論文の概要: The Economics of AI Foundation Models: Openness, Competition, and Governance

• arxiv url: http://arxiv.org/abs/2510.15200v1
• Date: Fri, 17 Oct 2025 00:00:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.418736
• Title: The Economics of AI Foundation Models: Openness, Competition, and Governance
• Title（参考訳）: AIファンデーションモデルの経済学:オープンネス、コンペティション、ガバナンス
• Authors: Fasheng Xu, Xiaoyu Wang, Wei Chen, Karen Xie,
• Abstract要約: オープン性は、ファンデーションモデル(FM)エコシステムにおいて決定的な問題となっている。 2周期のゲーム理論モデルを構築し、AIバリューチェーンにおけるオープンネス競争がどのように変化するかを分析する。 解析の結果,データフライホイール効果の強度において,既存の第1周期の開度は驚くほど非単調であることがわかった。
• 参考スコア（独自算出の注目度）: 6.548486822563448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The strategic choice of model "openness" has become a defining issue for the foundation model (FM) ecosystem. While this choice is intensely debated, its underlying economic drivers remain underexplored. We construct a two-period game-theoretic model to analyze how openness shapes competition in an AI value chain, featuring an incumbent developer, a downstream deployer, and an entrant developer. Openness exerts a dual effect: it amplifies knowledge spillovers to the entrant, but it also enhances the incumbent's advantage through a "data flywheel effect," whereby greater user engagement today further lowers the deployer's future fine-tuning cost. Our analysis reveals that the incumbent's optimal first-period openness is surprisingly non-monotonic in the strength of the data flywheel effect. When the data flywheel effect is either weak or very strong, the incumbent prefers a higher level of openness; however, for an intermediate range, it strategically restricts openness to impair the entrant's learning. This dynamic gives rise to an "openness trap," a critical policy paradox where transparency mandates can backfire by removing firms' strategic flexibility, reducing investment, and lowering welfare. We extend the model to show that other common interventions can be similarly ineffective. Vertical integration, for instance, only benefits the ecosystem when the data flywheel effect is strong enough to overcome the loss of a potentially more efficient competitor. Likewise, government subsidies intended to spur adoption can be captured entirely by the incumbent through strategic price and openness adjustments, leaving the rest of the value chain worse off. By modeling the developer's strategic response to competitive and regulatory pressures, we provide a robust framework for analyzing competition and designing effective policy in the complex and rapidly evolving FM ecosystem.
• Abstract（参考訳）: モデル「オープン性」の戦略的選択は、ファンデーションモデル(FM)エコシステムにおいて決定的な問題となっている。 この選択は激しく議論されているが、その根底にある経済ドライバーはいまだ過小評価されている。 2周期のゲーム理論モデルを構築し、AIバリューチェーンにおけるオープン性がどのように競争を形作るかを分析する。 オープン性は、知識の流出を参加者に増幅するが、"データフライホイール効果"によって既存の利点を高め、今日のユーザエンゲージメントを高めることで、デプロイ者の将来的な微調整コストを下げる。 解析の結果,データフライホイール効果の強度において,既存の第1周期の開度は驚くほど非単調であることがわかった。 データフライホイール効果が弱いか非常に強い場合、現像者はより高い開度を好むが、中間範囲では、開度を戦略的に制限し、入射者の学習を損なう。 このダイナミクスは、企業の戦略的柔軟性を排除し、投資を減らし、福祉を減らし、透明性を規定する重要な政策パラドックスである「オープン・トラップ」を生み出します。 モデルを拡張して、他の一般的な介入も同様に効果がないことを示す。 例えば垂直統合は、データフライホイール効果がより効率的な競合相手の損失を克服するのに十分な強度を持つ場合にのみ、エコシステムの恩恵を受ける。 同様に、導入を促進するための政府の補助金は、戦略的価格と開放性調整を通じて、現職者によって完全に捕獲され、残りの価値連鎖は悪化する。 競争と規制の圧力に対する開発者の戦略的反応をモデル化することにより、競争を分析し、複雑で急速に進化するFMエコシステムにおいて効果的なポリシーを設計するための堅牢なフレームワークを提供する。

関連論文リスト

• The Bidding Games: Reinforcement Learning for MEV Extraction on Polygon Blockchain [0.11880231424287215]
  本稿では,ポリゴンアトラスを用いたMEV抽出のための強化学習フレームワークを提案する。 我々の研究は、高頻度MEV環境において強化学習が重要な利点をもたらすことを証明している。
  論文  参考訳（メタデータ） (2025-10-16T12:54:53Z)
• From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate [69.05573887799203]
  これらの2次の影響を理解するには、ライフサイクルアセスメントと社会経済分析を組み合わせた学際的アプローチが必要であると論じる。 AIの真の気候フットプリントを誤って表現し、意味のある介入の範囲を制限している、と我々は主張する。
  論文  参考訳（メタデータ） (2025-01-27T22:45:06Z)
• Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
  Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。 近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。 本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T09:18:29Z)
• On the Societal Impact of Open Foundation Models [93.67389739906561]
  ここでは、広く利用可能なモデルウェイトを持つものとして定義されている、オープンファンデーションモデルに重点を置いています。 オープンファンデーションモデルの5つの特徴を識別し,その利点とリスクを両立させる。
  論文  参考訳（メタデータ） (2024-02-27T16:49:53Z)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Towards Bridging the FL Performance-Explainability Trade-Off: A Trustworthy 6G RAN Slicing Use-Case [0.5156484100374059]
  6Gネットワークスライシングには、効率的なリソース割り当てと説明可能な意思決定のための高性能なAIモデルが必要である。 本稿では,新しい説明誘導型インホック・フェデレーション・ラーニング(FL)手法を提案する。 我々は、いわゆる帰属に基づく信頼度測定によって、説明の忠実さを定量的に検証する。
  論文  参考訳（メタデータ） (2023-07-24T15:51:06Z)
• Performative Power [31.401760436968402]
  本稿では,参加者の集団に変化をもたらすために,アルゴリズムシステムを操作する企業の能力を測定する,パフォーマンスパワーの概念を紹介する。 企業の個人化能力はパフォーマンスパワーを増大させ、競合や外部オプションはパフォーマンスパワーを減少させる。 我々は、デジタル市場における競争政策や反トラスト法執行において、パフォーマンスパワーが果たす役割について推測する。
  論文  参考訳（メタデータ） (2022-03-31T17:49:50Z)
• Reward-Based 1-bit Compressed Federated Distillation on Blockchain [14.365210947456209]
  様々な形態のフェデレーション知識蒸留(FD)の出現は、新しい世代の堅牢でコミュニケーション効率の良いフェデレーション学習(FL)の道を開く。 本稿では,高度に圧縮された1ビットソフトラベルをスマートコントラクトに集約する分散化フェデレーション学習フレームワークを提案する。 労働者のコントリビューションが簡単に比較できる状況では、FDのPier Truth Serum for Crowdsourcing Mechanism(PTSC)を変更して、正直な参加に報いる。
  論文  参考訳（メタデータ） (2021-06-27T15:51:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。