It could be electricity.

電気かもしれない。

It could be an airline ticket.

航空券かもしれない。

It could be anything you choose.

あなたが選んだものなら何でもいい。

We reduced it in the last 10 years by 1 million times.

この10年間で100万倍に減らした。

Well, when something happens, when the cost of something reduces by a million times, your habits fundamentally change.

何かが起こったとき、何かのコストが100万分の1になったとき、習慣は根本的に変わる。

How you think about computing fundamentally changed.

コンピューティングに対する考え方が根本的に変わった。

That is the single greatest contribution NVIDIA ever made.

これこそ、エヌビディアがこれまでに行った唯一最大の貢献である。

I totally see your point.

言いたいことはよく分かる。

Some of our professors here may slightly disagree because you still need a lot of money to buy your GPUs.

GPUを買うにはまだ大金が必要だからだ。

But I come back to this point later.

しかし、この点については後で触れる。

Imagine a million times higher.

その100万倍を想像してほしい。

That's right.

その通りだ。

But Jensen, you know.

でもジェンセンはね。

I gave you a million times discount in the last 10 years.

この10年間で100万回値引きした。

It's practically free.

実質無料だ。

Ha, ha, ha, ha, ha, ha, ha, ha, ha, ha, ha, ha, ha, ha, ha, ha.

ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ、ハ。

Jensen, should we turn around?

ジェンセン、引き返すべきか？

Should we turn around?

引き返すべきか？

Turn around, please.

後ろを向いてください。

Oh!

ああ！

I am alumni of HKUST.

私はHKUSTの卒業生です。

Yes!

そうだ！

Yes!

そうだ！

Jensen, it's just so nice to have you here at HKUST and in Hong Kong.

ジェンセン、あなたがHKUSTに、そして香港に来てくれて本当にうれしい。

Let me just say, can we just please show how much we love Jensen?

言わせてくれ、どれだけジェンセンを愛しているかを見せてくれないか？

Yeah!

そうだね！

Thank you.

ありがとう。

Thank you.

ありがとう。

I love you, too.

僕も愛してるよ。

Jensen, you know, I have been preparing for this moment.

ジェンセン、私はこの瞬間のために準備をしてきたんだ。

I thought it's definitely a highlight of my HKUST career, for sure.

私のHKUSTキャリアのハイライトであることは間違いないと思った。

I just couldn't sleep last night for one very important reason.

昨夜、どうしても眠れなかったのは、ある重要な理由があったからだ。

Because I am going to introduce you as the number one CEO in this universe.

なぜなら、私はあなたをこの宇宙でナンバーワンのCEOとして紹介するつもりだからだ。

Maybe entire universe, at least in this universe.

少なくともこの宇宙では。

But I was so worried.

でも、とても心配だった。

This company, Apple's stock was going up last night.

この会社、アップルの株価は昨夜上がっていた。

And yours wasn't doing that particularly well.

そして、あなたのは特にうまくいっていなかった。

And I couldn't wait until the market was closed.

そして市場が閉まるまで待てなかった。

And this morning, I woke up.

そして今朝、目が覚めた。

I asked my wife, I said, did Nvidia hang on there?

私は妻に、エヌビディアはあそこで頑張ったのかと尋ねた。

No kidding.

冗談じゃない。

Because we asked.

私たちが尋ねたからだ。

So you are number one, Jensen.

だから君がナンバーワンなんだ、ジェンセン。

So we have less than an hour this afternoon.

午後は1時間もない。

I'm just diving, Jensen, with some tough questions for you.

ジェンセン、厳しい質問をしているところだ。

So you have been leading this technology field, AI field, for a long period of time.

つまり、あなたはこのテクノロジー分野、AI分野を長い間リードしてきたわけですね。

Just for the sake of our audience, just tell us how you think about AI, more specifically, recently, artificial general intelligence, the impact AI is having and will have for all the society and the industry.

視聴者のために、AIについて、もっと具体的に言えば、最近では人工知能全般について、AIが社会全体や産業界に与えている影響、そして今後与えるであろう影響について、どのようにお考えか教えてください。

First of all, thank you.

まずはありがとう。

Thank you for the opportunity to spend time with you.

ご一緒させていただきありがとうございました。

Harry is one of the most consequential computer scientists of our time.

ハリーは、現代において最も重要なコンピューター科学者の一人である。

And he's been a hero of mine and many others around the world for a very long time.

彼は長い間、私や世界中の多くの人々のヒーローだった。

And so it's a great pleasure to be here.

だから、ここに来られてとても嬉しい。

Harry, as you know, the transformative, the groundbreaking capability happened when an artificial intelligence network can learn to understand data of all kinds.

ハリー、ご存知のように、人工知能ネットワークがあらゆる種類のデータを理解することを学習できるようになったとき、変革的で画期的な能力が生まれた。

Of course, language, and images, and sequences of proteins, and sequences of amino acids, and sequences of chemicals.

もちろん、言語も、画像も、タンパク質の配列も、アミノ酸の配列も、化学物質の配列もそうだ。

And all of a sudden, we now have computers that can understand the meaning of words and such.

そして突然、言葉の意味などを理解できるコンピューターが登場した。

And because of generative AI, we can translate from one modality of information to another modality of information.

そして、ジェネレーティブAIのおかげで、ある情報のモダリティから別の情報のモダリティに変換することができる。

For example, from text to images, from text to text, from protein to text, from text to protein, from text to chemicals.

例えば、テキストから画像へ、テキストからテキストへ、タンパク質からテキストへ、テキストからタンパク質へ、テキストから化学物質へ。

This universal, initially a universal function approximator, evolved into a universal language translator of every kind.

このユニバーサルは、当初はユニバーサル関数近似器であったが、あらゆる種類のユニバーサル言語翻訳器へと進化した。

And so the question then is, what can we do with that?

それで何ができるかということだ。

And you see the number of startups around the world and a number of capabilities with the combination of all these different modalities and capabilities.

そして、世界中のスタートアップ企業の数と、これらすべての異なるモダリティと能力を組み合わせた能力の数々を目にすることになる。

And so I think the really amazing breakthrough is that we can now understand the meaning of information.

だから、本当に驚くべきブレークスルーは、情報の意味を理解できるようになったことだと思う。

Incredibly difficult information.

信じられないほど難しい情報だ。

And so what does that mean to you if you are a digital biologist, so that you can understand the meaning of the data you're looking at, so that you could find a needle in a haystack?

もしあなたがデジタル生物学者なら、干し草の山から針を見つけることができるように、見ているデータの意味を理解することができる。

What does that mean if you are, in the case of NVIDIA, a chip designer, system designer?

もしあなたがエヌビディアの場合、チップ設計者、システム設計者だとしたら、それは何を意味するのでしょうか？

What does that mean to you if you're an ag tech, or climate science, or climate tech, or energy looking for a new material?

農業技術者、気候科学者、気候技術者、あるいは新素材を探しているエネルギー関係者にとって、このことは何を意味するのだろうか？

So this is really the groundbreaking thing, is that we now have the concept of a universal translator.

これは本当に画期的なことで、ユニバーサル・トランスレーターという概念ができたということだ。

You can understand anything you like.

好きなことを何でも理解できる。

Yeah, Jensen, in May, we were at a Microsoft CEO summit.

ジェンセン、5月にマイクロソフトのCEOサミットに参加したんだ。

So many of us listened to your really description about the amazing impacts of AI on the society.

AIが社会に与える驚くべき影響について、多くの人があなたの説明に耳を傾けていました。

I thought that what you said really resonated with me.

あなたが言ったことは本当に心に響くと思った。

And to some extent, even shocked me.

そしてある程度、ショックを受けた。

So you kind of took us back to the entire history of a human being.

つまり、あなたは私たちを人間の歴史全体に引き戻したわけだ。

You said, well, there's this agricultural revolution, so we actually manufacture more food.

農業革命が起きて、より多くの食料が生産されるようになった。

Then we have industrial revolution, we actually manufacture more iron steels.

その後、産業革命が起こり、鉄鋼の生産量が増えた。

Then we have information technology, we actually have more information.

そして情報技術が発達し、より多くの情報が手に入るようになった。

Now, in this intelligence, this era, so what you are doing at NVIDIA, what AI is doing is actually manufacturing intelligence.

さて、このインテリジェンス、この時代において、あなたがエヌビディアで行っていること、つまりAIが行っていることは、実際にインテリジェンスを製造することです。

Can you elaborate a little bit more on why this thing is just so enormously important?

なぜこのことが非常に重要なのか、もう少し詳しく教えてください。

Yeah, when you look at what we've done together, Harry, and you were in the middle of all of this, from the perspective of computer science, we've reinvented the whole stack.

ええ、私たちが一緒にやったことを見てみると、ハリー、あなたはこのすべての真っただ中にいたわけですが、コンピューター・サイエンスの観点から見ると、私たちはスタック全体を再発明したのです。

Meaning, the way we used to develop software, and when you think about computer science, you have to think about software development, how software is done.

コンピュータ・サイエンスについて考えるとき、ソフトウェア開発について考えなければならない。

And so we used to code software with our hands.

そうして私たちは、自分の手を使ってソフトウェアをコーディングしていた。

We imagined what the function it is that we would like to implement, whatever algorithm we'd like to implement, and we use our own creativity, we type it into the computer.

どんな機能を実装したいのか、どんなアルゴリズムを実装したいのかを想像し、自分たちの創造力を駆使して、それをコンピューターに打ち込む。

I started with Fortran, and I learned Pascal, and then C and C++, and of course, each one of these languages allow us to express our thoughts into code.

私はFortranから始まり、Pascalを学び、そしてCとC++を学んだ。もちろん、これらの言語はそれぞれ、自分の考えをコードに表現することを可能にしてくれる。

And that code runs great on CPUs.

そして、そのコードはCPU上で素晴らしく動作する。

All of a sudden, now we use observed data, and we give this observed data to a computer, and we say, what is the function that you see inside this code?

そして、この観測されたデータをコンピュータに渡し、このコードの中にある関数は何だと言うのだ。

What are the patterns and relationships that you observe by studying all of the data that we presented to you?

私たちが提示したすべてのデータを調査して、どのようなパターンや関係が観察されましたか？

And instead of using code, coding, we now use machine learning.

そして、コードやコーディングを使う代わりに、今は機械学習を使う。

And the machine generates not software, it generates neural networks that are processed on GPUs.

そして、マシンが生成するのはソフトウェアではなく、GPU上で処理されるニューラルネットワークだ。

And so from coding to machine learning, from CPUs to GPUs, and because GPUs are so much more powerful, the type of software we can now develop is extraordinary.

コーディングから機械学習へ、CPUからGPUへ、そしてGPUの方がはるかにパワフルなので、私たちが開発できるソフトウエアの種類は並大抵のものではありません。

And what sits on top of it is artificial intelligence.

その上に乗っているのが人工知能だ。

That's what emerged.

それが浮かび上がってきた。

And so computer science has really been transformed pretty much at the description I just said.

そして、コンピューター・サイエンスは、今言ったような変貌を遂げた。

Now the question is, what happens to our industry?

さて、問題は我々の業界がどうなるかだ。

Of course, we're all racing to use machine learning to go discover new AIs.

もちろん、私たちは機械学習を使って新しいAIを発見しようと競争している。

And what is AI?

AIとは何か？

And maybe that's, of course, one of the things about AI that you know very well is the automation of cognition.

そして、それはもちろん、あなたがよく知っているAIに関することの1つは、認知の自動化なのかもしれない。

Automation of problem solving.

問題解決の自動化。

And problem solving could be distilled down to, if I could, three basic ideas that you observe and perceive the environment, understand it, reason about it, and then come up with a plan to interact with it, whatever you decide your goals are.

問題解決とは、環境を観察し認識すること、環境を理解すること、環境について推論すること、そして環境と相互作用するためのプランを考え出すこと、この3つの基本的な考え方に集約される。

And so perception, reasoning, and planning.

そして、知覚、推論、計画。

The three fundamental steps of problem solving.

問題解決の3つの基本ステップ。

Well, perception, reasoning, and planning could be broken down into, for example, perceiving the environment around your car, reasoning about the location that you are and the location of all the other cars around you, planning how to drive.

まあ、知覚、推論、計画というのは、例えば、自分の車の周りの環境を知覚すること、自分がいる場所と周りにいる他のすべての車の場所について推論すること、どのように運転するかを計画することに分けられるだろう。

So I just described self-driving cars.

だから今、自動運転車について説明した。

That self-driving car, in one manifestation, would be called a digital chauffeur.

その自動運転車は、ひとつの姿として、デジタル・ショーファーと呼ばれるだろう。

And then you could do the same thing with you observe a CT scan, you understand it, you reason about everything that you see and you come to the conclusion there might be some anomaly that might be a tumor or something, and then you might decide to highlight it and describe it to the radiologist.

そして、CTスキャンを観察し、それを理解し、見たものすべてについて推論し、腫瘍か何かであるかもしれない何らかの異常があるかもしれないという結論に達し、それを強調して放射線科医に説明することにするかもしれない。

Now you're a digital radiologist.

これであなたもデジタル放射線科医だ。

In almost everything that we do, you can come up with some expression that artificial intelligence could then perform a particular task.

私たちが行うほとんどすべてのことで、人工知能が特定のタスクを実行できるような表現を思いつくことができる。

Well, what happens is if we have enough of those digital agents, and those digital agents are interacting with the computer that's generating these digital artificial intelligence, digital intelligence, the total consumption of all of us into a data center makes the data center look like it's producing this thing called tokens or what we call tokens, but otherwise digital intelligence.

デジタル・エージェントがたくさんいて、そのデジタル・エージェントがデジタル人工知能を生成するコンピューターと相互作用している場合、私たち全員がデータ・センターで消費することで、データ・センターはトークンやトークンと呼ばれるものを生成しているように見えますが、そうでなければデジタル・インテリジェンスを生成していることになります。

And so now let me now describe it a little bit differently. 300 years ago, as you know, General Electric and Westinghouse came up with a new type of instrument.

それでは、少し違った説明をしよう。ご存知のように、300年前、ゼネラル・エレクトリック社とウェスティングハウス社は新しいタイプの計測器を開発した。

In the beginning, a new type of machine that was called a dynamo and eventually became an AC generator.

当初、ダイナモと呼ばれた新しいタイプの機械は、やがて交流発電機になった。

And they were so smart to go and invent a consumer, a consumption of the electricity that they were able to produce.

そして、自分たちが生産できた電力を消費するための消費装置を発明したのだ。

And that consumption, of course, would be things like light bulbs and toasters, right?

その消費とは、もちろん電球やトースターのようなものだろう？

They created all kinds of digital appliances or electrical appliances that consumes the electricity that these plants would produce.

これらの工場が生産する電力を消費する、あらゆる種類のデジタル家電や電化製品が作られた。

Well, look at what we're doing now.

まあ、今の状況を見てほしい。

We're creating co-pilots and chat GPTs. We're creating all these different intelligence, basically light bulbs and toasters, and think of them as, right?

我々はコ・パイロットやチャットGPTを作っている。 基本的に電球やトースターのようなものです。

There are appliances that all of us would use, but you would connect it to a factory.

誰もが使うような電化製品があるが、それを工場に接続する。

It used to be an AC power generation factory, but this new factory is digital intelligence factory.

以前は交流発電工場だったが、新しい工場はデジタル・インテリジェンス工場だ。

And so what is just, from an industrial perspective, really what's happening here is we're now creating a new industry, and this new industry takes energy in and produces digital intelligence out.

つまり、産業的な観点から言えば、ここで起きていることは、新しい産業を創出し、この新しい産業がエネルギーを取り込み、デジタル・インテリジェンスを生み出すということなのだ。

And that digital intelligence would be used by all kinds of different applications.

そして、そのデジタル・インテリジェンスは、あらゆる種類のアプリケーションに利用されることになる。

And the consumption of it, we believe, is gonna be quite large.

そして、その消費量はかなり大きくなると考えている。

And this entire industry never existed before, just like the AC generation industry never existed before that.

そしてこの業界全体は、AC発電業界がそれ以前に存在しなかったように、それ以前には存在しなかった。

But that's really, truly amazing.

でも、本当に、本当にすごいことだ。

Jensen, you are describing this really bright future for us.

ジェンセン、あなたは私たちにとって本当に明るい未来を描いている。

Of course, we know this thing is going to happen.

もちろん、このことが起こることは分かっている。

Really much of that's because of your efforts and Nvidia's contribution to the field, especially over the last 10 years, 12 years.

その多くは、特にこの10年、12年にわたるあなたの努力とNvidiaの貢献によるものです。

So one number just keeps coming back and people are talking about, in the name of scaling law and others, most recently, in your name, there's something called the Huang's Law, in comparison with to Moore's Law.

だから、ある数字がどんどん戻ってきて、人々はスケーリング法則の名で、また他の人たちの名で、最近ではあなたの名で、ムーアの法則と比較してホアンの法則と呼ばれるものについて話しています。

Of course, in the earlier, in computing industry, Intel came up with Moore's Law, basically meaning every 18 months, computing power will increase, will double.

もちろん、以前、コンピューティング業界では、インテルがムーアの法則を提唱した。

And then now, if we look at last 10, 12 years, under your leadership, it's not even, every year double, it's more than that.

そして今、過去10年、12年を見てみると、あなたのリーダーシップの下、毎年2倍どころか、それ以上になっている。

If we look at it from the consumption side, all those large language models over the last 12 years, every year, it's actually more than four times an increase of the computing needs.

消費サイドから見てみると、過去12年間の大規模な言語モデルは、毎年4倍以上のコンピューティング・ニーズの増加を見せている。

Now every year, it's four times.

今は毎年4回だ。

Then in 10 years, it's an enormous number, it's actually a million.

そして10年後には、実に100万人という膨大な数になる。

So that's how, at least I explain to people why Jensen's stock went up 300x in 10 years.

そうやって、少なくとも私はジェンセンの株が10年で300倍になった理由を人々に説明する。

If you think about it, the computing needs is a million times more, so that's, then it explains the stock probably is not that expensive.

考えてみれば、必要な計算量は100万倍以上なのだから、株価がそれほど高くないのも納得がいく。

My question for you then is that, as you look at, as you look into the future with your crystal ball, are we going to see that a million times more needs increase for the next 10 years?

そこで質問なのですが、あなたの水晶玉で将来を見たとき、今後10年間は100万倍以上のニーズが増えるのでしょうか？

So, Moore's Law depended on two concepts.

つまり、ムーアの法則は2つの概念に依存していたのだ。

One concept was VLSI scaling, and that was because of Carver Mead.

そのコンセプトのひとつがVLSIのスケーリングであり、カーバー・ミードのおかげだった。

And the text by Mead and Conway really inspired my generation.

ミードとコンウェイの文章は、私の世代を大いに刺激した。

The second is Dennard scaling.

もうひとつはデナード・スケーリングだ。

Constant current density scaling of transistors coupled with the shrinking of the transistors made it possible for us to double the performance, if you will, double the performance of semiconductors every couple of years.

トランジスタの定電流密度スケーリングは、トランジスタの微細化と相まって、半導体の性能を数年ごとに2倍にすることを可能にした。

And so every one and a half years, so that would be 10 times every five years, 100 times every 10 years.

つまり、5年ごとに10回、10年ごとに100回ということになる。

And the other, what we're experiencing now is that the larger your neural network can become, and the more data that you train that neural network with, the more intelligent the AI seems to become.

そしてもうひとつは、ニューラルネットワークが大きくなればなるほど、そしてニューラルネットワークを訓練するデータが増えれば増えるほど、AIはより賢くなるように見えるということだ。

It's an empirical law, just like Moore's Law was.

ムーアの法則がそうであったように、これは経験則なのだ。

We call that the scaling law, and the scaling law appears to be continuing.

私たちはそれをスケーリングの法則と呼んでおり、スケーリングの法則は続いているように見える。

But the one thing that we also know about intelligence is that pre-training, just taking all of the data in the world and discovering knowledge from it automatically, pre-training is not enough.

しかし、私たちがインテリジェンスについて知っていることのひとつは、事前トレーニング、つまり、世界中のすべてのデータを取り込んで、そこから自動的に知識を発見するだけでは十分ではないということだ。

Just as going to college and graduating from college is a very important milestone, but it's not enough.

大学進学や大学卒業がとても重要なマイルストーンであるように、それだけでは十分ではない。

There's post-training, which is learning a particular skill very deeply.

ポストトレーニングがあり、それは特定のスキルを深く学ぶことだ。

And post-training requires reinforcement learning, human feedback, reinforcement learning, AI feedback, synthetic data generation, multi-path learning, reinforcement learning.

そしてポストトレーニングには、強化学習、人間によるフィードバック、強化学習、AIによるフィードバック、合成データ生成、マルチパス学習、強化学習が必要だ。

There's a whole bunch of techniques, but basically, you're now going deep into a particular domain, and you're trying to learn something very, very deep about it.

テクニックは山ほどあるが、基本的には、ある特定の領域に深く入り込み、その領域について非常に深い何かを学ぼうとしている。

That's post-training.

それはトレーニング後の話だ。

Once you select a particular career, you're gonna do tons and tons of learning again.

特定のキャリアを選んだら、また何度も何度も勉強することになる。

And then after that, of course, it's called thinking.

そして、そのあとはもちろん、考えるということだ。

And that's what we call test time scaling.

これがテスト・タイム・スケーリングと呼ばれるものだ。

Some things, you just know the answer to.

答えがわかっていることもある。

Some things, you have to break the problem down into step-by-step-by-step, into its first principled elements, and from first principles, try to find a solution for each one of them.

あるものについては、問題をステップ・バイ・ステップで、最初の原則的な要素に分解し、最初の原則から、そのひとつひとつについて解決策を見つけようとしなければならない。

It might require you to iterate.

反復練習が必要になるかもしれない。

It might require you to simulate various outcomes because the answer is not predictive, and so on and so forth.

答えが予測できないため、さまざまな結果をシミュレートする必要があるかもしれない。

And so we call that thinking.

それを私たちは思考と呼んでいる。

And the longer you think, maybe the higher quality the answer would become.

そして、考えれば考えるほど、答えの質は上がっていくだろう。

So notice, we now have three areas of artificial intelligence development where a great deal of computation would result in higher quality answers.

つまり、人工知能の開発において、大量の計算がより質の高い回答をもたらすであろう3つの分野があることに気づくだろう。

Today, the answers that we have are the best that we can provide.

今日、私たちが持っている答えは、私たちが提供できる最善のものだ。

But we need to get to a point where the answer that you get is not the best that we can provide, and somewhat, you still have to decide whether is this hallucinated or not hallucinated?

しかし、私たちは、あなたが得た答えが、私たちが提供できる最善のものではないというところまで到達する必要がある。

Does this make sense?

これは意味があるのだろうか？

Is it sensible or not sensible?

賢明なのか、賢明でないのか？

We have to get to a point where the answer that you get, you largely trust.

私たちは、あなたが得た答えを、あなたが大きく信頼するところまでいかなければならない。

You largely trust.

ほとんど信頼している。

And so I think that we're several years away from being able to do that, and in the meantime, we have to keep increasing our computation.

だから、それができるようになるにはまだ数年かかると思うし、その間に計算能力を高め続けなければならない。

Now, one of the things that you said earlier that I really appreciate is that in the last 10 years, we increased the performance by a million times.