データホエール（マシンハート）

データホエールの共有

最新情報：ジェンセン・ホアン、出典：マシンハート

11月23日、香港科技大学は毎年恒例の学位授与式を開催しました。NVIDIAの創業者兼CEOであるジェンスン・フアン氏が、著名な俳優トニー・レオン氏、2013年ノーベル化学賞受賞者のマイケル・レヴィット氏、フィールズ賞受賞者のデビッド・マンフォード氏に続き、工学の名誉博士号を授与されました。

式典の写真、出典：Xユーザー@biogerontology

旅の途中、ジェンセン・ホアン氏と著名なコンピューター科学者であり、香港科技大学評議会議長のハリー・シャム氏は、同じ革ジャケットを着て、「テクノロジー、リーダーシップ、そして起業家精神」をテーマに炉辺談義を行いました。会話は、AIの発展と社会への影響、科学分野におけるAIの応用、粤港澳大湾区のハードウェアエコシステム、リーダーシップと企業経営、そして愛に至るまで、多岐にわたりました。

黄仁馨と沈向陽が同じレザージャケットを披露

Huang Renxun 氏の見解のTL;DR バージョン:

• AIの重要な変革的意義は、あらゆることを理解するための「万能翻訳機」として機能できることであり、AIはまったく新しい産業も生み出すでしょう。
• スケーリング則は依然として有効です。NVIDIAの最大の貢献の一つは、機械が膨大な量のデータから容易に学習できるようにしたことです。
• AIはまだ第一原理から答えを導き出す能力を習得していないが、シミュレーションは科学にとっても価値がある。
• リーダーとして、あなたは継続的に学び、強さを保ち、他者の利益を考慮しなければなりません。
• デートは大学生の勉強の妨げにはなりません。
• AIの目的は推論であり、訓練ではありません。AIの訓練は大量のエネルギーを消費しますが、最終的にはエネルギーの節約につながります。
• 将来、大量生産できるロボットは、自動車、ドローン、ヒューマノイドロボットの3種類だけになるでしょう。
• 粤港澳大湾区は、電気機械技術と AI 技術が同時に発展できる世界で唯一の地域です。

Machine Heart がこの談話の要点をまとめました。

AIの社会的影響

ハリー・シャム：昨夜は眠れませんでした。あなたを宇宙一のCEOとして皆さんに紹介する予定だったからです。昨日はAppleの株価が上昇したのに、あなたの会社の株価は上がらなかったので心配していました。今朝、妻に聞いて、あなたが依然としてナンバーワンだと確認しました。そこで、いくつか難しい質問をさせていただきます。まず、AI（特にAGI）は、業界や社会全体にどのような影響を与えるとお考えですか？

ジェンセン・ファン：まず、お話を伺う機会をいただき、ありがとうございます。ハリー（シェン・シャンヤン）は、現代における最も重要なコンピュータ科学者の一人です。彼は私だけでなく、多くの人にとってヒーローです。ハリー、ご存知のように、AIが言語、画像、タンパク質配列、アミノ酸配列、化学配列など、様々な種類のデータを学習・理解できるようになると、AIは変革をもたらす画期的な能力を獲得します。突如として、言葉の意味を理解できるコンピュータが登場するのです。生成型AIは、テキストから画像、テキストからテキスト、タンパク質からテキスト、テキストからタンパク質、そしてテキストから化学物質など、ある情報パターンを別のパターンに変換することを可能にします。

当初は汎用的な関数近似器でしたが、今では様々な状況に適用可能な万能言語翻訳器へと進化しました。では、これをどう活用できるか？という疑問が生じます。世界中には、これらの様々なモダリティや機能を組み合わせて活用している企業やチームが数多く存在します。真に驚くべきブレークスルーは、AIがあらゆる情報の意味を理解できるようになり、あらゆる情報を理解できる万能翻訳器になったことだと思います。

ハリー・シャム：あなたはかつて、農業革命は実際にはより多くの食料を生産し、産業革命は実際にはより多くの科学的スキルを生み出し、そして情報技術はより多くの情報をもたらしたとおっしゃいました。今は人工知能の時代です。AIは実際にはより多くの知性を生み出していると思いますか？

ジェンセン・フアン：コンピュータサイエンスの観点から見ると、私たちはソフトウェア開発のスタック全体、つまりソフトウェア開発の方法を根本から改革しました。以前は、コードを自分たちで書いていました。私はFortranから始め、その後Pascal、C、C++を学びました。それぞれの言語を使うことで、アイデアをコードに変換し、CPU上で実行できるようになりました。

今では観測データを利用しています。それをコンピューターに入力し、どのようなパターンや関係性を発見できるかを調べます。もはやプログラミングではなく、機械学習です。機械がソフトウェアを生成するのではなく、GPU上で処理されるニューラルネットワークです。プログラミングから機械学習へ、CPUからGPUへ。GPUの性能が飛躍的に向上したため、これまでにない種類のソフトウェアを開発できるようになりました。そして、その上に人工知能が加わります。これが創発です。このように、コンピューターサイエンスは劇的に変化しました。

今の問題は、私たちの業界はどうなるのかということです。もちろん、私たちは皆、機械学習を活用して新しい人工知能（AI）の発見に競い合っています。AIが実現することの一つは「認知自動化」、つまり問題解決の自動化です。

問題解決プロセス全体は、認識、推論、計画という3つの基本ステップに要約できます。例えば、自動運転では、車はまず周囲の状況を認識し、次に自身の位置と他の車両の位置を推論し、最後に運転プロセスを計画する必要があります。自動運転はデジタルドライバーに例えることができます。同様に、デジタル放射線科医なども考えられます。実際、私たちが行うあらゆることに対して、対応するAI表現を考案することができます。これらをデジタルインテリジェントエージェントと呼ぶことができます。これらのデジタルインテリジェントエージェントは相互に作用し、トークンを生成します。これが本質的にデジタルインテリジェンスです。

300年前の発電機の発明が、発電機が生み出した電気を消費する様々な電化製品の誕生につながったように、CopilotやChatGPTのようなアプリケーションはこれらの電化製品に相当し、発電機はデジタルスマートファクトリーに相当します。つまり、私たちはまさに新しい産業を創造しているのです。この新しい産業はエネルギーを必要とし、デジタルインテリジェンスを生み出します。このデジタルインテリジェンスは、様々なアプリケーションで活用されるでしょう。その消費量は相当なものになると考えています。発電機が登場する前には電気産業が存在しなかったように、この産業自体も以前は存在しなかったのです。

黄の法則によれば、Nvidia の株価は今後も上昇し続けるのでしょうか?

ハリー・シャム氏: コンピューティング能力の分野では、特に過去 10 年間、常に言及されている数字があります。それは、あなたの名前にちなんで名付けられた「黄の法則」であり、ムーアの法則に匹敵します。

「黄の法則」：過去10年間で、NVIDIA GPUのAI処理能力は1,000倍に向上しました。この成長は、シングルチップ推論性能の向上率が徐々に低下するのではなく、今後も継続することを示しています。

コンピュータ業界の初期の頃、インテルは、コンピューティング能力が 18 か月ごとにほぼ 2 倍になるという有名なムーアの法則を提唱しました。

過去 10 年から 12 年を振り返ると、あなたのリーダーシップの下では、毎年倍増どころか、それ以上に増加していました。

消費の観点から見ると、過去12年間で、あらゆる大規模言語モデルを含め、年間のコンピューティング需要は実に4倍に増加しました。毎年4倍に増加し続けると、10年後には驚異的な100万倍に達するでしょう。

ジェンセンの株価が10年間で300倍に上昇した理由の一つは、需要が100万倍に増加したことです。これは、NVIDIAの株価が比較的割高である理由も説明しています。

さて、水晶玉で未来を占っていただきたいのですが、今後 10 年間で再び需要が 100 万倍に増加することになるでしょうか?

ジェンセン・フアン：ムーアの法則は2つの概念に基づいています。1つ目はVLSIスケーリングです。この概念はカーバー・ミードとリン・コンウェイの研究に端を発し、私たちの世代に大きなインスピレーションを与えてきました。2つ目はデナードスケーリングです。これは、トランジスタの電流密度を一定に保ちながら、トランジスタのサイズを縮小することで、半導体の性能を数年ごとに倍増させることができるというものです。

具体的には、パフォーマンスは18ヶ月ごとに約2倍になります。つまり、5年後には10倍、10年後には100倍に向上することになります。

現在、ニューラルネットワークが大きくなるほど、そして学習に用いるデータが増えるほど、AIの性能が上がるというトレンドが見られます。これはムーアの法則に似た経験則であり、「スケーリング則」と呼ばれています。そして、このスケーリング則は今後も維持されると思われます。

しかし、事前学習を通じてグローバルデータから自動的に知識を発見するだけでは不十分であることもわかっています。大学に進学して学業を修了するのと同じように、それは重要なマイルストーンではありますが、それだけでは十分ではありません。

特定のスキルを深く学習させるプロセスである事後学習が必要です。事後学習には、強化学習、人間によるフィードバック、人工知能によるフィードバック、合成データ生成、マルチパス学習といった様々な技術が用いられます。

核となる考え方は、特定の分野におけるディープラーニングを開始し、特定の側面について深い理解を得ようとすることです。これはトレーニング後のプロセスです。キャリアを選択したら、再び広範な学習に取り組むことになります。

そして次の段階は、いわゆる「思考」段階です。これはテスト時間のスケーリングとも言えます。この段階では、いくつかの質問への答えは明白ですが、他の質問については、質問を分解し、根本原理まで遡り、そして原点に戻って各質問の解決策を見つける必要があります。この段階では反復作業が必要になる場合があり、異なるケースについて議論したり、異なる結果をシミュレーションしたりする必要があるかもしれません。

したがって、私たちはそれを「考える」と呼んでいますが、考える時間が長ければ長いほど、得られる答えの質が高くなることがよくあります。

人工知能開発の3つの主要分野において、大規模な計算によってより質の高い回答が得られる可能性があることにご留意ください。現在、AIは可能な限り最善の回答を提供できますが、その回答が幻想的なものなのか、それとも妥当なものなのかを常に注意深く見極める必要があります。

人工知能が提供する答えを完全に信頼できる段階に到達することを目指して努力しなければなりません。しかし、その目標にはまだ数年かかると考えています。それまでの間、私たちは計算能力を継続的に向上させていく必要があります。

NVIDIAが過去10年間でコンピューティング性能を100万倍向上させたと言及していただき、ありがとうございます。NVIDIAは具体的に何をしたのでしょうか？コンピューティングの限界費用を100万分の1に削減したのです。

もし世界中の誰かが電気などの必需品のコストを百万分の一に削減できたとしたら、あなたの習慣は根本的に変わるでしょう。

これは計算に対する私たちの理解を根本的に変えました。これはNVIDIAの最大の貢献の一つです。機械が膨大な量のデータを包括的に学習することを非常にシンプルにし、研究者がほとんどためらうことなく学習できるようにしたのです。だからこそ、機械学習はこれほど急速に進歩することができたのです。

AI for Science が 2024 年に成功したのはなぜですか?

ハリー・シャム：ジェンセンさん、HKUSTで私たちが何をすべきかについて、ぜひお聞きしたいことがあります。実は私たちには多くの選択肢がありますが、特にエキサイティングなのは「AI for Science」と呼んでいるものです。例えば、私たちは大学でコンピューティングインフラのGPUに多額の投資を行っており、学長と私は特に物理学とコンピュータサイエンス、材料科学とコンピュータサイエンス、生物学とコンピュータサイエンスの連携を教員に奨励しています。あなたは生物学の未来についてお話されていましたが、今香港で非常にエキサイティングな出来事の一つは、政府が3つ目の医学部を建設することを決定したことです。実際、HKUSTは最初に提案を提出した大学です。これについて、どのような提案がありますか？私たちはどこに投資すべきでしょうか？

ジェンセン・フアン：まず、2018年の科学計算世界会議で人工知能（AI）を紹介しましたが、当時はかなりの懐疑的な反応がありました。これは、AIがある程度ブラックボックスだったためです。実際、今日ではAIはそれほどブラックボックスではありません。質問をしたり、特定の提案をする理由を尋ねたり、教授が学生を指導するように、どのようにしてその答えに至ったのかを段階的に説明させたりすることができるからです。つまり、今日のAIはより透明性が高く、より説明しやすいのです。2018年にはそれができませんでした。そのため、多くの懐疑的な反応に直面しました。これが第一の点です。

第二に、人工知能はまだ第一原理から答えを生み出す能力を習得していません。観測データから学習することで答えを生み出します。したがって、第一原理ソルバーをシミュレーションしているのではなく、知能をシミュレーションし、物理学をシミュレーションしているのです。ここで問題となるのは、シミュレーションは科学にとって価値があるのか​​ということです。私は、シミュレーションは科学にとって価値がないわけではないと主張します。その理由は、多くの科学分野において、シュレーディンガー方程式やマクスウェル方程式といった第一原理は理解できても、これらの方程式をシミュレーションして、関連する広大なシステムを理解することはできないからです。したがって、これらの問題を解決するために第一原理から出発し、計算上の限界に直面するよりも、人工知能を活用する方が賢明です。

人工知能に物理を理解させる訓練をさせ、それを用いて非常に大規模なシステムをシミュレートすることで、大規模システムと大規模スケールを理解できるようになります。では、これはどのような分野で役立つのでしょうか？まず、人間の生物学はナノメートルから始まり、ナノ秒から数年までの範囲に及ぶため、第一原理ソルバーを用いてそのようなシステムを解くことはほぼ不可能です。そこで今、問われているのは、人工知能を用いて人間の生物学をシミュレートし、これらの非常に複雑なマルチスケールシステムをより深く理解できるかどうか、あるいは人間の生物学のデジタルツインを作成できるかどうかです。これは大きな希望です。

さて、貴校の病院についてですが、香港科技大学（HKUST）はここに病院を設立する非常に重要な機会に恵まれています。当初の主要分野はテクノロジー、コンピューターサイエンス、そして人工知能です。これは、世界のほとんどの病院の運営方法とは全く逆です。従来の病院は、まず医療から始め、その後人工知能とテクノロジーを統合しようと試みるのが一般的ですが、このアプローチはしばしばテクノロジーに対する懐疑的な見方や不信感に直面することになります。

そして今、皆さんは初めて、全く異なるシステムをゼロから構築する機会を得ています。それは、最初から技術の進歩を受け入れ、推進する病院です。皆さん自身を含め、ここにいる全員が、基礎的な技術開発を推進する専門家です。皆さんはテクノロジーの限界を理解しているだけでなく、その可能性も理解しています。これはまたとない機会であり、皆さんがこの機会を最大限に活用してくれることを願っています。

CEO として、継続的に学び、強さを保ち、他者の利益を考慮する必要があります。

ハリー・シャム：あなたはシリコンバレーの歴史上最も長くCEOを務めていらっしゃいますが、もう30年か31年になりますね。疲れていませんか？

ジェンセン・ホアン：もう32年近く経ちます。本当に疲れました。

ハリー・シャム：ははは、すごく疲れているように見えますが、それでも頑張っていらっしゃいますね。NVIDIAのような巨大企業をどうやって率いて、驚異的なスピードで発展させているのですか？

ジェンセン・フアン：今日（授賞式で）「計算生物学とビジネス」専攻があるのを見て驚きました。素晴らしいと思います。私はNvidiaを設立する前も今もビジネスの授業を受けていません。ビジネスプランを書いたこともないし、どうやって書いたらいいか全く知りませんでした。皆さんに私のビジネスプランを書いてもらいたいと思っています。私が言いたいのは、皆さんはできる限り多くのことを学ぶべきだということです。私自身も常に学び続けています。

私にとって、仕事は単なる仕事ではありません。人生の仕事です。仕事のことを考えるのと、人生の仕事のことを考えるのとでは、どんな仕事でも大きな違いが生じます。人生を捧げる仕事だと信じているなら、それを完璧にやり遂げたいと思うはずです。NVIDIAは私の人生の仕事です。

これまで多くのことを学びました。例えば、企業のCEOになりたいなら、学ぶべきことがたくさんあります。常に自分自身を改革しなければなりません。世界は常に変化し、企業も変化し、テクノロジーも常に変化しています。ですから、私は基本的に毎日学んでいます。ここに飛行機で来た時は、YouTubeを見たり、AIに話しかけたりしていました。ちなみに、AIの家庭教師も雇いました。AIにたくさんの質問をします。例えば、AIが答えをくれたら、「なぜその答えをくれたのですか？」と尋ねます。AIは、推論や類推などを用いて、答えを一つ一つ説明してくれます。AIに挑戦することで学びます。つまり、学ぶ方法はたくさんあります。

CEOであること、そしてリーダーシップについて、私は何を学んだでしょうか？まず、CEOでありリーダーであるからといって、すべてを知っている必要はありません。自分がやりたいことに自信を持つ必要はありますが、確信を持つ必要はありません。自信と確信は同じではありません。完全な自信を持ってある方向に進むと同時に、不確実性を受け入れる余地も残すことができます。そして、この不確実性の余地こそが、学び続ける機会を与えてくれるのです。不確実性は敵ではなく、味方なのです。

第二に、リーダーとしてあなたは強くなければなりません。なぜなら、多くの人があなたの強さに頼り、あなたの強さを糧にしているからです。しかし、強いということは、弱さを見せてはいけないということではありません。つまり、助けが必要なら助けを求めなさいということです。だから私は常に助けを求めています。

したがって、脆弱性は強さの欠如と同じではなく、不確実性は自信の欠如と同じではありません。

最後に、何かをする時は自分のことではなく、相手のことを考えてください。リーダーは、すべての決定がミッションと他者の利益と一致している場合にのみ信頼されます。他者の成功を最優先に考えましょう。社内の人、同僚、パートナー、私たちがサービスを提供するエコシステム、サプライチェーンなど、誰であっても、私は常に他者の成功について考えています。常に彼らの最善の利益を考慮しています。昨晩、飛行機でここに到着した際、ある人が非常に重要なパートナーと何を話し合うべきか尋ねました。私は、彼らの最善の利益に合致するアドバイスを提供すること、つまり彼らの視点からどのように進むべきかを考えることを提案しました。これらの考え方が役立つと信じています。

ハリー・シャム：直属の部下が60人もいるんですね。本当に多いですね。どうやってそれをこなしたのですか？あなた独特のリーダーシップスタイルですね。

ジェンセン・フアン：透明性です。私は全員の前で、何をすべきかを論理的に考えます。そして、戦略を練るために協力し合います。どんな戦略であっても、全員が同時にそれを聞きます。ですから、会社に方向性、戦略、そして決定事項がある時、全員が一緒に考えます。私が指示するのを待つのではなく。ですから、私がしなければならないのは、全員が同じことを理解していることを確認することだけです。

通常、主要な方向性や優先事項など、私たちが行ったすべてのことを最後にまとめるのは私です。

私たち全員が足並みを揃えれば、つまりどの戦略を使うべきか全員が理解すれば、誰もが大人となり、自分で物事に対処できるようになると私は信じています。

先ほども申し上げましたが、私のアプローチは学び続けること、自信を持ちながらも不確実性を忘れないことです。生徒が何か分からないことがあれば、それを表現してもらう必要があります。助けが必要なら、私たちに助けを求めてもらう必要があります。誰も一人で失敗することはありません。

さらに、私たち60人全員が世界トップクラスです。

ハリー・シャム：私たちの学生の中には、起業して新たな起業家になる人もいます。この分野のマスターであるあなたは、非常に若い年齢で会社を設立し、素晴らしい成功を収めました。起業を目指す学生や教員に、何かアドバイスはありますか？奥様に30歳になる前に会社を立ち上げると約束したと聞いていますが。

ジェンセン・ファン： 16歳で大学に進学しました。妻と出会ったのは私が17歳、妻が19歳の時でした。クラスで一番年下でした。生徒は250人いて、女子はたった3人だけでした。子供っぽいのは私だけでした。だから、何か良い会話のきっかけが必要でした。そこで彼女に近づいて、「私って子供っぽいって分かってる」と言いました。（彼女の第一印象はきっと「頭がいい」だったでしょう。そうでなければ、チャンスはなかったでしょう。）それで彼女に近づいて、「宿題を見せてもらえませんか？」と言いました。

それから、毎週日曜日に一緒に宿題をやれば、必ずオールAを取れると約束しました。その結果、私は毎週日曜日に彼女とデートできるようになり、その間ずっと彼女に宿題をさせました。

そして、いつか彼女が私と結婚してくれるように、まだ20歳だったのに、30歳になるまでにCEOになるって言ったんです。自分でも何を言っていたのか、さっぱり分かりません。

それから私たちは結婚しました。これが私が起業家に与えるアドバイスの全てです。

デートは大学生の勉強の妨げになりますか？

沈向陽：はい、生徒から質問があります。彼は学校の成績は全体的に良いのですが、勉強に集中する必要があると言っています。ところが、奥様との恋愛の話を読みました。デートに時間を浪費すると、勉強に影響が出るのではないか、と。

あなたの答えは明らかにノーですよね？

黄仁訓：もちろんです。良い成績を維持していれば、あとはすべてうまくいくでしょう。

妻は私が宿題をしているところを一度も見たことがありませんでしたが、賢く見せたかったのです。だから、彼女が来る前に必ず宿題を終わらせていました。そうすれば、彼女が来る頃にはもう全部の答えが分かっていたのです。その結果、彼女は4年間ずっと「黄仁訓は天才だ」と思っていたのでしょう。

沈向陽：そうだ、君は天才だ。

学校のコンピューターパワー問題

沈向陽：学生たちにとても良いアドバイスをいただきました。ところで、実はここに9ページ分の質問があるのですが、全員の質問を選ぶことができず申し訳ありません。学生を代表して一つ質問させていただきます。

黄仁訓：声に出して読んでください。

ハリー・シャム：GPTは使いませんでした。使っていればもっとシンプルだったでしょう。つまり、大学の助教授としてAIに取り組むには、今や膨大な労力が必要だということです。先ほども触れましたが、ワシントン大学の教授が数年前にツイートしたように、MITはディープラーニング革命から明らかに欠落していました。しかし、彼が言っていたのはMITだけではありません。実際、アメリカのトップ大学でさえ、それほど貢献していません。過去10年間で画期的な論文が数多く発表され、NVIDIA、Microsoft、OpenAI、Googleといったトップ企業が素晴らしい成果を上げてきました。これは、彼らが十分な計算能力を持っていることも一因です。

そこで質問なのですが、どうすればいいでしょうか？Nvidiaに参加すべきでしょうか？それも一つの選択肢です。それとも、Nvidiaと提携できるでしょうか？この点について、ご助言いただけますか？

ジェンセン・フアン：この問題の核心は、実は非常に深刻な構造的な問題、つまり大学の構造的な問題にあります。ご存知の通り、機械学習がなければ、私たちが将来議論しているような規模の科学の発展は不可能でしょう。機械がなければ、機械学習はあり得ません。科学研究​​には科学機器が必要であり、スーパーコンピュータは今日の人工知能分野における科学機器なのです。

大学の構造的な問題は、研究者一人ひとりが独自の資金源を持っていることです。そのため、一度資金を調達すると、それを他者と共有したがりません。しかし、機械学習は機械の時間の一部しか必要としませんが、全体の時間のほんの一部しか必要としません。誰もそれを永久に必要とするのではなく、短期間に膨大なリソースを必要とするだけです。大学が研究を進めるには、すべての資金をプールする必要があり、スタンフォード大学やハーバード大学のような大学では、これは非常に困難です。コンピューターサイエンスの研究者は多額の資金を調達できますが、気候科学や海洋学の研究に携わる研究者にとっては、それは非常に困難です。

では、今、何をすべきかという問題があります。大学が主導的な役割を果たし、全学で利用可能なインフラを構築できれば、真に変化をもたらすことができるでしょう。しかし、これは大学にとって構造的な課題でもあります。多くの研究者がNvidia、Google、Microsoftといった企業でインターンシップや研究を行うのは、ご存知の通り、大学にはインフラが整っているからです。そして、彼らはしばらく大学に戻り、研究を継続できるよう、自分の研究内容を大学のシステムに保存するよう依頼します。多くの教授がそうしていますし、客員教授も教鞭をとりながらパートタイムで研究を行っています。そのような教授は大学にも何人かいます。ですから、この問題に対処する方法は数多くあります。もちろん、最善の方法は大学が資金提供の方法を見直すことです。

GPUの電力消費の問題

ハリー・シャム：ちょっと難しい質問をさせていただきます。コンピューティング能力が継続的に大幅に向上し、価格が下落していることは喜ばしいことです。しかし同時に、NVIDIAのGPUは大量のエネルギーを消費します。世界のエネルギー消費量は2030年までに30%増加すると予測されています。GPUのせいで実際に世界のエネルギー消費量が増えているのではないかと懸念されていますか？

ジェンスン・フアン：逆から考えてみると、まず最初に私が言いたいのは、世界がAI工場の稼働にもっと多くのエネルギーを利用すれば、世界はより良い場所になるということです。では、これをいくつかのレベルから説明しましょう。

まず、人工知能の目的はモデルを訓練することではなく、モデルを活用することです。これは、単に学校に通うためだけに通う人がいるようなものです。それは間違いではありません。学ぶこと自体が崇高で賢明なことです。しかし、ほとんどの学生は、何かを達成し、学んだことを応用するという目標を掲げ、多額の費用と時間を費やしてここに来ます。したがって、人工知能の目的は訓練ではありません。

人工知能の目標は推論です。推論の価値は計り知れません。二酸化炭素を貯留する新しい方法、風力タービンの新しい設計、新しいエネルギー貯蔵材料、より効率的な太陽光パネル材料などを発見できる可能性があります。したがって、私たちの最終的な目標は人工知能を訓練することではなく、人工知能を創造することです。

第二に、人工知能は「どこの学校に通うか」を気にしません。スーパーコンピュータを電力網に近いキャンパスに設置する必要はありません。私たちがすべきことは、AIスーパーコンピュータを電力網の外、もう少し離れた場所に設置することを検討し始めることです。そうすれば、人々の居住地ではなく、持続可能なエネルギー源を利用できるようになります。すべての発電所は、私たちが必要とする家電製品、つまり電球や食器洗い機といった家にある家電製品のために作られたことを思い出してください。今や、電気のおかげで、電気自動車も私たちの家の近くにあります。しかし、スーパーコンピュータは必ずしも人々の家の近くに設置する必要はありません。どこでも稼働させることができるのです。

最後に、人工知能が新たな科学の発見において非常に効率的かつインテリジェントであることから、電力網もさらにスマートになる必要があると願っています。現在、電力網は過剰供給状態にあり、適切な量の電力を供給できるのはごく一部で、ほとんどの時間は余剰電力となっています。そのため、様々な分野で人工知能を活用し、エネルギーを節約し、資源の無駄を減らす必要があります。そして、最終的にはこの節約されたエネルギーを代替エネルギー源として活用し、20～30%の節約という目標を達成できることを願っています。

最終的に、人工知能とエネルギーを利用して知能を実現することが、私たちが想像できる最良のエネルギー利用法であることが、私たち皆に分かるでしょう。

将来的に量産できるロボットは3種類だけになるだろう。

ハリー・シャム：ご存知の通り、粤港澳大湾区（香港、深圳、広州、東莞を含む）は近年、巨大なハードウェア・エコシステムへと発展しました。もし粤港澳大湾区のエコシステムを活用せずに、今日、興味深いデバイスを製造しようとすれば、必要な部品を他で見つけることはほとんど不可能なため、効率は大幅に低下します。その好例が、粤港澳大湾区で成長し、卓越した技術力を持つ商用ドローン企業、DJIです。

そこで質問なのですが、ロボット工学分野の急速な発展に代表されるように、知能の物理化への潮流がますます重要になるにつれ、ロボットの応用はますます増えていくでしょう。具体的な例としては、自動運転車が挙げられると思いますが、こうした物理的に知能化された存在について、どのようなお考えをお持ちでしょうか？これらのロボットや自動運転技術は、どれくらいの速さで仕事や生活に普及するでしょうか？そして、粤港澳大湾区の優れたハードウェア・エコシステムをどのように活用できるでしょうか？

ジェンスン・ファン：これは中国とこの地域にとって非常に大きなチャンスです。粤港澳大湾区は既にメカトロニクス分野で優れた能力を有し、機械技術と電子技術を融合させる優れた能力を持っているからです。しかし、ロボット工学分野に真に欠けているのは、物理世界を理解できる人工知能です。

現在のチャットボット（ChatGPTなど）や大規模言語モデルは、認知レベルや知識レベルのタスクの処理には優れていますが、物理的な知能の理解が不足しています。例えば、私がカップをテーブルに置いたとき、カップがテーブルを通り抜けないことを理解できません。そのため、人工知能に物理的な知能を理解させる必要があります。

実際、この分野ではすでに一定の進歩を遂げています。例えば、生成AIを使えばテキストを動画に変換できます。AIに「黄仁訓がコーヒーカップを手に取って一口飲む」という動画を生成するよう指示すれば、AIはそのタスクをこなすことができます。AIがそのようなシーンを生成できるのであれば、ロボットアームに実際にコーヒーカップを持ち上げさせるための操作コマンドも生成できないでしょうか？生成AIから汎用ロボットへの飛躍は間近に迫っています。ですから、私はこの分野に非常に期待しています。

現在、量産可能なロボットは3種類あり、ほぼこの3種類しかありません。歴史的に登場した他の種類のロボットは、量産において大きな課題に直面してきました。量産は非常に重要です。なぜなら、大規模生産によってのみ技術的なフライホイールが生まれ、多額の研究開発投資につながり、それがより大きな技術革新と生産規模のさらなる拡大につながるからです。この研究開発のフライホイールは、あらゆる産業にとって不可欠です。

実際には、真の量産を実現できるロボットは3種類だけですが、そのうち2種類が最も高い生産性を発揮します。その理由は、3種類のロボットすべてが既存の環境に直接導入できるためです。これをブラウンフィールド導入（ゼロから構築したり、全く新しい環境で構築するのではなく、既存のシステム、施設、構造物をアップグレードまたは変更すること）と呼びます。

第一种是汽车。因为在过去的250 年里，我们创造了汽车的世界。第二个是无人机，因为天空是相当无限的。但是体量最大的当然是类人机器人，这是因为我们这个世界是为自己创造的。有了这三种类型的机器人，我们几乎可以将机器人扩展到极大的体量。这是像大湾区这样的制造业生态系统真正拥有的优势之一。

大湾区是世界上唯一一个机电技术和人工智能技术能够同时蓬勃发展的地区。这样的情况在其他地方并不存在。你可以看看其他两个主要的机电技术产业中心—— 日本和德国，但遗憾的是，它们在人工智能领域落后了不少，确实需要努力追赶。而大湾区在这方面不存在这个问题。因此，这是一个非常独特的机会，我会强烈建议大家抓住这个机会并充分利用它。

いいね！ （3件のいいね！）↓