フアンが語るAIの次の市場 — サイバー防御から、移動・マニピュレーションへ

AIが、人の質問に答える道具から、継続して仕事を進めるシステムへ変わる。その変化をデジタル空間で捉えた市場がサイバー防御であり、物理空間で捉えた市場が知能ロボットである。本紙は、ジェンスン・フアンの発言とNVIDIAの製品展開に、この共通した狙いを見る。

Goldman Sachsのカンファレンスでフアンが語ったのは、次のAI用途としてのサイバーセキュリティと、自動運転から物体操作へ広がるフィジカルAIへの期待だ。^[2] この二つを一本の年表に並べるより、何が自動化され、どこに導入コストが残り、誰が計算基盤を供給するのかに注目したい。

1．「次の市場」の核心は、AIが常時仕事をすること#

書き起こしによると、フアンはコード生成、バグ発見、サイバーセキュリティを関連する用途として説明した。防御側でも複数のAIを継続的に動かす需要が生まれる、という見方である。^[2]

本紙が重視するのは、利用の起点が変わる点だ。質問を受けて一度回答する処理と、環境の変化を受けて調査・判断・確認を繰り返す処理では、必要な運用設計が異なる。後者では、モデルの回答の良さに加え、どの情報を読ませ、どこまで操作を許し、結果をどう検証するかが製品価値になる。

常時稼働は、同じモデルを最大負荷で回し続けることとは限らない。検査対象の更新時だけ重い処理を起動する、小型モデルで候補を絞る、難しい判断だけ別のモデルへ渡す、といった構成を比較できる。したがって本紙は、「24時間動く」からそのままGPU需要や売上の規模を算出する読み方は採らない。処理頻度、モデルの大きさ、再試行、計算単価によって必要量は変わる。

検出から修正までの間に、検証の仕事がある

実装を考えるなら、問題の候補を見つけること、再現すること、修正案を作ること、修正が別の不具合を生まないと確かめることを分けたい。本紙の評価では、これらを一つの「自動化率」にまとめると、誤検出や変更後の障害に誰が対応するのかが見えなくなる。

例えば検証環境で有効だった変更も、本番の依存関係や運用条件で同じ結果になるとは限らない。AIが提案する変更を小さく試し、観測し、必要なら戻す。この仕組みまで含めて考えると、セキュリティAIの競争はモデル性能だけでは決まらない。

2．SafeMind、Cisco、Palantirは何を担うのか#

NVIDIAの公式発表によれば、CrowdStrike SafeMindは同社の脅威データと独自のモデル・実行基盤に、Nemotron系の防御モデルを組み合わせる。攻撃側と防御側を継続的に改善する構成として説明されている。^[3] これは発表企業の製品説明であり、あらゆる顧客環境で防御の完全性を実証したという意味ではない。

ここでいう実行基盤は、モデルを業務の中で動かすための仕組みだ。本紙の言葉で整理すれば、推論を実際の調査や変更へつなぐ接続部分である。その接続をどの業務データと組み合わせるかによって、同じ基盤モデルでも提供できる価値が変わる。

Ciscoの発表は、企業が自社データとインフラを管理できることを重視している。NVIDIAとPalantirの発表も、専有データによるモデルの調整や意思決定支援を説明し、最終判断は供給網の専門家が担うとしている。^[4,5]

本紙は、この点をロボット事業にも通じる商用化の条件と見る。汎用モデルを渡すだけでは、各社の作業手順、設備制約、品質判定は埋まらない。顧客固有の情報を扱いながら、更新と評価を繰り返せることが導入の持続性につながる。

3．自動運転・AMR・マニピュレーションをどう読むか#

講演の終盤で、フアンはフィジカルAIの最初の主要用途として自動運転を挙げ、今後2〜3年の進歩に期待を示した。そこからAMRや倉庫内搬送などへ用途が広がると述べ、続いて知的なマニピュレーションに話を進めた。^[2]

マニピュレーションとは、物をつかむ、向きを変える、置く、組み付けるといった物体操作だ。本紙がこの整理から読み取るのは、機体の外形より、移動や操作という仕事に注目する視点である。ただし、移動で使えるモデルが、そのまま器用な手作業を解くという主張にはならない。

この表は普及年表ではなく、本紙による評価軸の整理である。ある倉庫で搬送が成立しても、同じ機体で袋を開く、部品を挿入する、といった作業まで成立したことにはならない。移動と操作を組み合わせるなら、移動後の位置ずれが把持にどう影響するかまで、一連の仕事として検証したい。

4．中堅製造業に広がる条件は、再設定の費用を下げること#

フアンは、事前に作業をプログラムする方式の制約に触れ、中堅製造業にも使える知的な操作ロボットへの期待を述べた。ドイツのMittelstandを例に挙げ、その能力はおそらく数年先だという見方を示している。^[2]

本紙は、この発言を「中小企業では現在ロボットを使えない」という一律の事実認定ではなく、対応する仕事を増やす際の経済性に関する問題提起として読む。工場の規模だけで導入の可否は決まらない。固定した仕事を長期間繰り返すのか、品種や配置が頻繁に変わるのかによって、必要な準備も変わる。

なぜ、大企業で成立する自動化がそのまま広がらないのか

フアンはこの文脈で、完成品を作る巨大企業だけでなく、その供給網を支える技術企業に視点を移している。^[2] 本紙が注目するのは企業の売上区分そのものより、一つの作業条件をどれだけ長く使い続けられるかである。中堅企業でも大量に同じ部品を作る工程はあり、大企業にも多品種少量の工程はある。

例えば、同じ部品を同じ治具に置き、同じ向きから取り出す仕事を想定する。初期に把持位置、経路、速度、設備との信号連携を作り込んでも、その設定を大量の処理に再利用できれば、一個あたりの準備費用を薄められる。これは従来型の自動化が力を発揮する条件だ。

一方、午前と午後で部品の形が変わり、翌日は別の箱へ詰める現場では、準備のやり直しが増え得る。物をつかむ数秒を短縮するために、毎回長い調整時間が必要なら、その自動化は採算に乗りにくい。フアンの問題提起を現場の設計課題へ置き換えるなら、動作の速さだけでなく、仕事を切り替える費用を下げられるか、という問いになる。

「事前プログラム」は、決まった軌道の再生だけを指さない

現在のロボットにも、センサーで状態を確認する、条件によって処理を分ける、作業者が動作を教え直す、といった構成がある。Universal Robotsは、組立用途での再プログラムや、腕を動かして経由点を設定する方法、多品種少量への対応を公式に説明している。^[1] したがって、現存するロボットをすべて「状況を見ずに記録した動きを再生するだけ」と描くのは適切ではない。

本紙の整理では、差が出るのは、設計者が想定して設定した変動範囲を超えたときだ。位置のずれだけなら既存の視覚認識や補正で足りる場合がある。対象の形、把持の仕方、作業の順序、失敗後の回復方法まで変わるときに、追加の設定をどれだけ少なくできるかが、学習・推論を使う価値になる。

推論する操作ロボットには、何を任せたいのか

以下はフアンが挙げた個別製品の仕様ではなく、本紙が考える能力の分解である。「部品を箱へ入れる」という指示でも、対象の特定、持ち方、移動、置き方、完了判定をつなぐ必要がある。作業手順を言葉で説明できることと、その手順を実機で安定して完了できることは分けて評価したい。

この能力を得ても、ハンドの開口幅や可搬重量、設備の受け渡し位置、検査方法まで自動的に解決するわけではない。推論は、実現可能な動作の候補を選ぶために使える。機械的に持てない物を持てるようにしたり、情報のない不良を確実に判定したりする代わりにはならない。

「数年先」は、何が完成するまでの時間なのか

書き起こしで時間の見通しが述べられている対象は、中堅製造業にも役立つ知的な操作能力である。^[2] 特定の発売日、価格、成功率、対応品種数、無人稼働時間まで指定した約束ではない。本紙は、これを一定期間が過ぎればどの工場でもすぐ使えるという予測へ広げない。

追うべき段階は、研究環境で動くこと、顧客の条件に合わせて動くこと、別の現場へ少ない調整で移せること、保守を含めて継続利用できることである。最初の一件の成功と、その後の導入を安く繰り返せることでは、事業としての意味が違う。

導入を検討する側は、数年待つか全面的にAIへ置き換えるかの二択にする必要はない。現在の制御や治具で成立する部分を使いながら、再設定に時間がかかる工程と、繰り返し発生する失敗を記録する。そこに学習・推論を追加して、調整時間や介入が実際に減るかを比較する方が、将来の能力を取り込む準備になる。

特に注目したいのは、新しい品種へ切り替えるたびに発生する費用だ。物の位置を測り直す、持ち方を設定する、動作を調整する、品質を確かめる。その追加作業を減らせれば、導入時の本体価格が同じでも、使える仕事の範囲は広がる。

ただし、自然言語で指示できることだけでは費用削減を判定できない。指示は簡単でも、その裏で技術者が長時間調整しているなら、負担の場所が変わっただけかもしれない。新しい対象物を渡してから安定稼働するまでの時間と、人が関わった時間を測る必要がある。

一回の成功より、「良品を何個出せるか」

本紙が比較に使いたいのは、良品一個あたりの総費用である。本体・ハンド・治具・統合費用に、段取り替え、監視、復旧、保守、計算費用を加え、実際に合格した処理数で割る。これは特定製品の実測式ではなく、比較から費用を落とさないための考え方だ。

物をつかめても所定の向きに置けなければ工程は終わらない。失敗後に人が直す時間が長ければ、動作が速くても処理量は伸びにくい。したがって学習能力と同じくらい、失敗検知、復旧、交換部品の扱いやすさが商用価値になると本紙は考える。

5．ヒューマノイドを否定した発言ではない#

講演の回答で自動運転や操作能力を強調したことから、「NVIDIAはヒューマノイドを重視していない」とまでは読めない。同社は別途、Isaac GR00Tを基盤とした研究向けヒューマノイドの参照設計を公式発表し、学習・評価・実機展開をつなぐ取り組みを説明している。^[7]

ここは市場の広さと機体形式を分けたい。フィジカルAIの対象を人型に限定する必要はなく、その中に人型で取り組む用途がある。本紙の評価では、脚が必要か、車輪で足りるか、固定した腕でよいかは、現場で求められる移動範囲と操作によって選ぶ問題である。

例えば平坦な床で複数の作業場所を巡回する仕事と、段差を含む環境で全身を使う仕事では、比較すべき機構が異なる。双腕も、それぞれの手に役割がある作業で価値を測りたい。外形が高度に見えるかより、必要な仕事を何時間、どの程度の介入で続けられるかを確認する方が、選定に使える。

また、参照設計の発表は、あらゆる現場で使える完成サービスの普及を示すものではない。研究を始めやすくする基盤と、顧客が安心して運用できる製品の間には、対象作業ごとの統合・評価・保守が残る。

6．NVIDIAは、ロボットが広がる前から計算基盤を提供する#

NVIDIAはロボット開発を、学習、シミュレーション、実機での推論という三つの計算基盤で説明している。DGX、OmniverseやCosmosを使うRTX PRO Servers、機上推論を担うJetson AGX Thorという構成だ。^[6]

本紙は、この構成を特定の一種類のロボットの成功だけに依存しない戦略と見る。開発企業が移動、腕、ハンドのどこを改良する場合でも、学習と検証の計算が発生し得る。完成機の販売台数だけを見ていると、それ以前の開発段階を支える市場を見落とす。

一方、必要な計算がすべて同社の売上になるとは限らない。既存モデルの再利用、軽量化、他の計算基盤、開発効率の改善によって調達は変わる。これは需要を取り込む構造の分析であり、GPU需要の増加率や企業収益を保証する予測ではない。

7．今後見るべきは、導入件数と運用負担の変化#

サイバー防御とロボットには、観測して、判断し、行動の結果を確かめるという共通点がある。ただしデジタルな変更と物理的な接触では、取り消せる範囲が異なる。本紙の評価では、サイバーAIの進歩を、そのまま実機の信頼性向上へ置き換えることはできない。

ロボットでは、ソフトウェアを元に戻せても、落とした部品や壊した対象物は元に戻らない。候補モデルを検証し、使う条件を限定し、現場での結果を次の改善につなげる。その一連の運用を製品として提供できるかが、デモから継続利用へ移る分かれ目になる。

本紙が次に確認したい指標は、新しい現場への導入期間、品種変更時の調整時間、自律で完了した良品処理数、人の介入時間、停止からの復旧時間、そして計算費用を含む継続運用費だ。各社が同じ定義で公表すれば、「推論できる」という説明を実際の仕事の改善と比較しやすくなる。

フアンの発言を日本の製造業に引き寄せるなら、注目点はロボットの形や一つの普及年ではない。これまで個別の調整に費用がかかっていた仕事を、どれだけ短い準備で繰り返し成立させられるかだ。その改善を現場の数字で示せる企業に、フィジカルAIの事業機会があると本紙は考える。

実機での改善と評価の設計は、「SmoothRLから読む実機RL」で詳しく扱っている。物を操作する側の機構は、「ロボットハンドの駆動方式を整理する」も参照されたい。