役員室から休憩室に至るまで、今年は生成 AI が旋風を巻き起こし、イノベーションや創造性を高め、顧客サービスの向上、製品開発の変革、さらにはコミュニケーションの促進のため、このテクノロジをどのように活用するのがベストなのか、業界を超えて活発な議論が交わされました。
IDC によると、世界中の企業が AI ソリューションに費やす金額は、来年には 3070 億ドルに達し、2028 年には 6320 億ドルに成長すると予測されています。年平均成長率は 29.0% です。AI は 2030 年までに世界経済に累計 19 兆 9000 億ドルの影響を与え、2030 年の世界 GDP の 3.5% を牽引すると IDC は予測しています。
しかし、一部の企業やスタートアップは依然として AI の採用に向けた動きが慎重で、このテクノロジが目まぐるしい速さで進歩しているにもかかわらず、実験やサイロ化されたプロジェクトに留まっています。その原因の 1 つは、AI によってもたらされるメリットが、企業、ユース ケース、および投資レベルによって異なるためです。
慎重なアプローチから楽観主義へと変わりつつあります。Forrester Research が実施した 2024 年の AI の現状調査の回答者の 3 分の 2 が、自分たちの組織で AI イニシアチブが成功とみなされるために必要な投資収益率は 50% 未満と考えています。
次に注目を集めるのは、多様な言語モデル、洗練された 検索拡張生成 (RAG) スタック、および高度なデータ アーキテクチャの利用を必要とする自律的または「推論」AI の一形態であるエージェント型 AI です。
NVIDIA の各業界のエキスパートは、すでに今後 1 年の期待を語っています。本ブログでは、企業、研究、およびスタートアップ エコシステムにわたる AI のイノベーションを推進する企業エキスパートたちの見解を紹介します。
イアン バック (IAN BUCK)
ハイパースケール 兼 HPC 担当バイス プレジデント
推論により AI の負荷が増大: AI モデルの規模と複雑さが増大するにつれ、効率的な推論ソリューションに対する需要は高まるでしょう。
生成 AI の台頭により、推論は、単純なクエリの認識と回答から、さまざまな情報源や、OpenAI o1 や Llama 405B といった大規模言語モデルからの要約といった複雑な情報生成へと変化しており、それによってコンピューティング需要が劇的に増大しています。新たなハードウェアのイノベーションと絶え間ないソフトウェアの改善により、パフォーマンスが向上し、総所有コスト (TCO) が 5 分の 1 以下にまで減少することが予想されます。
すべてを加速: GPU がより幅広く採用されるようになるのに伴い、各業界は計画から生産まであらゆるものを加速させることが検討されるでしょう。新たなアーキテクチャによってその好循環に拍車がかかり、世代ごとに費用効率の向上と桁違いに高いコンピューティング性能がもたらされることになります。
国家や企業がさらに多くのワークロードの加速化を目指して競うように AI ファクトリーの構築を進めるにつれて、その多くが、数か月ではなく数週間でデータセンターを立ち上げて稼働させることのできる、プラットフォーム ソリューションやリファレンス データセンター アーキテクチャまたはブループリントを求めるようになることが予想されます。このことは、量子コンピューティングや創薬をはじめとする世界で最も困難な課題の一部を解決するのに役立つでしょう。
量子コンピューティング — 試行を繰り返し、エラーはゼロ: 研究者たちが、この新興分野にとって最大の課題である「エラー」の解決に向けてスーパーコンピューティングやシミュレーションに重点を置くのに伴い、量子コンピューティングは飛躍的な進歩を遂げるでしょう。
量子コンピューティングにおける情報の基本単位である量子ビットはノイズの影響を受けやすく、たった数千回の演算を行っただけで不安定になります。そのため、現在の量子ハードウェアでは実用的な問題の解決ができません。2025 年には、量子コンピューティング コミュニティが、困難ではあるが極めて重要な量子エラー訂正技術に向けて動き出すことが予想されます。エラー訂正には、迅速かつ低遅延な計算が必要とされます。また、特殊なインフラのサポートにより、スーパーコンピューター内に物理的に配置された量子ハードウェアの登場も予想されます。
また AI は、こうした複雑な量子システムの管理、エラー訂正の最適化、および量子ハードウェアの全体的なパフォーマンスの向上においても重要な役割を果たすことになるでしょう。このように量子コンピューティング、スーパーコンピューティング、および AI が、アクセラレーテッド量子スーパーコンピューターに集約されることにより、創薬、材料開発、物流などさまざまな分野にわたる複雑な問題を解決するための量子アプリケーションの実現に向けた進歩が加速されるでしょう。
ブライアン カタンザロ (BRYAN CATANZARO)
応用ディープラーニング研究担当バイス プレジデント
AI が顔を持つ: AI は、より気軽に利用でき、感情的に反応し、創造性と多様性が顕著になるでしょう。最初に登場した絵を描く生成 AI モデルは、歯を描くというような単純なタスクにも悪戦苦闘していました。しかし AI の急速な進歩によって、生成される画像や動画は写真のようにリアルになり、AI が生成した音声からはロボットのような感じが消えつつあります。
こうした進歩は、アルゴリズムとデータセットの精緻化と、AI が 80 億人の人々にとって意味のあるものとなるには顔と声が必要であるという企業の認識によって推進されます。またこれは、ターン制の AI とのやり取りから、より流動的で自然な対話への移行も生じさせることでしょう。AI とのやり取りは、もはや一連の機械的なやり取りのように感じられるものではなく、より魅力的で人間同士の対話のような体験をもたらします。
産業インフラと都市計画の再考: 国や産業界は、たとえ世界人口が減少してもなお現在の生活水準を維持するために、AI が経済のさまざまな側面を自動化する方法を検証し始めるでしょう。
こうした取り組みは、持続可能性や気候変動に役立つ可能性があります。たとえば、農業分野では、機械的に田畑を整備し、害虫や雑草を除去する自律型ロボットへの投資が始まるでしょう。それによって殺虫剤や除草剤の必要性が減少し、地球がより健康に保たれるとともに、その分の人手を他の有意義なことに振り向けられるようになります。都市計画部門では、自律走行車を考慮して交通管理を向上させるための新しい考え方が生まれることが期待されます。
より長期的観点では、AI は、切迫した地球規模の課題である炭素排出量削減と炭素貯蔵のための解決策を見つけるのに役立つでしょう。
カリ ブリスキ (KARI BRISKI)
生成 AI ソフトウェア担当バイス プレジデント
エージェントの交響曲 — AI オーケストレーター: 企業は、内部ネットワーク全体で機能し、カスタマー サービス、人事、データ セキュリティなどを支援する、トレーニングされた半自律型モデルである AI エージェントを数多く保有することになります。それらの効率を最大限に高めるために、多数のエージェントにまたがって機能して人間の問い合わせをシームレスにルーティングし、収集された結果を解釈してユーザーに推奨したり、ユーザーのためにアクションを起こしたりする、AI オーケストレーターが登場することが期待されます。
これらのオーケストレーターは、より深くコンテンツを理解する機能、多言語機能、および PDF からビデオ ストリームに至るまでの多様なデータ タイプを流暢に扱う機能を利用できることになります。自己学習型のデータ フライホイールによって駆動される AI オーケストレーターは、ビジネス固有の洞察を絶えず精緻化していきます。たとえば製造分野では、AI オーケストレーターがリアルタイム データを分析して生産スケジュールやサプライヤーとの交渉について提案することにより、サプライ チェーンを最適化することができます。
こうしたエンタープライズ AI の進化によって、産業界全体の生産性とイノベーションが大幅に向上すると同時に、エンタープライズ AI がより利用しやすいものになります。ナレッジ ワーカーは、AI を活用したエキスパートのパーソナライズされたチームを利用できるため、その生産性が向上します。開発者は、カスタマイズ可能な AI ブループリントを利用して、こうした高度なエージェントを構築できるようになります。
多段階推論が AI の洞察を強化: AI は何年もの間、与えられたクエリの文脈を深く掘り下げることなく特定の質問に回答することを得意としてきました。アクセラレーテッド コンピューティングの進歩と新たなモデル アーキテクチャにより、AI モデルは次第に複雑な問題に取り組み、より高い精度と深い分析に基づいて回答するようになるでしょう。
多段階推論と呼ばれる機能を利用して、AI システムは、大規模で複雑な質問をより小さなタスクに分割し、時には複数のシミュレーションを実行することで、さまざまな角度から問題の解決を図ることにより、「考える時間」の量を増大させます。これらのモデルは各ステップを動的に評価して、文脈に関連性があり透明性の高い回答が生成されるようにします。また多段階推論には、さまざまな情報源からの知識を統合することが含まれており、AI は論理的な関連付けを行って、さまざまな領域にわたって情報を総合的に処理できるようになります。
これはおそらく、金融やヘルスケアから科学研究やエンターテインメントに至るまで、幅広い分野に影響を及ぼすことになるでしょう。たとえば、多段階推論機能を備えたヘルスケア モデルなら、患者の診断、投薬、および他の治療に対する反応に応じて、医師が検討すべきいくつかの治療法を提示することができます。
AI クエリ エンジンの始動: 企業や研究機関が扱うデータ量はペタバイト規模に上ることから、実用的な洞察を提供するためにデータに素早くアクセスすることが課題となっています。
AI クエリ エンジンは、企業がそのデータを引き出す方法を変え、企業固有の検索エンジンは、自然言語処理と機械学習を利用してテキスト、画像、ビデオを含む構造化および非構造化データを選別し、ユーザーの意図を解釈してより適切で包括的な結果を提供することができるようになるでしょう。
これは、よりインテリジェントな意思決定プロセス、顧客体験の向上、そして業界全体にわたる生産性の向上につながります。AI クエリ エンジンの継続的学習機能により、アプリケーションがさらに効率的になるように後押しする自己改善型データ フライホイールが創出されます。
チャーリー ボイル (CHARLIE BOYLE)
DGX プラットフォーム担当バイス プレジデント
エージェント型 AI によって高性能推論が企業にとって不可欠に: エージェント型 AI の登場により、複数モデルからなる複雑なシステムからほぼ瞬時の応答が求められるようになります。これにより、高性能推論が高性能トレーニング インフラと同様に重要になります。IT リーダーは、リアルタイムの意思決定に必要なパフォーマンスを実現するために、エージェント型 AI の需要に対応できる、拡張性のある専用の最適化されたアクセラレーテッド コンピューティング インフラが必要になるでしょう。
企業はデータをインテリジェンスに加工するため、AI ファクトリーを拡大: 企業の AI ファクトリーでは、生データがビジネス インテリジェンスへと変換されます。来年、企業は大量の履歴データや合成データを活用するためにそれらのファクトリーを拡大し、消費者行動やサプライ チェーンの最適化から金融市場の動きや工場、倉庫のデジタル ツインまで、あらゆるものの予測とシミュレーションを生成することになるでしょう。AI ファクトリーは、早期導入企業が単に将来のシナリオに対応するだけでなく、それらを予測し、形成するのに役立つ、重要な競争上の優位性になります。
冷却要素 — 液冷式の AI データセンター: AI のワークロードが成長を牽引し続ける中、先駆的な組織はパフォーマンスとエネルギー効率を最大限に高めるために液体冷却式のデータセンターへと移行するでしょう。ハイパースケール クラウド プロバイダーや大企業が先陣を切り、何十万もの AI アクセラレータ、ネットワーキング、およびソフトウェアを収容する新たな AI データセンターで液体冷却を利用していくでしょう。
企業は次第に、大規模なインテリジェンス製造インフラの設計、展開、および運用の経済的負担を軽減することなどを目的として、独自の AI インフラを構築するよりも、それをコロケーション施設に展開することを選択するようになるでしょう。あるいは、必要に応じて容量をレンタルすることになります。こうした展開により、企業は自ら設置、運用することなく最新のインフラを利用できるようになります。こうした移行により、AI データセンター向けの主流のソリューションとして、液体冷却が業界で幅広く採用されるようになるでしょう。
ギラッド シャイナー (GILAD SHAINER)
ネットワーク担当シニア バイス プレジデント
ネットワークからコンピューティング ファブリックへ: データセンターのアーキテクチャが、何マイルものケーブル配線と多数のデータセンター施設にわたり、スケールアップおよびスケールアウト通信を介して何千ものアクセラレータが互いに効率的に通信できるようにする統合コンピュート ファブリックへと変わるにつれて、データセンターにおける「ネットワーキング」という用語は時代遅れと思われるようになるでしょう。
この統合コンピュート ファブリックには、スケールアップ通信を可能にする NVIDIA NVLink や、インテリジェント スイッチ、SuperNIC、および DPU によって可能になるスケールアウト機能も含まれます。これにより、アクセラレータとの間でデータを安全に移動させ、データ移動を最小限に抑える計算をオンザフライで実行できます。ネットワーク全体にわたるスケールアウト通信は、大規模な AI データセンターの展開に不可欠なもので、それらを数か月や数年ではなく数週間で立ち上げて稼働させるための鍵となります。
エージェント型 AI のワークロードが増大し、単体の局所的な AI モデルではなく、相互接続された複数の AI モデルが連携した通信が必要とされるようになると、コンピュート ファブリックは、リアルタイムの生成 AI を実現するため不可欠なものとなります。
分散型 AI: 何十万もの GPU による単一ワークロードのサポートを可能にする、イーサネット設計に対する新たなアプローチが登場すると、すべてのデータセンターが高速化されます。これにより、マルチテナント型の生成 AI クラウドやエンタープライズ AI データ センター向けの AI ファクトリーの展開が民主化されるでしょう。
またこの画期的なテクノロジにより、AI をエンタープライズ プラットフォームにまで素早く拡張させて、AI クラウドの構築および管理を簡素化することも可能になります。
企業は、電力制限や、再生可能エネルギー源のできるだけ近くに建設する必要性から、地理的に分散した (何百マイルさらには何千マイルも離れた) データセンター リソースを建設することになるでしょう。スケールアウト通信により、そうした長距離間でのデータ移動の信頼性が確保されます。
リンシー (ジム) ファン (LINXI JIM FAN)
AI エージェント担当シニア リサーチ サイエンティスト
ロボティクスがヒューマノイドへとさらに進化: ロボットは任意の言語コマンドを理解するようになるでしょう。現時点では、産業ロボットは手動でプログラミングしなければならず、それらはプログラミングされたもの以外の予期せぬ入力や言語には知的に対応することができません。視覚、言語、および任意の行動を統合するマルチモーダルなロボット基盤モデルは、より優れた AI 推論を可能にするエージェント型 AI のように、この「AI の頭脳」を進化させるでしょう。
もちろん、家庭、レストラン、サービス エリア、あるいは工場で、すぐにインテリジェント ロボットが登場することを期待してはいけません。しかし、政府が高齢化社会や労働人口の減少に対する解決策を模索している今、こうしたユース ケースはみなさんが考えているよりも近い将来に実現するかもしれません。物理的な自動化は徐々に進み、10 年以内には iPhone と同じくらいありふれたものになるでしょう。
AI エージェントとは推論がすべて: 9 月、OpenAI は、複雑な推論を行うために強化学習によってトレーニングされた、新たな大規模言語モデルを発表しました。Strawberry と呼ばれる OpenAI o1 は、返答する前に考えます。これは、ユーザーに返答する前に間違いを正し、難解なステップを単純なものに分割してから、長い内部的な思考の連鎖を作り出すことができます。
2025 年は、多くの計算がエッジでの推論へと移行し始める年になるでしょう。アプリケーションは 1 つのクエリに対して何十万ものトークンを必要となり、小規模言語モデルはマイクロ秒単位で次々とクエリを作成してから大量に回答するようになります。
小規模モデルは、エネルギー効率がさらに向上し、ロボティクスにとってますます重要なものになり、人間の日常業務を手助けできるヒューマノイドやロボットを創出して、モバイル インテリジェンス アプリケーションを促進します。
ボブ ペティ (BOB PETTE)
エンタープライズ プラットフォーム担当バイス プレジデント
持続可能な拡張性の探求: 企業は、さまざまなビジネス プロセスの強化に向けて新世代の半自律型 AI エージェントを採用する準備を整えるにつれて、効果的な大規模展開のための堅牢なインフラ、ガバナンス、および人間のような能力の構築に重点を置くようになるでしょう。それと同時に、AI アプリケーションはますますローカル処理能力を利用して、薄くて軽量のノート PC やコンパクトなフォーム ファクターを含むワークステーション上で、より洗練された AI 機能を直接実行できるようになり、AI 駆動タスクの待ち時間を短縮しながらパフォーマンスを向上させるようになります。
適切なハードウェアおよびソフトウェア プラットフォームに関するガイダンスを提供する検証済みのリファレンス アーキテクチャが、パフォーマンスの最適化と AI 展開の加速のために不可欠となります。これらのアーキテクチャは、組織の投資が現在のニーズや将来的な技術的進歩と確実に合致するよう支援することで、複雑な AI 実装環境の舵取りをする組織にとって不可欠なツールとなるでしょう。
AI による建設、エンジニアリング、および設計の変革: 建設、エンジニアリング、および設計業界向けに調整された生成 AI モデルの台頭により、効率性が向上し、イノベーションが加速することが期待されます。
建設業界では、エージェント型 AI が現場のセンサーやカメラから収集した大量の建設データから意味を抽出し、より効率的なプロジェクト タイムラインや予算管理につながる洞察を提供します。
AI は毎日 24 時間休むことなくリアリティ キャプチャ データ (LiDAR、フォトグラメトリ、ラディアンス フィールド) を評価して、品質、安全性、およびコンプライアンスに関する極めて重要な洞察を導き出すことで、誤りや作業現場での負傷を減らすことができます。
エンジニアの場合、物理学に基づいたニューラル ネットワークを活用した予測物理学によって、洪水予測、構造工学、および個々の部屋や建物のフロアに合わせた気流ソリューションのための計算流体力学が加速され、より迅速な設計反復が可能になります。
設計では、RAG によって、建物の設計および建設のための情報モデリングが現地の建築基準法に準拠していることが保証されることで、設計の初期段階でコンプライアンスを確保できます。拡散 AI モデルは、建築士や設計士がキーワードのプロンプトとラフ スケッチを組み合わせて、クライアント向けのプレゼンテーション用の非常に詳細なコンセプト画像を生成できるようにすることで、概念設計や敷地計画を加速させます。それにより、調査や設計に集中する時間が確保されます。
サーニャ フィドラー (SANJA FIDLER)
AI リサーチ担当バイス プレジデント
予測不能な事態の予測: 日常的な世界で学習できるモデルがさらに増え、デジタル ヒューマンやロボット、さらには自律走行車までもが、ほとんど人間の介入なしで非常に複雑なスキルを利用して、混沌とした、ときに予測不可能な状況を理解できるようになることが期待されます。
研究所からウォール街まで、私たちは 5～7 年前の自動運転に関する楽観論とよく似たハイプ サイクルに入りつつあります。Waymo や Cruise のような企業が機能するシステムを提供するのには何年もかかりました。また、それらの企業や Tesla を含むその他の企業が収集した大量の貴重なデータは、ある地域では適用できても別の地域では適用できない場合があるため、こうしたシステムは依然として拡張性はありません。
今年導入されたモデルにより、インターネット規模のデータを利用して自然言語を理解し、また人間やその他の行動を観察することで動きを模倣することが、これまでよりも迅速かつはるかに低コストで可能になりました。ロボット、自動車、倉庫の機械類のようなエッジ アプリケーションは、現実世界をナビゲートし、それに適応し、それとやりとりするために、協調性、器用さ、およびその他のスキルを素早く学習するでしょう。
ロボットは、キッチンでコーヒーを入れて卵料理を作り、それから後片付けまですることができるようになるでしょうか。今はまだ無理です。しかし、その日はあなたが思っているよりも早く来るかもしれません。
現実的になる: グラフィックスとシミュレーションのパイプライン全体にわたり、生成 AI に忠実度とリアリズムがもたらされつつあり、それが超現実的なゲーム、AI によって生成された映画、およびデジタル ヒューマンにつながっています。
従来のグラフィックスとは異なり、レンダリングではなく生成されたピクセルによる画像が大半を占めるようになるため、より自然な動きや外観がもたらされます。文脈に応じた行動を開発し、反復させるツールにより、今日の大ヒット タイトルの制作費のごく一部の金額で、より洗練されたゲームが開発できるようになります。
各業界が生成 AI を採用: ほぼすべての業界が、人々の暮らし方や遊び方を向上させるために AI を利用しています。
農業では、AI を利用してフード チェーンを最適化し、食料供給を改善しようとしています。たとえば、AI を利用することで、個々の農場のそれぞれ異なる作物からの温室効果ガス排出量を予測することができます。これらの分析は、サプライ チェーンの温室効果ガスの削減を促進する設計戦略の策定に役立ちます。一方、教育分野の AI エージェントは、学習体験をパーソナライズし、各個人の母国語で対話したり、特定の教科の教育水準に基づいて質疑応答を行ったりします。
また次世代のアクセラレータが市場に投入されるようになると、こうした生成 AI アプリケーションの提供効率もはるかに向上するでしょう。テストにおけるモデルのトレーニングや効率を向上させることにより、企業やスタートアップは、それらのアプリケーション全体にわたってより高く迅速な投資収益率を実現することができます。
アンドリュー フェン (ANDREW FENG)
GPU ソフトウェア担当バイス プレジデント
アクセラレーテッド データ分析では、コード変更なしで洞察を提供: 2025 年には、アクセラレーテッド データ分析が、増え続けるデータ量と格闘している組織にとっての主流となるでしょう。
企業では毎年数百ペタバイトにも及ぶデータが生成されており、どの企業もそれを活用する方法を模索しています。そのため、多くの企業がデータ分析にアクセラレーテッド コンピューティングを採用するでしょう。
将来は、「コード変更不要」と「構成変更不要」をサポートするアクセラレーテッド データ分析ソリューションが主流となり、組織は最小限の労力で既存のデータ分析アプリケーションをアクセラレーテッド コンピューティングと組み合わせられるようになります。生成 AI を活用した分析テクノロジは、従来のプログラミング知識すらない人も含め、ユーザーが新たなデータ分析アプリケーションを作成できるようになるため、アクセラレーテッド データ分析の採用をさらに広げることになるでしょう。
簡素化された開発環境によって促進されるアクセラレーテッド コンピューティングのシームレスな統合により、導入の障害がなくなり、組織は独自のデータを新たな AI アプリケーションやより充実したビジネス インテリジェンスに活用できるようになります。
ネーダー カリル (NADER KHALIL)
デベロッパー テクノロジ担当ディレクター
スタートアップの労働力: もしあなたがプロンプト エンジニアや AI パーソナリティ デザイナーについてあまり聞いたことがないとしても、2025 年にそれを耳にすることになるでしょう。企業が生産性向上のために AI を採用するにつれ、スタートアップと既存企業の双方において、新たなスキルと既存のスキルを併せ持つ新たなカテゴリのエッセンシャル ワーカーが登場することが予想されます。
プロンプト エンジニアは、チャットボットやエージェント型 AI 用のプロンプト設計の作成、テスト、および反復に基づいて、AI のトレーニングを最適化し、望ましい結果を生み出す、正確なテキスト文字列の設計および精緻化を行います。プロンプト エンジニアに対する需要は、テクノロジ企業の枠を超えて、法務、カスタマー サポート、出版などの分野にまで拡大するでしょう。AI エージェントが増加するにつれ、企業やスタートアップは、エージェントに固有のパーソナリティを持たせるために、次第に AI パーソナリティ デザイナーに頼るようになると思われます。
コンピューターの普及によって、コンピューター サイエンティスト、データ サイエンティスト、機械学習エンジニアのような職種が生まれたのと同様に、AI によってさまざまなタイプの仕事が創出され、強力な分析スキルや自然言語処理能力を持つ人々にとって活躍の機会が拡大することでしょう。
従業員の効率性の把握: 業務に AI を取り入れているスタートアップでは、投資家やビジネス パートナーと話すときに、次第に従業員 1 人当たり売上高 (RPE) という用語を使うようになるでしょう。
「何が何でも成長」という考え方ではなく、AI が労働力を補うことで、スタートアップのオーナーは、新しい従業員を 1 人雇用することが、そのビジネスにかかわる他の全員の収益増加にどのように役立つかということに注目できるようになります。スタートアップの世界では、RPE は、AI への投資収益率や、大企業やテクノロジ企業との競争において役割を果たすことの課題に関する議論で使われます。
編集者注：AI ソリューションへの投資に関する数値は、2024 年 10 月に発行された IDC のレポート「IDC FutureScape: Worldwide Generative Artificial Intelligence 2025 Predictions」(Doc # US52632924) によるものです。AI の経済効果に関するデータは、2024 年 10 月に発行された IDC のプレスリリース「IDC FutureScape: The AI Pivot Towards Becoming an AI-Fueled Business」と題された、2024年10月に発表されたIDCのプレスリリースによるものです。