EP 45
AIビジネスの生存戦略 どこにAIビジネスを築くべきか？
ロ・ジョンソク 録画をしている今日は 2025年3月29日土曜日の午後です。 私がこの前の3月22日にあるイベントに行って 短く発表を一つしたんですが その内容が少し整理できたので スンジュンさんにも一度ご紹介してみようと思います。
それでタイトルを non-verifiable data domain is All you need と付けたんですが、なんというか これからまもなくAGIになる フロンティアモデルたちのこの攻撃から どう生き残るべきか スタートアップのfounderとして その次にAIエンジニアとして このOpenAIやGoogleのように フロンティアモデルを開発できない そういう立場で 何をすべきなのかについて 一種の思考実験だと見ていただければいいです。
ですから少し主観的でもあり また論理的に完全には合わない領域があるかもしれませんが 一つの観点についての話なので 一度話してみようと思います。
それで私は 何かこのAI時代にチャンスをつかみたいと考えている 技術系起業家たちをaudienceとして この資料を作りました。 その観点から見ていただけるといいと思います。
AIビジネスで稼ぐ二つの軸: インフラ vs 垂直統合 1:11
AIとビジネスを融合したそういう領域の話を ものすごくたくさんしていますよね。 そうしながら いつもする話がAI worldで お金を稼げる領域はせいぜい一つか二つくらいしか ない気がする。 それ以外は ほとんどお金を稼げていない。
ではその二つの場所はどこなのか という話をしたとき 一つはこのNVIDIAのようにチップを提供して、その次に何か Lablupのように orchestration layerを提供し その次に その上でcloud serviceを提供する いわゆるそういう AGI infrastructureに関連するそういう側が お金を稼ぐ一つの軸で それを外れたもう一つの軸は テスラのように何か明確な一つのvertical そのverticalを持って その合間合間の空白を AI serviceを使って こうつないだような領域 垂直統合化した領域が お金を稼いでいるようだ。
そしてその領域の核心が 自分だけが持てるデータ proprietary dataであり そのデータがサービスをより良くし そのサービスがより良いデータを生み出し こうして好循環が回る 一種のdata flywheelが重要な領域だ。
こういう話をしながらそのスタートアップたちに ただAGIの上でサービスをdevelopするか もちろんこれもものすごく大きなチャンスです。あるいは 何か新しい領域へ逃げるか そのどちらかをやるのがいいだろうという話を いつもしていたんです。
サービス・アルゴリズム・コンピュート、三つの視点で見るAI産業の地形 2:40
私はいつもサービスとアルゴリズムとcompute、まあこういう 三つのある種の観点で 世界を少し見ながら こういうふうな話をしていました。 computeとengineering layerだけが 今お金を稼いでいるようだ。 algorithm layerが今いちばん commoditizeとdemocratizeが激しくて ここはBig Techに就職するか そういうのでなければ 大学で教授になるかでもなければ ここが今、何か資本的な観点では value captureでいちばん損をしている領域のようだ。 こんな話をしていましたし
そして私たちが知っている NVIDIAやOpenAIや GoogleやMetaなど いわゆるここに 今日x.aiも一つ入れたんですが 何か出発点はみな違うものの NVIDIAは下のチップから始まって 真ん中にあるmeta layerやmiddlewareを供給しながら ずっとサービス側へとさらに上がってきていて OpenAIはサービスから始まって あそこもチップを開発したり何だりしながら こうして広げていっていますし Googleはもともと全方位で全部やっていた会社で Metaは本当に最上段のサービスから また下へ降りてきています。
テスラの場合は 自分たちはまったく別の自動車領域でやりながら 真ん中にあったある種のlayerは、実はテスラは 彼らがLLMを開発したりしているわけではなく 本当にopen domainにある技術を うまくleverageして使っているところなんですよね。 ところがそれらをうまくつないで こう上から下まで 垂直統合化するこういうことをやっているんですが
だから片方は本当にAGIが ある究極的なこういう到達点であり もう一つはfull-stack vertical integrationがkeyな領域なんです。 こうやって私が分けて説明していたんです。
スタートアップの二つの選択肢とData Flywheel 4:29
だから私たちにはoptionが二つしかない。 スタートアップの立場では AGIの上でサービススタートアップを作るか あるいはテスラのように 何か一つのverticalを押さえて 何かをこう 垂直的な統合を通じて 何かを作るか この二つのうち一つをやるべきだという話を もうほぼ3、4年
実際、3、4年こういう話をしている理由が 私が正しいということを自分でずっと検証し続けるのではなく 私は自分が正しくても間違っていても関係ないんです。 ただ世界が向かう方向が どの方向なのかが重要なのであって まだこれを飛び越える別のプレイヤーは見たことがない。
だから、テスラといえば Andrej Karpathy が こういう話をすごくたくさんしていましたよね。 この好循環、 自分でテスラの例を挙げながら話していました。 data source が生まれると それを使って より正確な label によって Autopilot がはるかに正確になり その Autopilot によって テスラ車がもっと売れるようになり 車がもっと売れることで データがさらに多く入ってきて そのデータによって またサービスがさらに強化されて Autopilot が強くなり それで車がもっと売れて こうしたことを行う いわゆる好循環ループを作る 唯一の出口のようです。 そしてこの話を data flywheel と呼んでいました。
AGI間近: フロンティアモデルの爆発的な進化 5:51
それで改めて振り返ってみると 私は、未来は二つの方向性しかないように思います。 一つはフロンティアモデルの上で AI service を build するか あるいはこのフロンティアモデルが handle できないようなある領域で 垂直統合された AI service を作るか この二つのうちどちらかをやるべきだという話をしていましたが
私たちがこれまでしてきたこの AI の話を ただ一つだけ、他のことはすべて脇に置いて 重要な話だけ要約して 結論だけ取り出してみると Dario Amodei も 2027 年にはあらゆる領域で人間を上回る このモデルが出てくるだろうという話を 公然としていて 一昨日、Google Gemini 1.5 が出ましたが 性能は本当に良くて benchmark も驚きでした。 そういうふうに このわずか二、三か月の間に とてつもない進歩を見ているではありませんか。
そして スンジュンさん、また session で扱ってくださると思いますが この1月末の DeepSeek R1 発表以降から ものすごく加速しましたよね。 Grok, Llama 3, Claude 3.7 Sonnet, GPT-4, GPT-5 Gemini 2.0 などなど 進んでいるわけですが
だから私は AGI はまもなく達成されるだろうと 個人的には考えていて また今私たちが見ているモデルを 認めたくないだけであって 実際にはすでに非常に多くの領域、 ほとんどの領域で 人間よりはるかに優れている領域に 到達したと見ても差し支えないと思います。 価値判断の基準を少し全部失ってしまった気がします。
でも私は この test-time compute について スンジュンさん、私も本当にたくさん扱ってきましたよね。 これがどれほど、なぜ重要なのかについて だから私たちが去年から今年初めにかけて 実際 OpenAI o1 と DeepSeek R1 の意味についても 本当にたくさん扱ってきましたが
私は、これが示唆することが非常に大きいものの一つは 何らかの検証可能な reward function を 作ることができる領域、 どう algorithmic な方法で この verifiable reward function、検証可能な reward function を 作ることができる領域は 実際、私たち DeepSeek R1 が見せてくれましたよね。 OpenAI o1 がどう作られたのかを 検証したモデルだと見ることができますが とにかく見つければいい。 解答だけ与えられれば その間の reasoning token は絶えずずっと test-time compute を投入すれば作られるということを 私たちは知ることになったので、
だからそういう領域は 代表的には数学とか科学とか あるいはコーディングのような領域が ただ一気に全部作られたわけです。 ここは dataset が完全に reinforcement learning を通じて すべて自己生成される領域へ移ったようです。
そしてもう一つ、 physical world、 私たちのロボットのような環境も スンジュンさんが NVIDIA をされながら Omniverse と simulator 環境についても たくさん話してくださいましたが 私はこの NVIDIA が提供する simulator のようなものも 実際には検証可能な reward function を作ってくれる 環境だと思うんです。
なのでこの部分については後でもう少し詳しく 話すことにして それで重要な message を一つ要約してみると 何らかの reward function が確実に作られる、 algorithmic な方法で作られる領域は、ただ Big Tech player たちが dataset を全部自動生成するだろう。 自動生成して、それに対する能力は フロンティアモデルがすべて搭載することになるだろう。そうですよね。
DistillationとReasoning Modelの好循環 9:32
そして私たち、また distillation 抽出の例でも本当にたくさん扱いましたが そういう reasoning model は、一つ巨大なモデルができると 本当に多くの問題について reasoning token をずっと全部書いてくれるじゃないですか。 そして難しい、あるいは非常に難しくて 品質の高いそういう領域の reasoning token を集めた その dataset だけをうまく選り分けて はるかに小さいサイズのモデルに distillation して fine-tune をかければ SFT と言いますよね。supervised fine-tune をかければ、3200万のモデルでも OpenAI o1-mini のようなものに匹敵する性能へと伸びていくものを 私たちは見てきました。
そして、それを極限まで押し上げてくれた論文が Stanford Alpaca のような 論文で、私はそこから多くを学ばせてもらったと見ています。
それで、そうして生成された数多くの dataset が dataset が増えてくると 私たちはこの好循環についてよく話しますが reasoning model たちが dataset をこれだけ増やしてくれると そのモデル、その膨大な dataset は 次世代の instruct model たちが それを使って学習すれば 以前は reasoning model が test-time compute を通じて 絶えずメモ用紙に何かを書きながら 答えを出していたとしたら その次のモデルたちはそれを いわば覚えていたり 私は、覚えていることと理解していることは 解決可能であることとほぼ同値だという気がするのですが ただ聞かれた瞬間に分かるんです。 そういうことが起きている気がします。
それで最近 DeepSeek-V2 が 新バージョンを出したじゃないですか。 新バージョンが出たんですが 0324 バージョンが出たんですが instruct model なのに 実は複雑な reasoning power についても ただ簡潔に 答えを出すようなものを たくさん見せているんですよ。 私はそれも、そうした capacity を 示しているのだと思います。
それで、ここで一つの idea が生まれるわけです。 では検証不可能な領域に逃げればいいのだなと この部分について 検証不可能な領域
でもこの部分についても 実はやや矛盾があるのは LLM、私たちの frontier model たちが 例えば Shakespeare の小説だとか あるいは詩だとか あるいは何か、私たちが 人類が進歩していく中で ずっと積み上げてきた、ある種の 政治的な価値判断の基準だとか 実はこういう部分もすべて verifiable な domain ではないんです。 でも人々が何らかの価値判断をしながら 私たちが知識という形で dataset を作ってきたわけじゃないですか。 つまり、そういう すでに非常に大きくて広い多くの領域の non-verifiable な領域を まるごと全部覚えているんですよ。
だからここで、その frontier model たちを もっと明確に定義すると、彼らは 非常に大量の verifiable data domain を すべて覚えていて、知っていて 理解しているだけでなく、plus 検証可能な領域は自ら探索できる ところまで備えている非常に大きなシステムだと見るのが 妥当な判断だと思います。
フロンティアモデル上のAIサービスとGTM 12:52
その二つの領域について説明してみると frontier model のために AI サービスを作る領域 この部分が 一種の LLM ラッパーだとか GPT-2 ラッパーのような とても浅いサービスだとは思わないんです。 すでに LLM 自体が 一つの巨大な infrastructure になったので これもまたとてつもなく大きな opportunity になるだろうという 気がするんですが
これ自体においては 何か AI に関連した function や AI に関連した何かの いわゆる私たちが言う moat 自分たちだけができる強みは 実際、実装するのは難しいですよね。 私は go-to-market、GTM と呼んでいますが go-to-market が唯一の方法だと思います。 良いチームを作って 良い問題を define して素早く execution してサービスをうまく作れば Cursor の事例などを見ても分かるように 非常に大きな事業を 極めて短い期間で 作ることができるということを 示しているので この領域も 非常に非常に非常に大きな領域だという 気がします。
ただ、この部分はビジネスセンスに優れていて GTM というなら 本当に何か深遠な engineering というよりは むしろビジネス寄りの領域にずっと近いので 何か tech entrepreneur よりは ただ単にビジネスセンスに優れた entrepreneur たちのほうが はるかにうまくできる領域だという気はしていて
もし私たちが 技術を知る entrepreneur の立場であえてやるなら 私たちは二つ目の領域 実は frontier model たちが うまく扱えない そうした vertical 領域での AI サービスを作るのがよさそうだ。
それで今日のテーマでもあるのですが 自分だけが持てるデータ proprietary データを持たなければならないという話を とてもよくするじゃないですか。 そうした proprietary データが 何なのかということについて 私が少しもう一段先に進めた話なんですが これなんです。
つまり、algorithmic な方法で 検証可能な reward function を作れない領域。 でもこういう部分が また何に使えるかというと この prompt work や agent をうまく組み合わせることで いくらうまく組み合わせても 真偽が明確な synthetic data をうまく生成できない 領域がここに含まれるんです。
チェ・スンジュン 気になるんですが。どういうことですか？
ロ・ジョンソク そういう領域はものすごく多いですよ。
環境が生み出す検証可能性: ロボットとVLA 15:27
それで これにイメージを思い浮かべてもらうために これを一つお見せしたいんですが これが環境なんです。 これが2週間前くらいに Gemini Roboticsで発表した 一度Googleで大きな発表があったじゃないですか。そうですよね？ 何かVLA、Vision Language Actionモデルにおいて、実は フロンティアモデルを作って また世の中にぱっと出してしまったんですが 実はロボットのほうではこの2年間 優秀な人材がものすごくたくさん 起業していたじゃないですか。
これで何か テキストやビジョンやVideo、こういうモデルを 中心にしているところでの フロンティアモデルは いわゆるビッグテックのplayerたちが全部やり終えたようだ。 では他のモデルの中で フロンティアモデルが必要なところはどこかということで いちばん多く向かった先がロボットで これらに対する成果が 最近Figure AIだとか チェルシー・フィン教授の会社の名前が 急に思い出せませんね。 Physical Intelligenceだったか 名前が思い出せませんね。 とにかくそういう会社の モデルがたくさん出てきているんだと 思うんですが、見てみると Geminiもそうですし、その次に 多くのVLAのほうで フロンティアモデルをやるというlabもそうですし みんなこういう環境を持っているんです。
例えば私たちが作りたいtaskが、ブドウを バナナがある皿に入れてくれ、という こういうtaskになったとき、この環境自体があって 何かvisionで 情報が入ってこないのであれば これをそもそも作ることが できないんです。 label自体を生成することができないんです。
こういう部分の環境がnon-verifiableな領域を verifiableに変えてくれる環境なんだと思います。
好みと主観の領域: メイクアップデータセットの事例 17:26
そしてもっと大きな枠で 考えてみると 何か人々の好みを聞くことだとか かなり主観的な領域のデータが ここにはものすごくたくさん入ってくるんですが 何かを尋ねたとき、例えば 機械は曖昧に答えるけれど 人間は好みが生まれる部分があるんです。
例えばうちの会社の場合は メイクの組み合わせに対するデータセットを ものすごくたくさん作っているんですが それが代表的に 機械が判断できない領域なんです。 何だかんだで機械は、ある場合は良いと言い ある場合は悪いと言うんです。 でも人間は このcontextが与えられると これは明確に良くて これは明確に嫌だというものを ずっとlabelingするんです。
それで何か人々に絶えずメイクのcombinationを見せて 顧客がそれを「好き」、「嫌い」、「好き」、「嫌い」 何らかの形で直接的に 「好き」、「嫌い」をするか、あるいは それとなくこれは押してみるとか、これはそのまま通り過ぎるとか こういう形でフィードバックを与える そういうloopがあるとすれば そこにlabelが生まれるんです。
すると私が今話したようなそういうサービスが 実はnon-verifiableを verifiableに変えてくれる ある種の環境なんです。
それで、簡単な話をずいぶん遠回りしてきたんですが こういうAIサービスが Teslaの車に付いているカメラのように カメラが実は userが急ブレーキをする環境だとか あるいは急加速をする環境だとか あるいはAutopilotを解除する環境だとか こういう部分とvisionをmappingしたデータを持ってきてくれるじゃないですか。
そしてそれらが 一定のあるユーザーのフィードバックを持って 判断したデータが一緒に入ってくるわけです。 それが実はlabelだと言えるので こういうAIサービスを結びつける部分が 私たちがフロンティアモデルでは絶対に持てない そういうデータ領域で何かを持てるようにする領域なんだなという そういう考えを するようになったんです。
それで こういう環境だけが 何か成功であれ失敗であれ 0、1のlabelを与えられる。 そしてこういう環境がなければ 絶対に何も得られないんです。
さっきsimulatorのところで申し上げましたが Physical AIの場合も 以前はこれができなかったんですが、実は多くのlabが その実験環境を備えていて その実験環境をsimulator環境に持ってくることで さらにこれらを 0と1のlabelを与えられる環境が より安く生まれてきている、そういうことなんです。
Non-VerifiableをVerifiableに変えるClosed-Loop System 20:39
それで では、さっきお見せしたこのnon-verifiableを verifiableに変えてくれるこのシステム このenvironmentを 私なりに定義すると こういうものなんだなと。 この定義は後でまた変えることもできますが 今の時点でのちょっとした気づき。
では、そういうものを可能にする AIサービスやsimulatorを何と定義すればいいだろうか？ non-verifiableをverifiableに変えてくれる これが closed-loop system なんだな」と 私はこう定義しました。
こう定義して世の中を見てみると 同じ proprietary データでも これは LLM がやるだろう。 これは LLM にはできないだろう」という判断の基準に 多少なるんだ、ということをお伝えしたいんです。
チェ・スンジュン あるかどうかは分かりませんが ふとニュアンスで見ると open-endedness を研究する側に 強化学習系と少し共鳴する部分が あるように感じました。 open-endedness のほうでは agent だけでなく環境も trainable object として見るんですよね。 だからその両者の関係が どんどん絡み合っていく部分があるんですが ふとその考えが
ロ・ジョンソク はい、はい。 たぶん似ていると思います。 私も実は 私が何かものすごい発見をしたわけではなくて 何かをビジネス的に自分なりの観点で捉えて あの task をやるかやらないか、そういうことを決めるには 決める過程というのはたいていそうなんです。 最初は何となく論文を読んでみたり 他の人の YouTube を聞いてみたりすると 何か像が結ぶようでいて、でもあまり実感が湧かないんです。
実感が湧くとすれば、少し曖昧な状態で あの reasoning モデルを使えばああいうことができるんじゃないか うちでも token work をやってみればこれくらいはいけるんじゃないか と思って エンジニアたちとひたすら会議して実験を走らせ 大量にいろいろ作ってみるんです。 そうしているうちに数か月たつんです。
実際、そうしてからは 結局は全部 evaluation に帰着するんですが そのときに感じることがあるんですよ。 最初に evaluation の枠組みが明確に思い描けないプロジェクトは 始めてはいけない。 だから evaluation metric を先に明確に定義しておいて evaluation metric を明確に定義するということ自体が 実は label の 0、1 が決まるという話と また少し同値でもあるので それでそのあとに気づきが生まれると これはやってはいけないんだな。 それに加えて、そのとき論文で言っていた話や 他の人たちがああしている理由はこれなんだな。 あらためて 自分の愚かさを一気に思い知りながら 何かをやるわけです。
だから今日私がスンジュンさんにお話しした内容はたぶん 他の方々からご覧になると あまりに当たり前の内容かもしれませんが、私は個人的に いつも proprietary データ、 自分だけが持てるデータが重要で その自分だけが持てるデータとは何かについて 少し一歩前進したような感じが したので、これを少し整理してみたんです。
チェ・スンジュン 今、とにかく聞いているうちに 話の構造として、今ある種の洞察があって それを話したいという感じがするんですよね。
ロ・ジョンソク はい、後から見ればまたたわ言かもしれません。 でも そういうものが結局ひょっとすると simulator が果たす役割であり 大きな意味で私たちが作っている AI サービスが データの観点では どんなデータを生成するサービスとして ぴたりとはまらなければならないんだな ということを語ってくれるんです。 それで先ほど申し上げた この重要なメッセージを一度繰り返してみると 私たちがこれまで話してきた あなただけが持てる proprietary データとは何か」という部分を もう少し詳しく定義できる。 ではそれは何かというと、 何か non-verifiable なものを verifiable に変えてくれる ある環境、closed 環境なんです。私はこれが simulator であるか あるいは AI サービスだと、こう定義しています。 この AI サービスの形が何であるべきかは 実はドメインごとに全部違う気がします。
ヘルスケアであったり教育であったり あるいは何らかの HR サービスなど LLM はただ聞けば すぐに自分が weight に持っている知識を 取り出して組み合わせてくれはするけれど できない、そういう領域が依然として非常にたくさんあるんです。 だからシステムは 何か特定の vertical domain と結びついた simulator か AI サービスなんだろう。 そして個人的には そういうものに AI サービスで はるかに大きな機会を感じています。
このような AI サービスは その frontier model の強力な性能の上に ただラッパーとして載せるのとは少し違うんです。 この部分については非常に多くの例や こういうものがありますが 当然、これは数学の問題ではないので 私が今日話した内容自体も 私の一つの意見であり non-verifiable なんです。 そしてそれぞれの観点によって いくらでも変わりうる 相対的なものなので ここでどんな観点を定義するかが 実は会社のある種の戦略的な point になるので この締めはこうしたいです。
では、そういうものの例について 学習させてあげないといけないじゃないですか。 でも、私たちがいつもやっていることは何ですか。 スンジュンさんと私がやっているのは AI と対話しながら 地平を広げることをある価値として志向しているわけですから これを今日、宿題として一つ残してみます。
チェ・スンジュン あ、宿題なんですか。ではこれから教えてくださるんですか。
ロ・ジョンソク いいえ、宿題という表現は少しおこがましかったですね、実習です。
どうせやってみたい方はやるでしょうし やらない方々は 永遠にやらないので 私がこのスライドの内容を もともとEmacsでそのままずっとエディタに書いておいた内容があるんですけど これをそのままここに貼り付けたんですが これをそのまま持っていって Google AIでもChatGPTでもClaudeでも そのまま貼り付けて その後の最初の質問を これで始めてみるわけです。
ねえ、私はこういうこういうドメインで働いているんだけど 私のドメインでnon-verifiableをverifiableに変えてくれる closed-loop systemの例について 教えてくれと言えば 私はいくつかかなりたくさんやってみたんですけど とても例をうまく出してくれます。
そして私が何か知らないドメインで 自分の頭で無理に想像してやるより こいつのほうがはるかに上手いはずなので 残りの作業はこいつに任せて
私が今日お伝えしたかったことは このあたりで締めくくらせていただきます。
チェ・スンジュン 面白く聞かせていただきました。
チェ・スンジュンのRecapと締めくくり 27:10
ちょっと一度、人工知能ではなく 人間の知能でrecapしてみると 最初のタイトルは non-verifiable データを作ることを少し強調してくださいましたし 二つの、ある起業家の つまりAIを使って 活用しようとする起業家の 分かれ道が二つあって、そのうち一つは 新しく機敏に始めるチームで 適した、私が感じるには 形でしたよね、1番は。
2番は 既存の企業なんだけど proprietaryデータを non-verifiableにする方向にして ロさんは今、少し実行が2番のほうへ向かったということを そしてそこで何かアイデアを得たということを 今お話ししたかったわけですよね
ロ・ジョンソク はい、そうです。 実際、2番のほうをうまくdevelopすること以外には ほとんどの領域は フロンティアモデルのほうが 私たちよりはるかに うまくやるようになるはずなので、彼らと
チェ・スンジュン 1番にもチャンスがあるとおっしゃってはいましたよね。でも 1番のニュアンスは、直接そうおっしゃってはいませんでしたが 最近はとにかく小さく始められるように アルゴリズムというか、コーディング支援を受けるそういうレイヤーが かき乱されているので 小さく速くそういうことをやり遂げる たとえばCursorみたいな そういう方向が1番なんですか？
ロ・ジョンソク はい、Cursorの例で言うと、私はCursorも そのサービスの本質自体はこのClaudeの能力を そのまま持ってきて使うことなので AIインフラの上にサービスレイヤーを載せたものだと考えているんです。
あえて2番の観点で考えてみると、無数の このコーダーたちが使いながら 何は成功して何は成功しなかったかという いわゆるコーディングスタイルだとか 問題の定義だとか こういう部分について 実際、non-verifiableが verifiableに変わる領域がCursorにも もちろんあります。
私は Cursorのようなサービス自体が まさにAIインフラの上で そのAIが持っている能力そのものを product化して外に取り出す そういう代表的な例ではないかと思います。
私たちが今Y Combinatorのポートフォリオ企業で見ている 非常に多くの例が1番の領域ですよね
チェ・スンジュン 1番は、でも2番は何か 既存のビジネスがあって、そこで ほかでは触りにくいデータを作り出すには 環境からシグナルを得なければならないということで その環境を作り出せなければならないわけですね シグナルを受け取る環境を
ロ・ジョンソク はい、そう私は整理しています。はい、そうですね。 この部分が今日私がお話ししたことなんですが このビジネスの部分について どこへ逃げるかをたくさん悩んでみた方なら とても共感されるはずです。なぜなら 私にしても、スンジュンさんも事業を始めるなら これが来年OpenAIにぴたりと終わらせられてしまう領域には 行きたくないはずですよね。
チェ・スンジュン 当然そうでしょうね
ロ・ジョンソク はい、なのでそういう部分を考えているうちに こんなところまで逃げてきましたね。 そうなんですね。 この表現は使いたくないんですが これの一番大きなテーマは、どう逃げるかなんです どう逃げるかについての 逃避日記なのであって、これはそれほどこう 実は誇らしい内容ではないんですよね
チェ・スンジュン 含みがありますね。 逃避日記ですか。 今はとにかく状況があまりにも速く変わっていて 去年と今年がまたあまりにも違うじゃないですか。そうですよね
ロ・ジョンソク ずっと加速している感じがしませんか？
チェ・スンジュン 本当にそうですね。何というか… ずっと赤の女王とおっしゃっていましたけど ずっとその状況みたいです。
ロ・ジョンソク 対数に変えて見てみると 今はlinearだから これはものすごくexponentialなんですよ。 そうですよね。 だから今は 今私たちが何かを想像するなら 2027年にAIができるかどうかという悩みは 無意味ではないでしょうか？ できるという前提で何をするかを考えるのが正しいでしょうね？ そうですね、それが正しいでしょう。 分かりました。では今日はこのくらいで 私のテーマは締めくくらせていただきます。
チェ・スンジュン ありがとうございます。