Googleが静かに発表している一連の研究論文が、AI競争の勝者を決定づける可能性を示している。連続学習の実現、宇宙空間でのソーラーパワーデータセンター構想、独自TPUチップの開発、そして創薬やがん治療への応用まで、GoogleはAI開発における最大の障壁すべてに対する長期的な解決策を構築している。特に注目すべきは、大規模言語モデルのアーキテクチャを生物学データに適用したGemmaモデルで、新たながん治療経路を発見するなど、AIの応用範囲が言語処理を超えて急速に拡大していることを示している。エネルギー、チップ、収益性という三つの根本的課題に対し、Googleは2035年までの具体的なロードマップを持ち、他のフロンティアAIラボとは異なる総合的なエコシステムを構築中である。
Googleの静かなる野心
これはベイエリアで最もホットなAIスタートアップの創業者たちです。彼らの名前はセルゲイ・ブリンとラリー・ペイジ。そう、彼らはGoogleを創業しました。誰もがGoogleを知っています。でも、あなたが知らないことがあります。Googleがこの1ヶ月ほどの間に発表したいくつかの論文が、彼らがどこへ向かおうとしているのかを本当に垣間見せてくれるんです。これらの論文のインパクトは計り知れないものになるはずです。
これは誇張ではありません。誇大宣伝でもありません。これらの論文の意味することは驚くべきものです。しかし、これはAIニュースやあらゆる出来事のノイズの中に埋もれてしまっているんです。この動画では、Googleが静かに発表しているものをお見せします。ほとんどの人が見逃した論文です。
そして、次のGoogleがまさにGoogle自身になるかもしれない理由、そして他のフロンティアAIラボは終わっているかもしれない理由もお見せします。これは非常に大胆な主張だと分かっていますが、それが完全に非常識ではない理由をお見せしましょう。さて、マイケル・J・バーリがNvidiaとPalantirを猛烈にショートしたのをご覧になったかもしれません。多くの人がバブルについて話しています。マイケル・J・バーリは、2008年から2009年の住宅市場の暴落をショートして、本当に大成功を収めた人物です。彼はその予測を見事に的中させ、多くの人が彼が何かをショートしたり、特定のバブルや崩壊しそうなものを指摘したりすると耳を傾けます。彼が常に正しいわけではありませんが、的中したときは実に見事です。
AIの進歩を阻む障壁
それを踏まえて、AIの進歩を止めている最大の問題は何でしょうか。第一はチップ、コンピュート、GPUです。生産できる量には限界があります。Nvidiaはこの不足から非常に裕福になっており、GPUを飛ぶように売っています。第二はエネルギー、つまり電力です。これらすべてのAIデータセンターに電力を供給するために必要な電力量には、どこまで行っても足りていません。この二つは、見方によっては順序を入れ替えられるかもしれません。
エネルギーが最大の問題かもしれません。次は連続学習です。これが大規模言語モデルにおける大きな障害です。実際、この時点でデミス・ハサビスや他の多くのAI分野のリーダーたちは、連続学習なしにはこれらのモデルが本当に役立つことはないと基本的に述べています。それは、新しい情報をすぐに忘れてしまう優秀な同僚がいるようなものです。
彼はあなたの名前も座る場所も覚えられず、学んだ新しいスキルやデータや知識を保持することが完全にできません。その人はどれだけ役に立つでしょうか。つまり、彼らが賢ければまだかなり役に立つでしょう。多くのことを知っています。過去の知識を引き出せます。
大規模言語モデルが非常に役立つことができるのと同じように、まだ役立ちます。しかし、学び続ける能力がなければ、それはひどく制限されています。それがLLMの現状です。連続学習なしには、AGIを本当に解明することはできません。そして最後に、利益、収益、所得があります。
多くの人が、これらのAIラボの資本支出、つまりチップや工場やAIデータセンターに費やしている金額は驚異的だと言っています。数兆ドル規模です。では、彼らはそのお金をどうやって取り戻すのでしょうか。これらのAI技術でどうやって利益や収益や所得を得るのでしょうか。これらはそれぞれ、ある種の未解決の問題です。
誰がこれらの問題を解決するために立ち上がるのでしょうか。Googleはすでにそれらすべてを解決しているかもしれません。少し誇張かもしれません。完全に解決したわけではありませんが、彼らがこれらに取り組んでいる理由と、なぜこれらがGoogleによって今後数年以内に解決されるかもしれないかをお見せしましょう。
連続学習への挑戦
連続学習から始めましょう。Googleはほんの数日前にこの論文を発表し、ネステッド学習という連続学習のための新しい機械学習パラダイムを紹介しました。
ここで話しているのは、人間の脳が情報を処理して保存する方法に似たものです。私たちはそれを神経可塑性と呼んでいます。少なくともそれは、私たちが行うすべての素晴らしいことを可能にする重要なプロセスの一つです。Googleがここで述べているように、連続学習と自己改善に関しては、人間の脳がゴールドスタンダードです。脳は神経可塑性を通じて適応します。これは新しい経験、記憶、学習に応じてその構造を変える驚くべき能力です。
この能力がなければ、人は直近のコンテキストに制限されます。前向性健忘症のようなものです。前向性健忘症とは、健忘症を引き起こした出来事の後に新しい記憶を作ることができない状態です。つまり、入ってくる新しい情報を継続的に忘れているんです。それを保存することができないんです。
過去の経験に頼ることはできますし、目の前にある短期的なコンテキストにある程度頼ることもできます。会話をしているなら、会話についていけるかもしれませんが、そのコンテキストウィンドウの外に出ると、もはやその詳細を思い出せなくなります。そして彼らは、現在のLLMにも同様の制限が見られると言っています。
その知識は、入力ウィンドウの直近のコンテキスト、または事前訓練中に学習した静的な情報に限定されています。この新しいアプローチであるネステッドループは、速く動く内側のループのようなものだと考えることができます。これらは非常に速く動き、継続的に、または迅速に更新されます。これは短期記憶のようなものです。それらは赤い速い内側のループのようなものです。
そして、それほど頻繁には更新されず、より遅く動くより長いループがあります。これは長期記憶のようなものです。つまり、異なる時間スケールで動作しているようなものです。これは、これらのモデルのアーキテクチャとモデルの最適化を一つの傘の下に統合します。
ところで、この論文の背後にいる人々は、Titansアーキテクチャ、テスト時に記憶することを学習する、を提案したのと同じ研究者たちです。Googleには、この連続学習の問題を解明する可能性に取り組んでいる研究者グループがいるようです。それだけでなく、彼らは結果を発表しており、このアプローチ、つまりネステッド学習を、HOPEと呼ぶ概念実証的な自己修正アーキテクチャを通じてテストしています。
つまり基本的に、これは大規模言語モデルが、言ってみれば職場で学習できるようになる可能性を示しているということです。かなり大きなことです。さて、この連続学習の問題を解明しつつあると仮定しましょう。Googleには、将来的にこれらの大規模言語モデルが職場で学習できるようにするかもしれないアーキテクチャやアプローチがいくつかあるようです。それは素晴らしいことです。
では、それをどうやってお金を稼ぐことに変えるのでしょうか。私たちはお金が好きです。利益が好きです。それはどうやって私たちにお金をもたらすのでしょうか。
トークンの意味と可能性
これらのAIモデルについて多くの人が理解していないことがあると思います。これらのモデルはトークンを入れて、トークンを出すものです。トークンを入れて、トークンを取り出します。トークンインはデータです。私たちがそれに供給するデータです。
そしてトークンアウトは予測です。現在、AIについて考えるとき、私たちが知っている最も一般的なものは大規模言語モデルで、トークンは単語ですよね。つまり、単語を取り、トークン化して、このAIモデル、大規模言語モデルに供給し、それらの単語は基本的にインターネット全体、教科書、人間が書いたすべてのものです。
それをすべて供給して、次に出てくるトークンを予測するように訓練します。これが、人々がこれらのAIモデルを否定しようとする理由です。大規模言語モデルは単なる高度な自動補完、次の単語の予測だと。さて、私のチャンネルをフォローしていただいている方なら、私がこの見解について不満を述べてきたことをご存知でしょう。これはあまり良い見解ではないと。あまり賢い見解ではないと。おそらく正しくないと。
もし技術的に正しかったとしても、それでも意味がないのです。なぜなら、明らかにこれらのモデルは、次に来るものを統計的に予測する以上のことをしているからです。例えばハーバード大学の論文があり、それによると、何が出力されるべきかをより良く予測できるように、メンタルモデルと考えられるものを構築していることを示しています。そして今、さらなる確認があります。
これはGoogleからのもう一つの研究論文です。驚きましたか。Googleはこのようなものがどう機能するかについても基礎研究を行っています。彼らは、LMは単に記憶するだけではないと言っています。推論を助ける幾何学的なマップを構築するのです。
LMSのパワーを信じていない人々、あるいはそれを確率的オウムだと考えている人々の大きな反論は、それは単に次の単語を予測しているだけだというものです。例えば、私がコーヒーに砂糖を入れるのが好きだと言ったら、彼らは見てきたすべてのテキストを見て、統計に基づいて、ああ、次の単語はと思います。砂糖を言った理由を忘れましたが、砂糖とクリームですよね。つまり、彼らは単にそれらの単語の間に関連性を作っているだけなので、次に何が来るかを予測できるんです。
残念ながら、その理論はこの論文によって完全に覆されました。彼らはここで、トランスフォーマー、つまりこれらの大規模言語モデルのアーキテクチャの一種について、その推論は、訓練中に指定された局所的な共起の単なる保存としての記憶とは互換性がないと述べています。
つまり、コーヒーとクリームと砂糖の例では、彼らは単にコーヒーとクリームと砂糖、それらがどう組み合わさるか、そのような概念の局所的なクラスターを記憶しているだけではないということです。ああ、コーヒーについて話しているなら、統計的に関連する他の単語は何だろう。まあ、砂糖とクリーム、そういったものは一緒にクラスター化されていて、だからコーヒーと言うと、ああ、砂糖とクリームについて話すかもしれないと思うんです。つまり、それは局所的な関係ですよね。
しかし、彼らはここで、彼らの発見はこの説明が彼らが見ているものと互換性がないことを示していると言っています。つまり、クラスター化された局所的なペアだけというアイデア、それは起こっていることではないようです。代わりに、モデルは何らかの形で原子的事実の独自の幾何学を合成したに違いない、非共起のものを含むすべてのエンティティ間のグローバルな関係をエンコードしています。
これにより、2つの事実を接続する複雑な一連の方法を含む困難な推論タスクを、学習しやすい1ステップのタスクに簡素化しました。これらのAIが情報をどのように保存するかを視覚化する方法、異なる単語間のベクトル関係のようなものですよね。男性は女性という単語に何らかの関係があります。王は女王という単語に何らかの関係があります。
そして、男性が女性に対するように、王はに対するという質問をして、これを空白にしたとします。あなたはこの2つの関係に基づいて、でもこのベクトルとこの意味のベクトルの関係の種類に基づいて、これが何かを推測できるでしょう。
これは、彼らが意味を単語にマッピングする方法を説明する良いシンプルな方法です。各単語は関連する他の単語に接続されています。それが私たちが考えていたことです。この論文が示しているのは、各単語または各知識クラスターは、他のすべての知識クラスターまたは他のすべての概念、または彼らがここで原子的事実と呼んでいるものに接続されているということです。これらのモデルは、非共起のものを含むすべてのエンティティ間のグローバルな関係をエンコードします。
つまり、これらは共起するものですよね。つまり、男性と女性、王と女王の間に何らかの関係がありますが、これらのそれぞれは他のすべてのものにも接続されています。これについて考える良い方法は、宇宙の各星は別の星と3D空間での距離のような関係を持っているということです。つまり、それらがどれだけ離れているか、どの方向にあるかを言うことができます。それらを接続するベクトルのようなものがあります。
ベクトルは距離と大きさのようなものです。つまり、あそこに遠く離れているというのがベクトルであり、各星について、宇宙の他のすべての星との間にベクトルを作ることができます。単に一緒にクラスター化されているものだけでなく、すべての星の間の関係を、何らかの意味や共起を共有するものだけでなく、すべてのものについて記述できます。
単語とトークンに戻ると、トークンイン、トークンアウトですよね。現在、私たちはそれらをトークンとして考える傾向があります。実際、AIをあまりフォローしていない多くの人々は、AIを出力の種類、つまり何であれそれだと考えています。つまり、何かの画像を作ると、彼らは「それはAIだ」と言います。あるいは、チャットボットがあると、それがAIだと。
そして画像が良ければ、彼らは「ああ、AIは良い」と言います。画像が悪ければ、「ああ、AIは悪い」と言います。それは、1つの特定の電球がどれだけうまく機能するかに基づいて電気がどれだけ価値があるかを判断するようなものですよね。この電球はあまり良くありません。ちらついています。したがって、発明としての、概念としての電気。そのすべてが単に悪いということですよね。それはかなりばかげた見解です。
AIは大量のデータを取り、コンピューターを使ってそれらを圧縮し、これらすべての小さなデータポイント間の関係を形成します。そして、それらの異なるポイントがどのように相互接続されているかについて質問することができます。十分なデータがあれば、基本的に何でもこれを行うことができます。
生物学へのAI応用
なぜそれが重要なのでしょうか。部分的には、この最近のGoogle論文が2025年10月15日に公開されたからです。1ヶ月も経っていません。Gemmaモデルが新しい潜在的ながん治療経路の発見にどのように役立ったかを述べています。これは、個々の細胞の言語を理解するように設計された新しい270億パラメータの基盤モデルです。
Gemmaについて聞いたことがあるかもしれません。Gemmaファミリーの傘下には他の大規模言語モデルがあります。それらはオープンソースで言語モデルです。トークンイン、トークンアウトですが、私たちのトークン、彼らは単語です。それが大規模言語モデルになります。単語、大規模言語モデル。しかしここが重要です。単語である必要はありません。
DNAでもいいんです。タンパク質でもいい。生物学でもいい。何でもいいんです。単語である必要はありません。同じアーキテクチャで、十分なものを供給すれば、そのものについて有用な情報の予測を始めることができます。この例では、彼らはこの大規模言語モデルを取り、10億以上のトランスクリプトミクスデータ、生物学的テキスト、メタデータのトークンからなるコーパスで訓練しています。
つまり、これは単一細胞RNAシーケンシングなどです。重要なのは、これが正確に何であるかを理解する必要はないということです。重要なのは、文章を構成する一種の文字の束があり、それらの文章が私たちの体がどのように機能するかを教えてくれるということです。DNAがどのように機能するかという意味ではそういうことですよね。文字があり、文章があり、それがこれを作り出し、私たちがどのように作られ、どのように存在するかなどをエンコードします。
アミノ酸も、単語や文章と考えることができます。それらはタンパク質を構成します。それは生命の構成要素のようなものが、私たちが話す言語の単語や文章に非常に似た形で機能します。これはそれほど異なりません。つまり、単語の代わりに、単語を取って、このものが文章がどのように完成するか、質問にどう答えるかを予測します。
生命のようなものを供給することができます。つまり、配列決定されたDNA、アミノ酸の配列。それをAIに供給して、何についての予測を得るのでしょうか。この場合、がんの治療方法ですが、何でも、あらゆる疾患の治療方法、あらゆる薬の作り方、あらゆる生物学的プロセスの変更方法についても考えてみてください。
では、なぜそれが重要なのでしょうか。これらのモデルをスケールアップすると、特定のタスクでより良くなることが分かっています。これは大規模言語モデルですよね。さまざまな異なるタスクで。この黒い線が人間レベルです。スケールアップすると、時々人間レベルを超えます。より多くのデータ、より大きなモデル、それらはスケーリング則のようなものです。十分にスケールアップすると、特定のタスクで人間より良くなり、潜在的に超人的になります。
このGemmaモデルで、彼らは特定の条件下でがんの非常に特定の治療法を見つけるように求めました。つまり、非常に複雑な質問のようなものでしたよね。2足す2は何かというような非常に単純な質問をするのではなく、小さなモデルでも答えられるような質問ではなく、彼らはこれらの特定の制約でこの非常に複雑なパズルを解けと言っているんです。そしてそれは、がんと戦うためのがん治療を開発するための潜在的に新しい経路となり得る新しいアプローチをいくつか作り出します。なぜそれが重要なのでしょうか。なぜなら、彼らは生物学的モデルが自然言語と同じように明確なスケーリング則に従うことを実証しているからです。より大きなモデルは生物学においてより良いパフォーマンスを発揮します。
問題は、既存のタスクでより良くなるだけなのか、それとも全く新しい能力を獲得できるのかということです。彼らが見つけることができたものは、これにはスケールの創発的能力と思われる条件付き推論のレベルが必要でした。
より小さなモデルではこのコンテキスト依存の効果を解決できませんでした。つまり、これらの生物学的モデルは、これらの大規模言語モデルが行うのとまったく同じように機能するということです。このアプローチがコーディングやストーリーを書くこと、あるいは数学や科学のようなものでも本当に得意になるのと同じように、データがあるほぼすべてのものにそれを適用できるんです。つまり、生命がどのように機能するかを入れて、それに基づいてがん治療をどのように作るか、この病気をどう解決するか、この薬をどう作るかという質問をすることができます。
データを入れます。それがどんなタイプのデータであれ、予測を得ます。これらは画像かもしれません。Midjourneyのような美しい画像を作成するものを得ます。音楽を入れることができ、Sunoのような美しい音楽を作成できるものを得ます。LMSは単語や数学の証明などを作成します。彼らにはこの一般的な推論能力があります。
Googleはこれらのモデルを量子研究を支援するために使用しました。ある種の量子補正メカニズムですよね。量子揺らぎに関するデータを供給すると、これらの量子揺らぎを予測するのに役立ちます。AlphaFoldはタンパク質の3D構造を予測することを学びました。Gemmaモデルですよね。正確には何をしたのか分かりませんが。
ある種の細胞配列と生物学的データ、彼らが供給した大量のものがあり、今では非常に特定の条件下での治療候補を吐き出しています。かなり複雑なことです。GoogleのAlpha Valveのようなものでは、より良いハードウェアを作成するのを見てきました。データセンターを最適化するのを見てきました。この質問を自問してみてください。
収益化への道
これらのシステム、私たちが取り組んでいる大規模言語モデル、多くの研究を行い改善している、もしこのGemmaモデルのような、少し異なる形式でも使用できるなら、まだ同じ種類の大規模言語モデル構造ですが、生物学的データが供給されています。
その同じ技術を使用してより良い薬を作り、病気を解決し、より良い建材を作り、より良いエネルギー源を作り、より良いビジネスプランを作るなど、それができることに制限はありません。しかし、Googleが現在かなり重点を置いているのは医療面、創薬などです。もし彼らがより良い薬をより速く発見し、あらゆる種類の病気を解決し、いつかは人間の寿命を延ばすことさえできたら。
これらのモデルから1ドルか2ドル稼げると思いますか。そう思います。次の2つ、チップとエネルギー。エネルギーについて話しましょう。これについては別の動画で詳しく取り上げましたが、Project Suncatcherというものがあります。これは、AIデータセンターを宇宙に配置するGoogleのミッションです。
宇宙では、ソーラーパネルがはるかに多くのエネルギーを取り込めますよね。適切な軌道にいれば昼夜のサイクルはありません。太陽は1日24時間輝いています。また、私たちが生産するエネルギー量を10倍にし続けたら、効率的なアプローチ、それを行うための効率的なアプローチを見つけたとしても、最終的に大気中に放出している熱の量が問題になるという事実について考えてみてください。
つまり、本当に安価なエネルギー源があったとしても、ただ10倍にし続けることはできません。宇宙に配置することで、その問題を大幅に解決します。問題なく宇宙に大量の熱を放出できます。この論文で、そして繰り返しますが、視聴したい場合は別の動画で取り上げましたが、基本的に彼らは一行ずつ進んで、これはどれだけ現実的かと言っています。そして彼らは一行ずつ、それが非常に現実的であることを示しています。宇宙放射線は問題ではありません。エネルギー効率は問題ではありません。
これらのソーラーパワー衛星間のデータ転送は問題ではありません。彼らはすべての問題に対する解決策を持っています。現在唯一の問題は、地球上に発電所を建設する場合、単位電力あたりこれだけの費用がかかるということです。
そして、宇宙にこれらのパワーセンターを建設する場合、何倍も、何倍も多くの費用がかかります。それほど多く。実際には実行可能ではありませんよね。そこに物を送って、そこですべてを建設するのははるかに高価です。それがそれほど高価な理由は、低地球軌道に物を送るキログラムあたりの価格です。
現在、この数字は、地球上に工場を建設するのと同じになるために必要なものを宇宙に送るためにキログラムあたり約1,500ドルです。それはキログラムあたり200ドルでなければなりません。つまり、1,500を200にする必要があります。まだかなり実行可能ではありません。しかし、どうでしょう。現在の予測に基づくと、これは2035年までにこの数字に達します。
すべての仮定が正しければ、2035年までに、独自のエネルギー源を持つAIデータセンターを建設するのと同じ価格になります。別の発電所は必要ありません。すべてが一体となった自己電源式AIデータセンターで、これらのモデルを訓練し、推論を行い、すべてを地球に送信するだけです。それは2035年までに、電力の単位あたりで地球上にこれを建設するのと同じ価格になります。
そして2027年までに、1年とちょっとで、Googleはこれをテストするために2つの衛星の実際のプロトタイプを宇宙に送ります。現実に。つまり、本当に、彼らはエネルギーのための計画された解決策を持っているようなものです。さて、あなたは言うかもしれません、「ええ、でもそれはすぐではありませんよね。誰が気にしますか。その5年、10年は過ぎ去ります。これらの問題、これらの問題は、まだ存在します。
Googleは今年や来年や3年後に勝とうとしているわけではありません。それは、最後に笑う者が最も激しく笑うという格言のようなものです。それが格言ですか。基本的に、短期的にどれだけ勝っても問題ではありません。最終的に勝者になりたいだけです。Googleは、データセンターに電力を供給するのに十分なエネルギー、連続学習モデル、数十億、おそらく数兆ドルを稼ぐことができる収益性の高いモデルを持って、このレースの最後に勝者になるように設定しています。つまり、すべての病気を解決しているなら、それはどれくらいの価値があると思いますか。
おそらくそれから1ドルか2ドル稼ぐことができるでしょう。つまり、すべてはチップに集約されます。これは、NvidiaがGoogleの後ろ盾でチップのサプライヤーだから超メガ裕福になるということですか。まあ、そうではありません。Googleにはいくつかの非常に印象的なチップがあります。最近、彼らは第7世代TPU Ironwoodを発表しました。
イーロン・マスクでさえ、彼らのチップ製造能力に感銘を受けています。GoogleはTPUの販売を開始してNvidiaと競合するのでしょうか。確かではありませんが、はい。そうします。実際、彼らはすでにAnthropicと取引があり、Anthropicが彼らの目的のためにそれらのチップを借りることを可能にしています。
非常に可能性が高いのは、Nvidiaがするように、単に持ち帰ってどこかに設置できるような形では販売しないということです。おそらく、すべてのインフラストラクチャが組み込まれたクラウドを介して主に行われるでしょう。つまり、ニーズに応じて借りているだけです。より閉じたエコシステムのようなものです。今日市場に出回っているすべての選択肢の中で、TPUはNvidiaのGPUに最も近い代替品です。
TPUは機械学習とAIワークロードに特化しています。適切なアプリケーションでは、GPUと比較してドルあたりのパフォーマンスが大幅に向上し、はるかに少ないエネルギーを必要とし、より少ない熱を発生させることができます。そして、Googleは少なくとも2年先を行っていると私たちは信じています。なぜなら、彼らはエコシステムを構築しているからです。つまり、準備ができる前に発表しようとはしていません。彼らがこのイニシアチブを発表するまでには、巨大な容量を持つことになります。
すべてがうまく動作し、最適化され、バグも問題もないでしょう。TPUも、この人によると、よりマルチモーダルになりつつあるようです。訓練にのみ使用されるのではなく、訓練と推論の両方で効果的です。GoogleはNvidiaに対して非常に深刻な競合相手になる可能性があります。
それが、XAI、OpenAI、Anthropic、すべての中国のラボ、モデルを訓練するゲームに参加している他のすべての人とは異なるものです。その背後にかなり深刻なチップ、製造業者、設計者などを持つモデルは1つだけです。そのAIモデルはGeminiで、会社はGoogleです。
長期的なビジョン
私が今示したことを理解していただけると思います。多くのこれらのフロンティアAIラボが直面している最大の問題について、Googleはそれらに対する解決策を持っています。まだ問題が解決されたとは言っていませんが、将来それらを達成するためのロードマップがあります。彼らは将来それを達成するための資本、お金を持っています。
必要とする可能性のあるすべてのチップを作成し、他のプレーヤーに販売するためのリソース、インフラストラクチャがあります。特にデータセンター向けに、エネルギー問題に対する非常に興味深い中長期的な解決策があります。もし彼らがそれをしているなら、それは私たちの電気代に影響を与えません。
地球上の発電所の容量を奪うことはありません。そして、エネルギーの必要性を10倍にし続けても、大気を加熱することはありません。現在、そのエネルギー生産は、宇宙に置くことができるものに限定されています。現在、エネルギーを地球に送り返すことはできません。
マイクロ波エネルギーを使用して宇宙でエネルギーを生成し、それを地球に送り返すという提案もあります。しかし、それも少し怖いですよね。武器として使用される可能性があります。もし外したらどうなりますか。問題のように聞こえます。地球の表面に大量のエネルギーを送信することを想像してみてください。つまり、それは文字通りデススターのようなものですよね。しかし、宇宙に置くことができるものなら何でも、そこに物を打ち上げるのに十分安ければ、宇宙でエネルギーを生成させる方がはるかに安くなるでしょう。
太陽は、それを収穫できれば、巨大な無料エネルギー源です。ところで、これが何の画像か分かりますか。見てください。少しぼやけていますが、説明できますか。ヒントをあげます。衛星画像です。つまり、宇宙からの画像です。
何を見ているのでしょうか。この線は何ですか。このセンターピース。判断するのは難しいですが、川ですよね。たぶん推測できるかもしれません。興味深いことに、Gemini 2.5はこれらの画像、宇宙からの画像をかなり得意としています。衛星データを渡すと、農業と川と森林と人口密集地を区別できます。これは得られませんでしたが、理由は理解できると思います。
何を見ているのか理解するのはかなり難しいですが、Googleの科学者たち、そうです。Geminiでマルチスペクトルデータのロックを解除する、彼らはそれが多スペクトル視覚データを与えれば、これらの衛星画像をより良く理解できるかどうかをテストすることにしました。
AIに超人的な視覚を与えることができたらどうでしょう。人間の目には見えない波長で見て、根本的に新しい方法で世界を理解できたら。そしてGeminiのおかげで、もはやカスタム訓練された特殊なモデルは必要ありません。複雑な衛星データをすぐに分析し始めることができます。Gemini 2.5に、私たちがアクセスできる同じモデル、特別に訓練されたモデルではなく、そのマルチスペクトル視覚データへのアクセスを与えるだけです。
突然、これらのものをはるかに良く分類し始めます。では、これはGoogleの株価にどう影響するのでしょうか。私たちはバブルの中にいるのでしょうか。調整があるのでしょうか。分かりません。ウルフ・オブ・ウォールストリートの引用が大好きです。
ウォール街のナンバーワンのルールはこれです。誰も、あなたがウォーレン・バフェットであろうとジミー・バフェットであろうと、株が上がるか、下がるか、横ばいか、円を描くかを知っている人はいません。それはフガージです。ワジーです。ウージーです。妖精の粉です。存在しないんです。
株は上がるのでしょうか。下がるのでしょうか。あちこちに動くのでしょうか。分かりません。あまり気にしません。そして、ここで株価について話しているわけではありません。私が見ているもの、そしてこれについてどう思うか教えてください。しかし、Googleが雪だるま式に成長し始めているのは間違いなく見えています。長期的に考え、AIインフラストラクチャ、宇宙のソーラーパワーAIデータセンター、連続学習モデル、訓練を実行し、推論を実行するために必要な大量のチップを構築しています。
具体的には、それらのチップは機械学習とAI用に作成されており、一般的な並列化用途ではありません。GPUはすべてに優れています。TPUはよりAIに合わせて調整されています。同時に、彼らは創薬プロセスを開始し、製薬会社と協力しようとしています。彼らは少なくとも20年先を計画しており、これがどこに向かっているのかを考えています。そこに到達するために必要なインフラストラクチャを構築し始めましょう。
人々がバブルについて話していること、チャットボットがすべての労働者を置き換えるかどうか、チャットボットが数兆ドルを稼ぐことができるかどうかを念頭に置いてください。この投稿は私を内心笑わせます。2つの壁があります。1つはAIはバブルだというもので、2つ目は誰もAGIを価格に織り込んでいないというものです。つまり、AIとAGIがやってくるということです。
それに伴うすべての驚異的な科学的・技術的進歩がやってきます。今からその時までの株価チャートは直線になるのでしょうか、それとも波線になるのでしょうか。分かりません。そして気にしません。多くの人々は、AIバブルが弾ければ、AIは単に存在しなくなると考えているようです。消え去り、姿を消します。何が起ころうと、それは起こりません。
注目してください。この動画を楽しんでいただけたことを願っています。いいねとチャンネル登録をお願いします。私はウェス・ロスです。次の動画でお会いしましょう。
コメント