持たせる。既存文書を単純に変形するのではなく、人名など最小限の情報から人物の背景や状況を設定し、それを基に長文を段階的に生成する方式を採る。生成した韓国語データから品質の低いものを効率的に選別し、修正する工程が重要になるという。

高品質な韓国語データセットへの需要も大きい。キム氏がNVIDIA Nemotronを活用して開発した韓国語データセット「Nemotron Persona Korea」は、LG AI Researchの「K-EXAONE 2.5」の開発に活用された。K-EXAONE 2.5は、政府が推進する独自基盤モデルの第2弾に追加学習を適用した技術検証モデルだとしている。

Nemotron Persona Koreaは、Hugging Faceのデータセット人気ランキングで10日連続で世界1位となり、この間のダウンロード数は14万回に達した。キム氏は、国産AIの高度化に適した韓国語データセットを継続的に提供していく考えも示した。

研究成果は、他の韓国国内モデルにも適用できるよう、データセットや学習手法をオープンソースや論文の形で公開する。健全な森では多様な木がともに育つとして、異なるモデルが活用できるデータと学習手法を広く共有していく方針だ。

共同研究所は、NVIDIAの大規模投資を基に設立された。NVIDIAは今後5年間で総額3億ドル（約450億円）規模を投じ、GPUなどのAIコンピューティング資源と研究運営費を支援する。このうちAIコンピューティング資源向けは2億5000万ドル（約375億円）に上る。研究陣は韓国国内のNVIDIAクラウドパートナーを通じてGPUインフラを利用する。

KAISTは今回の連携によって、グローバルなAI研究競争力をさらに高められるとみている。海外企業から研究費や設備の提供を受けるだけでなく、世界的な研究チームと共同で研究テーマを発掘し、成果を共有する体制を構築する。

キム氏はこれを「グローバル・ファストトラック」と表現した。韓国国内の研究者が海外の研究チームと直接協業し、最新の研究課題に取り組み、その成果を産業界へ波及させる狙いだ。KAISTは世界水準のAI研究力を備えているとも強調し、米サンタクララのNVIDIA研究陣とKAISTの教授陣が定期的に研究の方向性を議論する予定だと説明した。

共同研究所は現在、インターンと常勤研究者の採用を進めている。年内に初期研究陣の体制を整え、2027年から本格的な研究に入る。NVIDIAは毎年少なくとも10人のKAIST研究者を支援し、NVIDIAでのインターンシップ機会も提供する。

キム氏は、KAISTの学生がデータを活用した研究経験を積むことで、韓国のAIエコシステムにも厚みが増すと述べた。その上で、1本の木を育てるのではなく、多様な木と参加者が共存する森として韓国のAIエコシステムを育てたいと強調した。