Name: パーソナル・アシスタントを欲しいと思ったことは？AIが登場するかもしれない (Ever wanted a personal assistant? An AI one could be around the corner)
Uploaded: 2025-10-27T18:27:59.000Z
Duration: 34 min 56 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：

Welcome to beyond the Valley, a CNBC tech podcast with Arjun Karpal and Tom Chitty.

beyond the Valleyへようこそ。CNBCのテックポッドキャストです。アルジュン・カルパルとトム・チッティがお送りします。

Have you ever wanted a personal assistant?

パーソナルアシスタントが欲しいと思ったことはありますか？

法助動詞 A2

Someone that can manage your diary, arrange travel, make notes in meetings, but also knows you personally, what your interests are, your habits, your likes and dislikes.

あなたのスケジュールを管理したり、旅行を手配したり、会議でメモを取ったりしてくれるだけでなく、あなたの個人的なこと、興味、習慣、好き嫌いまで理解してくれるような人です。

Now, what if that assistant was an AI large language model trained on your individual data?

では、そのアシスタントが、あなたの個人データでトレーニングされたAI大規模言語モデルだったらどうでしょうか？

This is just one of the many ways that future technology could impact our lives in 2025 and beyond, according to a list of predictions that have often become a reality beyond the Valley.

これは、beyond the Valleyでしばしば現実となっている予測リストによると、2025年以降、将来のテクノロジーが私たちの生活に影響を与える多くの方法のほんの一例です。

今週のゲストはベン・ウッドさんです。

He is chief analyst at tech research firm CCS Insight.

彼はテックリサーチファームCCS Insightのチーフアナリストです。

In 2021, he was ranked as one of the top five tech analysts in the US and Europe by Apollo Research.

2021年には、Apollo Researchによって米国と欧州でトップ5のテックアナリストの一人にランクインしました。

Ben is also the founder and co curator of the Mobile Phone Museum.

ベンさんは、モバイルフォンミュージアムの創設者でありコキュレーターでもあります。

But this week we're going to discuss his work leading CCS Insight's annual predictions event.

しかし今週は、CCS Insightの年次予測イベントを率いる彼の仕事について話し合います。

Ben, thanks for joining us on beyond the Valley again.

ベンさん、beyond the Valleyに再びお越しいただきありがとうございます。

You are the first repeat guest we've had on the podcast.

このポッドキャストで初めてのリピートゲストですね。

Well, I'm flattered to enter that hall of fame.

そう言っていただけると光栄です。

お招きいただき、本当にありがとうございます。

We're going to get a plaque of some sort, I imagine.

何かしらの記念プレートをいただけるのでしょうね。

We did promise maybe to give out mugs, didn't we, to some of our guests?

ゲストの方々にはマグカップを差し上げると約束しましたよね？

That hasn't materialized yet, but we'll work on that.

それはまだ実現していませんが、検討します。

３つか４つしかありませんので。

ええ、３回目かもしれませんね。

サプライチェーンの問題ですね。

ええ、その通りです、その通り。

それでは、ベンさん、始めましょう。

Talk us through this event and how you come up with these predictions.

このイベントについて、そしてどのように予測を立てているのか教えていただけますか？

So I've been in the analyst game for quite a while and I don't know, about 15 years ago or so, there were a few companies who were doing the odd tech prediction, but I felt there was an opportunity to do it in a more structured manner.

私はアナリストとしてかなり長い間この業界に携わってきましたが、15年ほど前でしょうか、数社が時折テック予測を行っていましたが、もっと構造化された方法でできるのではないかと感じていました。

We had a team of analysts and quite frankly, our job is to provide insight into where technology is going to.

アナリストのチームがおり、率直に言って、私たちの仕事はテクノロジーがどこへ向かうのかについての洞察を提供することです。

And if a team of analysts can't come up with a few interesting predictions, then we're not doing our job properly.

そして、アナリストのチームがいくつか興味深い予測を立てられなければ、私たちは仕事をきちんとやっているとは言えません。

So we started putting together a short list of predictions about how we saw things happening in the next year in the kind of five years out.

そこで、来年どのように物事が進むか、そして今後5年間でどうなるかについての予測の短いリストを作成し始めました。

So this year, for example, would be 2025 and beyond.

ですから、例えば今年は2025年以降ということになります。

But the charter for the predictions was they have to be definitive.

しかし、予測の基準は、断定的なものでなければならないということでした。

It can't be kind of like might, could, would.

それは「〜かもしれない」「〜だろう」といった曖昧なものであってはなりません。

I like people to actually put it on the line and actually commit to something.

私は、人々が実際に断言し、何かを約束することを好みます。

また、それらは信憑性がなければなりません。

We don't do stuff that's deliberately provocative.

私たちは意図的に挑発的なことはしません。

I think that's a bit of a fool's errand, but we will put things in there which might raise people's eyebrows because if you just go for low hanging fruit and say, you know, the sun will come up and grass will be green if it rains and those sorts of things, it's a waste of time.

それは少し無駄な試みだと思いますが、人々の眉をひそめさせるようなものを入れることもあります。なぜなら、もし単に簡単な予測ばかりをして、「太陽は昇るだろう」「雨が降れば草は緑になるだろう」といったことばかり言うなら、時間の無駄だからです。

You have to have stuff which is potentially a little bit more edgy and that means you will get things wrong.

少しエッジの効いたものが必要であり、それはつまり、間違えることもあるということです。

And then the final thing that we put into it was the fact that we, we're always happy to after we'd done our predictions the year later or a couple of years later, we'd go back and reflect on them and say, here's some we got right, but more importantly, here's the ones we got wrong.

そして、最後に入れたのは、予測をした後、翌年あるいは数年後に、それらを振り返り、「これは正しかったものだ。しかし、もっと重要なのは、間違えたものだ」と言うことに、私たちは常に満足しているという事実です。

そして、なぜそうなったのかを考えます。

Well, we're going to get into those later in the episode, but first let's talk about the prediction that we're most interested and explore it a little deeper before we do that though, Stat of the Week Ben, you played last time, I can't actually remember the result of I got in the ballpark, but I didn't get it exactly right.

さて、それについてはエピソードの後半で触れることになりますが、まずは私たちが最も興味を持っている予測について話し、それをもう少し深く掘り下げてみましょう。その前に、今週のスタッツですが、ベン、前回あなたが担当しましたよね。結果は正確には覚えていませんが、大体合っていたと思います。正確ではなかったのですが。

それはサムスンのスタッツでした。

Yeah, I think you were really far off as well, Tom, as yeah, as usual.

ええ、トム、いつものように、あなたもかなり外していましたね。

でも、まあ、それは構いません。

And remember a few episodes ago, just want to make this very clear.

そして、数エピソード前のことを思い出してください、これは非常に明確にしておきたいのですが。

Well, for looking at Google during the salad.

ええと、サラダの最中にGoogleを見ていたためです。

I think it was reviewed and inconclusive.

レビューされましたが、結論は出ませんでした。

There's still an inquiry going on as we speak.

But the start of the week this week, 990 billion.

しかし、今週の始まりですが、9900億ドルです。

All right, so the prediction that we're going to discuss in the main for this episode is this.

さて、今回のエピソードのメインで議論する予測はこれです。

So the first personal large language model for AI arrives in 2025.

AI向けの初のパーソナル大規模言語モデルが2025年に登場します。

A personal large language model is trained using only data specific to an individual user.

パーソナル大規模言語モデルは、個々のユーザーに固有のデータのみを使用してトレーニングされます。

In contrast to a standard model, it is tuned specifically to a person's communication style, name, needs and preferences.

標準的なモデルとは対照的に、その人のコミュニケーションスタイル、名前、ニーズ、好みに合わせて特別に調整されています。

It is trained using the individual's data based on previous interactions, such as emails, messages, documents and social media interactions.

メール、メッセージ、ドキュメント、ソーシャルメディアのやり取りなど、以前のやり取りに基づいた個人のデータを使用してトレーニングされます。

The model is continuously updated by drawing on the person's evolving data sources.

モデルは、その人の進化するデータソースを活用することで継続的に更新されます。

その背景にある考えは何ですか？

So the thesis behind this prediction is the fact that we've seen AI becoming more prominent.

この予測の根底にある考え方は、AIがより目立つようになったという事実です。

We're certainly seeing it becoming very much an on device phenomenon centered around the smartphone and we're seeing the addition of things like contextual awareness.

私たちは確かに、スマートフォンを中心としたオンデバイス現象としてAIが普及し、コンテキストアウェアネスのような機能が追加されているのを見ています。

So if there's something on the screen, the AI model can look at it and it can help you provide information on that.

画面上に何かがあれば、AIモデルはそれを見て、それに関する情報を提供することができます。

Something that we're intrigued about and excited about is the idea of taking all of the personal data that people have, and of course with all of the Uzi caveats around privacy, and using that to, to create a model which is more tailored to that specific individual.

私たちが興味深く、興奮しているのは、人々の持つすべての個人データを取り込み、もちろんプライバシーに関するあらゆる注意点を考慮した上で、それを特定の個人により適したモデルを作成するために使用するという考え方です。

And if there's one company that's well positioned to do this, it's Apple, because of the unbelievable repository of personal data that people tend to have on an iPhone or in icloud, because Apple have been fantastically good at taking people on a journey of keeping all of their data from one generation of a device to another.

そして、これをうまく実行できる企業があるとしたら、それはAppleです。なぜなら、人々がiPhoneやiCloudに持っている個人データの驚くべきリポジトリがあるからです。Appleは、デバイスの世代を超えてすべてのデータを保持する旅に人々を連れて行くのが非常に得意だからです。

And what this means is, is you would then be able to get some amazing results out of this kind of model.

これは、この種のモデルから驚くべき結果を得ることができるようになることを意味します。

So just take for example, some of these scenarios we see about asking AI to create a holiday for me or those sorts of things.

例えば、AIに休暇の計画を立ててもらうといったシナリオを考えてみましょう。

It's still relying somewhat on some sort of general algorithms around what people like you like.

それはまだ、あなたのような人が何を好むかという一般的なアルゴリズムにいくらか依存しています。

But this would take it right down to that specific view in terms of where you've been in the past, what you like, perhaps doing analysis of pictures you've taken so you can tell who you like, going with what things.

しかし、これは、過去にどこに行ったか、何が好きか、撮った写真の分析をして、誰が好きか、何に興味があるかを伝えることができるという点で、その特定の視点まで落とし込むことができます。

あなたをワクワクさせるもの。

It could be a remarkable way of delivering context and for other things, just prioritizing important things in your life.

これは、コンテキストを提供するための素晴らしい方法であり、人生の重要なことを優先するためにも役立つ可能性があります。

If things are appearing in your email that maybe haven't been there for a while, but they all of a sudden are super hyper relevant and you need to know about them, it could surface those better than a general model.

しばらく表示されていなかったものがメールに表示され、突然非常に重要になり、知る必要がある場合、一般的なモデルよりもそれらをうまく特定できます。

So this would be something you see working on devices at this point, whether it's a smartphone or a tablet, laptop, etc.

ですから、これはスマートフォン、タブレット、ラップトップなどのデバイスで機能するものになるでしょう。

So in the holiday example, that could be something like scraping sort of your, your photo day, saying, well, you've got a lot of pictures of food when you're on holiday.

したがって、休暇の例では、休暇中に食べ物の写真がたくさんあることを示して、写真の日付を収集するようなものになるかもしれません。

Specifically you're really into food when you go abroad.

特に、海外旅行の際は食に非常に興味があるのですね。

Maybe we should throw up some good restaurant recommendations for you.

いくつか良いレストランのおすすめを提案すべきかもしれません。

When you go on holiday, there's a lot of beaches you like.

休暇に旅行する際、お気に入りのビーチがたくさんあります。

A beach holiday, is it, is it that kind of way that it will work?

ビーチでの休暇、それが機能するような方法なのでしょうか？

And then down to all of the individual things.

そして、個々のことすべてに落とし込んでいきます。

You know, looking in your email to see what hotel reservations you've made and making sure that it's the kind of profile of hotel that you like, looking at the kind of experiences that you like.

例えば、メールを見て、どのようなホテルを予約したか確認し、お好みのタイプのホテルか、お好みの体験ができるかなどをチェックします。

You know, make no mistake, we're seeing with AI already you can get some general information in this context and it will draw on some of your personal information already.

間違いなく、AIを使えば、この文脈で一般的な情報を得ることができ、すでに個人の情報も活用されます。

しかし、これは真にパーソナライズされたものになるでしょう。

And the reason it needs to be on device is because it means that it's ring fenced.

そして、それがオンデバイスである必要があるのは、それが囲い込まれているからです。

From a privacy perspective, you don't want that deepest personal data all being relinquished up into the cloud and then to goodness knows who.

プライバシーの観点から、最も深い個人データがすべてクラウドに引き渡され、それが誰の手に渡るか分からないという状況は避けたいですよね。

So can we just talk about that from a technical perspective on how it will work?

では、技術的な観点から、それがどのように機能するかお話しいただけますか？

Because we did an episode recently on large language models and we're talking about all of these large language models being trained via these huge, you know, GPU chipsets, data servers, etc.

最近、大規模言語モデルに関するエピソードを放送し、これらの大規模言語モデルが、膨大なGPUチップセットやデータサーバーなどを通じてトレーニングされていることについて話しました。

And then obviously in the cloud you can access the services that are a result of them, Whether it be ChatGPT or something else, so that we understand.

そして、もちろんクラウドでは、ChatGPTやその他のサービスなど、それらの結果として得られるサービスにアクセスできます。

And when we're accessing some of the current smartphone digital assistants, whether it be, you know, Google, Gemini, Samsung's Bixby, or the Apple Siri and Apple intelligence, when it comes again, it's not fully on device yet.

そして、現在のスマートフォンのデジタルアシスタント、例えばGoogleのGemini、SamsungのBixby、あるいはAppleのSiriやApple Intelligenceにアクセスする際、それらはまだ完全にオンデバイスではありません。

A lot of it will still be coming from the cloud.

その多くは依然としてクラウドから提供されるでしょう。

So when it comes to a sort of personalized LLM, how would one train or how would a company train that and then sort of deploy that to the user?

では、パーソナルな大規模言語モデルに関して、どのようにトレーニングし、ユーザーに展開するのでしょうか？

ええ、それは興味深いと思います。

You know, we obviously continue to see the processing power on devices increasing.

ご存知の通り、デバイスの処理能力は増え続けています。

We're seeing the size of the models growing.

モデルのサイズも大きくなっています。

So the latest Gemini nano model, 3.8 trillion parameters.

最新のGemini nanoモデルは、3兆8000億パラメータです。

I mean, it's staggering, staggering numbers.

驚くべき、驚くべき数字です。