Name: 中英大文字幕｜15分鐘掌握最新科技動態｜黃仁勳揭露未來最大產業是它｜2025 GTC 最重要的發表 (中英大字幕 | 15分鐘掌握最新科技動態 | 黃仁勳揭露未來最大產業是它 | 2025 GTC 最重要的發表)
Uploaded: 2025-04-28T07:35:24.000Z
Duration: 15 min 27 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

Artificial intelligence has made extraordinary progress.

人工知能は驚異的な進歩を遂げた。

様態の副詞

Now, we've been talking about AI for a little longer than that.

今、私たちはAIについてもう少し前から話している。

But AI really came into the world's consciousness about a decade ago.

しかし、AIが本格的に世の中に認知されるようになったのは、10年ほど前のことだ。

It started with perception AI, computer vision, speech recognition, then generative AI.

知覚AIに始まり、コンピュータービジョン、音声認識、そして生成AI。

The last five years, we've largely focused on generative AI.

この5年間、私たちは主にジェネレーティブAIに注力してきた。

Teaching an AI how to translate from one modality to another, another modality, text to image, image to text, text to video, amino assets to proteins, properties to chemicals, all kinds of different ways that we can use AI to generate content.

AIに、あるモダリティから別のモダリティ、テキストから画像、画像からテキスト、テキストからビデオ、アミノ資産からタンパク質、特性から化学物質への翻訳方法を教える。

Generative AI fundamentally changed how computing is done.

ジェネレーティブAIは、コンピューティングのあり方を根本的に変えた。

From a retrieval computing model, we now have a generative computing model, whereas almost everything that we did in the past was about creating content in advance, storing multiple versions of it, and fetching whatever version we think is appropriate at the moment of use.

検索コンピューティング・モデルから、現在ではジェネレーティブ・コンピューティング・モデルになっている。過去にやっていたことはほとんどすべて、あらかじめコンテンツを作成し、複数のバージョンを保存しておき、使用する瞬間に適切と思われるバージョンをフェッチするというものだった。

Now, AI understands the context, understands what we're asking, understands the meaning of our request, and generates what it knows.

今、AIは文脈を理解し、私たちが何を求めているかを理解し、私たちの要求の意味を理解し、そして知っていることを生成する。

If it needs, it'll retrieve information, augments its understanding, and generate answer for us.

必要であれば、情報を取り出し、理解を深め、我々のために答えを導き出す。

Rather than retrieving data, it now generates answers.

データを取得するのではなく、答えを生成する。

Fundamentally changed how computing is done.

コンピューティングのあり方を根本的に変えた。

Every single layer of computing has been transformed.

コンピューティングのあらゆるレイヤーが変革された。

The last several years, the last couple, two, three years, major breakthrough happened.

ここ数年、ここ2、3年、大きな躍進があった。

Fundamental advance in artificial intelligence.

私たちはこれをエージェント型AIと呼んでいる。

Agentic AI basically means that you have an AI that has agency.

エージェント型AIとは、基本的にエージェンシーを持つAIを意味する。

It can perceive and understand the context of the circumstance.

状況を把握し、理解することができる。

It can reason, very importantly, it can reason about how to answer or how to solve a problem, and it can plan an action.

理性的で、非常に重要なことだが、問題にどう答えるか、どう解決するかを理性的に考え、行動を計画することができる。

計画を立て、行動を起こすことができる。

It can use tools because it now understands multimodality information.

マルチモダリティの情報を理解できるようになったので、ツールを使うことができる。

It can go to a website and look at the format of the website, words and videos, maybe even play a video.

ウェブサイトにアクセスし、ウェブサイトのフォーマットや言葉、ビデオを見ることができる。

Learns from what it learns from that website, understands it, and come back and use that information, use that newfound knowledge to do its job.

そのウェブサイトから学んだことから学び、それを理解し、また戻ってきてその情報を使い、新たに発見した知識を使って仕事をする。

At the foundation of agentic AI, of course, something that's very new, reasoning.

もちろん、エージェント型AIの根底には、推論という非常に新しいものがある。

And then, of course, the next wave is already happening.

そしてもちろん、次の波はすでに起きている。

We're going to talk a lot about that today.

今日はそのことについてたくさん話すつもりだ。

Robotics, which has been enabled by physical AI.

物理的なAIによって可能になったロボティクス。

It understands things like friction and inertia, cause and effect, object permanence.

摩擦や慣性、原因と結果、物体の永続性などを理解している。

When something goes around the corner, it doesn't mean it has disappeared from this universe.

何かが角を曲がっても、それがこの宇宙から消えたわけではない。

見えないだけで、まだそこにある。

And so that ability to understand the physical world, the three-dimensional world, is what's going to enable a new era of AI we call physical AI, and it's going to enable robotics.

物理的な世界、3次元の世界を理解する能力こそが、フィジカルAIと呼ばれるAIの新時代を可能にするものであり、ロボット工学を可能にするものなのだ。

Each one of these phases, each one of these waves, opens up new market opportunities for all of us.

こうした段階、波のひとつひとつが、私たち全員に新しい市場機会をもたらす。

さて、ロボットの時代がやってきた。

Robots have the benefit of being able to interact with the physical world and do things that otherwise digital information cannot.

ロボットには、物理的な世界と相互作用し、デジタル情報ではできないことができるという利点がある。

We know very clearly that the world has severe shortage of human laborers, human workers.

私たちは、世界が深刻な人手不足に陥っていることをはっきりと知っている。

By the end of this decade, the world is going to be at least 50 million workers short.

この10年の終わりまでに、世界では少なくとも5,000万人の労働者が不足することになる。

We'd be more than delighted to pay them each $50,000 to come to work.

一人当たり5万ドルを支払って出勤してもらえたら、これほど嬉しいことはない。

We're probably going to have to pay robots $50,000 a year to come to work.

おそらく、ロボットに年間5万ドルを支払って出勤してもらうことになるだろう。

And so this is going to be a very, very large industry.

そして、これは非常に大きな産業になるだろう。

あらゆる種類のロボットシステムがある。

インフラはロボット化されるだろう。

Billions of cameras in warehouses and factories, 10, 20 million factories around the world.

倉庫や工場にある数十億台のカメラ、世界中にある1千万台、2千万台の工場。

Every car is already a robot, as I mentioned earlier, and then now we're building general robots.

先ほど申し上げたように、すべての自動車はすでにロボットであり、今は一般的なロボットを作っている。

Everything that moves will be autonomous.

Physical AI will embody robots of every kind in every industry.

物理的AIは、あらゆる産業のあらゆる種類のロボットを具現化する。

Three computers built by NVIDIA enable a continuous loop of robot AI simulation, training, testing, and real-world experience.

エヌビディアが構築した3台のコンピュータは、ロボットAIのシミュレーション、トレーニング、テスト、実世界での体験の連続的なループを可能にする。

Training robots requires huge volumes of data.

ロボットのトレーニングには膨大なデータが必要だ。

Internet-scale data provides common sense and reasoning, but robots need action and control data, which is expensive to capture.

インターネット・スケールのデータは常識と推論を提供するが、ロボットは行動と制御のデータを必要とする。

With blueprints built on NVIDIA Omniverse and Cosmos, developers can generate massive amounts of diverse, synthetic data for training robot policies.

NVIDIA OmniverseとCosmos上に構築されたブループリントにより、開発者はロボットポリシーのトレーニングのために、大量の多様な合成データを生成することができます。

First, in Omniverse, developers aggregate real-world sensor, or demonstration data, according to their different domains, robots, and tasks.

まず、オムニバースでは、開発者がそれぞれのドメイン、ロボット、タスクに応じて、実世界のセンサーデータ、つまりデモデータを集約する。

Then use Omniverse to condition Cosmos, multiplying the original captures into large volumes of photoreal, diverse data.

その後、オムニバースを使用してコスモスのコンディションを整え、オリジナルのキャプチャをフォトリアルで多様な大量のデータに変換する。

Developers use Isaac Lab to post-train the robot policies with the augmented dataset, and let the robots learn new skills by cloning behaviors through imitation learning or through trial and error with reinforcement learning AI feedback.

開発者はアイザック・ラボを使い、拡張されたデータセットを使ってロボットのポリシーを後教育し、模倣学習による行動のクローニングや、強化学習AIフィードバックによる試行錯誤によって、ロボットに新しいスキルを学ばせる。

Practicing in a lab is different than the real world.

研究室での練習は実社会とは異なる。

新しい政策は実地検証が必要だ。

Developers use Omniverse for software and hardware-in-the-loop testing, simulating the policies in a digital twin with real-world environmental dynamics, with domain randomization, physics feedback, and high-fidelity sensor simulation.

開発者はオムニバースをソフトウェアとハードウェアのイン・ザ・ループ・テストに使用し、実環境のダイナミクスを持つデジタル・ツインで、領域のランダム化、物理フィードバック、高忠実度のセンサー・シミュレーションを行い、ポリシーをシミュレートする。

Real-world operations require multiple robots to work together.

実世界での作業では、複数のロボットが協力して作業する必要がある。

Mega, an Omniverse blueprint, lets developers test fleets of post-train policies at scale.

オムニバースの設計図であるメガは、開発者が大規模で列車後の政策の艦隊をテストすることができます。

Here, Foxconn tests heterogeneous robots in a virtual NVIDIA Blackwell production facility.

ここでは、Foxconnが仮想のNVIDIA Blackwell生産施設で異種ロボットをテストしています。

As the robot brains execute their missions, they perceive the results of their actions through sensor simulation, then plan their next action.

ロボット頭脳はミッションを実行する際、センサー・シミュレーションを通じて行動の結果を認識し、次の行動を計画する。

Mega lets developers test many robot policies, enabling the robots to work as a system, whether for spatial reasoning, navigation, mobility, or dexterity.

Megaによって、開発者は多くのロボット・ポリシーをテストすることができ、空間的推論、ナビゲーション、移動、器用さなど、ロボットをシステムとして機能させることができる。

驚くべきことはシミュレーションの中で生まれる。

Today, we're introducing NVIDIA iZake Groot N1.

本日は、NVIDIA iZake Groot N1をご紹介します。

Groot N1 is a generalist foundation model for humanoid robots.

グルートN1は、ヒューマノイドロボットのためのジェネラリスト基礎モデルである。

It's built on the foundations of synthetic data generation and learning in simulation.

合成データ生成とシミュレーション学習の基礎の上に構築されている。

Groot N1 features a dual-system architecture for thinking fast and slow, inspired by principles of human cognitive processing.

グルートN1は、人間の認知処理の原理から着想を得た、速く考えたり遅く考えたりするためのデュアル・システム・アーキテクチャを備えている。

The slow thinking system lets the robot perceive and reason about its environment and instructions, and plan the right actions to take.

スローシンキング・システムは、ロボットに環境と指示を認識させ、推論させ、取るべき正しい行動を計画させる。

The fast thinking system translates the plan into precise and continuous robot actions.

高速思考システムは、計画を正確かつ継続的なロボットの行動に変換する。

Groot N1's generalization lets robots manipulate common objects with ease and execute multi-step sequences collaboratively.

グルートN1の汎化により、ロボットは一般的な物体を簡単に操作し、多段階のシーケンスを共同で実行することができる。

And with this entire pipeline of synthetic data generation and robot learning, humanoid robot developers can post-train Groot N1 across multiple embodiments and tasks across many environments.

そして、この合成データ生成とロボット学習のパイプライン全体によって、ヒューマノイド・ロボットの開発者は、多くの環境における複数の実施形態とタスクにわたって、グルートN1を事後訓練することができる。

Around the world, in every industry, developers are using NVIDIA's three computers to build the next generation of embodied AI.

世界中のあらゆる産業で、開発者たちがNVIDIAの3台のコンピュータを使って、次世代の具現化AIを構築しています。

Physical AI and robotics are moving so fast.

物理的なAIとロボット工学の進歩はとても速い。

皆さん、このスペースに注目してください。

This could very well likely be the largest industry of all.

これはおそらく、最大規模の産業となるだろう。

At its core, we have the same challenges.

その核心は、私たちも同じ課題を抱えているということだ。

As I mentioned before, there are three that we focus on.

前にも述べたように、私たちが重視しているのは3つある。

一つは、データの問題をどう解決するかだ。

How, where do you create the data necessary to train the AI?

AIを訓練するために必要なデータをどこでどのように作成するのか？

2つ目は、モデル・アーキテクチャについてだ。

そして3つ目、スケーリングロスは？

How can we scale either the data, the compute, or both so that we can make AIs smarter and smarter and smarter?

データ、コンピュート、あるいはその両方をどのように拡張すれば、AIをより賢く、より賢く、より賢くすることができるのでしょうか？

どうやって規模を拡大するのか？

And those two, those fundamental problems exist in robotics as well.

そして、この2つの根本的な問題はロボット工学にも存在する。

In robotics, we created a system called Omniverse.

ロボット工学では、オムニバースというシステムを作った。

It's our operating system for physical AIs.

物理的なAIのためのオペレーティング・システムだ。

You've heard me talk about Omniverse for a long time.

私がオムニバースについて話しているのを、長い間聞いてきただろう。

私たちはそこに2つの技術を加えた。

今日は2つのことをお見せしよう。

One of them is so that we could scale AI with generative capabilities and generative model that understand the physical world.

そのひとつは、物理世界を理解する生成能力と生成モデルを備えたAIを拡張するためだ。

私たちはそれをコスモスと呼んでいる。

Using Omniverse to condition Cosmos and using Cosmos to generate an infinite number of environments allows us to create data that is grounded, grounded, controlled by us, and yet be systematically infinite at the same time.

オムニバースを用いてコスモスを整え、コスモスを用いて無限の環境を生成することで、私たちは地に足をつけ、地に足をつけ、私たちによってコントロールされ、しかも同時に体系的に無限であるデータを作り出すことができる。

We use candy colors to give you an example of us controlling the robot in the scenario perfectly, and yet Cosmos can create all these virtual environments.

私たちはキャンディカラーを使って、シナリオの中でロボットを完璧にコントロールし、なおかつコスモスがこのようなバーチャルな環境をすべて作り出すことができるという例を挙げています。

The second thing, just as we were talking about earlier, one of the incredible scaling capabilities of language models today is reinforcement learning, verifiable rewards.

もうひとつは、先ほど話したように、今日の言語モデルの驚くべきスケーリング能力のひとつは、強化学習であり、検証可能な報酬である。

The question is, what's the verifiable rewards in robotics?

問題は、ロボット工学における検証可能な報酬は何かということだ。