Name: 10分でわかるAIコンペティション (AI Competition explained in 10 minutes)
Uploaded: 2025-10-21T13:26:27.000Z
Duration: 10 min 25 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：

In order to talk about how the US and China are competing for AI, let's frame it in these layers.

AIを巡るアメリカと中国の競争について話すために、これらのレイヤーで整理してみましょう。

To create AI applications, you need large language models.

AIアプリケーションを作成するには、大規模言語モデルが必要です。

And to innovate large language models, you need massive server infrastructure.

そして、大規模言語モデルを革新するには、大規模なサーバーインフラストラクチャが必要です。

And that infrastructure depends on a supply of advanced chips, and supply requires semiconductor production.

そして、そのインフラストラクチャは高度なチップの供給に依存しており、供給には半導体製造が必要です。

And production is only possible with advanced design.

そして、製造は高度な設計があって初めて可能になります。

And practically, at every layer of this, you have varying levels of government intervention between the US and China in order to compete for AI.

そして実際、この各レイヤーにおいて、AIを巡る競争のために、アメリカと中国の間で様々なレベルの政府介入があります。

では、この質問から始めましょう。

If the competition between US and China is this intense, why don't I really see it?

アメリカと中国の競争がこれほど激しいなら、なぜ私はそれをあまり見ないのでしょうか？

アプリケーション層から始めましょう。

Most of us are in the application layer where we create and use applications like ChatGPT, Cloud Code, NotebookLM and Manis.

私たちの大半は、ChatGPT、Cloud Code、NotebookLM、Manisのようなアプリケーションを作成し使用するアプリケーション層にいます。

And these applications leverage large language models.

そして、これらのアプリケーションは大規模言語モデルを

And contrary to popular opinion, competition at the application layer is actually higher than any of the layers above.

And that's because of a concept called barrier to entry.

そして、一般的な意見とは反対に、アプリケーション層での競争は、その上のどの層よりも実際には高くなっています。

In other words, anybody can create AI applications for practically free, but

それは、参入障壁という概念があるからです。

not everyone can compete with LLM providers like OpenAI, Anthropic, Meta and Deepseek.

つまり、誰でも実質無料でAIアプリケーションを作成できますが、

For example, Meta's Llama 3.1 model, which is an LLM that's 405 billion parameters in size, was released in July 2024.

OpenAI、Anthropic、Meta、DeepseekのようなLLMプロバイダーと競争できる人は限られています。

In order to train this massive model, it requires 38 septillion math operation, which in the AI industry this math operation is called FLOPS, which stands for floating point operations.

例えば、MetaのLlama 3.1モデルは、4050億パラメータを持つLLMで、2024年7月にリリースされました。

So in order to do 38 septillion operations to train the Llama 3.1 model, you're going to need a lot of computing.

この巨大なモデルをトレーニングするには、38セプティリオン回の計算が必要ですが、AI業界ではこの計算をFLOPS、つまり浮動小数点演算と呼びます。

Precisely, you need about 4,4486 years just to train Llama 3.1 with one H100 GPU, which is considered the highest grade GPU for training LLMs.

したがって、Llama 3.1モデルをトレーニングするために38セプティリオン回の演算を行うには、多くのコンピューティングパワーが必要です。

And for reference, the H100 GPU costs around 25 to 40 thousand dollars a piece.

正確には、LLMのトレーニングで最高グレードとされるH100 GPU 1台でLlama 3.1をトレーニングするだけで、約44486年かかります。

So how do we shrink down the 4486 series to something more tangible?

では、この4486年という期間を、もっと分かりやすいものに縮小するにはどうすればいいのでしょうか？

Thanks to transformer architecture, we're able to run most pre training in parallel, basically by throwing more money at it.

トランスフォーマーアーキテクチャのおかげで、ほとんどの事前学習を並列で行うことができ、基本的にさらにお金をかけることで実現しています。

Meta used 16,000 H100 units just to train this model, which cost them around 400 to $640 million in equ just to train llama 3.1 model.

Metaは、このモデルをトレーニングするために16,000台のH100ユニットを使用し、Llama 3.1モデルのトレーニングだけで約4億ドルから6億4000万ドルの費用がかかりました。

So a simple math should tell us that Meta's investment of 400 to $640 million to scale up to 16,000 H100 units to run 38 septillion flops in parallel should take them around three months, rather than 4,486 years.

ですから、簡単な計算でわかるように、Metaが38セプティリオン回のFLOPSを並列で実行するために16,000台のH100ユニットにスケールアップするために4億ドルから6億4000万ドルを投資したとすれば、4,486年ではなく約3ヶ月かかるはずです。

So as you can see, the barrier to entry is quite high, meaning most of us probably won't be starting a company to compete against companies like Meta, OpenAI, and

ですから、ご覧の通り、参入障壁は非常に高く、私たちの大半はMeta、OpenAIのような企業と競争する会社を設立することはないでしょう。

But China has a lot of companies that can compete at this level, like Alibaba, Deepseek, Apple, Baidu, Moonshot, and

しかし、中国にはAlibaba、Deepseek、Apple、Baidu、Moonshot、そして

ByteDanceのような、このレベルで競争できる企業がたくさんあります。

And as we saw with the Llama 3.1 model, training requires a lot of computing.

そして、Llama 3.1モデルで見たように、トレーニングには多くのコンピューティングが必要です。

In other words, for Chinese companies to compete at the LLM layers, they need access to as many GPUs as possible.

つまり、中国の企業がLLM層で競争するには、可能な限り多くのGPUにアクセスする必要があります。

For example, if Meta only had half of what they actually had, so 8,000 instead of 16,000 H100, the training time for the llama 3.1 would have been around six months, as opposed to three.

例えば、Metaが実際に持っているGPUの半分の8,000基しかなく、16,000基ではなかった場合、Llama 3.1のトレーニングには3ヶ月ではなく、約6ヶ月かかっていたでしょう。

And in the AI industry, a lot can happen during that three months that they would have taken them to train the model longer.

そして、AI業界では、モデルのトレーニングに時間がかかる3ヶ月の間に、多くのことが起こり得ます。

And this is where we start to go from the LLM layer to the infrastructure infrastructure layer.

ここで、LLM層からインフラストラクチャ層へと移行していきます。

Because in order to innovate LLMs, you need the infrastructure to support the innovation of LLM.

なぜなら、LLMを革新するには、LLMの革新を支えるインフラストラクチャが必要だからです。

So if you put yourself in the shoes of Chinese companies where you have to compete with companies like Meta to innovate the next generation LLM, it's in your best interest to put your hands on as many GPUs as possible.

ですから、Metaのような企業と次世代LLMの革新を競わなければならない中国の企業になったつもりで考えると、できるだけ多くのGPUを手に入れることが最善の利益になります。

And that's exactly what we're seeing from these companies.

そして、まさにそれこそが、これらの企業で見られることです。

Meta's infrastructure is estimated to be about 350,000 H100 GPUs.

Metaのインフラストラクチャは、約35万基のH100 GPUと推定されています。

OpenAI is planning to build Stargate, which is supposed to run up to 2 million GPUs when it's completed.

OpenAIは、完成時には最大200万基のGPUを実行できるとされるStargateの構築を計画しています。

And XAI released tens of billions of doll on their Colossus facility in Memphis that can run up to 350,000 GPUs.

そしてXAIは、テネシー州メンフィスのColossus施設に数十億ドルを投じ、最大35万基のGPUを実行できます。

中国は少し事情が異なります。

Unlike the US counterparts like Meta and OpenAI, China doesn't have the same level of infrastructure with advanced chips like H100.

MetaやOpenAIのような米国の企業とは異なり、中国にはH100のような高度なチップを備えたインフラストラクチャが同レベルで存在しません。

And this is largely due to heavy restrictions that the US has put on China.

そしてこれは、米国が中国に対して課した厳しい制限によるものが大きいです。

And in order for Chinese competitors like Alibaba, Deepseek, Moonshot, ByteDance to compete against US counterparts like OpenAI, Anthropic, Google and Xai, you need GPUs in the magnitude of hundreds of thousands, if not millions of them.

Alibaba、Deepseek、Moonshot、ByteDanceのような中国の競合他社が、OpenAI、Anthropic、Google、Xaiのような米国の企業と競合するためには、数百万基とは言わないまでも、数十万基規模のGPUが必要です。

In October 2022, the US banned Nvidia's export of H100 and A100.

2022年10月、米国はNvidiaのH100とA100の輸出を禁止しました。

In October 2023, US banned the H100 chips, and in January 2025 they further restricted H20.

2023年10月にはH100チップの輸出を禁止し、2025年1月にはH20をさらに制限しました。

Until recently, the US government agreed to share Nvidia's 15% of their revenue to Chinese sales.

最近まで、米国政府はNvidiaの中国での売上高の15%を共有することに同意していました。

So, as you can see in the infrastructure layer, China is faced with this barrier to entry, which means their infrastructure doesn't as easily support innovation in the LLM layer as the US does.

ですから、インフラストラクチャ層で見られるように、中国は参入障壁に直面しており、これはLLM層でのイノベーションを米国ほど容易にサポートできないインフラストラクチャを意味します。

Which brings us to the next layer, which is the supply layer.

そこで、次のレイヤーであるサプライヤー層に移ります。

China has many companies that are willing to compete with the US in the LLM layer.

中国には、LLM層で米国と競合したいと考える多くの企業があります。

Their supply of chips is being throttled by the us, leading to a weaker infrastructure.

彼らのチップの供給は米国によって抑制されており、インフラストラクチャが弱くなっています。

So the natural question is this, if China doesn't have access to these chips, how are they able to compete with the US?

では、自然な疑問として、中国がこれらのチップにアクセスできない場合、どのように米国と競合できるのでしょうか？

Deepsea, for example, used the inferior GPU, the H800 card that were bought previously to the ban, to train the Deepsea V3 model.

例えば、Deepseaは、禁止前に購入された劣等GPUであるH800カードを使用して、Deepsea V3モデルをトレーニングしました。

And even with the lower grade GPU with lesser capacity, DeepSeek released the V3 model on December 26, 2024.

そして、容量の少ない低グレードのGPUであっても、DeepSeekは2024年12月26日にV3モデルをリリースしました。

And this has completely shocked the world because China essentially proved that they can innovate with less.

そしてこれは世界を完全に驚かせました。なぜなら、中国は本質的に、より少ないリソースでも革新できることを証明したからです。

So even with the extreme restrictions that the US has put on China, China was still able to produce Deep Seq V3 and Deep Seq R1.

したがって、米国が中国に課した極端な制限にもかかわらず、中国はDeep Seq V3とDeep Seq R1を生産することができました。

That went head to head against OpenAI01, which was a huge breakthrough in the US.

これは、米国での大きなブレークスルーであったOpenAI01と真っ向から競合しました。

And to put things into perspective, the Llama 3.1 model that we covered earlier took nearly three months with 16,000 H100 GPUs that required 38, septillion operations.

そして、状況を理解するために言うと、先ほど取り上げたLlama 3.1モデルは、38セプティリオン回の演算を必要とする16,000個のH100 GPUで約3ヶ月かかりました。

And compared to this, Deep SEQ not only used H800 GPUs, which trails behind the H100, but

これと比較して、Deep SEQはH100に劣るH800 GPUを使用しただけでなく、

それらをわずか2048個しか使用しませんでした。

And the training only required 3.8 septillion operations, which is 10 times less than the llama 3.1.

そして、トレーニングにはわずか3.8セプティリオン回の演算しか必要とせず、これはllama 3.1の10分の1です。

The implication of this is quite large on the infrastructure layer, because if you can train an LLM more efficiently, the cost burden in the infrastructure layer is significantly less demanding.

これがインフラ層に与える影響は非常に大きく、LLMをより効率的にトレーニングできれば、インフラ層のコスト負担は大幅に軽減されます。

So from earlier we Talked about how OpenAI is investing in Stargate, that has capacity up to 2 million GPUs and XAI's huge investment in Memphis.

先ほど、OpenAIが最大200万基のGPU容量を持つStargateに投資していることや、XAIのMemphisへの巨額投資についてお話ししました。

If Deepsea continues, continues to innovate state of the art LLMs with less flops, it could totally undermine the US investments on the infrastructure layer that we saw on OpenAI and XAI.

Deepseaが、より少ないフロップスで最先端のLLMを革新し続けるなら、OpenAIやXAIで見られた米国によるインフラ層への投資を完全に覆す可能性があります。

ここでのジレンマは非常にクレイジーです。

Since China is forced to innovate with less, and they did innovate with less.

中国は少ないリソースで革新することを余儀なくされ、実際に少ないリソースで革新しました。

And the implication of that could be that maybe less is the norm, which would completely weaken US's perceived strength because they control the supply layer.

その結果、少ないことが標準となり、供給層を支配している米国の認識されている強みを完全に弱める可能性があります。

Regardless of the case, the layer above supply is manufacturing.

いずれにしても、供給層の上にあるのは製造です。

Meaning either way, these advanced chips need to be manufactured to continue the innovation of LLMs.

つまり、どちらの場合でも、これらの高度なチップはLLMの革新を続けるために製造される必要があります。

And competition in the manufacturing layer between the US and China is huge as well.

そして、米国と中国の間での製造層における競争もまた、非常に大きいです。

Back in 2025, China put forward a policy called Made in China 2025, which was a movement to deleverage their dependencies on foreign countries, especially in the semiconductor layer.

2025年に中国は「メイド・イン・チャイナ2025」という政策を打ち出しました。これは、特に半導体層において、外国への依存を軽減するための動きでした。

Their goal was to have 70% of their core materials from Chinese domestic content.

彼らの目標は、主要な原材料の70%を中国国内産にすることでした。

Essentially, China wants to produce their own chips instead of buying from companies like Nvidia.

要するに、中国はNvidiaのような企業から購入するのではなく、自社でチップを製造したいのです。

Not only are fabs, which are factories that make chips extremely expensive, it's also a logistical nightmare in requires extreme technical precision.

チップを製造する工場であるファブは非常に高価であるだけでなく、極めて高度な技術精度を必要とする物流上の悪夢でもあります。

In fact, there's really only one place in the world that produce most of these chips, and

実際、これらのチップのほとんどを製造できる場所は世界に一つしかありません。

that's in Taiwan, by a company called tsmc.

それは台湾のTSMCという会社です。

That stands for Taiwan Semiconductor Manufacturing Company.

Taiwan Semiconductor Manufacturing Companyの略です。

So China's effort to deleverage from companies like TSMC and Nvidia would mean that they would at least have to produce chips internally at the same capacity as TSMC at the minimum.

ですから、TSMCやNvidiaのような企業からの依存を減らそうとする中国の努力は、少なくともTSMCと同等の能力でチップを国内生産する必要があることを意味します。

But most countries have given up trying due to yet another barrier to entry.

しかし、ほとんどの国は、さらなる参入障壁のために試みを諦めています。

But in this case, the barrier to entry isn't just about money and capital, but

しかし、この場合、参入障壁はお金や資本だけでなく、

it's also two different things things talent and equipment.

それは才能と設備という、全く異なる2つのものです。

While China has more STEM graduates than the us, in fact nearly double the amount which helps in the chip design, what they lack is equipment.

中国は米国よりも多くのSTEM卒業生、事実上倍の人数を輩出しており、チップ設計に役立っていますが、彼らに欠けているのは設備です。

More specifically a $250 million equipment called EUV lithography.

具体的には、2億5000万ドルするEUVリソグラフィーという装置です。

While most electronics that we use, like microwaves, door sensors and dishwashers can be made in fabs with lower grade equipment like the DUV, high performance GPUs like the H100 requires EUV to generate.

電子レンジ、ドアセンサー、食器洗い機のような私たちが使うほとんどの電子機器は、DUVのような低グレードの設備を持つ工場で作ることができますが、H100のような高性能GPUは生成するためにEUVが必要です。

The problem is, EUV is also near impossible in replicating due to how accurate the equipment needs to.

問題は、EUVは装置の精度が非常に高いため、複製がほぼ不可能であることです。

We're talking precision down to a molecular level.

分子レベルの精度について話しています。

And there's really only one place in the world that manufactures euv and it's a Dutch company called asml.

そして、世界でEUVを製造できる場所は1つしかなく、それはASMLというオランダの会社です。

And just like in the supply layer US was banning Nvidia from selling advanced chips to China.

そして、サプライヤー層と同様に、米国はNvidiaが中国に高度なチップを販売することを禁止していました。

ASML is also banned from selling EUV equipment to China as well.

ASMLも中国へのEUV装置の販売を禁止されています。

In other words, in order for China to compete with the US in chip production, the barrier to entry here is not only the cost of fabs, which is around $20 billion for factory, they also lack the equipment, such as the EUV lithography to make the chips internally.

つまり、中国がチップ製造で米国と競争するためには、ここでの参入障壁は、工場あたり約200億ドルのファブのコストだけでなく、チップを国内で製造するためのEUVリソグラフィーのような設備も不足しているということです。

So as you see, in every layer we see two sides of the same coin.

このように、すべてのレイヤーでコインの裏表のような二面性が見られます。

One being the barrier to entry and the other being competition.

一つは参入障壁、もう一つは競争です。

Meaning in order for China to compete, they need to overcome every barrier to entry that the US is imposing on them.

つまり、中国が競争するためには、米国が課しているあらゆる参入障壁を乗り越える必要があるということです。

And the US has been making this barrier gradually difficult for China, while China, in order to still compete but with less, has been proving and almost flaunting at this point by releasing models like deep seq, V3 Kimike, 2 coin, 3 quarter as open models, as if to show China isn't too worried about the bans and restrictions that the US has been putting on every layer of the spectrum here.

そして米国は、中国にとってこの障壁を徐々に困難にしていますが、中国は、それでも競争するために、そしてより少ないリソースで競争するために、ディープシーケンス、V3キミケ、2コイン、3クォーターのようなモデルをオープンモデルとしてリリースすることで、中国は米国のあらゆるレイヤーに課している禁止や制限をあまり心配していないかのように、この時点で証明し、ほとんど誇示しています。

So the ultimate question is this, what does this all boil down to?

では、究極の疑問はこれです。これはすべて何に帰着するのでしょうか？

At the end of the day, everything is contingent on the very last layer, the application layer, which is where most of us live and breathe.

結局のところ、すべては、私たちのほとんどが生活し呼吸しているアプリケーション層、つまり最後のレイヤーにかかっています。

AI is only going to be as good as what the application come out of it.

AIは、そこから生まれるアプリケーションと同じくらいしか良くならないでしょう。

In other words, both the US and China are dumping billions of money in supporting companies like intel, smic, Nvidia, essentially at the top layer down, because it's all about betting on what AI can do in the application layer, like healthcare, military and finance.

つまり、米国と中国は、インテル、SMIC、Nvidiaのような企業を支援するために数十億ドルを投じており、本質的にはトップレイヤーから下に向かっており、それはヘルスケア、軍事、金融のようなアプリケーション層でAIが何ができるかに賭けることだからです。

So although we don't really experience the crazy competition that happens in the upper layers, it's really about us in justifying the competition at the top by innovating cool stuff like ChatGPT, Manus, NotebookLM, Replete, Relovable, V0, Bolt, Cursor, Klein, or any other domain specific solutions in military, healthcare, transportation, science, or anywhere else where AI could fit in.

ですから、上のレイヤーで起こる激しい競争を私たちはあまり経験しませんが、ChatGPT、Manis、NotebookLM、Replete、Relovable、V0、Bolt、Cursor、Kleinのようなクールなものを革新することで、上の競争を正当化することが私たちにかかっています。あるいは、軍事、ヘルスケア、交通、科学、あるいはAIが適合できる他のどこにでも、特定のドメインソリューションがあります。

So ultimately it's up to us in leveraging all the breakthroughs that we're seeing in each layers above to unlock more automation, more disruption, and

したがって、最終的には、私たちが上の各レイヤーで見ているすべてのブレークスルーを活用して、より多くの自動化、より多くの破壊を解き放つことが私たちにかかっています。