コマース AI からフロンティアモデルへ：Hanzo のインフラ十年

ほとんどの AI 企業は 2022 年に始まりました。私たちは 2014 年に始めました。

その差は、聞こえる以上に大きい。12 年分のインフラの判断、失敗した実験、プロトコル設計、現場で得た本番の直感が積み重なり、金では買えず、模倣もできないものになります。深いアーキテクチャの知識です。これは、Hanzo が EC の推薦エンジンから、推論の規模で 94+ のフロンティアモデルを動かすに至った技術の記録です。

2014：基盤、Crowdstart と EARLE

Hanzo は Crowdstart として始まりました。コマース AI の基盤で、一見すると狭い課題を抱えていました。どの顧客が、いくらで、いつ買うかを予測し、その予測に自動で動くことです。

最初の本格的なシステムが EARLE、Entity-based Adaptive Recommendation Learning Engine（エンティティに基づく適応型推薦学習エンジン）でした。EARLE は単純な協調フィルタではありません。商品階層、顧客セグメント、行動系列にわたるエンティティグラフを保ち、トランザクションの流れが届くたびに辺の重みをリアルタイムで更新しました。下の datastore は自前の分散キーバリュー層の上に築きました。永続化の層でレイテンシを自分で制御するという意図的な判断であり、当時あったマネージドデータベースのトレードオフを受け入れる道は取りませんでした。

EARLE が教えたことはこれです。レイテンシは一級の設計制約であり、後からかける最適化ではありません。200ms 遅れて届く推薦は、届いたことにはなりません。捨てられます。

2015：エッジでのリアルタイム分析

2015 年には EARLE だけでは足りなくなりました。顧客が要したのは推薦だけでなく、行動分析のパイプライン一式でした。ファネル分析、コホート追跡、マーケティングチャネルをまたぐ収益の帰属です。私たちはストリーミング分析エンジンを築き、イベント取り込みは sub-50ms、クエリのレイテンシは一桁ミリ秒の範囲に収めました。

この仕事が、それ以来守っている型を定めました。クリティカルパスは自分で持つ。ホットパス上のすべての部品、シリアライズ、索引、クエリ計画は、こちらの仕様で書きました。外部への依存は周縁にしか置きませんでした。

2015 年に EARLE と分析層をつなぐために築いた pub/sub のイベントバスは、Hanzo の今の基盤を支えるイベント基盤の直接の祖先です。インターフェースは変わりました。アーキテクチャは変わっていません。

2016：遺伝的アルゴリズムによるマーケティング最適化

マーケティングへの遺伝的アルゴリズムは、今から見れば当たり前に見えます。2016 年、本番でそれをやっていた者はほとんどいませんでした。

システムはキャンペーン設定の集団を保ちました。入札戦略、クリエイティブの変種、オーディエンス分割の木です。実コンバージョンの結果がかける選択圧で、それらを進化させました。突然変異には境界を設けました。再現性と監査可能性が必要で、純粋なランダム変異ではそれが得られません。適応度関数は最初から多目的で、収益、マージン、顧客生涯価値、ブランド露出の制約を釣り合わせました。

これは、探索と活用のトレードオフを本番規模で扱った最初の経験でした。内面化した教訓はこうです。アルゴリズムは、その適応度の信号より賢くなれません。ごみを入れればごみが出る、は ML では決まり文句ではありません。アーキテクチャの法則です。

2017：Techstars とプラットフォームの立ち上げ

Techstars '17。このプログラムを、検証のためではなく流通のために使いました。エンタープライズのコマース顧客とのつながりであり、その規模が、築いたものを負荷試験します。

Hanzo Platform は 2017 年後半に立ち上がりました。最初の統合コマース AI スイートです。EARLE の推薦、遺伝的最適化エンジン、リアルタイム分析、そして新しいキャンペーン編成層を、統一された API の面でつなぎます。アーキテクチャは最初からイベントソーシングでした。キャンペーン状態の変化はすべて永続的なイベントであり、完全な監査証跡と、モデル再学習のために履歴を再生する能力を与えました。

Techstars '17 が教えたのは、すでに疑っていたことです。流通はプロダクトの問題ではありません。インフラの問題です。システムが落ちるなら、エンタープライズには売れません。

2018：Checkout 2.0 と ML 不正検知

決済不正は、大手銀行にとっては解けた問題です。ミッドマーケットの加盟店を支えるコマース基盤にとっては、2018 年には解けていませんでした。

Checkout 2.0 は、ML による不正検知をチェックアウトの一級の部品として入れました。モデル構成はアンサンブルでした。表形式の特徴（カートの中身、配送先と請求先の一致、デバイスフィンガープリント）には勾配ブースティング木、直近の注文履歴には系列モデルを組み合わせます。アンサンブルは意図的に浅くしました。解釈可能性は研究上の好みではなく、プロダクトの要件でした。加盟店は、なぜその取引がフラグされたのかを理解する必要がありました。

不正システムは、判断あたり sub-100ms のレイテンシで動きました。特徴抽出、モデル推論、ルール適用を含みます。これには、推論ランタイムを別の予測 API へ回すのではなく、チェックアウトサービスと同居させる必要がありました。運用の複雑さは上がりました。レイテンシの形は譲れませんでした。

2019：API Gateway V1、格子暗号、SDK の生態系

2019 年に並んで進んだ三本の糸は、何年も後になって初めて一つになりました。

API Gateway V1 は実務上の問題から生まれました。内部サービスが 10、外部連携が 40 ありました。どのサービスも認証、レート制限、可観測性の話を別々に持っていました。統一されたゲートウェイ層を築きました。今日出荷している AI ゲートウェイそのものではまだありませんが、土台のアーキテクチャは同じです。リクエストのルーティング、認証ミドルウェア、消費者ごとのレート制限、構造化ログ。2026 年の Hanzo AI Gateway は、このシステムの 7 番目の大きな反復です。

格子暗号の研究は背景の仕事として始まりました。NIST の後量子暗号の標準化が進行中で、私たちはそれを見ていました。問うたのはこうです。耐久するインフラを築くなら、15 年の地平での暗号上の脅威モデルは何か。答えは量子耐性をはっきり指しました。実験的な署名基盤へ CRYSTALS-Dilithium と CRYSTALS-Kyber を組み込み始めました。その仕事は翌年、本番の後量子署名基盤へ直接流れ込みました。

SDK の生態系：最初の Hanzo SDK は 2019 年に出荷され、Python、TypeScript、Go を覆いました。設計原則は、表面を最小にし、組み合わせを最大にすることでした。以来、SDK は 6 世代を出荷しました。原則は変わっていません。

2020：本番の後量子暗号

2019 年の格子の研究は、2020 年に本番へ移りました。設計の前提は鋭かった。土台からの後量子セキュリティ、アプリケーションのロジックを一級の関心として載せられる署名層、そして量子耐性の署名を規模で実用にする性能です。

署名エンジンは、しきい値に基づくコミットメントのラウンドを導入しました。確率的な確信のためにサンプリングを繰り返すのではなく、限られた時間の中で決定的な保証を与えます。実際の結果として、通常の条件では署名の検証は 1 秒未満で終わり、敵対的な負荷の下でも劣化の仕方は予測できます。

すべての署名鍵は、最初から CRYSTALS-Dilithium を使います。任意のアップグレード経路としてではなく、基準の要件としてです。後量子署名の性能上のオーバーヘッドは実在しますが、扱えます。ベンチマークを公開し、その中にはバッチ署名検証の最適化も含まれ、署名あたりのオーバーヘッドを 0.3ms 未満に下げました。

2021：マルチモーダル研究と最初の MCP 草案

トランスフォーマがテキスト、画像、音声の表現を一つにできることは、2021 年に私たちへ明らかになりました。マルチモーダルの研究プログラムを始め、それはやがて Jin アーキテクチャになりました。モダリティをまたぐ理解のための、統一されたエンコーダ・デコーダの枠組みです。

最初のモデルコンテキストプロトコルの草案は、並走する別の糸から出てきました。エージェントの枠組みを築きながら、永続メモリを持たないモデルとの複数ターンのやりとりで、状態をどう扱うかという根本の問題に直面していました。MCP プロトコルは、コンテキストウィンドウ、メモリ検索、モデルをまたぐ状態転送のための構造化されたインターフェースを定めます。2021 年の草案は粗いものでした。2026 年の本番実装は、10億を超えるコンテキスト操作を処理しています。

2022：ASO プロトコルと最初のトランスフォーマ微調整

2022 年の二つの技術的貢献が、その後の 4 年を形づくりました。

**Adaptive Swarm Optimization（ASO）**は、生物の群れの振る舞いに着想を得た分散最適化プロトコルです。遺伝的アルゴリズムが離散的な個体の集団を保つのに対し、ASO はパラメータ空間上の連続な密度場を保ち、局所の勾配情報と大域の密度制約を釣り合わせる更新則を持ちます。目的関数の評価が高価で、評価が異種の計算に分散する設定のために設計されました。マルチエージェント AI に自然に合います。最初の ASO の公表は 2022 年後半に出ました。

最初のトランスフォーマ微調整の本番実行：コマース特有の文書理解のため、7B パラメータのオープンウェイトのトランスフォーマを微調整しました。実行の計算コストは $6,200、所要時間は 48 時間でした。得られたモデルは、評価スイートでベースより 11% 良く、本番のタスク分布ではさらに明確に良かったのです。より重要なのは運用の経験です。データパイプライン、分散学習のセットアップ、チェックポイント管理、評価ハーネスが、その後のすべての学習実行のひな型になりました。プロセスの質はスケールします。その場しのぎの実行はしません。

2023：HMM、エージェントの枠組み、PoAI 研究

**Hierarchical Model Merging（HMM）**は、繰り返しぶつかった問題への答えでした。狭い領域ではそれぞれ優秀な、複数の微調整モデルがあり、その最良を受け継ぐ一つのモデルが欲しかったのです。素朴な重みの平均は、すべての専門家を劣化させます。HMM は階層的なマージ戦略を適用し、重み空間の中で領域に特化した表現を見つけ、平均して消すのではなく、マージの間も保ちます。この手法は、ホールドアウトの領域評価で、素朴なマージに対し 4-7% の改善を示しました。

エージェントの枠組み：最初の Hanzo エージェントランタイムは 2023 年に出荷されました。MCP プロトコルの上に、ツール使用、メモリ検索、複数ステップの計画を載せて築きました。設計は意図的でした。エージェントは状態を持つプロセスであり、状態を持たないリクエストハンドラではありません。ランタイムはエージェントのライフサイクル全体を扱います。初期化、ツールのディスパッチ、状態の永続化、エラー回復です。これをアプリケーションコードとしてではなくプロトコルの層で築いたことで、その後の統合は素直になりました。

Proof of AI（PoAI）の合意研究：AI の計算を検証可能にし、合意のプリミティブとして使えるか。研究上の問いは自明ではありません。AI の計算は浮動小数点の水準で本質的に非決定的です。PoAI の研究は、決定的な量子化の方式でこれに当たり、ハードウェアをまたいで前向きパスを再現できるようにし、モデル出力の上でしきい値に基づく合意を可能にしました。この研究は Zoo ネットワークの zLLM アーキテクチャへ流れ込みました。

2024：Zen LM の開始、Jin アーキテクチャ、Hanzo MCP ツール

Zen LM のプロジェクトは 2024 年、単純なテーゼで始まりました。最良のオープンウェイトモデルは、それを本番で動かした経験が最も多い人々が築くべきです。私たちにはその経験がありました。

最初の Zen モデルは、Qwen3-series のベースモデルの微調整で、特定の能力プロファイルを狙いました。コード生成、長い文脈の推論、指示追従です。2022 年に築いた学習パイプラインは、根本的な設計のやり直しなしに、70B+ パラメータの実行を支えられるまで伸びました。プロセスへの投資が返ってきました。

Jin アーキテクチャは、マルチモーダル研究を本番のシステムへ形式化しました。Jin はテキスト、画像パッチ、音声スペクトログラムに統一されたトークン空間を使います。別々の学習と推論の経路を要する、モダリティ専用のエンコーダはありません。アーキテクチャの単純化は、サービングの複雑さの一類をまるごと消しました。一つのモデル、一つの推論ランタイム、複数のモダリティです。

Hanzo MCP ツールは、モデルコンテキストプロトコルの最初の公開実装として出荷されました。ツール一式は、ウェブ検索、コード実行、ファイル操作、メモリ検索、エージェント間通信を覆います。公開後の最初の四半期で、1万を超える開発者が MCP ツールを組み込みました。

2025：規模での Zen ファミリー、MoDE アーキテクチャ、zenlm.org

94 のモデル。2025 年末の時点で、Zen ファミリーが含んでいた数です。

この規模には、BitDelta の研究（arXiv:2402.10193）がなければ設計できなかったサービングのアーキテクチャが要りました。微調整モデルの差分を 1-bit の符号表現へ圧縮し、バリアントあたりの GPU メモリを数十ギガバイトから一桁ギガバイトへ下げます。GPU メモリに共有のベース重みを置き、モデルごとの振る舞いの差分をキャッシュ層に置くことで、以前は 2 つか 3 つに足りたインフラの足跡から、14 の Zen バリアントをサーブできます。

Zen MoDE、Mixture of Distilled Experts は、2025 年を定義したアーキテクチャ上の突破でした。伝統的な MoE モデルはエキスパートをゼロから学習します。MoDE は三つの手法を組み合わせます。蒸留からのエキスパート初期化（ランダムからではなく）、エキスパート間の重み相関を断つ Drop-Upcycling（arXiv:2502.19261）、そして完全な再学習なしに事後でエキスパートを専門化させる私たちの HMM マージプロトコルです。結果として、Zen4 Max は総パラメータ 30B、前向きパスあたり活性 3B だけで、13B 級の品質に達します。

Abliterated なバリアント：拒否の除去の仕事は、研究と専門用途に指定したモデルへ、注意深く意図的に適用されました。振る舞いの性質が重み空間の中で局在することを示しました。モデルの中で振る舞いがどこに住むかを理解することは、基礎の知識であり、迂回ではありません。zen4-abliterated 系列は、文書化された振る舞いの局在座標を付けて出荷した最初のモデルファミリーです。

2026：Hanzo AI Gateway と、この先

2026 年 2 月のゲートウェイ立ち上げは、2019 年に始めた API ゲートウェイの仕事の到達点です。100+ のモデルへの単一エンドポイント、OpenAI 互換、サードパーティの提供者へのマークアップはゼロ、独自の層として Zen モデルを置きます。

いま動いている研究の糸は次のとおりです。

GT-QLoRA：MoE の振る舞い調整のための、ゲートを解凍した量子化低ランク適応です。標準の LoRA を MoE モデルにかけると、ルーティングのゲートは凍結したままで、微調整がエキスパート選択に触れられません。GT-QLoRA は制約付きの更新でゲートパラメータを解凍します。ルーティングの構造は適応でき、エキスパートの専門性は保たれます。

DSO（Decentralized Semantic Optimization）：Zoo の zLLM アーキテクチャの下にあるプロトコルです。経験の注入による計算ゼロの適応で、DAO の仕組みが統治します。微調整のコスト（$15K+）と DSO のコスト（$18）の差は実在します。このアーキテクチャは Zoo ネットワーク上で本番です。

耐量子 MPC：後量子のプリミティブを使う、モデル重みのためのマルチパーティ計算プロトコルです。モデルの重みが AI インフラで最も価値のある IP であるなら、最良の金融資産と同等の暗号上の保護に値します。

AI において 12 年は長い時間です。ハイプの周期が来て去り、パラダイムが丸ごと入れ替わり、昨年の SOTA の上に築かれた企業が SOTA が動いたときに崩れるのを見るには十分に長い。生き残るのはインフラです。データパイプライン、サービングシステム、プロトコル実装、そして AI を実際に規模で出荷し動かすことを可能にする、苦労して得た運用の知識です。

私たちはそのインフラを 2014 年から築いています。まだ終わっていません。

Hanzo AI は Techstars '17 です。フロンティア AI と、それを動かすインフラを築きます。hanzo.ai