インタビュー 1
[インタビュー] シリコンバレーの20代VC Nikhil Suresh
オープニングとゲストNikhil Sureshの紹介 0:00
ロ・ジョンソク 収録している今日は2026年7月8日です。前回のエピソードでは、私がシリコンバレーに行って聞いてきた話をまとめてお伝えしました。その話の主要な情報源の一人であるNikhilを直接お招きし、より臨場感のあるお話を伺いたいと思います。とても面白い方です。今日はMatthew Kim代表と私から、さまざまな質問をさせていただきます。Nikhil、ようこそ。
Nikhil Suresh ありがとうございます。ご一緒できてうれしいです。
ロ・ジョンソク 実は、私たちがSan Franciscoに滞在していた間、たくさんのお話をしました。お時間をご一緒いただき、本当にありがとうございます。
Nikhil Suresh 本当に楽しかったです。
ロ・ジョンソク とてもユニークなキャリアをお持ちで、まだ非常にお若いですよね。そこで今日は、たくさん質問させていただこうと思います。まず、どうしてそんなに若くして投資家になったのかというところから始めてみましょう。Stanfordを卒業し、Mercorの最初のエンジニアを務め、Stanfordの教授と研究もされましたよね。どのようにして今の立場に至ったのかというところからお話しいただければと思います。
エンジニア家庭で育ちStanfordに至るまでの背景 1:09
Nikhil Suresh はい、私の幼少期までさかのぼる必要がありそうです。両親が二人ともエンジニアだったんです。父はEarly Warning Servicesという会社に勤めていて、その会社が後にZelleという製品を作りました。ZelleはVenmoに似た金融・銀行送金手段で、銀行が異なる会社間で資金を移動する際に利用するサービスです。父はその製品を作る中核的なエンジニアリング業務を率い、製品開発に携わりました。そのため、私は父からエンジニアリングについて多くを学び、父はいつも私をその方向へ導いてくれました。私はArizonaで育ち、そこで高校に通い、卒業後はCaliforniaにあるStanfordへ進学しました。Stanfordで数学の学士号とコンピュータサイエンスの修士号を取得しました。Stanfordの1年生の頃は、実は数学教授になりたいと思っていました。ずっと人に教え、学び、純粋研究をしたいという夢があったんです。ところが、数学研究を始めてから1年も経たないうちに、一生ホワイトボードだけを見ながら暮らしたいわけではないとすぐに気づきました。
ChatGPTの衝撃と数学からAIへの転向 2:20
Nikhil Suresh そして大学に入学した最初の年は、ちょうどChatGPTが初めてリリースされた時期でした。私は高校の4年間、半導体、つまりハードウェア分野を学びました。そこで大学ではソフトウェア分野もさらに探究し、ソフトウェアとハードウェアの両方に取り組みたいと思いました。特にChatGPTがリリースされたときは、本当に大きな衝撃を受けました。新たに切り開かれた能力があまりにも多く、世の中のさまざまな仕事を自動化したり、多様な側面を探究したりする方法も非常に増えました。今後20年、30年にわたって純粋数学の研究者として生きることは、これが潜在的に成し遂げられることほど重要には感じられませんでした。そこで、自分が注力したい分野はまさにこれだと気づきました。1年目の夏にはいくつかのスタートアップで働き始め、
同時にハードウェアチップ設計、つまりVLSI回路の研究もしました。VLSIです。はい。いくつかのディープラーニング応用を対象に、想定する用途に極めて特化させるための研究でした。AIと本格的なAI研究に初めて触れた経験で、その可能性にとても胸が躍りました。その後、Stanfordに在籍している間に、さらに多くのスタートアップで働くようになりました。おそらく7社か8社ほどだったと思います。
Stanford時代のスタートアップ経験とビデオアバター起業、Mercor参画 3:28
ロ・ジョンソク スタートアップで7社か8社もですか？それは知りませんでした。
Nikhil Suresh はい、本当にたくさんのスタートアップで働きました。
ロ・ジョンソク インターンとしてですか？
Nikhil Suresh ほとんどはインターンとして、何社かではパートタイムで働きました。私は働くことも、ほかの人たちと一緒に働くことも好きなので、スタートアップで週に20～30時間ずつ働いていました。そして3年生のとき、友人たちと一緒に自分のスタートアップを立ち上げ、HeyGenやTavusのようなビデオアバターを作りました。初期に最初に連絡した企業の一つがMercorでした。2023年、Mercorがシードラウンドを調達するよりも前のことでした。LinkedInのコメント欄で彼らを見かけ、「私たちの製品をテストするにはこの人たちがぴったりだ」と思いました。私たちはブートストラップだけでも会社を十分に成長させられると考え、資金調達はしませんでした。しかし結局、本当に重要だったのは、ビデオモデルをどれだけ低コストかつ安定的に提供できるかということで、大規模に提供するには、実際に多額の資金を調達する必要がありました。そのため会社を畳みましたが、数か月後、私がMercorに入社することになりました。Mercorは、複数のリサーチエンジニアリング業務を率いるために私を採用しました。当時は、データ全体の波、特にヒューマンデータが台頭しつつあるまさに初期段階だったと思います。当初、私たちが行っていた仕事のかなりの部分は労働市場に関連するものでしたが、私が入社して数か月のうちに、焦点をヒューマンデータへ大きく転換しました。モデルの性能を高めるうえで、どのようなデータが最も重要なのか？検証方法がどのようなものかを実際に評価できるevalとベンチマークをどのように作るのか？
ヒューマンデータ事業の拡大と投資家への転身 5:13
Nikhil Suresh 会社が15人から現在の500人以上へ成長しただけでなく、私はOpenAI、Anthropic、DeepMind、Metaをはじめとする、すべての主要ラボのトップAIチームと仕事をすることができました。優秀な人材と一緒に働きながら、各ラボのフロンティアがどのようなものかを見ることができた、本当に素晴らしい経験でした。Mercorで特に魅力的だと感じた点はそうした幅広い視野、つまり分野全体を見渡せるという点であり、それが私を投資の道へと導きました。私のパートナーであるMaxは、Striker Venture
Partnersという新しい投資会社を立ち上げました。会社を立ち上げる少し前に私に連絡し、「新しい投資会社を始めようと思っているのですが、一緒にやりませんか？」と尋ねたのです。当時、私はベンチャー投資会社に加わることにそれほど関心がありませんでした。むしろ、いずれかのラボで研究者になるべきだと考えていました。最高の人々と働くことができ、最も優秀な友人たちも大勢働いていて、多くを学べると思っていたからです。また、会社の中で実際にフロンティアに立ち、リサーチを行い、モデルを作れば、長期的に得られる知識と経験が本当に多いと考えていました。そのため、しばらくの間はそれが私の人生設計でした。しかし、時がたつにつれてMaxは、
Strikerで投資家として働くことも同じくらい、もしかするとそれ以上にやりがいがあると、ついに私を説得しました。フロンティアを幅広く見渡し、さまざまな分野の最高のチームと働きながら、どれほど深く、そして広く踏み込むかを自分で調整できるからです。私にとっては、何もない状態から始めるという点がスタートアップとよく似ていて、とても興味深く感じられました。私たちには投資実績も、トラックレコードも、知られた名前もありませんでした。そこで考えたのは、次のようなことでした。どうすれば私たちのブランドを築き、投資ポートフォリオを積み上げ、最高の人々を見つけて、確実にパートナーになれるだろうか？Strikerについても質問は多いのですが、
ロ・ジョンソク その前に、StanfordとMercorで歩んでこられた軌跡についてもう少し伺いたいと思います。お話を聞いて、本当に羨ましい立場にいらしたのだと思いました。ChatGPTが登場した時期に、Stanfordという適切な時と場所にいらっしゃり、適切なカリキュラムと優れた人的ネットワーク、素晴らしい友人たちに恵まれていたからです。とても若いうちから、本当に著名な企業で中核的な役割を担ってもいらっしゃいます。
AI時代に改めて問う大学教育の価値 7:48
ロ・ジョンソク 私の質問はStanfordについてです。Stanfordは言うまでもなく名門ですが、学部課程はもはや若い世代の人生における重要な段階ではないと言う人もいます。Stanfordの卒業生として、Stanfordでの経験はご自身にどのような影響を与えましたか？
Nikhil Suresh 特に最高のAI人材や優秀な若者の間では、こうした考えがますます広まっている共通認識のように思います。世界があまりにも速く変化しているのに、これから4年間ずっと学校にいたら、多くの経験を逃してしまわないだろうか？後れを取ってしまわないだろうか？非常にもっともな指摘だと思います。私が複数のインターンシップを経験した理由の一つも、そうした経験を積み、大学で学ぶことの先にある世界を見るためでした。ただ、正直なところ、大学は非常に価値のある経験だと思います。あまり人気のある意見ではないかもしれませんが。おっしゃったように、そこで出会う人々や、共に築いていくコミュニティから多くのつながりが生まれます。成長していく過程で、その人たちから本当に多くのことを学び、その人たちが5年後や10年後を見据えて何を研究しているのかも知ることができます。そうした経験は最終的に、世界の見方やどのような問題が最も興味深いかを判断する方法に影響を与えると思います。
もう一つは、特にStanfordの多くの授業がフロンティアリサーチを扱っていたことです。教授陣はディフュージョン、インテリジェンス、ニューラルネットワーク分野の第一人者でした。四半期ごとにフロンティアの知識を反映して積極的に更新される授業で、その方々から直接学べたことは、とてつもなく貴重な経験でした。私は現在InceptionのCEOでもある
Stefano Ermonのディフュージョンの授業を受けましたが、正直、本当に難しい授業でした。中間試験ではノートやインターネット、ChatGPTまですべて使うことができましたが、当時進められていたフロンティアレベルのディフュージョンリサーチに触れました。ほかの多くの大学では、こうした内容をきちんと扱っていなかったように思いますが、その教授は関連資料を豊富に持っていました。DeepMindやOpenAIをはじめとする複数のラボで働いていた多くのフロンティア研究者が授業に来て、実際のフロンティアがどのようなものかを話してくれることもありました。特にネットワークを築き、ほかの人々との信頼を築き始める時期にこうした経験をしたことは、個人的な関係と信頼性の両面で大いに役立ちました。正直、それこそが大学の価値だと思います。信頼性を高め、ネットワークや人脈を築き、一つの特定分野だけに閉じこもることなく、かなり幅広い知識を学べるという点は、本当に強力です。自分がどの分野で一流になりたいのかを知ることも非常に重要です。
高校時代の半導体・実験物理研究 10:38
Matthew Kim 高校時代から非常に興味深い分野に関心を持っていらっしゃったようですね。高校生がハードウェアや半導体に関心を持つことは珍しいですから。何をきっかけに半導体をそれほど深く掘り下げるようになったのですか？
Nikhil Suresh 私はかなり早い時期、大学時代から、いや、高校時代からずっと数学に強い関心を持っていました。数学への関心が自然と物理学への強い関心につながったのだと思います。それで、実験物理学に関する研究を行うラボで働きたいと思いました。そこで、200～300人ほどの教授に手当たり次第にメールを送り、「高校生の私でも教授のラボで働かせていただけますか？」と尋ねました。ご想像のとおり、ほとんどの方に断られました。正確には、ある一人を除く全員に断られ、最終的に機会をくださったその一人と働くことになりました。素晴らしいプロジェクトを数多く経験でき、その中で最大のものはおそらく半導体の研究だったと思います。異なる2つの半導体材料間のナノボンディングを研究しながら、表面エネルギーなどを調べました。バイオに関する材料科学の研究も数多く行いましたが、当時はそれもとても興味深いものでした。
Theranosについて聞いたことはありますか？あの事件が明るみに出たのは、私が高校1年生のときでした。視聴者の皆さんのためにTheranosを簡単に説明すると、従来と同じ種類の血液検査技術を使いながら、現在の血液検査に必要な量のわずか1,000分の1で検査できると主張した会社です。その後、透明性や実際の技術の仕組みをめぐって大きなスキャンダルになりました。当時、私たちのラボでは半導体に対して多くの元素分析を行いながら、ボンディングプロセスが実際にどう機能するのか、表面エネルギーがどう結合するのかなどを調べていました。そこで、この技術を血液分析にも応用できるのではないかと考え、可能だと判断しました。そのため、ラボで過ごす時間のかなりの部分をそうした技術の研究に費やしました。私たちは血液を固体化し、X線光電子分光法やイオンビーム分析のような分光技術で分析できるようにするポリマーコーティングを開発しました。
振り返ると、私は常に実際に触れられる現実の対象、つまりフィジカルワールドのもの、中でも特に物理的な分野に強い関心があったのだと思います。そのため、そうした研究に強く惹かれました。
Matthew Kim 実践的な物理学者のようですね。
ロ・ジョンソク 少なくとも中級（200-level）の講義は履修できないといけませんね。では、Strikerの話に移る前に、Mercorについてもう少し伺います。そこでも、まさに適切な時期と場所、適切なポジションで適切な人々とご一緒されていたようですね。当時はフロンティアモデルが急速に発展していた時期でした。フロンティアラボで働きながら、何を学び、経験されましたか？
Mercorで見たフロンティアラボのヒューマンデータ需要 13:15
Nikhil Suresh 私が働き始めた頃、私たちはおそらくGPT-4や初期のxAIモデル、一部のDeepMindモデルなどをトレーニングしていました。まだかなり初期の段階で、reasoningやchain of thoughtもそれほど顕著ではなかった時期です。当時のモデルの能力は依然として非常に基礎的な水準で、ごく基本的な数学や物理の問題すら解けませんでした。初期のタスクには、「中学校レベルの数学問題をどうすれば解かせられるか？」といったものも多くありました。それすら難しかったのです。
そのため、特にMercorの観点では、初期の課題のかなりの部分が、現在進行中のプロジェクトに投入する人材をどう見つけるかというものでした。データベースと専門家ネットワークを構築し、そうした能力を高めていく仕事でした。私はその過程で多くのことを学びました。特定のタスクに適した人材のプロフィールはどのようなものであるべきか？タスクをどう構成すべきか？データが非常に信頼できる形で提供され、顧客である大手AIラボから見て妥当で、実際に価値のある形にパッケージ化されるよう、オペレーションをどう管理すべきか？
もう一つは、AIラボにとって実際に価値のある新しいプロジェクトを、私たちがどう提案するかを見極めることでした。多くの価値は、「あなた方のモデルはこの部分があまり得意ではないようです。つまり、pre-trainingデータや
ロ・ジョンソク RLHFデータを用意するということですか？
Nikhil Suresh はい、そうした仕事が多くありました。
ロ・ジョンソク そして2024年はOpenAI reasoningモデルがリリースされた年でしたね。2024年9月でしたよね。そうですよね？ はい。では、それ以降はreasoningに関するデータを大量に作ってほしいという依頼を受けたのでしょうね。私たちの場合、全支出のうちコーディングデータが最も大きな割合を占めていました。
Nikhil Suresh ラボはコーディング性能を最高水準まで引き上げることに常に大きな関心を注いでいました。経済的生産性の観点では、コーディングはおそらく最大の支出分野の一つでしょう。しかし、その後は数学、物理学、法律、バイオ、ヘルスケアのようなバーティカルタスクや、さらにニッチなタスクへ移っていったと思います。
ロ・ジョンソク 実際、私たちもAnthropic、DeepSeek、Geminiのようなフロンティアラボの技術的進歩を数多く紹介していますが、主にアルゴリズムに焦点を当てています。しかし、本当の核心はデータですよね。急成長するスタートアップで働くということは、
Matthew Kim 戦争のように、毎日数多くの問題に対応しなければならないということですよね。振り返ってみて、これまで経験された最も難しい問題は何でしたか？
モデル進化予測の難しさとMercorの戦略転換 16:27
Nikhil Suresh 一つは、おっしゃったようにモデルの能力が非常に速く向上していたという点です。データ供給会社である私たちは、モデルの能力が到達した地点より先を行き、現在だけでなく3カ月後にどこまで進歩するかも予測しなければなりませんでした。特にデータ事業では、オペレーションを可能な限り適切に行い、契約を可能な限り円滑に履行すると同時に、今後の方向性を理解し、予測することが重要です。それは私たちが直面した問題というより、課題の一つでした。これにどう対応するかという問題でした。もう一つは、特に初期に会社のアイデンティティを見つけることでした。私たちはフルタイム人材を供給する労働市場の会社として始まりましたが、ヒューマンデータ事業は莫大な売上と、会社を極めて速く成長・拡大させる可能性をもたらしました。そのため戦略的な観点から、当時は短期的に見えたヒューマンデータ事業にエンジニアリングとオペレーション能力をより集中させるのか、それとも長期的な労働市場に集中するのかを調整する必要がありました。当時、私たちは長期的なポストAGIの世界を見据えると、これらのモデルが非常に優秀になり、多くの知識労働を処理できるようになると想定していました。そのような世界では、いくつかの仮定を立てたり、結果を予想したりできます。一つは、人間がモデルとやり取りする方法は大きく変わるものの、雇用数は比較的そのまま維持される場合であり、もう一つは、これらのモデルが経済的に極めて高い生産性を持つようになり、特定分野の雇用数が減少し始める場合です。ところが、そのような分野はたいてい私たちが採用を支援していた分野だったはずです。では、エンジニアリング能力の優先順位をどう定め、どのようなツールを作り、それぞれの事業のためにどのようなevalを作るべきでしょうか？これはしばらくの間、社内で盛んに議論していたテーマの一つでした。
当時は、データ支出が現在のような規模で増え続けるという点もそれほど明確ではありませんでした。これらのモデルは今や1Tパラメータ、10Tパラメータ規模に達しています。当時はおよそ10B、多くても100B程度でした。はるかに、はるかに小さかったため、データ支出も桁違いに少ないものでした。そのため当時は、多くの人にとってこれが正しい判断だということがそれほど明確ではありませんでした。多くの人は「いや、この市場はおそらく1～2年ほど続いた後、十分な数の専門家がすべての物理学データと数学データをトレーニングし終えれば、飽和するだろう」と考えていました。しかし実際にはそうではないことが確認されつつあり、データ支出は少なくとも今後数年間、増え続けるでしょう。
データラベリング内製化を巡る議論と市場展望 19:16
Matthew Kim データラベリング会社を巡るTwitter上の論争を見ました。OpenAIやAnthropicのようなフロンティアラボは、上場するためにコストを最小限に抑えようとし、そうなればデータラベリングのための社内チームを作るだろうという意見があります。そうなると、データラベリング会社の売上が圧迫されるというのが一つの見方です。
もう一つの見方は、私たちはまだエージェント時代を生きておらず、ようやく始まったばかりだというものです。大規模なエージェントに対する需要を考えれば、データが明らかに核心的な要素です。この論争をどう見ていますか？
Nikhil Suresh xAIはしばらく前から専門家レベルのラベリングを社内で行ってきたようですし、OpenAIのような他のラボも、今ではこの方向へ転換し始めているように見えます。現在、データ支出が発生する形は大きく二つあると思います。一つはモデル側で、実際のAIモデルのためのevalやベンチマーク、ヒューマンデータに支出することです。もう一つは企業側で、verifierやオープンソースモデル向けのRL環境を構築し、企業がトークンコストを削減し、特定タスクの性能を高められるよう支援することです。これが目標です。そのため、二つ目の領域は実際に巨大な市場だと思います。知識労働市場は莫大で、数兆ドル規模です。したがって、データ支出もそれに比例するでしょう。この領域だけでも数十億ドル、あるいは数百億ドル、数千億ドルに達する可能性があります。ラボが独自のオペレーション体制を構築し始める可能性はありますが、
これまでMercorが円滑な体制で運営してきた規模と同等のものを構築するリソースがあるでしょうか？OpenAIは何を優先するでしょうか？モデルトレーニングでしょうか、それともデータ生成でしょうか？特にデータラベリングの良い点は、すでにかなり競争の激しい市場が形成されていることです。Snorkel、Mercor、Surge、AfterQueryのような会社がすでに存在します。
そのため、結局のところかなりの部分は実行力の問題だと思います。高品質なデータを提供しながら、顧客への納品が期限どおりに行われるようにするということです。Mercorは歴史的に、その部分を非常にうまくやってきたと思います。この点も念頭に置く必要があります。顧客は、さまざまなタスクセット全体にわたって数多くのベンチマークを作る専門性に対価を支払います。これがMercorのような会社が強固な立場を築いている理由だと思います。
ロ・ジョンソク 実際、この人たちは自ら需要を生み出しているわけですよね。私たちはAfterQueryの人たちに会いましたが、高度に専門化されたニッチ領域の何かを作り、その後フロンティアラボを訪ねて「あなたたちのモデルはこれが得意ではありません。だから、これを買うべきです」と言います。そうです。その後、別のラボへ行って「いいでしょう。これはあなたたちのモデルの性能を高めるので、これも買うべきです」と言うわけです。
Matthew Kim はい、そのとおりです。おっしゃったように、企業はまだデジタル労働者を雇用していません。企業が自社の活動記録やデータを活用したらどうでしょうか？間違いなく、フロンティアラボの外にも巨大な市場が形成されるでしょう。良いご指摘です。そのとおりです。
Nikhil Suresh コンテキストと企業データを活用することが今年の大きなテーマだと思います。モデルはますます大きくなっており、データの規模も拡大し続けています。
ロ・ジョンソク ですから、市場の見通しはかなり明るいと思います。では、次のテーマに移りましょう。最近、VC投資会社Strikerを設立されましたね。
少数集中投資で勝負するStrikerの設立 22:45
ロ・ジョンソク 私が韓国のVC業界で好ましく思っていないやり方があります。例えば、1,000万ドル規模のディールが一つあると、10社のVC投資会社がそれぞれ100万ドルずつしか投資しません。リスクエクスポージャーを抑えるためのspray and pray方式ですが、私はやや愚かなアプローチだと思います。本当に、本当に優れた会社を見つけたのなら、その機会を独占すべきです。まさにそのようにされているわけですよね。投資thesisとポートフォリオ企業をご紹介いただけますか？私たちの投資thesisは、実は非常にシンプルです。
Nikhil Suresh ファンド全体で約10件の投資を目標としています。おっしゃったspray and pray戦略も、優れた経済的リターンを生み出せると思います。しかし、可能な限り最大のアップサイドを得て、会社の成否を変えられる能力を活用し、投資先の会社と真に協働したいのであれば、非常に確信度の高い戦略が必要です。それは、比較的少数の会社に投資し、取締役会の席を得て、採用、戦略、オペレーションをはじめ、会社に必要なあらゆることを実質的に支援するという意味です。資金調達やコンピュートに関するどんな問題でも同様です。私たちのモデルは、まさにその目的に合わせたものです。私たちが1,000億ドル、あるいは1兆ドル規模に成長すると強く信じる領域で、最高の会社10社と最高のチームを見つけようとしています。もちろん、私たちのモデルは非常にリスクが高いです。
ベットが10件しかないため、そのうち一つでも失敗すれば、ファンドの価値があっという間にゼロ近くまで下がり得ます。しかし、これには別の側面もあります。私たちが強く信じる領域で、非常に高い基準を維持することを強いるという点です。また、創業者たちと私たちの間に非常に強い利害の一致を生み出します。私たちは創業者たちにオールインし、創業者たちも私たちにオールインします。したがって、どんな犠牲を払ってでも会社を成功させることが、双方にとって最善なのです。今、最初のファンドを運用されていますよね？ はい。
ファンド規模とポートフォリオ運営の原則 24:47
ロ・ジョンソク ファンドの規模はいくらで、これまで何社にどれほど投資されましたか？
Nikhil Suresh 私たちの最初のファンドは1,700万ドル規模です。これまで約7社に投資しており、チップ設計とインファレンス向けのAIから、ロボティクス向けのワールドモデル、ビデオビジュアルreasoningモデル、そして数社のサイバーセキュリティ企業まで多岐にわたります。現時点で公開できる主な投資領域はこの程度です。今後、おそらくあと5～6件ほど投資する予定で、現在のファンドの状況はそのようになっています。公にどこまでお話しできるかは分かりませんが、私たちのファンドには10人の出資者がいます。
最高水準の資本だけを受け入れ、最高水準の投資だけを行います。質の低い関係者もいなければ、くだらないこともありません。関係するすべてを非常にクリーンかつ優良な状態に保ちたいと考えています。私たちが重視する投資thesisの一つは、会社で最初に確認すべきこと、必ずしも第一ではなくても、必ず確保すべき主要なことの一つが、会社の存続だという点です。
どの時点であれ、会社が生き残り続けるよう支援し、存続のリスクを減らすことができれば、優れたチームと最高の人材を備えた会社は、最終的に道を見つけられます。具体的には、製品を作ったり、新たな市場参入戦略を見つけたりするなど、会社が資金調達を続け、自らの力を証明できるよう支援することです。もう一つは、最高の人材を採用し続け、優れたチームを作れるかどうかです。無制限の資金と優れたチームがあり、方向性として正しい領域にいるなら、非常に、非常に優れた製品を作れます。非常に、非常に優れた製品をです。
そうなると、問題はどうやってそこに到達するかです。私たちはかなりの部分で、そうした観点に重点を置いています。ポートフォリオ企業の資金調達をどう支援するのか？その会社が最高の人材を採用できるよう、どう支援するのか？機会をどのように発掘されていますか？
ディールソーシングの手法とRicursiveへの投資事例 26:44
ロ・ジョンソク P-1、Eve、Ricursive、Elorianのような名高い会社をどのように発掘されたのですか？どの創業者も本当に素晴らしい経歴を持ち、誰にも引けを取りません。そうしたディールをどのように発掘されたのですか？
Nikhil Suresh まず、その領域を理解することから始まると思います。最大の市場がどこに形成されるかを見極めようとしています。ハードウェアは間違いなく今年非常に重要なテーマであり、過去数年にわたり、周期的に重要性が浮き彫りになってきた分野だと思います。特に今年はチップ不足のため、非常に際立ったテーマになりました。また、今ではモデルの性能が十分に向上したため、AIを活用したチップ設計を高い精度で、非常に高い水準で実行できると思います。チップの改善にかかる時間を1年半からわずか数週間に短縮できるなら、とてつもないブレークスルーです。そこで、それを深く検討し、研究者たちと話しながら、主要な領域が何かを見極めます。領域を見極めることが、Strikerで最初に行うことです。二つ目は創業者です。創業者は誰なのか、創業チームは誰なのか？
創業者たちの経歴は、目の前の問題とどう関係しているのか？なぜ創業者たちが、この問題に最も適しているのか？創業者たちはどれほど長くこの問題について考えてきたのか？創業者たちの視点は何で、強みは何なのか？こうした質問に答えられれば、なぜ皆さんが私たちの投資すべきチームなのか、なぜその領域で勝利するチームなのかについて、はるかに強い確信を持つことができます。例えば、RicursiveはAnnaとAzaliaが設立しました。Azaliaは、実は大学時代の私の研究指導教員でした。私はStanfordでAzaliaの指導を受け、インファレンスのプロジェクトに取り組みました。
Matthew Kim 世間は本当に狭いですね。本当に世間は狭いですね。Azaliaは優れた教授であり、さらに優れた研究者です。
Nikhil Suresh 今日、多くのAIモデルで広く使われているMixture of Expertsの共同開発者の一人でもあり、その一人でもあります。もう一人のRicursive創業者であるAnna Goldieと共にCircuit TrainingとAlphaChipを共同開発しました。AlphaChipはDeepMindでGoogleの4世代のTPUを設計するために使われた初の主要なAIチップ設計手法でした。その論文は当初、Google社内で「これは実際、どれほど有用で正確なのか？」というかなりの反発を受けました。しかし二人は、そうした主張がすべて間違っていることを立証し、反発に立ち向かって自分たちが正しいことを証明しました。このチームは、チップ設計分野で最高水準の経験を備えた、紛れもなく比類なきこの分野のリーダーです。ですから、彼らに会って投資する機会が訪れたときは迷う必要すらありませんでした。最初のミーティングが終わるやいなや「私たちは皆さんに投資したいです。どうすれば私たちのお金を受け取っていただけますか？」と言いました。質問を少し変えてみます。
優れた創業者を惹きつけるStrikerの競争力 29:41
ロ・ジョンソク 今のお答えは会社の観点からでしたが、教授には本当にさまざまな機会があったのではないかと思います。ほかの有力ファンドも訪ねてきて「私たちのお金を受け取ってください」と言ったでしょうから。では、どうやってその競争に勝てたのでしょうか？実際、教授には多くの機会がありました。背景を少しお話しすると、
Nikhil Suresh DeepMindでAlphaChipを研究した後、教授とAnnaはAnthropicの25人目と26人目の社員になりました。そこで1年間働き、インフラとポストトレーニング・スタックの大部分を構築した後、再びDeepMindとStanfordに戻りました。複数の要素が複合的に作用したのだと思います。もちろん、私たちは彼らと個人的な関係がありました。
私のパートナーたちはReflectionの取締役会にも参加しているため、コンピュートと採用情勢についてフロンティア水準の知識を備えています。多くのVCは実際、こうした情報にアクセスできていないと思います。Reflectionは米国のオープンソースラボですが、
AnthropicとOpenAIを除けば、実のところこれに似たところは多くありません。そして大半のVCは、こうした会社の取締役会には参加していません。正直、お二人を私のパートナーに持てただけでも本当に幸運ですが、お二人ともReflectionの取締役会に参加しています。
ReflectionはAlphaGoチーム出身者が設立し、PyTorchチーム出身のJoe SpisakとDeepMindのプリトレーニングチーム出身のA.C.もいます。こうしたアクセスのおかげで、優秀なAI研究者のネットワークを確保できただけでなく、「スタッフおよびシニアスタッフ級の研究者の採用をお手伝いできます」とも言えました。教授はその創業者たちと長く仕事をしてきましたし、私のパートナーたちにも、その創業者たちと共に良い成果を上げてきた実績がありました。結局、個人的な関係と非常に優れた創業者としての評判、そしてコンピュートとモデルの現状、および世界が向かう方向についてのフロンティア水準の視点が複合的に作用したのだと思います。
AIバリューチェーンとインフラのボトルネック診断 31:39
ロ・ジョンソク 市場構造と市場のタイミングを理解することが本当に重要だとおっしゃいました。次の質問は、先ほどの話の続きです。私たちがあなたの人的ネットワークをそのまままねすることはできませんから。現在のAI市場の情勢をどう見ているのかお伺いしたいです。データセンター用地を確保してデータセンターを建設する段階から、チップ、NVIDIAと数多くのスタートアップ、ソフトウェア・オーケストレーション、最後にモデルとサービスへと続く明確なAIバリューチェーンがあります。各段階のタイミングもすべて異なります。スタックの各レイヤーにおける市場情勢とタイミングをどう見ているのか、お話しいただけますか？はい、もちろんです。
Nikhil Suresh ごく根本的なレベルから始められると思います。米国では、まず電力から見なければなりません。電力が最も制約の大きい資源だからです。米国の状況は正反対で、電力の制約が非常に大きいだけでなく、地方自治体の反発も相当なものです。そのため、新しいデータセンターを稼働させるまでに長い時間がかかります。ここにチップ不足やフォトニクス、リソグラフィをはじめとするさまざまな要因がすべて絡み合い、データセンターの構築が遅れます。その結果、企業は2～3年後に使うチップのリース権をあらかじめ確保しなければならない状況です。ちょうど1年前まではチップを入手でき、フロンティアチップの価格も1倍程度とかなり妥当でした。しかし今、大規模クラスターを構築するにはこうしたチップに2倍、あるいは3倍の価格を払わなければなりません。したがって、コンピュート集約型の会社を立ち上げているなら、会社を実際に構築するためにどのような資源と投入要素が必要なのかを日常的に考えなければなりません。そうした必要性を慎重に見極め、6か月前よりもはるかに綿密にモニタリングすべきです。
モデルの側面を見ると、今はネオクラウドが非常に多くあります。華々しく大規模な投資を誘致するネオクラウドも数多く見られます。しかし、モデルとコンピュートの希少性は過小評価されています。6か月前なら、ネオクラウドを10社探せばすべてがコンピュートを確保していたでしょうが、今は非常に困難です。もう一つの問いは、実際に価値がどこに蓄積されるのかということです。経済的な観点から、価値はチップ側に多く蓄積されるのでしょうか？用地と電力側でしょうか？アプリケーション側でしょうか？それともインフラレイヤー側でしょうか？これもまた、重視して評価すべき問いです。最近では、容易にポストトレーニングできるより優れたオープンソースモデルが登場し、ポストトレーニングのインフラも拡充される中、特にUberやCoinbaseのような大企業がトークンエコノミクスをより賢く管理し始めました。あらゆる問題にFable Maxをやみくもにつぎ込み、うまくいくことを願うだけではいけないという事実を理解し始めたのです。トークンコストがどこでどのように使われているのかを注意深く確認する必要があります。
マージンも重要な問題として浮上し始めたと思います。昨年や一昨年までは、かなりのネガティブマージンで運営されているアプリケーションレイヤーの会社が多くありました。「売上は非常に好調だが、ネガティブマージンも非常に大きい事業」であり、モデルを所有せず、ラッパーだけを保有するアプリケーションレイヤーの会社でした。今では多くの人が、そうしたやり方から脱却しつつあります。「このモデルは思っていたほど妥当ではない」と気づき始めたからです。モデルやチップ、その下にある中核インフラを所有していないのであれば、何らかの形でオープンソースモデルと非常に安価なクローズドソースモデルを適切に活用しない限り、経済的に成立する仕組みを作るのは極めて困難です。そのため、来年の主要テーマの一つは、
オープンソースのポストトレーニングとevalの経済性 35:23
Nikhil Suresh オープンソースモデルを自社の特定のタスクに合わせてどうポストトレーニングするかだと思います。Mercorのような会社は非常に有利な立場にあります。このようなverifierは自律的に生成できないからです。特定のタスクに適したverifierは人が作らなければなりません。最終的には、かなりの価値がevalとverifierに蓄積されると思います。例えば会計事務所というバーティカルを選び、複数の会社のあらゆるタスクに対するevalを作成し、それをモデルに学習させた後、そのモデルを再び活用すれば、多くの価値を生み出せます。つまり、おそらく2年ほど前に
Matthew Kim 「すべての企業が独自のevalシステムと環境を備えるべきだ」と言っていたら、研究者やエンジニアは「それは不可能で、コストがかかりすぎる」と言ったでしょう。しかし、時代は変わりました。では、今年または近い将来には、企業が独自のeval環境を構築し、オープンソースを活用して複数のエージェントを作りながら、トークンコストを最小化し、トークン効率を最大化するようになるとお考えですか？はい、間違いなくそうです。
Nikhil Suresh 私がとても気に入っている単位があるのですが、StanfordのHazy ResearchとScaling Intelligenceグループが提唱したワット当たりの知能です。特定のタスクがあるとき、そのタスクを完了するためにかかるコストをWhで測定するものです。これは非常に重要な指標だと思います。トークン数だけでなく、ワット当たりのコストとトークン当たりのコストまで、すべて包含しているからです。この数値は6か月単位で徐々に下がっており、かなり速いペースで低下しています。これは実に驚くべき指標です。企業の大規模なマルチエージェントフレームワークが今や商業的に成立する方向へ進み始めたことを示しているからです。
ロ・ジョンソク 市場のタイミングをどう見ているのか伺いたいです。100点を配分するとしたら、AIスタックの各レイヤーにその点数をどのように配分しますか？
GPTモーメントを迎えたフィジカルAIとロボティクス 37:40
Nikhil Suresh 個人的に、現時点を基準に申し上げると、ロボティクスとフィジカルAIの基盤モデルが非常に重要な分野だと思います。正直、それよりもさらに大きな分野だと思いますが、今はフィジカルAIにおけるGPTモーメントに相当します。Skild、Physical Intelligence、Generalistのような会社がロボティクス向けの基盤モデルを作っており、これらのモデルは最終的にバーティカルSaaS企業と似た形でロボティクスに活用されるでしょう。すでに建設会社がファインチューニングされたπモデルを使用し、掘削機やドリルにもファインチューニングされたπモデルを使用する事例が現れ始めています。ですから今なら、フィジカルAIに40点、あるいは50点ほどを配分すると思います。フィジカルAIの中でも、まだやや時期尚早で、発展にさらに時間が必要な分野があります。
ロボティクスのスケーリング則とデータのボトルネック 38:32
Matthew Kim LLMの発展過程と比べると、今はどの段階に来ているとお考えですか？AIの歴史を見ると、GPT-1のプリトレーニングにおけるスケーリング則を見いだした人はごくわずかで、GPT-3以降は、一部の人がRLとテストタイムコンピュートを見いだしました。では、フィジカルAIは今どのあたりにあるのでしょうか？プリトレーニングのスケーリング則は分かっていますか？
Nikhil Suresh はい、アーキテクチャはかなり劇的に進化してきたと思います。VLAとVLMから始まり、今では徐々にワールドアクションモデルへ移行しています。LLMでそうだったように、ロボティクスでもスケーリング則が現れ始めていると思います。ただし、LLMとロボティクスの大きな違いの一つは、LLMには学習に活用できるインターネット全体があったことです。非常に簡単にアクセスできるデータソースがあったため、そのまま持ってきて「これをモデルに入れてみよう」と言うことができました。ロボティクスでは、はるかに困難です。多くの部分を自ら製作して構成する必要があり、特定の応用分野に適したセンサーを取り付けた後、モデルに入力しなければなりません。そのため、現実世界であれシミュレーションであれ、データをどう増やしてスケールアップするかという取り組みが今進められているのだと思います。新しいワールドモデルの会社が数多く登場しており、
大企業でもGenie、Dreamer、GR00T、NVIDIAのCosmosなどを中心に多くの開発が行われています。まだ取り組むべきことははるかに多いものの、大きなブレークスルーが生まれる時点に近づいていると思います。おそらくGPT-2の時点により近いと言えるでしょう。特に、多くの汎用基盤モデルが製造や
組立ラインのタスクに、より大規模に導入され、明確な売上を生み始めています。ただし、これをどれほど多様な領域へ拡張できるかが問題です。
ロ・ジョンソク 今、フィジカルレイヤーに強い関心があるとおっしゃいましたが、その理由の一つは、お話しされたように、データにある程度の独占性があり、テストを実行するには何らかの形で物理的な環境が必要だからかもしれません。そのため、フロンティアラボはその市場に容易には参入できないのだと思います。そうした観点から見れば、ほかの領域もあり得ると思います。例えば、科学のためのAIのような領域です。バイオテック分野の多くの方々を私たちに紹介してくださいましたが、では次に注目する価値があるのは、どの領域でしょうか？
次のフロンティアであるバイオと科学のためのAI 41:00
Nikhil Suresh フロンティアラボも、今ではロボティクスへ動き始めています。OpenAIはSoraチームの多くの人材を現在、ロボティクスのほうへ移しました。ただ、おっしゃることには同意します。残りの60点をどこに配分するかと聞かれたら、そのうち30～40点ほどはバイオに与えると思います。バイオは次なる大きなフロンティアの一つだと思います。そして、ラボがどこに焦点を当てているかを見ると、多くのことが分かります。AnthropicやOpenAIを見ると、生命科学チームを構築し、創薬方針を策定しています。彼らもまた、生物学が人類文明にとって最大のフロンティアの一つだと信じているからです。生物学は最大の課題の一つであり、経済的にも解決すべき最も重要な課題の一つです。特に長寿が、そうした課題の一つだと思います。そのため、Isomorphic、Chai Discovery、Lila Sciences、Edison Scientificのような企業が登場し、十分な資本を確保してこうした課題を解決しようとしているのが分かります。
これはwet labの観点、つまりCodexとエージェントをwet labにつなげて創薬を行い、バイオのための実際のファウンデーションモデルを作ることだけでなく、Google、Anthropic、Edison Scientificに見られる科学のためのAIプラットフォームという観点でも同様です。オンライン上のさまざまな研究論文に含まれる全情報をどう取り込み、ある種の自動化された研究として構成し、新たな発見につなげるかが重要です。実際のラボと連携するにせよ、複数のエージェントだけを活用するにせよ、私はこの領域が非常に興味深いと思います。
ロ・ジョンソク では、バイオの次は何でしょうか？一つだけ挙げるとすれば。
Nikhil Suresh バイオが非常に重要なのは、人生に関わる多くの核心的な課題を解決できるからです。例えば、がんやメンタルヘルスのような、苦痛に関わる課題です。生物学や創薬などのためのファウンデーションモデルを通じて、そうした課題を解決できると思います。長期的にそうした課題の多くが解決され、私たちがより長く、より充実した人生を送れるようになれば、ポストAGIの非常に長期的な状況で、本当に重要になるのは、人々のコミュニティをどのように作るかです。人々がより長く生き、より多くのことに取り組み、より多くを探求するようになった状況でも、互いに有意義に交流できる手段と第三の場所を引き続き享受できるようにするには、どうすればよいでしょうか？その頃にはすでにAGIが存在し、私たちの核心的な課題を解決し、ソフトウェアやインフラ、ハードウェアをはじめ、必要なものをすべて構築できると仮定できます。そうなると、焦点は人間同士のつながりをどう育み、人生を本当に生きる価値のあるものにするかに移ります。それが、私の思い描く非常に長期的な未来です。
ポストAGI時代の人間的つながりとコミュニティ 43:13
ハードウェア大国・韓国におけるソブリンAIの可能性 44:09
ロ・ジョンソク 韓国の観点について少し伺います。先ほどAIの勢力図についてお話しされましたが、韓国という国そのものには、具体的に何を期待されていますか？韓国は優れたAI人材と製造能力、
Nikhil Suresh ハードウェアをすべて備えた数少ない国の一つなので、本当に興味深いと思います。多くの国を見ると、そのような能力はほとんどありません。実際にソブリンラボを構築できる可能性がある国も、世界に数か国しかありません。韓国はソフトウェアとハードウェアの両方で人材の密度が高いため、その次の国になれると思います。そうした能力を伸ばし、AIの最前線を担う次世代の大国の一つになる可能性は十分にあります。Samsungのような素晴らしい企業と、その企業のファウンドリもあります。TSMCの素晴らしい競合です。SK hynixもあり、本当に素晴らしい企業が非常にたくさんあります。ですから率直に言って、できることは多いと思います。
韓国スタートアップ投資分野として注目するチップとハードウェア 45:15
ロ・ジョンソク Nikhilさん、今、韓国の有望なスタートアップ一社に投資するとしたら、どの分野を選びますか？私が今、韓国のスタートアップに投資するなら、
Nikhil Suresh おそらく最初にハードウェア分野を見ると思います。韓国は歴史的にハードウェアに非常に強い国でした。電子工学とハードウェアは韓国の歴史で重要な位置を占めてきましたし、韓国が世界最高水準にある分野だと思います。世界のほぼ誰よりも優れた知識と専門性を備えているので、迷う必要のない選択です。
ロ・ジョンソク 今おっしゃったハードウェアとは、主にロボティクスとフィジカルAIのことですか？
Nikhil Suresh フィジカルAIもありますが、実は私はチップ分野をより念頭に置いていました。半導体やメモリ、そして特定のアーキテクチャに特化した推論チップを作る分野などです。
Matthew Kim データセンターを構築するには、多くの部品が必要ですよね。そうですね。実は今夜、
ロ・ジョンソク SemiAnalysisとのパーティーがあるのですが、そこで韓国の優れたチップ系スタートアップに数多く出会えるはずです。当時、エージェントを作ることになったきっかけは何でしたか？
エージェント起業経験と投資家へ転身した理由 46:30
Matthew Kim 具体的に何をし、その経験から何を学びましたか？なぜそれをやめて、投資の世界に飛び込むことを決めたのですか？はい、もちろんです。2025年は興味深い時期でした。
Nikhil Suresh 当時はまだ、企業はAIの活用にそれほど積極的ではなく、特に歴史の長い既存企業はなおさらでした。AIをあまり使いたがらず、経済的価値も見いだしていませんでした。そのため、AIが自動化に関わるさまざまな課題への答えだと説得するのは本当に困難でした。それが一つ目の問題でした。二つ目は、当時私たちが顧客ごとに
高度にカスタマイズしたデプロイを行っていたことです。そのような方法はスケーラビリティが高くありません。
本当に意義があり、持続可能で、今後10年や15年を捧げられる事業を作りたかったのですが、私にとって、それは続けたい事業ではありませんでした。もっと興味深く、より多くの人の役に立てる課題があると思いました。そのため、最終的に投資の世界へ飛び込みました。多くの人に非常に良い影響を与えられるアイデアへ投資することで、そうした変化を生み出せると思いました。
飽和するエージェント市場の勝負どころ 47:44
ロ・ジョンソク まだ数多くのエージェントについては話していませんね。ところで、San FranciscoとSeoulで数多くのスタートアップを見ていますが、どれもエージェントのスタートアップです。こうしたスタートアップをどう見ていますか？市場参入のタイミングについてはどう思いますか？市場参入のタイミングですか？とても良いと思います。今年はいわばエージェントの年です。
Nikhil Suresh モデルが十分な能力を備え始め、企業もようやくAIをもう少し活用しようとしているからです。ですから、今誰もがこの機会をつかもうとしているのは当然です。発展させる必要のある巨大なデジタル労働市場があり、エージェントを通じてその市場を高度化できます。したがって、実際のプロダクションシステムでエージェントをどう構築するかについての洞察が重要です。昨年の2024年にかなり早い段階で始めた人や、今年初めに始めた人は、今ではデプロイに活用できる知識と専門性を備えています。ただし、念頭に置くべきなのは、エージェントを構築する能力を非常に速く高められるということです。誰でも簡単かつ短期間で習得できます。だから多くの人がこのような会社を立ち上げているのだと思います。市場が大きく、まだ開拓されていない領域も多いうえ、さまざまな企業タスク向けのエージェントを作ることで多くのお金を稼げると気づいたからです。そのため、この市場は競争が非常に激しく、すでにかなり飽和していると思います。結局重要なのは、市場でどう地位を築くか、
どこにポジショニングすればきちんと競争できるかを見極めることです。誰かがやって来て、また新たなエージェント企業を作りたいと言ったとしましょう。私たちが「何のためのプロダクトを作るのですか？」と尋ねたときに、「企業向けに作ります」と答え、さらに「なぜ勝てると思うのですか？」と尋ねたときに、「素早く動けるからです」と答えるなら、それには何の意味もありません。誰もが自分は素早く動けると思っているからです。重要なのは、なぜあなたがこの分野にふさわしい人物なのか、なぜこの仕事をすべき人がまさにあなたなのかということです。それこそ、すべての創業者が自分自身に問いかけるべき質問だと思います。はい、そのとおりです。最後の質問です。3～4日前に韓国へ来られて、
ICMLのベンチマーク中心研究とモデルの解釈可能性 49:35
ロ・ジョンソク ICMLで多くの方に会われましたよね。韓国に来る前からご自身なりの哲学をお持ちだったと思いますが、韓国で多くの方やフロンティアラボ出身の人材に会われました。誰かとの会話によって見方が変わった部分があるとすれば、それは何ですか？
Nikhil Suresh 確かに、いくつかの点については見方が変わりました。正直なところ、ICMLでは本当に興味深い研究が数多く進められていると思います。最近発表される論文を見ると、ベンチマークや非常に具体的なテーマを扱ったものが多いです。興味深いのは、数年前までは「どんな素晴らしい新しいモデルアーキテクチャがあるだろう？どんな新しい実験を試せるだろう？」という雰囲気だったのに対し、今では「なぜモデルはこのベンチマークと、この特定のタスクで失敗するのか？」と問うようになったことです。大きな変化ではありませんが、現在のモデルが不得意とする具体的な領域で、どうすればより優れた性能を発揮できるか、このようなベンチマークをどう設計するかを考えるようになったという点で、私の見方も少し変わりました。今、多くの研究者が最も重要だと考えているテーマでもあります。もう一つは、私が見る限り、多くの研究者が
あらゆることをこなせる一つの超強力なモデルが登場するというシンギュラリティの概念にかなり没頭している点です。Anthropicは最近、モデルがどのように考えるのかということや、メカニスティック・インタープリタビリティに関する非常に興味深い論文を発表しており、これが次第に一つの大きな分野として定着しつつあるように思います。当初はゆっくりと成長していましたが、次第に勢いが増し、フロンティアラボで働く多くの研究者が、モデルの内部で実際に何が起きているのか、モデルの思考と記憶が実際にどのように認識されるのかを考え始めました。Anthropicは昨日、「The J-Space」という論文を発表し、これらのモデルの内部フレーミングが実際にどのようなものかに関する研究結果を公開しました。
昨日会ったある創業者は、興味深い研究があまりにも多いという事実に気づき、自ら創業した会社のCTO職を退いて、Anthropicで働くことにしました。もともとその創業者は、ブラックボックス・オブザーバビリティとブラックボックスモデルを研究していましたが、モデルの解釈可能性と透明性に関するAnthropicの研究結果を見て、自分の前提は成り立ち得ないと考えるようになり、そのアプローチが実現可能だという確信も失いました。このように、多くの創業者や研究者が人材の中心地や人材拠点に集まり始めています。そうなると、チップ設計やバイオのようにラボの外にありながら同じように重要で、ラボで行われる仕事よりも多様な視点を取り入れたプロジェクトへ、どうやってその人材を引き出すかが重要な問いになります。最後の質問です。私たち3人ともAIに夢中ですよね。
5年後の新薬開発加速と自律企業の展望 52:34
Matthew Kim 5年後、AIにおける最大の変化は何でしょうか？
Nikhil Suresh そうですね。正直、分かりません。何か答えることはできますが、それが正しいかどうかも分かりません。世界ははるかに速く変化しているように思います。
Matthew Kim 1年後さえ予測するのは難しいですよね。予測できません。
Nikhil Suresh 正直、今ではもうまったく予測できないと感じています。本当に多くの素晴らしい人たちが、数多くの素晴らしいプロジェクトを進めているからです。今、私が願っているのは、5年後には新薬開発において候補物質の発見にかかる時間が非常に短くなることです。新薬の発見期間だけでなく、臨床段階の試験もより速くなってほしいです。規制が非常に重要な分野なので、この点は本当に重要です。実際に人を対象に試験し、副作用なしに効果があるかを確認できなければなりません。今後5年以内に、臨床分野と臨床試験でも進展があることを願っています。これはバイオ分野の話です。
一方、エージェントインフラの分野では、多くの人が自律型企業の開発、マルチエージェントフレームワーク、オートリサーチへと進出し始めています。これはラボだけでなく、多くのインフラ企業やアプリケーションレイヤー企業も非常に重要だと考えている分野です。また、多くの新興スタートアップが自律型企業の構築に参入しています。そのため、5年後にはこうした企業がはるかに増えていると思います。一種の持株会社モデルになる可能性もあります。1人が最上位の会社を運営し、その会社のエージェントが複数の会社を作り、それらの会社がすべて完全に自律運営され、エージェントだけを介して互いにつながる構造です。その時、世界がどれほど密接につながっているのか見届けるのも興味深いでしょう。
産業革命当時、蒸気機関と世界中を行き来できる船舶によって世界が飛躍的につながったように、これはその現象のデジタル版のようなものです。今度は自律的に移動し、コミュニケーションを取り、互いにtrust graphと関係を構築できるデジタル労働者が生まれるのです。ここでいう関係という言葉はやや緩い意味ですが、いずれにせよ、関係は関係です。彼らは互いにコンテキストを共有し、そのコンテキストに応じて行動できます。これがどのように展開していくのか見届けるのは、非常に興味深いことだと思います。
韓国の起業家とAI人材に向けた最後のアドバイス 54:58
ロ・ジョンソク 韓国の起業家やAIエンジニアをはじめ、AI分野で働いている方々へ、最後に一言お願いします。
Nikhil Suresh 一つだけ申し上げるなら、世の中には本当に興味深い問題がたくさんあるということです。韓国にはハードウェアとソフトウェアの両方に優れた人材のネットワークがあり、今こそそれを存分に活用すべき時だと思います。解決すべき最も大きく困難な問題が何かを見極め、可能な限り優秀な人たちを集めて、人々の暮らしを実質的に変えられると思う問題に真剣に挑むべきです。ありがとうございます。はい、皆さん、ありがとうございました。
ロ・ジョンソク お招きいただき、ありがとうございます。はい、お時間をいただき、本当にありがとうございました。ありがとうございます。