Cisco がオープンソースのサイバーセキュリティ特化型 AI モデル Antares をリリースした。脆弱性検出タスクにおいて、大型言語モデル GPT-5.5 と比較して 150 倍の効率性（脆弱性検出/コスト）を達成し、小規模モデルの実用価値を実証した。エンタープライズセキュリティにおける AI 活用の新しい選択肢として注目される。

Antares vs GPT-5.5：実測性能比較

Cisco の Antares モデルは、セキュリティ脆弱性の検出を想定した専用設計。GPT-5.5 との直接比較で以下の数字が報告されている：

コスト効率（脆弱性検出量/コスト）：

  • Antares：500 リポジトリのスキャンに 15 分、コスト $1 未満
  • GPT-5.5：同じスキャンに 5 時間、コスト $100 以上
  • 効率比：150 倍以上の経済効率

処理速度：

  • 同じスキャンを 5 時間から 15 分に短縮（約 20 倍高速化）

検出精度：

  • Cisco の最大モデル（30億パラメータ）は GPT-5.5 に匹敵ないしそれ以上の精度
  • 小規模版でも GPT-5.5 の 200 倍のサイズがあるモデルを上回る精度を実現

小規模モデルの実装上の利点

Antares が大型モデルを圧倒する理由は、セキュリティ用途に特化した訓練と、ローカル実行による利点にある：

データプライバシー

  • 脆弱性スキャン結果が外部 API に送信されない
  • ソースコード・企業秘密の流出リスク回避

ネットワーク依存性の排除

  • インターネット接続不要で動作可能
  • オフライン環境・エアギャップシステムでの運用が可能

推論コストの最適化

  • ローカル GPU での実行で API 呼び出しコストが実質ゼロ
  • 大規模スキャンも低コストで実施可能

業界への含意

小規模・特化型モデルの価値再評価 Antares は、一般目的の大型 LLM ではなく、セキュリティなど限定ドメインに特化することで、大型モデルを技術・経済面で上回る価値を創出できることを示唆している。この傾向は AI の実用化フェーズへの移行を象徴している。

エンタープライズセキュリティの新基準 脆弱性検出は SAST（Static Application Security Testing）として開発パイプラインに統合される。Antares のようなローカル実行可能・低コストのモデルが標準化すれば、企業規模を問わずスケール可能なセキュリティ運用が実現する。

BYOM（Bring Your Own Model）時代の到来 クローズドな API サービスに依存するのではなく、企業が自社インフラで専用モデルを運用・チューニングする形態が今後主流化する可能性がある。Cisco のようなセキュリティ既存事業者が AI モデル領域に進出する動きは、この産業構造変化を反映している。

GPU クラスタの需要転換 大型推論用 GPU クラスタから、小規模特化モデル向けの高効率な推論インフラへのシフト。これにより Nvidia への依存度低減や、AMD・Intel など代替チップセットの需要が増加する可能性も出てくる。