Name: サティア・ナデラマイクロソフトのAIベット、ハイパースケーリング、量子コンピューティングのブレークスルー (Satya Nadella: Microsoft's AI Bets, Hyperscaling, Quantum Computing Breakthroughs)
Uploaded: 2025-07-04T21:12:24.000Z
Duration: 40 min 30 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：

What are the tools that we can put in the hands of people that will give them that sense of empowerment?

人々にエンパワーメントの感覚を与えるツールは何か？

それこそ、私が取り組んでみたいことだ。

I'm not into this anthropomorphizing AI at all.

私はAIを擬人化することにはまったく興味がない。

僕は道具だと思ってやっている。

There is going to be a job called a software engineer.

ソフトウェア・エンジニアという仕事がある。

It's going to be different, but I look at it, you are really taking a software engineer and saying you're now a software architect.

でも、ソフトウェア・エンジニアからソフトウェア・アーキテクトになったということなんだ。

It's my pleasure to welcome the chairman and CEO of Microsoft, Satya Nadella.

マイクロソフト会長兼CEOのサティア・ナデラ氏をお迎えできて光栄です。

Man, San Francisco, you should move to Seattle.

サンフランシスコよ、シアトルに引っ越すべきだ。

私はシアトルでキャリアをスタートさせた。

Anyone who's successful starts at Microsoft.

成功する人は誰でもマイクロソフトからスタートする。

So, Satya, you've emphasized before that AI is going to shape all that we do.

サティヤ、あなたは以前、AIが私たちの行動すべてを形作ることになると強調していましたね。

At Microsoft, how does this actually drive your strategy and particularly thinking about how AI will influence ideas beyond the immediate incredible product suite, like the broader economy?

マイクロソフトでは、このことが実際にどのように戦略を動かしているのでしょうか。特に、AIが、より広範な経済のような、目先の信じられないような製品群を超えたアイデアにどのような影響を与えるかについて、どのように考えているのでしょうか？

At Microsoft, I feel we are a platform company, a product company, and a partner company.

マイクロソフトでは、私たちはプラットフォーム企業であり、製品企業であり、パートナー企業であると感じています。

だから、私はこの3つの次元について考える。

And I've kind of, in my 35 years, I've lived through client-client server, web internet, mobile cloud.

私は35年間、クライアント・クライアント・サーバー、ウェブ・インターネット、モバイル・クラウドを経験してきた。

So that's just at least how I pattern match.

だから、それが少なくとも僕のパターンマッチのやり方なんだ。

So the first thing that I think about is the platform opportunity.

だから、最初に考えるのはプラットフォームの機会だ。

When I sort of look at all the folks here, the interesting thing is the compounding effects of all these platforms, right?

ここにいるすべての人を見てみると、興味深いのは、これらすべてのプラットフォームが複合的に作用していることだ。

So this AI piece, the reason why I think the rate of diffusion is so fast and so wide is because it builds on the previous generation.

つまり、このAIの一部は、普及のスピードが非常に速く、普及の幅が広いのは、前世代の上に構築されているからだと思う。

I think about, like, if the cloud was not there, we wouldn't have been able to build the AI supercomputers, which then led to the models, which then led to the products, right?

もしクラウドがなかったら、AIスーパーコンピューターを構築することはできなかっただろうし、それがモデルを生み出し、それが製品につながった。

So that compounding effect is the interesting thing to me.

だから、その複合効果が僕にとっては興味深いんだ。

So that's why you always sort of take the previous platform and build the next platform, and you want to be able to get that right.

だから、常に前のプラットフォームを使って次のプラットフォームを構築し、それを正しくできるようにしたいんだ。

And then you've got to build the next generation products on top of it, right?

そして、その上に次世代の製品を作らなければならない。

With each one of these platforms shift, there's a new workload, right?

これらのプラットフォームが移行するたびに、新たな仕事量が発生するわけですよね？

I mean, when I first remember looking at the large-scale training job, I mean, it's kind of a very different workload to what we built, for example, the cloud with, right?

つまり、私が最初に大規模なトレーニングの仕事を見たとき、それは私たちが例えばクラウドを構築したのとはまったく異なるワークロードだった。

It's a data-parallel, synchronous workload, which is so different than, let's say, a Hadoop job or what have you.

これはデータ並列の同期ワークロードで、例えばHadoopのジョブなどとは全く異なる。

And so the platform itself then completely gets, you know, completely relitigated and changed.

そうして、プラットフォームそのものが完全に見直され、変更されるんだ。

So to me, that's, I think, the exciting thing on the platform side.

だから僕にとっては、それがプラットフォーム側でエキサイティングなことなんだ。

It's golden age of system software, quite frankly.

率直に言って、システムソフトウェアの黄金時代だ。

You know, today, if I had to think about anybody who's building at the infrastructure layer, not just the hyperscalers, but even the startups, I think that's a tremendous opportunity.

今日、ハイパースケーラーだけでなく、新興企業でさえも、インフラレイヤーで構築している人たちのことを考えると、それはとてつもなく大きなチャンスだと思う。

Obviously, there's a tremendous opportunity in the model side, and then the products on top of it.

もちろん、モデルサイドには大きなチャンスがあり、その上に製品がある。

So yeah, we think of these, and then ultimately, what's it for?

そして最終的に、それは何のためにあるのか？

It's for one thing and one thing alone, which is to drive, ultimately, economic growth and GDP growth.

その目的はただひとつ、究極的には経済成長とGDP成長を促進することだ。

So if I had to ask me, my benchmark for AI is, is it creating surplus in the world around us, one community, one country, one industry, one company at a time?

つまり、私に言わせれば、AIのベンチマークは、私たちを取り巻く世界、1つのコミュニティ、1つの国、1つの産業、1つの企業において、1度に黒字を生み出しているかどうかということだ。

I mean, it seems like the app level, you know, you guys have built, you know, sort of the defining apps at the app layer for so many decades.

つまり、アプリのレベルというのは、あなた方が何十年もの間、アプリのレイヤーで決定的なアプリを作り続けてきたということです。

It feels like we're at this weird, lumpy moment where, you know, maybe the models have popped up and we're sort of astonished by what's happening, but then, you know, sort of the compute and the apps need to actually catch up.

私たちは今、奇妙な、しこりのある瞬間にいるような気がする。モデルが出てきて、私たちは何が起こっているのかに驚いている。

And, you know, the hope here is actually the people in this room will be the people who build those apps.

そしてね、ここでの希望は、実際にこの部屋にいる人たちがそのようなアプリを作る人たちになることなんだ。

One of the questions is, is the model like SQL?

Or is it the SaaS app itself and the model, right?

それとも、SaaSアプリそのものやモデルなのでしょうか？

I mean, I think the place where, where does the model end and where does the product begin?

つまり、どこからがモデルで、どこからが製品なのか。

Because if you sort of say model with some scaffolding and tool calling in some infinite loop is the product, if that is what it is, then I think that that's where it gets a little confusing.

というのも、無限ループで呼び出す足場とツールを備えたモデルが製品だと言うのであれば、それは少し混乱するところだと思うからだ。

But that's like saying a bunch of SQL business logic is with SQL is what is an app.

しかしそれは、SQLを使ったビジネスロジックの束こそがアプリだと言っているようなものだ。

So I think it's still possible for anyone to build an app tier on top of a model.

だから、誰でもモデルの上にアプリ層を構築することは可能だと思う。

And you have to sort of abstract yourself and say, yeah, the model is just like SQL was to me.

そして、自分自身を抽象化して、そうだ、このモデルは私にとってSQLと同じだ、と言わなければならない。

And so I think that, I mean, I always dreamt of a moment when AI slash machine learning will have a SQL moment.

だから、私はAIや機械学習がSQLの瞬間を迎えることをいつも夢見ていた。

Because if you think about it, we never had a stable platform layer in the past because everything was vertically built and integrated.

考えてみれば、過去には安定したプラットフォーム・レイヤーが存在しなかった。

For the first time in this model layer, now we have something like a SQL engine that we can then use to build pretty sophisticated products.

このモデルレイヤーで初めて、SQLエンジンのようなものができ、それを使ってかなり洗練された製品を作ることができるようになった。

こういうテクニックもあるよね？

I mean, just the inference time compute plus tool calling is giving us, I think a pretty robust harness to be able to build pretty sophisticated products.

つまり、推論時間の計算とツールの呼び出しだけで、かなり洗練された製品を作ることができる、かなり堅牢なハーネスが得られると思う。

It's kind of wild how much it's the integration piece that is also the app layer now.

今ではアプリのレイヤーでもある統合の一部になっているのは、ちょっとワイルドだね。

It's just, the models sitting on their own are incredibly smart, but right now they feel sort of, there's just giant gulf between that and the data that really matters to you for business.

ただ、モデル単体では信じられないほど賢いのですが、今はビジネスにとって本当に重要なデータとの間に大きな溝があるように感じます。

Yeah, I mean, I think that's a good observation because I think at least my read of the situation is the model is an important piece, the model scaffolding and all this tool calling, so there's a real app server that you kind of need in order to be able to build sophisticated applications.

ええ、それは良い意見だと思います。少なくとも私の読みでは、モデルは重要なピースであり、モデルの足場であり、このようなツールの呼び出しであり、洗練されたアプリケーションを構築できるようにするために必要な本物のアプリ・サーバーなのです。

But the interesting thing is the feedback loop, the data path inside the product that then is used in order to post-train, in order to be able to do the right tool selection, that seems to be the place where product creation is all gonna happen.

しかし、興味深いのは、フィードバック・ループ、つまり製品内部のデータ・パスであり、それがポスト・トレーニングに使われ、正しいツール選択ができるようになる。

AI scaling laws are continuing to hold and the demand for intelligence appears to be potentially infinite.

AIのスケーリング法則は維持され続けており、インテリジェンスに対する需要は無限に広がる可能性がある。

Yesterday, Elon was mentioning that there will be 99 hyper-intelligent beings to one human, which is kind of a wild prognostication, but seems possible given this, where does the building for the future of AI truly demand for global compute infrastructure?

昨日、イーロンは、人間1人に対して99人の超知的生命体が存在することになると言及していた。これはある意味荒唐無稽な予言だが、そう考えると可能性はありそうだ。

How do you anticipate these demands evolving as models don't just become larger, but more intelligent and capable of complex multi-agent interactions?

モデルが大型化するだけでなく、よりインテリジェントになり、複雑なマルチエージェント・インタラクションが可能になるにつれ、こうした要求はどのように変化していくと予想していますか？

Yeah, I mean, look, if you sort of really step back and say, first, if you sort of go with the compute or intelligence is one of a log of compute, and then you ask the question, how much energy does compute consume?

つまり、本当に一歩引いて考えてみると、まず、コンピュートやインテリジェンスがコンピュートの対数の1つであるとして、コンピュートにはどれだけのエネルギーが消費されるのか？

Let's take in the United States, maybe 2% today, 3% tops.

米国を例にとると、現在では2％、高くても3％だろう。

That's like massive because then the amount of extra energy that needs to be produced in order for AI to use it is pretty high.

AIがそれを使うためには、余分なエネルギーを生産する必要があるからだ。

I think that's why we all have to sort of keep in mind that if there's one lesson history has taught us is that if you're gonna use energy, you better have social permission to use energy.

だからこそ、歴史が教えてくれた教訓があるとすれば、エネルギーを使うのであれば、エネルギーを使うことを社会的に許可されたほうがいいということだ。

So that means you've got to make sure that the output of this AI is socially useful.

つまり、このAIのアウトプットが社会的に有用であることを確認しなければならないということだ。

In other words, if we really are not creating social surplus, economic surplus, as measured by countries and communities, then we just can't consume energy.

言い換えれば、国や地域社会が測定するような社会的余剰、経済的余剰を本当に生み出していないのであれば、エネルギーを消費することはできないのだ。

私にとっては、それがより大きなことなんだ。

Like everybody's today hot and bothered about, okay, what do I do about energy production?

エネルギー生産についてどうすればいいのか？

I think the real question in the next five years is we've got to produce enough products that are creating great value, which I'm very confident of, by the way, in healthcare and education, in productivity.

今後5年間で本当に必要なのは、大きな価値を生み出す製品を十分に生産することだと私は考えている。

So there's many, many domains, but that's the real challenge for us as a tech industry is to prove unequivocally that what we have created is showing up in real stats that is not just an AGI or AI benchmark.

しかし、技術産業としての私たちの真の課題は、私たちが生み出したものが、単なるAGIやAIのベンチマークではなく、実際の統計に現れていることを明確に証明することです。

I mean, the hope is that this will show up in sort of the real things that you sort of interact with on a daily basis. 100%.

つまり、あなたが日常的に接するような現実的な事柄の中に、これが現れることを望んでいるんだ。100%.

You know, you go use, you get a mortgage loan and instead of three months or two months of waiting around and you don't know if you're going to get approved, or, you know, there's just so many things that are important parts of your life that get drowned in paperwork or bureaucracy that those things could potentially go away. 100%.

住宅ローンを利用し、3カ月も2カ月も待たされ、審査が通るかどうかもわからない、あるいは、書類や官僚主義に溺れる人生の重要な部分がたくさんある代わりに、そういったことがなくなる可能性があるんだ。100%.

So I think, yeah, if you take even, take some of the public services, right?

だから、もし公共サービスの一部でも取れば、そうなると思うんだ。

I mean, if you take any country, you know, it's GDP or take healthcare, like in the United States, what is it, 18, 19% of our cost is healthcare.

つまり、どの国のGDPをとっても、あるいは医療費をとってみても、たとえばアメリカでは医療費の18～19％が医療費なんだ。

And a lot of it, like everybody talks about the magical drug, blah, blah, blah, except all of the cost is in workflow.

そしてその多くは、誰もが魔法の薬について話しているようなものだ。

And so if you really take something like a simple thing like discharge, the amount, like you take the backend of an EMR system with just an LLM and a prompt, that itself is going to save so much time and money and energy that it would sort of pay for itself.

退院のような簡単なことであれば、LLMとプロンプトだけでEMRシステムのバックエンドを構築するようなものだ。

つまり、とても直接的なんだ。

You spend an incredible amount of GDP on healthcare and rightly so, but every dollar that's spent on clerical work could have been spent towards some sort of treatment that would have saved someone's life.

医療には信じられないほどのGDPを費やしているし、それは当然だ。しかし、事務的な仕事に費やされる1ドル1ドルは、誰かの命を救う何らかの治療に使われたかもしれない。

Or the simple time allocation of a physician away from paperwork to the patient is right there to be had.

あるいは、医師が事務作業から患者への単純な時間配分をすることも、すぐそこにある。

What do you see as being the biggest rate limiter for AI deployment today?

現在、AI導入の最大の足かせとなっているのは何だとお考えですか？

See, here's the interesting thing, right?

ほら、ここが面白いところだろう？

And this audience is so young and none of my metaphors would sort of work, but nevertheless, if you sort of came in in the early part of, let's say you were a multinational company, pre-PCs, how the heck did we do forecasts?

この聴衆はとても若く、私の比喩はどれもうまくいかないだろうが、それでも、もしあなたがPC以前の多国籍企業だったとしよう。

The way one would do sales forecast was you would send faxes.

販売予測はファックスを送るのが一般的だった。

People would then take those faxes and send inter-office memos.

そして、人々はそのファックスを受け取り、オフィス間のメモを送る。

And those inter-office memos would be annotated and a forecast would come hopefully before the quarter end.

オフィス間のメモには注釈が付けられ、うまくいけば四半期末までには予想が出される。

And then suddenly people said, with email and PCs and Excel, they said, let me just send an Excel spreadsheet in email.

そして突然、電子メールとパソコンとエクセルを使って、エクセルのスプレッドシートを電子メールで送ろうと言い出した。

People enter number and you have a forecast.

人々が数字を入力すれば、予想ができる。

So what happened was the work, the work artifact and the workflow changed.

それで何が起こったかというと、仕事、仕事の成果物、ワークフローが変わった。

When someone says, I'm going to now do my job, but with whatever, 99 agents that I am directing on my behalf, the workflow is not going to be constant, right?

誰かが、私はこれから自分の仕事をしますが、私の代理として99人のエージェントに指示を出します、と言ったとき、ワークフローは一定ではないでしょう？

I mean, you now are really going to have to change even the scope of your job is going to change.

つまり、あなたは今、仕事の範囲さえも変えなければならないのだ。

字幕リスト動画再生

サティア・ナデラマイクロソフトのAIベット、ハイパースケーリング、量子コンピューティングのブレークスルー (Satya Nadella: Microsoft's AI Bets, Hyperscaling, Quantum Computing Breakthroughs)

sort

sophisticated

opportunity

basically