この対談でJensen Huang氏が語っているのは、NVIDIAという会社の成功譚というより、見方そのものの作り替えの過程です。誤った出発を直視して教科書から学び直し、加速コンピューティングという透視図を手に入れ、普遍的関数近似器という読み替えから五層の再発明へ伸びた構想までが一本でつながっています。私はこの一本の線を追いながら、天才の透視がどのように世界を切り取り、どこで再発明を要請するのかを分解したいと考えています。成功の物語として消費するのではなく、見方をどう作り替えるかという手続きとして読み解きたいと思っています。
透視図としての加速コンピューティング
Jensen Huang氏の対談は、創業時の誤りを隠さないところから始まります。3DグラフィックスをPCで実現しようという発想自体は当時の流れでは自然でした。1993年の創業という時期、PCが広がり始め、ゲーム機の体験をコンピュータに持ち込みたいという欲求は理解できます。そこで選んだアルゴリズムは、内側で考え抜かれた選択でした。ただ結果として、その選択は進むべき道ではなかったことが露わになります。
“the choice of our technology that we started the company with was absolutely wrong.”
訳：私たちが創業時に選んだ技術の選択は完全に誤っていた。
この一言を、私は単なる反省として読みませんでした。むしろ出発点を誤ったことを認め、現実に合わせて学び直せるかどうかが、その後に残る時間を決めています。対談でJensen Huang氏が振り返るように、1995年の時点で競合は35社から40社へ増え、選んだ道が機能しないことは外部から見ても明らかでした。ここで誤りを認めずに進めば、会社の存続はなかったはずです。誤りの自覚は後退ではなく、別の角度から世界を見直す起点になっています。
その別の角度が、加速コンピューティングという見方です。CPUを特定領域の計算で拡張すれば、これまで解けなかった問題が解けるという発想です。3Dは最初の応用でしかなく、分子動力学や画像処理、逆物理、深層学習など多くの領域で同じ形が使えると捉え直しています。優れた会社を支えるのは技術や市場そのものより、世界についての独自の見方への確信であり、困難な追求を要する見方ほど長く効くと私は見ています。
この見方を端的に示したのが、AlexNetへの反応でした。精度が跳ね上がった一手法としてではなく、深層学習という方法が持つ性質として読み替えています。
“We just learned the universal function approximator.”
訳：私たちは普遍的関数近似器を手に入れたのだ。
普遍的関数近似定理はCybenkoが1989年に、Hornikも同じ1989年に示した数学的な結果として知られています。任意の関数を近似できる保証は理論の中にありました。AlexNetがKrizhevskyらによって2012年のImageNetで誤り率を半減させたとき、定理は現実の計算で動く道具へ変わりました。同じ出来事を一つの勝負の結果ではなく、関数学習という普遍的な操作の獲得として見る。対談で語られる構想として、その読み替えが十五年にわたる構想の出発点になっています。
三冊の教科書と500万ドル
現実直視と学び直し
誤りを認めることと、学び直しの具体的な動きは別です。対談の中で印象に残ったのは、誰も正しいやり方を知らなかったという率直さです。創業メンバーでさえ、選ぶべきアルゴリズムを正確には把握していなかったと語られています。ここで必要なのは、外部の権威に頼ることでも、内部の自尊心を守ることでもなく、手近な教科書に戻るという極めて地味な動作でした。
Fry’s Electronicsは1990年代のシリコンバレーで技術書と部品を並べた店として知られています。Jensen Huang氏がそこで手に取ったのは、OpenGLとパイプライン設計に関する三冊でした。OpenGLは1992年にSGIが策定した3Dの標準APIで、近代的なコンピュータグラフィックスの文法を定めたものです。教科書は華やかさがありません。しかし三冊の中に、正しいパイプラインがどのように組まれているかという手順が詰まっています。私はこの場面に、再発明という言葉の実感を見ます。ゼロからの天才的な着想ではなく、公開された知を素直に学び直し、自社の設計へ写し替えていく作業です。
その後の展開として、近代的なコンピュータグラフィックスを再発明し、直近25年の主要な進展の多くを担ったという語りが続きます。技術そのものが入れ替わることは避けられません。学び続ければやり直せるという姿勢が、入れ替わりへの耐性を作っています。
日本での対話と存続資金
もう一つの支点は、セガとの対話です。セガはSaturnを1994年に出し、その次のゲーム機として後のDreamcastを1998年に出す流れの中にいました。NVIDIAは当初、その次機向けに約1200万ドルの契約を結んでいたと対談では語られています。誤ったアルゴリズムが露呈したとき、Jensen Huang氏は日本で当時の社長であった入交昭一郎氏に対して、技術が機能しないことを率直に伝え、他社へ切り替えるよう勧めたといいます。
この場面で問われたのは、商談の巧拙というより、人への信頼の置き方だったと私は受け取っています。依頼を遂行できないと告げつつ、資金はなお必要だと正直に求める姿勢は、通常の交渉では成り立ちにくいものです。対談で語られるように、それでも入交氏は人への投資として500万ドルを残す判断をしています。
“that $5 million kept us alive and, you know, gave me enough time to discover what to do.”
訳：その500万ドルが私たちを生かし、何をすべきかを見つける時間を与えてくれた。
金額の多寡より、時間を与えられたという点が重みを持ちます。資金は延命のための数字ではなく、誤りを直視して学び直し、次の透視図へ進むための猶予として機能しています。対談で触れられるように、NVIDIAは1993年の創業から1999年1月のNASDAQ公開を経ており、公開時の時価は約3億ドルでした。創業から公開までの道筋を思うと、この500万ドルがつないだ時間が、どれほど大きな分岐だったかがわかります。
How hard can it be
学び直しの背後にある態度は、対談の中で短い言葉で定式化されています。
“if it’s important to do, we’re going to go learn it, and how hard can it be?”
訳：やることが重要なら、学びに行けばいい。どれほど難しいというのか。
私はこの言葉を、楽観のスローガンとしてではなく、不安の扱い方として読みました。やるべきことが重要なら、学びに行く。難しさを一括で想像して不安に変えるのではなく、目の前の一歩へ分解する。姿勢は単純ですが、実行は簡単ではありません。実際には想像よりはるかに難しいことが次々に出てきます。それでも起点にある問いを変えることで、最初の一歩は踏み出せます。教科書三冊を買いに走るという行動は、この問いの延長線上にあります。重要なら学ぶ、難しさは後から少しずつ受け取ればよいという順序が、やり直しの条件を作っています。
五層を15年かけて作り替える
3Dは最初の応用
加速コンピューティングという透視図の強さは、3Dグラフィックスを目的ではなく例として扱えるところにあります。Jensen Huang氏の見立てでは、拡張すべき対象は一つの製品ではなく、アルゴリズムの領域です。分子動力学、画像処理、逆物理、深層学習といった領域は、それぞれ別の市場に見えますが、計算を加速するという視点では同じ地層に属しています。私はここに、世界を切り取る層の選び方の巧みさを見ます。個別の応用を追うのではなく、下にある計算の性質で束ねることで、応用が入れ替わっても見方自体は残ります。
ヘテロジニアス計算という考え方が一般化したのは2006年前後のGPGPU普及の時期でした。CPUに別の計算資源を組み合わせるという構成は、その頃から現実的な選択肢になっています。3Dが最初の応用に過ぎなかったという整理は、後から振り返れば自然に聞こえますが、創業時にその整理を持ち続けることは簡単ではありませんでした。誤ったアルゴリズムという具体的な失敗の後で、なお見方自体は正しかったと保持し直すところに、この透視図の粘りがあります。
If this, then what
普遍的関数近似器という読み替えから、何が要請されるのかを考える場面では、第一原理の思考が現れます。前提を要素に分解し、そこから再構築する考え方は、目先の改良ではなく、全体の作り直しへ向かいます。Jensen Huang氏が繰り返す問いは、「もしこれが成り立つなら、では何が起きるか」という形です。If this, then whatという問いは、事実の列挙を未来の設計へ変換する装置として機能しています。
AlexNetが示したのが一つの関数の学習ではなく、あらゆる関数を学習できる方法だとすれば、影響はプロセッサだけに留まりません。そこから先の問いが自然に広がります。計算スタックはどう変わるのか、ソフトウェアはどう書き直されるのか、どの産業が影響を受けるのか。私はこの問いの連鎖が、単なる予測ではなく、設計の手がかりになっていると感じています。一つの観察から、必要になる再発明の範囲を見積もっていく動きです。2012年という時点から、すでにコンピュータビジョンやロボティクス、自動運転へ着手していたという語りは、この問いの速さを示しています。
五層の同時再発明
そこから描かれたのが、五層のケーキと呼ばれる全体の作り替えでした。プロセッサ、ミドルウェア、アルゴリズム、アプリケーションといった層を、ばらばらではなく同時に再発明するという構想です。対談で語られるように、この構想が約15年前から抱かれていたという点に、私は時間の長さを感じます。短期の勝負ではなく、層をまたいだ設計を積み重ねるには、長い構想と段階的な学習が必要です。
私はここで、普遍的関数近似という一言が、なぜ全層の作り替えを要請したのかを考えました。関数を近似できるだけなら、モデルを一つ作れば済むように見えます。しかし近似を現実の世界で使うには、近似を支える計算資源、近似を呼び出すための仲立ち、近似を組み立てる手順、近件事が価値を生む場面の設計までが同時に要ります。層のどこか一つが欠けても、近似は道具として完結しません。だからこそ、読み替えは一言で済むのに、実装は五層にわたって続くという落差が生じています。私はこの落差こそ、透視が単なる見立てで終わらず、仕事の束へ変換される場所だと見ています。
自分に合わせたF1マシンと制御の粒度
現場の好奇心と波を読む感覚
Jensen Huang氏の語りで繰り返されるのは、好奇心から現場へ降りていく姿勢です。近くで聞いて答えが足りなければ、自分で確かめに行く。CEOは会社に仕える立場であり、得た洞察を共有して全員を力づける役割だという整理も同じ線上にあります。技術が速く変わる局面では、現場の感触がないと動きは混沌に見えます。第一原理を押さえていれば、波を読むサーフィンのように、動きは読めるものとして現れ始めます。外からは不規則な波でも、乗る側には起伏の読み筋があります。情報を頭で整理するだけでなく、触れて波の癖を覚えることが、速い変化の中での安定を作っています。
一語で一ピクセルだけ変わる制御
この現場感覚は、エージェントの議論で具体的な形を取ります。将来に有用な技能として挙げられるのは、systems thinkingです。Meadowsらが示したように、入出力や制約、情報の流量や滞りを捉える枠組みは、低水準の作業がエージェントで自動化されるほど価値を増します。かつてトランジスタやゲートの合成が自動化されたように、設計者はシステムの設計者へ移ります。
エージェントはすでに粗い再帰的自己改善を備えていると語られています。markdownを改善し、長期記憶を圧縮してナレッジグラフへ変換するなど、使うたびに賢くなる動きです。求められる次の飛躍は、粗い改善ではなく細かい制御の粒度です。計画ファイルの一語を変えると、一ピクセルや一つの三角形、CADの一つの部品だけが差分として変わり、残りは再生成されるという水準が目指されています。80パーセントや99パーセントの正確さでも、人間が残りを補えば使えるとされています。私はここに、機械を万能にするより人間が運転しやすい形へ合わせるという、同じ発想を見ます。
この方向性は道具の使われ方にも現れています。NVIDIAの中ではClaude CodeやCursor、Codexといったエージェントが2024年から2025年にかけて広がったものとして、サンドボックスで自律的に走らせながら学ぶ動きが紹介されています。千の花が咲くように選ばせ、そこから学ぶ姿勢は統制というより生態系の育て方に近いと感じています。OpenClawやHermesといったオープンソースの試みがLinuxの登場に重ねて語られ、全員が自前のAIを構築できるように支援するという発想も、制御を一箇所に閉じない分布の考えとして響きます。
“You’re going to build an F1 racer, but you’re going to build it in a way that you can drive. You should adapt the car to you.”
訳：君はF1マシンを作るが、自分の運転に合うように作るのだ。車を自分に合わせるべきだ。
founder modeはCheskyとGrahamが2024年のエッセイで言語化したものとして知られています。Jensen Huang氏の語りでは、このモードを34年にわたって伸ばしてきたという自己理解が示されます。組織を自分に合わせる比喩は、運転し切れる形でなければ速さは活かせないという現実的な要請として響きます。車もエージェントも、完全に自動で走らせることより、一語や一ピクセルの粒度で手を入れられることが使い続ける条件になっています。
タスクと職の区別
エージェントと雇用をめぐる整理は明確です。AIが自動化するのは認知的なタスクであり、職そのものではないという区別です。職は目的を持った多数のタスクの束であり、一部が自動化されても職全体が消えるわけではないとされています。対談ではコーディングとソフトウェアエンジニア、画像読影と放射線科医、訴訟書類とパラリーガルといった例が同じ区別で語られています。仕事量の滞留が大きい領域では、生産性向上がより多くの案件を扱う余地を作り、人の需要はむしろ増えるという見立てです。私はこの束として見る視点を、悲観でも楽観でもなく、目的と制約の中での伸びしろを見つける目として受け取りました。
物理で接地する試みと学び続ける条件
動画から関節へ
フィジカルAIへ向かう動きは、動画生成を見た瞬間の直観から始まっています。指が動き手がグラスを掴む映像を生成できるなら、関節も生成できるはずだという問いです。社内ではprogressive GANsやconditional GANsが既に扱われていました。前者はKarrasらが2017年に、後者はMirzaらが2014年に示したものです。神経網が完全に生成するシミュレータを駆動していた経験から、摩擦や張力、因果律といった物理の法則を理解させる方向へ進んだと語られています。私はこの転換を、生成の対象が画面の中から身体へ移った転換として読みました。画面の中の生成と、物理の制約の中で関節が動く生成は、求められる正確さが異なります。物理に触れた瞬間に破綻が露わになるからこそ、物理で接地するという言葉が評価の基準を変えています。
自動運転から倉庫へ
実世界で学び評価するための三段階として、real-to-sim、物理接地や生成によるシミュレーション、sim-to-realと強化学習という流れが示されています。Isaac SimやCosmosといった物理を組み込んだ基盤が、この練習場として位置づけられています。最初に経済的に成り立つ応用として想定されたのが自動運転です。市場規模と標準化から学びの車輪を回しやすい領域として選ばれ、WaymoやTesla、Mercedesでチップやスタックが使われ、Alpamayoがオープンソース化されて農業や配送、倉庫のAMRへ転用可能にされたと語られています。私はここに、五層の発想の延長を見ます。特定の製品を一つ作るのではなく、層をまたいだ設計を別の領域へ運ぶ動きです。
Intelの4004が1971年に約2300トランジスタで作られ、Blackwellが2000億を超える規模で語られるように、計算の規模は桁を超えて伸びてきました。問われるのは規模そのものではなく、どの問題に使うかという選び方です。フィジカルAIの事業についても、数年を超え十年以内という幅を持った見立てとして語られています。
“learning is the single greatest superpower.”
“resilience is probably the single most important thing.”
訳：学ぶことは最大の超能力だ。／粘り強さがおそらく最も重要なことだ。
この二つの言葉を、私は教科書三冊から始まった物語と重ねて受け取りました。知らないことを恥ではなく、学びに行けばよい事実として扱うこと。その繰り返しが透視図を更新します。粘り強さが最も重要だという言葉は、人生を一括で越えるのではなく今日の朝、今日一日を越えるという粒度とともに語られています。How hard can it beという問いは、困難を軽く見る呪文ではなく、苦しみを少しずつ受け取りながら学び続ける姿勢だと私は見ています。加速コンピューティングも普遍的関数近似器も、物理で接地する試みも、計算が世界に触れる接面を広げる試みです。誤りを認められるからこそ、構想は長く持ち続けられます。重要なことなら学びに行く、その一歩を今日の粒度で重ねる先で、五層の作り替えが現実になっていくという形として、この対談を記憶したいと考えています。
Comment