CRYPTO & AI
無料で登録

【Osaurus】AIを「借りる」のをやめて、「持つ」

クラウドに預けるのが当たり前の時代に、Mac 1台へAIを丸ごと囲い込む。元Tesla技術者が問う"所有"の思想。

【Osaurus】AIを「借りる」のをやめて、「持つ」

おはようございます。
今日は「Osaurus」をリサーチしました。

LucyOS や Osaurus のように「自分専用のAI(エージェント)を、自分の手元やオンチェーンで動かす」プロダクトは、これから一気に増えていくと見ています。クラウドの大手に全部を預ける時代から、「AIを自分で持つ」時代への揺り戻しが始まりつつあるからです。今日はその筆頭格として、ローカルAIランタイムの Osaurus を取り上げます。


TL;DR

  • Osaurus(osaurus.ai、運営は Osaurus, Inc.)は、Apple Silicon の Mac 上でAIエージェントをローカル実行するネイティブ macOS アプリです。Appleの推論フレームワーク MLX で Llama・Gemma・Qwen などを端末内で動かしつつ、必要なら OpenAI / Anthropic / Google / Grok などクラウドにも切り替えられます。Swift製・MITライセンスで、公式値は 146.8kダウンロード / 5.9k GitHub stars。作者は元Tesla・Netflixのエンジニア Terence Pae。
  • ただし数字だけ見れば弱小です。ローカルAIの王者 Ollama は174k starsで、Osaurus はその約30分の1。にもかかわらず注目に値するのは、Ollama が「開発者向けのモデル実行サーバー」なのに対し、Osaurus は "Own your AI(AIを所有する)" という思想を、ネイティブアプリ+エージェント実行基盤(メモリ・自律実行・暗号学的ID)として一つにまとめたからです。勝負しているのは性能ではなく「誰がAIを所有するか」という別の土俵です。
  • 出発点は、前身のデスクトップAI「Dinoki」の顧客が放った一言——「トークン代を別途払い続けるなら、このアプリを買う意味は?」でした。狙う先は、データを外に出せない法務・医療など規制産業。Pae 曰く「クラウドAI事業者はデータセンターを増強し続けるしかないが、人々はまだローカルAIの価値に気づいていない」。弱点も明確で、性能はクラウド最上位に及ばず、対応も Apple Silicon に限られます。思想が実用に追いつくかが全てです。

概要|Osaurusとは?

Osaurus は、Apple Silicon(M系チップ)の Mac 上で、AIモデルとエージェントをローカルに動かすネイティブ macOS アプリです。運営は Osaurus, Inc.、Swift製・MITライセンスのオープンソースで、公式サイト掲載時点で 146.8kダウンロード / 5.9k GitHub stars。掲げるのは "Own your AI"、そして「推論さえあればいい。あとは全部あなたが所有できる(Inference is all you need. Everything else can be owned by you.)」という一文です。

正直に言うと、ローカルAIの市場で Osaurus は後発の小勢力です。同じ領域の Ollama は GitHub で174k starsを集める事実上の標準で、Osaurus の 5.9k はその約30分の1にすぎません。ではなぜ取り上げるのか。両者が戦っている土俵が違うからです。Ollama は「コマンドラインでモデルを動かすサーバー」で、開発者がアプリに組み込むための部品です。対して Osaurus は、普通のMacユーザーがそのまま使えるネイティブアプリであり、しかも単なるチャット相手ではなく「エージェントを動かす土台」を名乗っています。数の勝負ではなく、「AIを誰が所有するか」という問いの立て方で差別化しているのが Osaurus です。

解決する課題

Osaurus が突くのは、クラウド前提のAI利用が抱える構造的な歪みです。

  • メール・契約書・カルテといった機密データを、外部APIに送ること自体がコンプライアンス上の地雷になる
  • クラウドAIは従量課金で、使うほど課金され、料金やモデルの仕様は提供側の都合で変わる
  • 「自分のAIアシスタント」のはずが、データもモデルも事業者に握られたままになっている

ローカルでLLMを動かす選択肢は Ollama や LM Studio が先行していました。ただ多くは「モデルを動かすサーバー」止まりで、Macのアプリ・ファイル・メールと連携して"実際に仕事をこなすエージェント"にするには一手間かかる。Osaurus は、その最後の一手間をネイティブアプリとして引き受けにきています。

プロダクトの3つの柱

1. MLXによる完全ローカル推論

Appleの機械学習フレームワーク MLX(M系チップ最適化の推論基盤)で、Llama・Gemma・Qwen・Mistral・Phi などのオープンモデルを端末内で直接動かします。クラウドに一切データを送らない「完全オフライン」が基本姿勢。動作要件は macOS 15.5以上、Apple Silicon 専用です。

2. ローカルとクラウドの"両刀"

ローカルモデルを OpenAI / Ollama 互換のエンドポイントとして公開できるのが効きどころです。既存の「OpenAI APIを叩く前提」のツールを、コードをほぼ変えずローカルの Osaurus へ向けられる。さらにクラウド(OpenAI / Anthropic / Google / Grok)にも切り替えられるので、「軽い作業はローカル、重い作業はクラウド」を一つのアプリで使い分けられます。プライバシー一辺倒ではなく、現実的な妥協点を持っているのが普及面では賢い設計です。

3. macOSネイティブ連携 + エージェント"harness"

Mail・Calendar・Notes・Reminders・Files・Safari などmacOS標準アプリと連携します。そしてGitHubのリポジトリ説明が示すように、Osaurus は自らを単なるサーバーではなく 「AIエージェントのためのharness(実行基盤)」と定義し、persistent memory(セッションをまたぐ記憶)/autonomous execution(自律実行)/cryptographic identity(暗号学的に検証可能なエージェントのID)を掲げています。

"暗号学的ID"が地味に効いてくる理由

ここは Osaurus を「便利なローカルLLMアプリ」で片づけないために掘っておきます。

3つの柱のうち、いちばん射程が長いのが cryptographic identity(暗号学的アイデンティティ)です。エージェントに検証可能なIDを持たせるとは、「誰の・どのエージェントが・何をしたか」を、クラウド事業者のアカウントに頼らず端末側で証明できる、という話です。クラウド型では、あなたのAIの履歴も権限も事業者のサーバーに紐づきます。Osaurus が目指すのはその逆で、所有も責任の所在も手元に置く。

そして面白いのは、これがクリプト側の議論と地続きな点です。今日のクリプト版で扱う LucyOS のように、エージェントが自律的にウォレットを操作し、資産まで動かす世界では、「このエージェントは本当に本人の代理か」を証明する手段が決定的に重要になります。Osaurus の暗号学的IDは、その"エージェントの身分証"を手元で持つ版です。要は Osaurus が売っているのは便利なチャットボットではなく、「自分のAIインフラを、履歴も権限も身分証ごと手元に持つ」という選択肢だと捉えると、立ち位置がくっきりします。


変遷|「トークン代を払うなら、なぜ買うの?」から始まった

創業のきっかけは、顧客の素朴な一言

Osaurus は、最初からローカルAIランタイムを目指して生まれたわけではありません。出発点は Dinoki という、デスクトップに常駐するAIコンパニオンでした。共同創業者の Terence Pae は、これを往年のOfficeアシスタントになぞらえ 「AI版クリッピー(AI-powered Clippy)」と呼んでいます。

転機は、その Dinoki の顧客が投げた素朴な疑問でした。「アプリ代を払っても、結局トークン代(クラウドAIの利用料)を別途払い続けるなら、わざわざこのアプリを買う意味は?」——この一言が、Pae にローカルでAIを動かすことを真剣に考えさせます。

(Dinokiの顧客に問われて)「そうやって Osaurus が始まったんです」
——Terence Pae(TechCrunch インタビューより/意訳)

つまり Osaurus は、壮大なビジョンからではなく「ユーザーが二重に払わされている」という具体的な不満から逆算して生まれた。だからこそ思想(所有)と実利(追加課金からの解放)が最初から噛み合っているのが強みです。

創業者プロフィール

  • Terence Pae(共同創業者): 元Tesla・Netflix のエンジニア。前身 Dinoki("AI版クリッピー")の発案者で、顧客の疑問を起点にローカルAIへピボット。
  • Sam Yoo(共同創業者): Osaurus, Inc. 共同創業者。両者はNY拠点のスタートアップアクセラレータ Alliance に参加。

なぜ"今"ローカルAIなのか(創業者の言葉で)

Osaurus の賭けの背景には、はっきりしたマクロ認識があります。Pae の発言がそれを端的に表しています。

「AI業界は爆発的に成長していて、クラウドのAI事業者はデータセンターとインフラをひたすら増強し続けるしかない。でも僕らは、人々がまだローカルAIの本当の価値に気づいていないと感じている。クラウドに頼る代わりに、Mac Studio を社内(オンプレ)に置けばいい。消費電力もずっと少なく済むはずだ」
——Terence Pae(TechCrunch/意訳)

ここには、ローカルAIが今になって立ち上がる3つの追い風が凝縮されています。(1) クラウドAIの電力・インフラコストが膨張し、その負担が利用料に跳ね返っていること、(2) Llama・Qwen などオープンモデルの性能が"日常使いなら十分"な水準に達したこと、(3) Apple Silicon の普及で、手元のMacが実用的な推論マシンになったこと。 この3つが揃って初めて、「クラウドに払い続けるより、持った方が安く・安全」という主張が現実味を帯びます。

タイムライン

  • 2025年(年央〜後半): Apple Silicon 向けのローカルLLMサーバーとして登場。当初は「MLXベースの Ollama 代替」という位置づけ
  • 2026年初頭: 単なるサーバーから、ローカル/クラウドを単一画面で扱う AIランタイムへ拡張。MCP(Model Context Protocol)でのツール連携、macOSネイティブ統合が進む
  • 2026年5月: TechCrunch が報道。この時点でローンチ約1年で11.2万ダウンロード超
  • 2026年6月(現在): 公式値 146.8kダウンロード / 5.9k stars に伸長。音声操作や、メモリ・自律実行・暗号学的IDといった"harness"機能を前面に

資金調達

具体的な調達額は一次ソースで確認できませんでした(※要確認・公表なし)。 確認できるのは、創業者がアクセラレータ Alliance に参加していることまで。Osaurus 自体はMITライセンスの無料配布で、マネタイズは後述の規制産業向け事業化がこれからの本丸です。

競合プレイヤー

  • Ollama(174k stars): ローカルLLM実行の事実上の標準。クロスプラットフォームで最大勢力。ただしCLI/サーバー寄りで、一般ユーザーがそのまま使う"アプリ"ではない
  • LM Studio: GUIでローカルモデルを試せる人気アプリ。実験・検証向きだが、エージェントとしての自律実行・ツール連携は限定的
  • Apple(Apple Intelligence / Foundation Models): OS標準でオンデバイスAIを統合する本命格。ただし「自分でモデルを選び、所有・制御する」自由度は乏しい
  • Osaurus(5.9k stars): 規模では負ける。差別化は「ネイティブアプリ × ローカル/クラウド両刀 × エージェントharness(メモリ・自律実行・暗号ID) × 所有思想」を一つに束ねた点。数ではなく"立ち位置"で勝負する後発

考察|"所有"は思想で終わるのか、実用になるのか

結論から言うと、Osaurus の勝敗は性能ではなく、「"AIを所有したい"という欲求が、思想に共感する一部の人を超えて、実需として広がるか」で決まります。規制産業のように「持たざるを得ない」層を押さえられれば堅く、そこに届かなければ「美しい思想の人気OSS」で止まります。

強み

  1. 思想と実利が最初から一致している: "Own your AI" は標語倒れではなく、出発点が「二重課金への不満」という実利でした。だから所有思想(理念)と追加課金からの解放(実益)が地続きで、共感が動機に変換されやすい。
  2. 両刀の現実主義: 「全部ローカル」と突っ張らず、重い処理はクラウドに逃がせる。OpenAI/Ollama互換APIで既存ツールから差し替えやすく、乗り換えコストが低い。思想を掲げつつ実装は柔軟、というバランスが普及面で賢い。
  3. 規制産業という"持たざるを得ない"出口: 法務・医療は「データを外に出せない」という絶対的制約があり、ローカルAIの数少ない硬い需要が存在する。Pae の言う「Mac Studio をオンプレに」は、ここに刺されば無料OSSから収益事業への橋になる。

弱み・リスク

  1. 性能でクラウド最上位に届かない: ローカルモデルは GPT/Claude/Gemini の最上位フロンティアには及びません。「所有」の価値を理解する層以外には、結局クラウドの手軽さと賢さが勝ち続ける可能性が高い。
  2. Apple Silicon専用という狭い間口: macOS 15.5以上・Apple Silicon限定で、Windows/Linux/旧Macは対象外。皮肉なことに、プライバシー需要が大きい企業ほどWindows比率が高く、ここが普及の天井になりかねない。
  3. 規模も収益も未証明: 5.9k stars は Ollama の30分の1、マネタイズはMITの無料配布で未確立。DL数・star数も公式の自己申告値で、第三者監査済みの指標ではない。「思想は刺さるが、まだ多数派でも黒字でもない」のが現在地。

個人的な見解

個人的には、Osaurus は「ローカルLLMアプリ」としてより、「AIの所有権をユーザーに取り戻す思想運動」として読んだときに輪郭が立つと思います。クラウドAIが便利になるほど、「自分のデータとアシスタントを事業者に預けっぱなしでいいのか」という揺り戻しは必ず来る。Osaurus はその受け皿に座っています。Ollama に star数で30倍負けていても、Ollama が踏み込まない「所有」と「身分証(暗号学的ID)」に賭けているのが、後発としての知恵です。

そして今日のクリプト版(LucyOS)と並べると、絵が完成します。AI側では「エージェントを自分で持つ(所有・自律)」が進み、クリプト側では「そのエージェントにオンチェーンを任せる(資産・経済)」が立ち上がる。 Osaurus が突き詰める「このエージェントは誰のものか」という身分証の発想は、LucyOS のように資産を触らせる世界でこそ効いてきます。同じ Claude の土台(Agent SDK + MCP)から、片や「手元に閉じる」、片や「オンチェーンに開く」へ——両極が同時に立ち上がっているのが2026年の景色です。

要は、watch すべきは2点。(1) 規制産業向けの有料プロダクトが具体的に出てくるか、(2) Apple Silicon という狭い間口を越えて"所有したい"需要が一般層まで降りてくるか。 この2つが見えたとき、「AIを所有する」が一部の思想家の選択肢で終わるのか、主流の一角になるのかがはっきりします。ここがポイントです。


DEBUNK編集長

次に読む

【Scale AI】Meta の出資から1年余り、学習データの会社は企業と政府のAIづくりに軸を広げている

Meta が49%を持つ学習データの老舗 Scale AI について、データの事業の仕組み、出資の後に起きた顧客と経営の変化、企業・政府向けへの広げ方、そして数字のどこまでが確かなのかを整理します。

AI 2026.10.22

【Cursor】SpaceX の傘下に入ったAIコーディングの道具。買収後の最初の決算で、売上の大きさが初めて見えた

SpaceX は10/20の決算で、8/14に買収した Cursor が9月末までの約1か月半で$608Mを売り上げたと開示しました。Cursor がどう動く道具なのか、モデルの仕入れがどう変わったのか、そして$60Bの買収の中身を整理します。

AI 2026.10.22

【Figure AI】評価額$39Bの人型ロボット企業は、どこまで実際に働いているのか

人型ロボットの Figure AI は、2025年9月に評価額$39Bでの調達を発表しました。自前の AI「Helix」の仕組み、BMW の工場での実績、量産の計画、そして会社の主張と第三者の確認の差を整理します。

AI 2026.10.21

【DeepSeek】重みを公開した安いモデルを出し続ける中国の研究所と、各国の規制

米国土安全保障省(DHS)は10/20、連邦の民生機関から DeepSeek の製品を外す命令を官報に公示しました。DeepSeek のモデルの系列、重みの公開、費用の主張、各国の規制を整理します。

AI 2026.10.21

あわせて読みたい用語解説

用語解説をすべて見る →
【スケーリング則】計算・データ・パラメータを増やすと、AIの性能はどこまで予測どおりに伸びるのかAIの開発各社が計算資源に巨額を投じる理由になっているスケーリング則を、Kaplanらの2020年の論文とChinchillaの2022年の論文、その後の使われ方、よくある読み違いとあわせて整理します。【プロンプトインジェクション】AIエージェントが読んだ文章に指示を紛れ込ませる攻撃と、防ぎきれない理由AIエージェントが外部の文章を読んで動くときに起きるプロンプトインジェクションを、直接型と間接型の違い、根本的に防ぎにくい理由、各社の対策の現状とあわせて整理します。【トランスフォーマー】いまのAIの土台になった仕組みと、注意機構が並列の学習を可能にした理由ChatGPTをはじめ、いまの言語モデルの土台になっている「トランスフォーマー」を、注意機構の考え方、並列に学習できる理由、その弱点と最近の改造とあわせて整理します。【拡散モデル】ノイズから画像や動画を作る仕組みと、トランスフォーマーとの組み合わせ画像・動画の生成AIの多くが使う「拡散モデル」を、ノイズを足して消す仕組み、文章で指示する方法、トランスフォーマーとの組み合わせ、速くする工夫とあわせて整理します。【合成データ】AIの学習に使う「作られたデータ」の仕組みと、モデル崩壊の議論AIの学習に使う「合成データ」を、言語モデル・シミュレーター・表データという3つの作り方、モデル崩壊の議論、いまの使われ方とあわせて整理します。【推論(インファレンス)】学習済みのAIが答えを出す工程と、その費用と速さを決めるものAIが答えを出すたびに走る「推論(inference)」を、学習との違い、入力を読む段階と答えを書く段階の仕組み、推論向けチップの動きとあわせて整理します。【RLHF】AIの「振る舞い」を作る強化学習の工程と、人の採点・AIの採点・自動判定の違いチャットAIの受け答えを形づくる人のフィードバックによる強化学習(RLHF)を、後継のRLAIF・検証可能な報酬での強化学習(RLVR)とあわせて、仕組みと弱点からまとめます。【マルチモーダル】画像・音声・動画をAIはどう読むのか。仕組みと、2026年でも苦手なこと文章だけでなく画像・音声・動画も扱うマルチモーダルなAIを、画像をトークンに変える仕組みと、大学の試験は解けても時計の読み取りで負ける理由からまとめます。