LGの産業用AI、表形式・時系列ベンチマークで首位　GoogleやAlibabaを上回る

LG AI Researchの産業用AIモデル「EXAONE」が、表形式データと時系列データのベンチマークでGoogleやAlibabaのモデルを上回り、首位を獲得した。注目を集めがちなLLM（大規模言語モデル）の推論テストとは異なり、実際の産業現場で求められる構造化データの処理能力を競うベンチマークでの成果である。LLMとは異なるアーキテクチャと、LGが長年蓄積してきた独自の産業データが強みとされ、製造、金融、医療などでの実用化に向けた検証が進められている。

■産業用ベンチマークがLLMリーダーボードより重要な理由

8月7日、LG AI Researchは、同社の産業用AIモデル2種が、工場や取引現場、病棟などに関係する主要ベンチマークで世界首位を獲得したと発表した。注目を集めがちなLLMの推論テストではなく、企業向けAIが実際に競う表形式データや時系列データのリーダーボードでの成果である。

Korea Heraldの2026年8月7日の報道によると、構造化データAIの主要な継続更新型ベンチマークであるTabArenaにおいて、「EXAONE Tabular」はEloスコア1,760を記録し、1,749だったGoogleの「TabFM」を上回った。

同時に、Seoul Economic Dailyの同日の報道によれば、「EXAONE Forecast」は、Salesforceが開発した時系列予測ベンチマーク「GIFT-Eval」のゼロショット部門で1位となり、GoogleやAlibabaのモデルを上回った。いずれも仮想的な条件だけで評価するベンチマークではない。一般に公開され、独立して運営されており、エネルギー、金融、医療、交通、製造の実データに基づく産業用データセットを使用している。

毎年繰り広げられるGPT型モデルの推論ベンチマーク競争は、確かに高い能力を持つAIシステムを生み出してきた。しかし、多くの大手産業企業が実際に必要とするAIを生み出したとは限らない。サプライチェーンは文章ではなく構造化された表を基盤に動き、需要予測には要約の作成ではなく時系列の予測が求められる。バッテリーの欠陥検出に必要なのは、雑学的な質問への回答ではなく、統計的な精度でセンサーデータを読み取ることである。

スプレッドシート、データベースの表、行と列に整理されたセンサーログなどの表形式データは、企業や産業の現場で中心的なデータ形式となっている。約15年間にわたり、表形式データを分析する最も信頼性の高い手法は、XGBoost（2016年）、LightGBM（2017年）、CatBoost（2017年）などの勾配ブースティング決定木モデルだった。これらは表形式データを扱う機械学習コンペティションのほぼすべてで勝利し、深層学習モデルからの挑戦にも優位性を維持してきた。その理由はアーキテクチャにある。深層学習の強みは、テキストや画像のような複雑な系列データや空間データの表現を学習することにあり、多種多様な列を含む産業用テーブルで、列同士の統計的関係を推論するようには元来設計されていなかった。

しかし、その差は現在縮まりつつある。LGが参入した今回のベンチマーク競争は、その変化を示す有力な証拠である。

■EXAONE Tabular：表形式ファウンデーションモデルの実際の仕組み

2025年のNeurIPSで発表されたTabArenaのベンチマーク論文によると、EXAONE Tabularは、研究者が「表形式ファウンデーションモデル（TFM）」と呼ぶ種類のモデルであり、勾配ブースティング決定木ともLLMとも異なるアーキテクチャを持つ。

この違いは技術的に重要である。標準的なLLMに表の分析を求めると、モデルは表をテキストに変換する。列名と値をトークンとして直列化し、文章と同じ逐次処理のパイプラインに入力する。この方法では、グリッド自体に埋め込まれた構造情報、すなわちセル間の位置関係、列間の統計的相関、行を多変量分布の観測値として扱うことで初めて現れる意味が失われる。

これに対し、表形式ファウンデーションモデルは、表を本来の構造のまま処理する。膨大な合成表形式データセットによる学習を通じ、表が一般にどのような性質を持つかについての汎用的な事前分布を獲得する。例えば、列間の関係がどのような形を取りやすいか、欠損値の分布が何を示すか、ラベル間の相関がどのようなまとまりを形成するかといった性質である。

2025年のNature誌に掲載されたTabPFN論文によると、推論時には学習用データセットと予測対象の行を一緒にコンテキストとして受け取り、1回のフォワードパスで処理する。新たなパラメーターを適合させることなく、与えられた学習データに基づいて予測を更新するベイズ推論を行う。これはインコンテキスト学習（ICL）と呼ばれる。LLMが明示的に学習していない質問にも答えられる仕組みを、テキストではなく表に応用したものだ。

実用上、TFMは再学習せずに、それまで扱ったことのない表へ汎化できる。特に小規模なデータセットでは、勾配ブースティング決定木を上回る傾向がある。新しい製品や工程について、当初から数万件ものラベル付きデータがそろっているケースは少ないため、これは実際の産業現場で重要になる。TabArenaのベンチマーク論文によると、小規模データセットのサブセットでは、全51データセットのうち1万行未満の36データセットにおいて、ファウンデーションモデルが上位を占め、勾配ブースティング決定木との差は数百Eloポイントに達した。

TabArenaは、Amazon Web Servicesとフライブルク大学のチームがNeurIPS 2025で立ち上げた、継続的に更新される初の「リビング」表形式ベンチマークシステムである。新しいモデルを随時提出でき、それに応じてリーダーボードが更新され、評価手順も公開されている。Googleは2026年6月30日にTabFMを提出し、カテゴリーデータ予測部門で首位を獲得した。その後、LG AI Researchのモデルがそのスコアを11 Eloポイント上回った。

Korea Heraldの報道によると、EXAONE Tabularの1,760というEloスコアは、二値分類と多クラス分類の双方を含むカテゴリーデータ予測部門で総合1位に相当する。二値分類は欠陥品と正常品など2種類の結果を区別する処理であり、多クラス分類は3種類以上のカテゴリーから結果を予測する処理である。このモデルは少量の入力データでこうしたタスクを実行できる。新製品や新しい生産ラインについて、大規模なラベル付きデータセットがあらかじめ用意されていない産業現場では重要な特性となる。

同報道によると、LGの発表およびICML 2026で示された用途には、LG Energy Solutionにおける電圧と内部抵抗の測定値を使ったバッテリーセルの品質予測、LGのバイオヘルスケア分野における臨床記録からの疾患リスク評価、金融分野における融資の延滞や異常取引の検出、製造分野における製品の欠陥確率予測が含まれる。LG AI Researchは、2026年下半期に製造、バイオヘルスケア、金融の各分野で概念実証（PoC）を実施する計画だとしている。

■EXAONE Forecast：産業規模でのゼロショット時系列予測

EXAONE ForecastがGIFT-Evalで首位となったことは、技術的にはさらに注目すべき結果といえる。

Salesforce AI ResearchのGIFT-Eval論文によると、GIFT-Evalは時系列ファウンデーションモデル向けの厳格な評価スイートとして開発された。エネルギー、金融、医療、交通、販売、気候、Webおよびクラウド運用という7つの産業分野にまたがる23のデータセット、14万4,000以上の個別時系列、1億7,700万のデータポイントを網羅する。時間間隔も秒単位の測定から年次データまで10種類に及ぶ。ファウンデーションモデルを評価する主要指標はゼロショット性能である。学習時に触れたことのない分野のデータを、追加のファインチューニングなしでどの程度正確に予測できるかを評価する。

ゼロショット性能は、予測モデルをさまざまな産業現場に展開するうえで重要な特性である。展開前に分野固有のデータによるファインチューニングを必要とするモデルは、すぐに汎化できるモデルに比べて導入に時間と費用がかかり、運用も複雑になる。Seoul Economic Dailyの報道によると、EXAONE ForecastはGoogleやAlibabaの時系列モデルを上回り、この部門で1位となった。これは、追加学習を行わずに未知のデータセットを予測する能力が、同ベンチマークで最も高く評価されたことを意味する。

同報道によれば、LG AI Researchは、非常に大規模で多様なデータセットを使ってEXAONE Forecastを学習させた。実際の産業データに見られる変動、季節性、トレンド、構造変化を再現するよう設計された2兆個の合成時系列データポイントと、LGの実際の事業活動から得られた独自の時系列データを組み合わせた。幅広いパターンを学ぶための合成データと、現実のデータに適合させるための運用データを組み合わせることで、直近の履歴を単純に延長するのではなく、データの推移を推論できるようにした。

EXAONE ForecastはすでにLGのグループ企業で導入されている。LG Electronicsでは季節ごとの製品需要を、LG Energy Solutionではリチウムを含む原材料価格を予測している。またEXAONE BIの発表によると、同モデルは、Koscomおよびロンドン証券取引所グループ（LSEG）と共同開発し、2025年9月に開始した金融AIサービスの予測エンジンにもなっている。同サービスは、韓国と米国の証券取引所に上場する約8,000銘柄について、日次の予測スコアと投資分析を生成する。

■LLMが学習規模の拡大だけでこの壁を越えられない理由

LGが2つのベンチマークで首位を獲得したことには、見出しだけでは十分に伝えきれない戦略的な意味がある。産業用の表形式AIと時系列AIは、LLMとは構造的に異なるアーキテクチャを採用しており、LLMを大規模化するだけで自動的にその差が埋まるとは限らない。

Google ResearchはTabFMを公開した際、表形式の合成データだけでモデルを学習させた理由を説明した。そこから見えてくるのは、大手テクノロジー企業であっても、LGのような複合企業が持つ条件を容易には再現できないということだ。産業用の表には独自のスキーマや機密情報が含まれるため、Googleの規模でファウンデーションモデルを学習させるには、合成データが現実的な選択肢となる。つまりGoogleが合成データを選んだ背景には、性能上の理由ではなく、実データへのアクセス上の制約があった。工場、取引システム、病棟などでモデルの性能向上に役立つ産業データセットほど、企業内に閉じられ、サイロ化されており、公開データによる事前学習には利用できない。

LGは、製造、エネルギー、医療、金融にまたがる約50年分のデータを保有する。こうしたデータを外部からスクレイピングしたり、ライセンスを受けたり、同じ規模で生成したりすることはできない。LG AI Researchの共同代表を務めるLim Woo-hyung氏が8月7日の発表で説明した、構造的な参入障壁はここにある。Korea Heraldによると、Lim氏は、世界のテクノロジー企業の関心が汎用言語モデルから、実際のビジネス環境における問題を解決する業界特化型AIへ急速に移っていると述べた。また、製造業などで蓄積されたデータが、AI分野における韓国独自の競争力になり得るとの見方を示した。

これは、LGのモデルが今後も常に首位を維持するという主張ではない。新しいモデルが提出されれば、ベンチマークの順位は変動する。GoogleやAlibabaも、AI研究に多大なリソースを投じる強力な競争相手である。しかし、表形式データや時系列データを扱う産業用AIの競争構造は、一般的なLLMの競争とは異なる。計算資源や学習規模だけでなく、長年にわたり産業事業を運営してきた企業だけが蓄積できる、個別性が高く、長期にわたる独自の運用データへのアクセスが重要になる。EXAONE Forecastは、主にインターネット上のテキストから構築されたのではない。LGのグループ企業が数十年にわたり生成してきた価格データ、エネルギー消費曲線、製造歩留まりの記録を使って学習したモデルである。

■EXAONE TabularとForecastの可能性と限界

これらのモデルを検討する企業は、どのような用途に適用でき、どの部分でまだ実績が乏しいのかを冷静に見極める必要がある。

評価できる点は、両モデルが首位となったベンチマークがLGの社内試験ではなく、独立運営され、評価方法を公開しているプラットフォームだということだ。TabArenaとGIFT-Evalのリーダーボードは、どのチームからの提出も受け付け、手法を公開している。Googleも両方に参加し、そこでLGがより高い評価を得た。TabArenaにおける11ポイントのElo差は、圧倒的ではないものの意味のある僅差である。GIFT-Evalの対象範囲の広さを考えれば、2つの成果のうち、時系列予測の結果の方がより注目に値する。

一方、企業が注意すべき点もある。LGが公表している概念実証の用途であるバッテリー品質、疾患リスク、融資延滞、株式予測については、本番環境の性能目標に照らした独立検証がまだ行われていない。現時点で公表されているのは導入や展開に関する発表であり、査読を経た成果研究ではない。EXAONE BIの発表によると、2025年9月に開始されたKoscomおよびLSEGとの金融サービスが、検証済みの本番導入に最も近い事例である。製造とバイオヘルスケアの概念実証は2026年下半期に行われる予定であり、その結果が実力を見極める試金石となる。

ベンチマークの評価方法にも留意が必要である。TabArenaは、厳選された51のデータセットでモデルを評価する継続更新型ベンチマークであり、規模と厳格さを備えているものの、あくまでベンチマークである。TabArenaの論文によると、TFMの性能上の優位性は、特に1万行未満の小規模データで顕著である。特徴量の構成が安定し、ラベル付きデータを豊富に持つ非常に大規模な産業データセットでは、勾配ブースティング決定木も引き続き競争力がある。大規模で適切にラベル付けされたデータセットを持つ企業は、ベンチマーク上のTFMの優位性が、自社の環境でもそのまま再現されると想定すべきではない。

■EXAONEプラットフォームの全体像

8月7日の発表により、LGが産業用AIのインフラストラクチャー層として整備しているEXAONEのポートフォリオに、新たなモデルが加わった。EXAONEのエコシステムは、汎用言語モデルのEXAONE 4.0、視覚と言語を扱うマルチモーダルモデルのEXAONE 4.0 Vision Language、計算病理学向けで2024年に公開されたEXAONE Path、材料探索向けのEXAONE Discovery、構造化データ予測のEXAONE Tabular、時系列予測のEXAONE Forecastに及ぶ。EXAONE Discoveryは、ICML 2026で、42万の候補から新しい脱毛症治療用化合物を1日で特定する用途に使われた。さらに、視覚情報の解釈と物理アクチュエーターの制御をAIシステムに可能にすることを目指す、ロボティクス・ファウンデーションモデル（RFM）も開発中である。

そこには一貫した方向性がある。LG AI Researchは、AIと、LGグループがすでに事業を展開する現実の産業領域との接点で機能する、分野特化型のファウンデーションモデルを構築している。これは世界のAI市場にも重要な意味を持つ。一般的なLLMベンチマークの伸びが鈍化し、最先端モデル間の追加的な性能差が小さくなるにつれて、競争の焦点は、独自データが容易に再現できない優位性を生む産業分野へ移っていく可能性がある。LGのEXAONE TabularとEXAONE Forecastの結果は、こうした変化が現れ始めていることを独立したベンチマーク上で示す初期の事例である。また、韓国の複合企業が持つデータ上の優位性は、汎用LLMにおける計算資源の差よりも長く持続する可能性がある。

■注目ポイントQ&A

●表形式ファウンデーションモデルとは何ですか？ChatGPTがスプレッドシートを分析するのとはどう違うのですか？

ChatGPTのようなLLMにスプレッドシートを読み込ませると、モデルは通常、列名と値をトークンとして直列化し、表をテキストとして逐次処理します。この方法では、列同士の位置関係、変数間の統計的相関、熟練した統計家が一目で読み取るような分布上の特性など、表のグリッドに含まれる構造情報が失われます。

表形式ファウンデーションモデル（TFM）は、表を本来の構造のまま処理するように設計されています。膨大な合成表形式データセットから、表が一般にどのような性質を持つかを学習し、予測時にベイズ推論を適用します。学習データと予測対象をコンテキストとして1回の処理で取り込み、再学習せずに予測します。そのため、これまで見たことのない表にもすぐに汎化でき、特に実際の産業課題で多い小規模データセットにおいて高い性能を示します。

●EXAONE TabularのEloスコア1,760とGoogleのTabFMの1,749は、実際にはどの程度の差ですか？

NeurIPS 2025で発表されたTabArenaのベンチマーク論文によると、TabArenaはチェスや対戦型ゲームでも使われるElo方式を採用し、厳選された51の表形式データセットにおけるモデル同士の勝率を基に評価します。11ポイントの差には意味がありますが、決定的な差ではありません。ベンチマークに含まれるデータセット全体で見ると、EXAONE TabularがTabFMとの比較でわずかに多く勝ったことに相当します。

実際の企業環境では、データの構造、規模、特徴量の性質に応じて、どちらのモデルが優れるかが変わる可能性があります。このベンチマークの意義は、独立して運営され、評価方法を監査でき、どのチームからの提出も受け付けている点にあります。LG自身が設計した試験ではありません。また、新たなモデルが提出されれば、リーダーボード上の差も変化します。

●独自の産業データが、この種のAIで特に重要なのはなぜですか？

一般的なLLMの競争では、主要な学習資源はインターネット上のテキストです。その多くは公開され、大手企業が利用できるため、計算資源の規模とアーキテクチャー上の革新が主な差別化要因になります。

一方、産業用の表形式AIや時系列AIで重要な学習情報は、特定の製造ラインのセンサー測定値、特定の商品市場の価格曲線、特定の病院システムの患者記録といった運用データです。こうしたデータは企業内に閉じられ、サイロ化されており、契約、プライバシー法、競争上の事情によって扱いが制限されるため、公開学習用データセットには通常入りません。

GoogleはTabFMの公開時、プライバシーや独自スキーマに関する問題から、実際の産業用テーブルにはファウンデーションモデルの学習に必要な規模でアクセスできないため、合成データを使ったと説明しています。製造、エネルギー、医療、金融にまたがって数十年にわたりこうしたデータを生成してきたLGのような複合企業は、汎用LLMにおける計算資源とは性質の異なる優位性を産業用AIで持っています。

●LGはどのような用途を想定し、結果はいつ明らかになりますか？

Korea Heraldの2026年8月7日の報道によると、LG AI Researchは、2026年下半期に製造、バイオヘルスケア、金融の3分野でEXAONE TabularとEXAONE Forecastの概念実証を行う計画です。想定される用途は、電圧と内部抵抗のデータを用いたバッテリー品質の予測、臨床記録を用いた疾患リスクの予測、金融分野における延滞と異常取引の検出です。

EXAONE BIの発表によると、EXAONE Forecastはすでに、LG Electronicsにおける製品需要の予測、LG Energy Solutionにおける原材料価格の予測、KoscomおよびLSEGと展開するEXAONE BIサービスでの株式市場分析に用いられています。EXAONE BIでは、韓国と米国に上場する約8,000銘柄を対象に日次分析を行います。概念実証の結果は2026年後半に明らかになる見込みであり、本番環境における性能を検証する重要な材料となります。

元記事: LG’s Proprietary Industrial Data Tops Google, Alibaba in AI Benchmarks