Liang Wengfengのロングインタビュー：なぜDeepSeekはオープンソースと節度を堅持するのか？（投資家交流会の全文記録）

梁文锋

投資家の皆さん、ようこそ。私たちがこの会社を立ち上げた当初、私の最終的な収益がいくらになるかとか、資本市場に行くのか、上場するのか、そういうことを考えるのが本来の目的ではありませんでした。ですから、私たちは最初からそうした意図で始めたわけではありません。最初の数十人として加わってくれた人たちも、まったくそんなことは考えていませんでした。もし考えていたなら、来なかったでしょう。

ですから全体として、私たちは世界に対して大きな善意を持ってこれを行っており、これは人類にとって有用な、金銭を超えた何かだと感じていました。もちろん、その後でこのものの恩恵が非常に大きいと分かってからは、ほかの誘惑もありました。それはまた別の話です。しかし、私たちの当初の目的、私たちのビジョン、そして今日まで維持してきたビジョンは、商業利益の最大化を基盤にしたものではありませんでした。

この点はかなり重要だと思います。約20年前、経営において私が最も敬服していた人物は、GEの元CEOであるジャック・ウェルチでした。今振り返ると、彼の言ったことの大半は間違っていたのかもしれませんが、最も重要な点で彼は正しかった。それは、会社にとって最も重要なのはビジョンだということです。大きな会社をどう管理するのか。あなたの規則や制度ではなく、あなたのビジョンです。ビジョンとは何か。

ビジョンとは壁に貼られたスローガンではありません。ビジョンとは、どう語るかではなく、どうやるか、つまり実際にどう運営するかです。まあ、ジャック・ウェルチの正確な言葉は忘れましたが、おおむねそういう意味だったと思います。では、どうやってこれほど多くの人を管理し、まとめ上げるのか。実際には、私たちは従来の意味で組織しているのではなく、ビジョンを軸に、ビジョンに基づいて組織しています。私たちには伝統的な意味での組織はありません。それには長所も短所もあります。

将来的には、私たちは強みを伸ばし弱みを避けるよう努めますが、それが私たちの特徴です。私たちは「KPIを達成しなければならない、評価はない」といったやり方ではなく、ただビジョンだけで動いています。このビジョンは文章として書かれてすらいません。正式な文書として書き出されたことは一度もありません。このビジョンは、私たちのやり方と世界に対する姿勢の中に存在しています。

たぶん、社内の一人ひとりがこのビジョンをそれぞれ違って理解しているでしょうし、ひとりひとりのビジョンも違うかもしれませんが、大きなレベルでは一致しています。

結局のところ、世界に対して大きな善意を持ち、何かを成し遂げたいと思うことに尽きるのだと思います。それを使って私たちは自分たちを一つにしています。次に私が先に話し、そのあとで皆さんが質問できます。今話したこのビジョンを軸にして、残りの話も続けていくかもしれません。このビジョンは本物で、作り話ではありません。私たちは本当にそう考え、本当にそう行動しています。そうでなければ、私たちがやっている多くのことを説明できません。なぜ私たちはそれほどオープンソースにこだわるのでしょうか。

なぜなら、このビジョン自体がオープンソースを必要としているからです。このビジョンがなければ、人を組織することはできません。たとえば、 もオープンソース化していますが、's のオープンソースは私たちのものとは違います。**'s のオープンソースは、どこか無理をしているように感じます。彼ら自身、これが本来の意図ではないと感じているのでしょう。しかし私たちにとっては、これが本来の意図です。そしてオープンソースについては、私たちは最初から非常に明確でした。

第一に、ビジョン。第二に、AIを商業的に成功させるには、オープンソースには利点があると私たちは考えています。これは少し矛盾して聞こえるかもしれませんし、少し直感に反するかもしれません。というのも、歴史的にはオープンソースと商業化は対立してきたからです。しかし、AIはこれまでとは違うと思います。

歴史的には、あるソフトウェア企業の市場規模は年に数十億ドル程度にすぎず、もしそれをオープンソース化すれば消えてしまい、せいぜい数千万ドル、あるいは数億ドルしか残らなかったでしょう。しかしAIは十分に大きく、最終的には人類社会のGDPの10％を占めるかもしれません。たとえば、それは実際には非常に大きな数字です。

一人の人間がこれを独占することはできません。独占はできないのです。ほかの人たちと共有しなければならず、そうしなければ確実に生き残れません。これは以前にソフトウェアをオープンソース化したのとは違います。なぜなら、当時のそのソフトウェア市場はこれほど大きくなかったからです。しかしAIは単純に大きすぎます。もし利益を独占しようとするなら、歴史に取り残されるのは確実です。これは主に客観的な法則、歴史の観点だと思います。

私がオープンソースにしなければ市場を独占できる、ということではありません。それは理論的にも客観的現実に合いません。あなたは必ず多くの抵抗に直面しますし、その目標の達成を妨げる別の方法も必ず出てきます。この状況では、従来の商業的思考に必ずしも従う必要はないと思います。得られる利益を制限する仕組みが必要です。そうして初めて成功できる可能性があります。節制が必要です、節制が必要だと思います。

もし私たちの手でAIを成功させたいのなら、まず第一に、節制が必要だと思います。人類のGDPの一定割合が自分のものだとか、中国のGDPの一定割合が自分のものだとか、そう考えてはいけません。そう考えれば考えるほど、成功できる可能性は低くなります。

ですから最初から、節制が必要だと感じていました。より節制しているほど、実現できる可能性は高くなります。もちろん、これは商業上の考慮でもありますが、マクロな観点からの考慮でもあります。少なくとも私にはそれが直感的であり、少なくともこれが私の本当の考えです。私たちにはそれほど多くの強みはありません。特別に優れているわけでも、他社よりお金があるわけでもなく、人も他社より優れているわけでもありません。実際、まったくそんなことはありません。

考えてみてください。この会社を2年前に立ち上げたとき、私たちにはあまりお金がなく、チップも多くなく、認知度も低く、影響力もほとんどありませんでした。私たちはごく普通の人々の集まりにすぎませんでした。

私たちは本当に、ただの普通の人たちの集まりでした。もし望まれる物語が、「普通の人たちの集まりが非凡なことを成し遂げた」であって、「天才の集まりが非凡なことを成し遂げた」ではないとするなら、それは私たちの抑制と非常に関係があり、私たちの抑制やビジョンと同じ流れにあります。では、オープンソースと商業化は衝突するのでしょうか。私は、AIでは、抑制がなければ立ち上がれないと思います。

オープンソースは抑制の一部ですし、私たちの抑制はオープンソースだけに表れているのではなく、他の多くの面にも表れています。とはいえ、全体としては、オープンソースや抑制にこだわる必要はありません。より抑制的であるほど、成功しやすくなるのかもしれませんし、少なくともこれまでのところはそう裏付けられています。少なくとも今のところは説明がつきます。

そうでなければ、私たちがどうやって成功できたのか説明のしようがありません。私たちには特別な武器はなく、出発点は非常に低く、資源も非常に限られており、実際のところ人もただのありふれた普通の人々の集まりでした。私自身もただの大学卒業生で、最難関校出身ではありません。この抑制もまた、私たちのビジョンの一部です。AIはあまりにも大きく、利益もあまりにも大きいのです。

私たちは非常に抑制的です。成功さえできれば、最終的な利益は非常に大きくなります。たとえその一部だけを取るとしても、利益はすでに非常に大きいので、どの部分の利益を取るか、どう取るかを考える必要はまったくありません。私は、そのようなことを考える必要は全くないと思います。なぜなら、利益はすでに十分に大きいからです。ほんの少し取るだけで十分なのです。ですから、以前に私たちが「適正な利益しか得ない」と言ったとき、それは利益を最大化するという意味ではなく、あなたの意思を見ているだけであって、それとは違うのです。

これは私たちのAPI価格ではありません。私たちのAPI価格は、私たちが考える適正な利益に基づいています。おおむね、市場で機器を一式購入し、10か月でコストを回収できる程度です。私はそれが適正な利益だと思います。

現在の状況の下で、リスクや初期投資などを考慮すると、サーバーを会計上3年または5年で償却する一方で、商業的には10か月でコスト回収すると考えているなら、それで十分だと私たちは考えています。OK、それで十分だと考えています。これが現在のAPI価格設定のロジックです。私たちのV3.2 Flashなども、すべて機器コストを10か月で回収できるように価格設定しています。

それが私たちの基準です。実際には利益最大化ではありません。もし利益最大化を目指すなら、価格はもっと高く設定すべきです。というのも、この価格帯では需要の価格弾力性が低いからです。つまり、私が価格を1.5倍、あるいは2倍に上げても、トークン消費量の変化はそれほど大きくありません。もし2倍の値段にしても、総収益はほぼ2倍になります。ちょっと待って、確認させてください。ああ、それはいいですね。

ひとつ話をしましょう。私たちのあるモデルについてです。最初は需要が大きすぎるのを心配して、初めは比較的高い価格に設定しました。チームの皆はあまり嬉しくありませんでした。その後、私はまた価格を下げて、4分の1まで下げました。すると、皆はとても喜びました。私は、それが私たちが本当にどう考えているかを表していると思います。

先ほどビジョンについて話したのは、私たちはやはりこのものが人々に役立つことを望んでいて、できるだけ多くのお金を稼ぐことではなく、みんなが手頃な価格で使えるようにしつつ、適正な利益を得ることを目指している、ということです。私たちの会社の他の人たちの考え方から言っても、あのとき価格を下げた際には、会社のグループ内で多くの人が歓声を上げていました。皆とても喜んでいました。それは、このモデルを良いものにするために私たちが注いできたすべての努力と配慮の目的だからです。

その目的は、非常に安く、しかも非常に効果的にして、誰もが十分に使えるようにすることです。私たちはそのことをとても嬉しく感じました。それが私たちの動機であり、ビジョンであり、そして私たちの会社の中で、なぜ私たちが集まってこれをやれるのかについての共通認識です。私は、これは比較的特別な点だと思います。なぜなら、競合他社にとっては、価格を下げることは間違いなく良いことではなく、彼らが歓声を上げるはずがないからです。

なぜなら、あなたの収益、あなたのARRは、もし半分に切れば、ARRも半分になるからです。そう、これが私たちと他者との違いの一つです。私たちは、それで十分だと感じています。社内から見れば、10か月でコストを回収できるなら、商業的にはすでに非常に満足です。社外に対しても、この価格は人々をより幸せにし、より使いたいと思わせるものだと感じています。会社にとっても、社会や皆にとっても、ウィンウィンです。

私は、OK、今ちょうど画面に「10か月でコスト回収は利益が高すぎる」というメッセージを残した人がいます。確かに、まだ価格を下げる余地はあります。実際、まだ価格を下げる余地はあります。モデル面でも最適化の余地があり、全体としてコストを下げられる余地はかなりあります。しかし、このコスト、つまり10か月で回収できるというのは、私たち自身で達成できるものです。他社にはできません。たとえばAlibabaやTencentは、私たちのような最適化された構成ではありません。彼らのコストはこれより数倍高いはずです。

ここにはまだ多くの最適化の仕事があります。先ほど、なぜ価格をさらに下げないのかと聞かれました。それは弾力性がないからです。つまり、私がさらに価格を下げても、需要はそれ以上増えない、あるいはもう一度下げても、需要は少し増えるだけです。なぜなら、この価格なら誰もが支払えるし、誰もが価格に満足していると感じるからです。高すぎるから使うのをやめる、ということはありません。

したがって、価格を下げても会社の収益は増えませんし、社会にとっての価値もそれ以上は生まれません。なぜなら、すでに皆がこの価格に満足しているからです。もし価格がさらに下がっても、社会における人々の幸福感はそれほど増えません。そうですね、OK、でもさっきのこの質問、価格設定の話になると、私たちは絶対にまず

会社の売上や利益を最大化すること。それが出発点ではありません。これは私たちの抑制の一部でもあります。というのも、短期的には少し高く価格を付ければ少し多く稼げるかもしれませんが、長期的にはどうなるかは簡単には言えません。私は、抑制は戦略だと思っています。私にとって、抑制は戦略です。時には、あるものを少し手放すことで、別のものをより多く得られます。

オープンソースも実は同じです。私たちにとってのプレッシャーとして見ることもできますし、私たち側の譲歩として見ることもできます。まず、この譲歩は会社の内側から見ても、私たちをとても खुशしくします。みんなが喜び、社員は強い達成感を感じ、それによって私たちはより結束します。そしてこの譲歩は社会にとっても有益です。社会も喜び、他の同業者や一般の人たちも、みんな喜ぶでしょう。

ですから私は、このような抑制を、長期的にはAGIで成功する確率を高めうるものだと理解しています。何かを考えるとき、AGIには非常に大きな商業価値があることに私は疑いを持っていません。そのうえで私が優先するのは、どうやってより大きなシェアを取るか、どうやってもっと多くの取り分を得るかではありません。私が優先するのは、どうやって実際にそれを成し遂げる確率を高めるかです。この抑制は、他の多くの面にも表れるかもしれません。

たとえば昨年の春節のとき、私たちには突然多くのユーザーが集まりましたが、そのユーザーをつなぎ止めることも、収益化することも、そこから商業的利益を奪い取ろうとすることもありませんでした。ユーザーを奪ったりお金を稼いだりしようとはせず、代わりにそのユーザーたちにきちんとサービスを提供することに非常に努力しました。

私たちは、「次のスーパーアプリを作ろう」とか、「誰かと競争しよう」とか、「次のByteDanceや次のTencentを作ろう」といった考えは持ちませんでした。まったくありません。そうすることはできましたが、しませんでした。私の理解では、これも抑制の一部です。すべてを収益化しなければならないと思うな、ということです。ユーザーさえいれば、次のByteDanceを作れるように見えて、あとはそれを丸ごと食べ尽くせるように思える。

私は、それは商業的には十分可能だと思います。あり得ることです。もし昨年、ByteDanceとユーザーを奪い合うために多額のお金を使っていたとしても、それはそれであり得る戦略でした。しかし私たちは、非常に抑制的なやり方を選びました。そこを取りにいくことはしない。というのも、後から来るものがスイカで、先にあるものは全部ゴマ粒にすぎないかもしれないからです。

私は、ゴマ粒を全部かき集めるべきではありません。もちろん、ゴマ粒の中にはかなり大きいものもあるかもしれませんが、私が思うに、その後のAIの機会は、前の機会に比べて小さくはありません。今振り返ると、昨年の消費者向け側で無理に押し進めなかったのは、正しい選択だったのかもしれません。というのも、本当にもっと大きなスイカが後にあり、先にあったものは本当にただの小さなゴマ粒だったことが明らかだからです。もし昨年私にたくさんのお金があって、これを非常に大きくしていたら、何の利益があったでしょうか。そんなに大きな得はなかったはずです。

これが私の本当の考えです。というのも、後のAGIの機会は非常に大きいはずだと思うからです。後のAGIの機会は、常に非常に大きいでしょう。

その中で自分が位置を占めるかどうか、あるいはその中で自分のビジネスモデルが何になるかまで考える必要すらありません。実際、そんなことを考える必要はないのです。これほど大きなビジネスチャンスがある限り、必ず道は見つかります。目の前のゴマ粒については私たちも拾いますが、ただついでに少し拾うだけです。立ち止まって、それを重要なものにすることはしません。ですから、昨年の消費者向けの日次アクティブユーザーなどは、私の考えでは、ただの小さなことだったのかもしれません。

ただ、私たちもそれらを拾いましたし、比較的低コストでユーザー利用を維持しました。なぜなら、それらは後で役に立つかもしれないからです。今のところ、これらのユーザーが何に役立つのかは分かりませんが、現時点では純粋なコスト支出です。しかし後で役に立つかもしれません。ついでに取れるものなら、ついでに取っておこう、ということです。今年も、APIやAIでARR収益の機会がある可能性は非常に高いです。

つまり、この需要が引き続き拡大し、さらに拡大し続け、GPUをより多く購入できるなら、数億ドルのARRに到達するのは十分にあり得ます。もしAIが10億ドルに達すれば、基本的に私の会社のキャッシュフローは損益分岐点に届き、R&D費用やその他すべての費用を賄えるかもしれません。

それもまた可能ですが、私たちはそれを優先事項とはしていません。やるにはやりますが、私はそれを重要な事柄だと思っています。第一優先ではありませんし、今日私たちが本当に注力しているものでもありません。より大きな機会はやはり後にあるはずです。昨年の消費者向け側や今年のB端を含む前段の機会については、やる必要があり、しかもきちんとやる必要がありますが、それが私たちの目標ではありません。

あるいは、より正確に言えば、私たちの会社の大多数は、これをそれほど重要なことだとは考えておらず、AGIと比べて同じくらい重要だとも考えていません。オープンソースについてもう少し話します。先ほどの質問の多くはオープンソースについてでしたから。まず、私たちはオープンソース化するだろうと思っていますし、最も強いモデルもオープンソース化されるかもしれません。というのも、クローズドソースにする良い理由が見当たらないからです。どうしても必要な利益があるとも思えません。

ByteDanceのモデルはクローズドソースですが、どんな利点があるのでしょうか。私には利点が見えません。たとえモデルがオープンソースで、すべてをみんなに公開したとしても、障壁は依然として非常に高いままです。他の人が実際にそれを使うのは、やはり非常に難しい。彼らが使うのも難しいですし、さらにそれを低コストのまま使うのも極めて難しいです。簡単ではありません。

私がオープンソース化したからといって、彼らが私と同じコストで簡単にデプロイできるわけではありません。ここにはまだやるべきことがたくさんあります。原理はすべて理解されていても、すべての会社がそうしたいわけではありませんし、その目標を達成するために人員やリソースを組織する意欲や能力があるとも限りません。私もこれにはかなり慣れています。彼らは単にそれをうまくやれないのかもしれません。というのも、抵抗が大きすぎるからです。そうしたコストを制御するのは難しく、管理上の制約や物理的な制約もたくさんあるからです。

これもスタートアップの利点です。なぜなら、スタートアップが小さすぎると、こういうことをやり切る力がないからです。大企業だと、組織化するのが難しい。

どの状況にも難しさはあります。だから、これは私たちの規模にとってちょうどいいスイートスポットです。もっと大きければ、ほかの問題はなかったかもしれない。もっと小さければ、力が足りない。だからオープンソースについては、価格設定をすべきだと思います。現時点では、私たちは無理に押し付けることはしないと認識すべきです。

価格設定モデルを採る以上、私も非常に高い料金は取りません。たぶん、10か月で原価を回収する水準で請求し続けるでしょう。10か月で原価回収できるなら、それだけで競合に勝てます... 10か月で原価回収する料金を取れば、第三者による独立導入はすでに採算が取れなくなります。第三者にはできません。そのコストは達成できない、絶対に無理です。だからオープンソースは私の収益に影響しません。もちろん、もし私が100倍の利益を得たいなら、オープンソースは...

司会者

聞こえましたが、動画が落ちたみたいです、ボス。

たぶん今、電話が入ったのでしょう。

梁文锋

だからオープンソースについては、私たちのビジネスモデルに影響はないと思います。前提として、私たちは6倍の利益しか取らない、10か月で原価回収するというのは約6倍の利益に相当します。もし6倍の利益しか取らないなら、オープンソースはそれほど影響しません。でも100倍の利益を得たいなら、オープンソースは確かに100倍の利益を得る能力に影響します。なぜなら、第三者がそれを展開し、彼らのコストがあなたの20分の1になるかもしれないからで、あなたより安くなるのです。

このモデルは長期的に持続可能でしょうか。私はそう思います。私たちのビジョンの下では、オープンソースは長期的に持続可能だと思います。少なくとも、それが私たちのやり方です。節度を保てば、長期的な利益もあると言えます。この戦略は技術の先を行くための機会をより多く与えてくれますし、AGIを達成できる確率も高くなります。私たちはより落ち着いていられる。

考えてみてください。私たちは残業する必要さえありません。なぜなら、そんなに難しくないからです。でも他の会社にとっては、あれこれ考えすぎるので、とても難しいかもしれない。実際はまったく難しくないんです。本当に難しくない。最初は... 外から見ると、私たちはとても難しいモードを選んだように見えるかもしれません。研究をして、最も難しいものに挑んでいる、まるでハードモードのように。

しかし実際には、他の多くをあきらめているので、それでも私たちは非常に強く、物事をとても簡単にできます。だから、オープンソースについての私の判断は、それは持続可能だということです。オープンソースと商用の有償提供の間に矛盾はありません。6倍の利益率の範囲で矛盾がない限りは。6倍の利益というと高く聞こえますが、実際にはそうでもありません。今のAIの効率を考えると、今日の妥当な利益はその程度かもしれないからです。

将来的には、たとえば4倍や3倍まで下がるかもしれません。私はそれでも... 本当にそれ以上は下がりようがないと思います。それでも、なお非常に大きな利益は残ります。API販売だけを見ると、私はAPI販売がそれほど魅力的だとは思いません。でもこの点については、矛盾はないと言えます。私は矛盾を見たことがありません。

それに、他社が私たちのモデルを展開して私たちと競争することも、まったく心配していません。むしろ、彼らに展開してほしいと思っています。私たちはオープンソースコミュニティを支援し、皆さんが私たちのモデルを展開するのをできる限り手助けしようとしています。彼がこのビジネスを私から奪うとは心配していません。市場は十分に大きいからです。心配なのは、彼が展開できないこと、細部がうまくできないこと、結果が悪くなること、あるいは彼のコストが相対的に高くなることです。

そうです、ここには矛盾はありません。去年、To B ビジネスについて質問されていたとき、比較的よくある質問の一つはこうでした。もし私が私たちのC端をオープンソース化したら、C端はまた私のC端と競合するのか？

というのも、私はトラフィックの優位性を持っていない、というよりTencent自体が非常に多くのトラフィックを持っているからです。もしそれが私たちのオープンソースモデルを展開したら、C端ユーザーをすべて奪ってしまい、私のC端ユーザーを全部盗んでしまうことになる。ですが、実際にはそんなことは起こりません。その理由はたくさんあります。そして問題は、私たちが提供するオープンソースモデルは、私たち自身が展開するモデルと同じなのか、ということです。はい、同じです。

より悪いモデルをオープンソースにしておいて、導入するときには自分たちだけより良いモデルを使う、なんてことはしません。そんなことはしない。同じです。それでも、実際には矛盾がないことを示しています。去年の1年を通して、C端では基本的にオープンソース化しただけで、C端サービスで矛盾は見ませんでした。本当に矛盾は見なかった。以上がオープンソースの話です。

その下には、会社の長期ビジョンもあります。私たちの目標はAGIであるべきだと思います。AIの定義は人それぞれかもしれませんが、それは私たちがAGIを目標にすることを妨げません。技術路線の観点から見ると、AGIへのロードマップは実はかなり明確です。

現世代のAI技術では、ある問題を非常に明確に説明し、完全なコンテキストと指示を与えられれば、すでに人間を上回ります。しかし定義があり、前提があります。完全なコンテキストを与え、完全な指示を与えること。その前提を実現するのが非常に難しい。

たとえば今日の会議では、私たちの前に非常に長くて非常に強いコンテキストがあります。おそらく皆さんには数十年分のコンテキストがあり、AIにはそれがありません。今のAIが持てるのは、限られたコンテキストの中で人間よりうまくやれることです。しかし、まだ人間を置き換えることはできません。まだ足りないのは継続学習です。人間も学び続けることができるからです。

社員を雇えば、会社の環境や仕事に慣れるのに2か月かかることがあります。2か月後には、動き始められる。多くのことができる。あなたの言うことを理解できる。たとえば「小王を呼んで」と言えば、誰が小王か分かる。ですがAIにはそのコンテキストがないので、その2か月の学習を経ていないのです。

もし「Xiao Wangを連れてきて」と言うなら、AIにはXiao Wangが誰なのか、彼がどの役職に就いているのか、どこにいるのか、どうやって見つけるのか、探すときに何に注意すべきかまで伝えなければなりません。AIにすべての文脈を与える必要があります。その場合、AIはそれをできますが、あなたはそんな文脈をすべて与えることなど到底できませんし、それは現実的ではありません。だからAIはあなたの従業員を置き換えることはできません。

しかし、もしAIに継続学習能力があり、あなたの従業員のように会社で2か月学ぶことができるなら、

天下のあらゆるものを置き換えられます。だから私たちはまだ次の段階まであと一歩のところにいるのです。つまり、学習を学ぶことです。AIの発展は階段として理解できます。昨年私たちが登った階段はCoT、chain-of-thoughtでした。なぜなら、chain-of-thoughtによって知能はより高いレベルに到達できると分かったからです。自分で考えさせることで、上限を引き上げ、AIにより多くのことをやらせることができます。こうして私たちはもう一段階上がったのです。

今年の階段はAgentです。なぜなら、Agentを使えば、やることがたくさんあっても、それでもこなせることが分かったからです。その能力範囲はより広くなり、知能の上限もさらに高くなります。なぜ階段なのか。それは、その後の各段は前の基礎の上に築かれているからです。AgentにはCoTが必要で、CoTにも前の階段、つまり言語モデルが必要です。だから、どの段も無駄にはなっていません。

したがって、AIの発展、知能の方向性は追跡可能です。今年の階段はAgentですが、Agentの階段もやがて完成します。可能な限りの問題をすべて解決したとしても、あなたの従業員を置き換えることはやはりできませんが、その能力の限界にはすでに到達しています。

これはCoTと同じです。CoTが上限に達したとき、それはすでに最上位の人間を超えており、オリンピック数学の問題を解いたりプログラムを書いたりする面ではそうでした。しかしそれでもそこで止まり、その技術はまだAGIには到達していません。だから、AI知能の方向性は追跡可能だと分かるのです。

ではAgentの次に、私たちが解くべき問題は継続学習だと考えています。つまり、強力な学習環境を必要とせずに、モデルをどうやって継続的に学習させるかです。人間のように、比較的長期にわたる継続学習ができるようにする必要があります。この問題は、タスクの達成などと合わせて、同じものです。互いに関連しており、同じ問題を解いています。

今、Agentの段階に立って見えるのは次のボトルネック、継続学習です。次に解くべき問題は、どうやって継続学習を実現するかです。それは見えており、比較的明確です。目の前にある障害であり、越えなければならず、そして越える方法は必ずありますが、時間がかかります。継続学習の後、私たちはシンギュラリティに到達するかもしれません。

そのシンギュラリティとは、一度モデルが継続的に学習できるようになれば、人間ができることはすでにすべてできるようになっている、ということです。自分自身のバージョンを開発し、自分で研究を行い、そして次のバージョンを開発し、より高度な人工知能モデルをさらに作り出します。そうしてシンギュラリティに到達し、自らを反復できるようになります。しかしこのシンギュラリティは、実際には本当のシンギュラリティではなく、やはり漸進的な過程です。

この過程もまた、比較的長い徐々の変化かもしれず、突然の変化ではありません。しかし慣習として、私たちは皆それをシンギュラリティだと思っています。なぜなら、ずっと昔に予言者たちがここにシンギュラリティがあると考えていたからです。しかし実際にはそれはシンギュラリティではなく、連続的な過程なのです。そしてこの段階が完了した後、私はそこが具現化知能が来る時だと思います。

これは私たちの推測です。タイムラインとしては、まず学習を学ぶことを解決し、次に自己反復のそのシンギュラリティに到達し、そのあとにようやく具現化知能だと考えています。具現化知能の後、それは現実世界に入り、家事をしてくれたり老後の世話をしてくれたりします。これは比較的理想的なロードマップだと思っていますが、人それぞれ見方は違い、正しいか間違っているかはありません。私たちはただ、このロードマップが最も簡単だと思っているだけです。

このロードマップが簡単なのは、各段階でやるべき新しい仕事がとても少ないからです。このロードマップなら、残業する必要もありません。しかしロードマップが逆で、たとえば具現化知能を先に実現しなければならないなら、自分でやるのはとても疲れるでしょう。とても大変な作業になります。私たちはそんなロードマップは望んでいません。もう少し楽にやりたいのです。

もしまず継続学習を解決し、次にその自己反復のシンギュラリティを解決し、それから具現化知能を解決するなら、道のりはとても楽になります。なぜなら後になるほど、前の技術を使って後の技術の開発を助けられるからです。シンギュラリティの後は、具現化知能は人がやる必要がなくなり、私たちがやる必要もなくなり、モデル自身が自然に生まれてくるのです。これが、私たちの長期目標とは何かという問いへの答えです。

私は彼に言いました。これが私たちの長期目標であり、私たちがAGIと呼んでいるものです。現実に戻りましょう。昨年の最も重要な現実は、皆がChatbotをやり、C端トラフィックを奪い合わなければならなかったことでした。今年の現実は、皆がTo B収益を争い、ここに参入しなければならないことです。参入しなければ、そもそもテーブルに着くことすらできませんよね？

しかし私たちは、それを重要なことだとは思っていません。むしろ、社内で本当に重視しているのは、先ほど述べたAGIのロードマップと、次の技術的ブレークスルーがどう起こるかです。ただ、一つとても奇妙なのは、最も欲しいものほど、まさに手に入らないことが多いということです。逆に、それほど気にしていないものは、往々にしてかなり簡単に手に入ります。

ここには戦略的な利点があります。私たちの頭の中ではAGIを考えており、実際にやっていることもAGIです。するとアプリケーションをやるとき、あるいはC端やB端をやるとき、そうしたことにほとんど思考を使う必要がありません。実際、少しの労力で十分です。私は、より高い技術レベルに立って比較的低いレベルの技術に取り組むとき、そこには次元削減攻撃のようなものがあると思います。

少なくとも昨年のC端では、確かにその通りだということが分かりました。私たちはC端にそれほど力を入れておらず、ある時期にはそのユーザーを維持したくないとさえ思っていましたが、ユーザーは追い出せませんでした。本当に追い出せなかったので、結局みんな残りました。でも少し ... そして今年は、B端の収益が成長面では比較的楽観的に見えます。この数字も同業他社と比べてかなり良いのではないかと、私は思います。

ただし、私たちはこれに多くの労力を費やしてきたわけではありません。基本的に

意図してこうしたわけではなく、あくまで副次的にやってきたことです。インターネットインテリジェンスを構築し、オンライン展開へ進む中で、AGIの段階は私が必ず通らなければならないステップです。AGIへの道のりでは、このステップを経なければなりません。そのうえで、これらすべての技術をAPI経由で皆さんに提供しているので、私は余計な仕事をしていません。私たちは引き続きAIをやっており、これは副産物です。

私は、このAPIを維持するために数人いれば十分で、カスタマーサービスさえ必要なく、営業も不要で、何も必要ありません。するとユーザーは自然にやって来ます。

あるいは、C端と見なされるユーザー——C端もB端も含めて——は、私たちのAGIへの道のりにおける副産物だと言えます。どれも中間的な出力であり、私のAGIの仕事とは矛盾しません。私はC端やB端をやるためにやっているのではありません。むしろ、AGIのためにAGIをやっていて、その結果としてたまたまこうしたものが生まれるので、それを取り上げて商業化しているのです。これは他社とは違います。

他社はこれをやるためにやっています——C端ユーザーにサービスするため、あるいはB端ユーザーにサービスするために、そこからモデルを作っていく。でも私たちの場合、最初からそういう意図ではありませんでした。私たちの原点はいまでもAGIの追求です。ある意味、これは次元削減攻撃のようなものだと思います。AGIはより大きなビジョンであり、そのビジョンはより多くの優秀な人材を結びつけることができ、より強い求心力があります。

だから私は組織面で優位性を持っており、その優位性を使って ... これは次元削減攻撃のようなものです。しかし、もしあなたが商業会社で、そのビジョンがC端ユーザーに良いサービスを提供することなら、それはまた別の話です。そこには別の強みがあり、プロダクト、ユーザーサービス、トラフィックには強いものの、技術面では強くありません。現在の追い風は、モデル技術が最も重要だということです。

モデルを良くする必要があり、その他のことは ... そうです、これで私たちのこれまでの発展の道筋も説明できます。私たちは本当にAGIを選びましたし、大量のユーザーを作ろうと考えたことは一度もありません。昨年の春節の時期に突然バズったときも、それはまったく私たちの想定外でした。そんなことは一度も考えたことがありませんでした。私たちはただ技術を良くしたかっただけです。

ただ、当時私は、完全に商業化・プロダクト志向の組織と比べて、私たちの組織には人材と組織面での追加の優位性があることに気づきました。それも非常に不思議でした。当時、C端ではみんなが血眼になって争っていましたが、最後には競争に行かなかった人に持っていかれたのです。それもまた、私が先ほど言ったことが理にかなっていることを本当に示しています。確かに人材と組織には優位性があります。

この人材優位性は、私の人たちの方が彼らより賢いという意味ではなく、むしろこれらの人材をどう組織するか、どう動機づけるか、どう協力させるか、ということです。それが優位性です。賢い人を集めれば自動的に自然に協力するわけではありませんし、自然に目標に向かって走り、その目標を達成する情熱を持つわけでもないので、ビジョンが必要です。これまでの経験から私が学んだのは、AGIのビジョンは非常に強力だということです。

はい、それが質問です。では次の質問は、コア利益の重要性とは何でしょうか？

私は先ほど、多くの領域では非常に慎重である必要があると言いました。では、私たちのコア利益とは何でしょうか？ 実は、コア利益はたった一つしかありません。私たちの最大のコア利益は、チームの安定を維持することです。これが私たちの最大のコア利益であり、唯一のコア利益だと言ってもよいでしょう。

私がチームの安定を維持できさえすれば、私は必ず成功し、必ずAGIを実現できます。とても単純なことです。皆が残り続け、私たちが走り続けられるなら、私は必ず ... 基本的に大きなリスクはありません。遅かれ早かれ挫折はありますが、挫折があっても皆が残っていれば、私は続けられます。お金はまったく問題ではなく、リソースも問題ではなく、その他の要因もすべて手に入れやすいです。

私たちにとってコア利益はただ一つ、譲れないものはただ一つで、チームの安定を維持しなければなりません。これもまた、私たちが直面している非常に大きな課題であり、あるいは最大のリスクだと思います。もちろん、最近の資金調達によって、このリスクは大きく低下しました。なぜなら、みんなのオプションはまだ比較的大きく、金額もまだかなり substantial だからです。

チームの安定という観点から見ると、最も重要な従業員や古参の従業員の何人かが安定していれば、他の人たちが辞める可能性は高くありません。たとえ他の人が少し株式を少なく持っていても、あるいは収入が少し少なくても、辞めません。お金のためだけに来ているわけではなく、皆、AGIを本当に実現できる環境で働きたいと望んでいるからです。だから、人材にとっては依然として魅力があります。

歴史的に見ても、私たちの人材流出は比較的低いです。同業他社と比べても、私たちの人材流出はいつも比較的低いです。しかし、これが依然として私たちの最大の課題であり、唯一の課題だと言ってもよいでしょう。その他はすべて時間の問題です。せいぜい6か月か1年遅れるだけで、できなくなるわけではありません。私たちは決して資金不足ではなく、決してリソース不足でもありません。実際、そのどれも不足していません。

今私たちがやっていることの多くは、チームの安定を維持するためのものです。それ以外のことについては、私はすべて諦めてもよいと思っています。ほかのことはすべて抑制できます。私たちはこれまでもずっと非常に抑制的であり、どのような大きい会社であれ小さい会社であれ、インターネット企業の敵になりたいとは思っていません。私は、彼らを力づけることができればと思っています。あるいは、皆さんがこれを行うのを手助けしたい、皆さんがこれを進めるのを支援したいと思っています。

これも、先ほど話した商業的な意味の一部です。前提として、皆さんが……

その前提の下で、私たちは誰であっても、たとえ競合相手であっても、Alibaba、Zhipu、Moonshot AI を含めて、より良くすることを積極的に支援し、手助けしたいと思っています。なぜなら、私たちは何も失うものがないからです。私たちは最初からオープンソースであり、オープンソースは境界をできるだけ明確にしようとはしません。どうやるかについては、皆さんに再現してほしいと思っています。再現できないならそう言ってください。そうしたら、私が再現方法をお教えします。それはもともとオープンソースの一部であり、相手が競合だからといって変わるものではありません。

もちろん、もしパートナーであれば、私はもっとやります。しかし、大きな利益のレベルでは、そこに衝突はありません。

外部に向き合う際の私たちの姿勢は、AGI の本流だけをやる、というものです。先ほど言った GPT、CoT、Agent などがそれです。私たちは本流だけをやります。AI 分野は非常に広く、私たちが本流ではないと考えているものもたくさんあります。たとえば 3D や動画生成です。私は、それらは知能の本流とはあまり関係がないかもしれないと思っているので、やりません。

また、ワールドモデルのようなものもあります。私は、現時点ではそれらも知能の上限とはあまり関係がないと思っているので、やりません。ただし、他の人がそれをやるなら、私たちは喜んで手助けします。私たちに時間があるかどうかは別問題ですが、利益上の衝突はありません。私たちも、こうした AI 技術がさまざまな生産環境で使われ、社会の生産性を高め、あらゆる産業の生産性向上に役立つことを望んでいます。

私たちはそれをやることに非常に意欲的です。私に時間があるか、十分な人数がいるか、あるいはチームメイト自身が興味を持っているかは、また別の問題です。しかし、利益上の衝突はありません。私たちはこの目標を達成したいと思っています。そして、これはビジネスと全く衝突しないと考えています。私が受け取るべき利益は、少しも減っていません。

以前私たちが持っていた姿勢において、実際にはそれで何も失っていないと思います。私がオープンソース化したから、あるいは私たちの善意のために、あるいは他の人を助けたからといって、私たちは何も失っていません。たとえば、昨年の C-end ユーザーですが——今でも C-end ユーザーはかなり多く、しかも比較的安定しています。今年の B-end についても、私はかなり楽観的だと思っています。

私たちの善意のせいで、私はビジネス上の利益を少しも損なっていません。まったくありません。むしろ、加点になっている可能性すらあります。これは直感に反しますが、本当にそのようなものです。あるいは逆に考えてみても、たとえそれに違反したとしても、必ず私がもっと得をすることになるのでしょうか。そうではありません。ひとつ疑問があります。ワールドモデルが AI の知能上限を引き上げることと何の関係もない、ということをどう理解すべきでしょうか。私が言っているのは、現段階ではそれが私たちの判断だということです。

私たちにはロードマップがあります。これは私たち自身の AI ロードマップであって、唯一のロードマップではありません。私たちの理解と判断では、今最も重要なのは AI トレーニングをしっかり行うことです。AI トレーニングをしっかり行うためにワールドモデルは必要ありませんし、マルチモダリティさえ必要ありません。なぜなら、AI トレーニングの範囲を少し狭めれば、マルチモダリティがなくても、できないタスクがいくつか出てくるだけで、アルゴリズムの妥当性には影響しないからです。マルチモダリティは最終的にはやはり必要になります。

今大事なのはトレーニングであり、その次は継続学習の問題を解決すること、さらにその次は自分で質問できるようにすることです。しかし、このロードマップにはワールドモデルは含まれておらず、動画生成も含まれていません。動画生成が最初に出てきたときは非常に熱く、まるでやらなければならないもののようでした。やらなければ AI 企業に見えないような感じでした。

それで私はとても不思議に思いました。実際、よく考えてみれば、それは知能のロードマップとは何の関係もありません。

実際、動画生成の始まりとして Sora が出てきた後、皆がやっているのも見たでしょう。大企業も中小企業もみなやりました。しかし、小さな会社は後で全部やめました。知能の上限とは何の関係もありません。しかし商業的には良いビジネスです。商業的には良いビジネスです。でも知能とは関係ありません。良いビジネスだからという理由だけでは、私たちはやりません。知能のロードマップ上にある場合にのみやります。

動画生成は比較的はっきりしているので、例として挙げます。ワールドモデルについては、ワールドモデルの意味はそれほど明確ではありません。というのも、多くのものをワールドモデルと言えてしまうからです。私たちの判断では、ワールドモデルと知能は、現段階ではまだ最も重要なものではありません。最も重要なのは AI トレーニングであり、その後に AI トレーニングの次の段階として、継続学習をどう解決するかです。

これが私たちの会社の判断です。もちろん、会社ごとに判断は異なります。先ほど言ったように、私たちの会社にとって最も重要な問題は人員の安定です。別の観点から見ると、私たちに欠けているものは何でしょうか。私たちと米国の差は何でしょうか。実際、差はひとつだけです。それはリソースです。私たちにはそこまで多くのカードがあるわけではなく、カードの数はまだ比較的少ないのです。

現在、私たちは約 20,000 H-equivalent compute を持っています。その大半は最近やっと届いたもので、この1、2か月の間に入ってきたものです。まだ届いていないマシンもかなりあるかもしれません。昨年の私たちの総 compute は比較的小さく、今年は compute を非常に積極的に拡大しています。現在は約 20,000 H-equivalent で、今後数か月の間にさらに大量のマシンを購入する予定です。基本的にはすべて NVIDIA です。

カードは何枚必要か？ 今のところ、もちろん多いほどいい。買える範囲内であれば、カードは多ければ多いほどよい、疑いようがない。なので今の私たちの戦略は、妥当な価格の範囲内で、買えるだけ多くのカードを買うことだ。この資金調達が尽きたら、私が何枚買えるかに応じて、その枚数だけ買う。使うスピードは計画には入っていない。むしろ、価格が妥当である限り、あるだけ買う。

だから、もし半年以内にお金を全部使い切れたら、それは良いことだと思う。半年以内に使い切れたら、とても嬉しいし、とても理想的だ。実際、そんなに多くのお金を使い切るのはとても難しい。そんなに多くのカードは買えないからだ。買うのは難しいし、価格も高い。極端に高い価格では買えないし、それでも価格が妥当であることを確保しなければならない。

もし半年以内にお金を全部使い切れたら、それがたぶん最も理想的な結果かもしれない。だって、私のお金を NVIDIA のカードに変えるほうが、銀行に置いておくよりずっといいからだ。もし銀行に置いたままなら、おそらく2%くらいしか得られないように見える。でも NVIDIA のカードを買うのは、10か月の社会的コストだ。

だからもちろん、買えるだけ買う。まずカードを買ってしまえば、その後にはかなり余裕ができる。サービスを提供するなり何をするなりして、私はいつでもキャッシュフローを持てる。キャッシュフローがあれば生き残れる。バランスシートに大量の現金を置いておく必要はない。だから私たちが心配しているのは、そんなに多くのカードを買えないことだけだ。

もしお金をすべてカードに変えられるなら、私たちは躊躇なくすべてカードに変える。そしてそのために、ある程度のプレミアムを払う意思がある。カードに変えるためなら、ある程度のプレミアムを払う意思がある。なぜなら、それはあまりにも費用対効果が高いからだ。プレミアムを払った後でも、実際にはこの目標を達成するのは依然として難しい。だから客観的に言えば、もし今年20 billionを使い切れたら、私たちの調達チームは超優秀だったということになる。

私たちと米国とのギャップは主にリソースにあり、人の面でのギャップはそれほど大きくない。人の面ではほとんど差がない。なぜなら、基本的には同じ世代の人たち、たぶん中国人だからだ。中国人が海外に出ると、一部は中国に残り、一部は海外に残り、一部は海外へ行く。賢い人が海外へ行く、というわけではない。違う。実際にはかなりランダムだ。

最も賢い人たちでも、海外に行くのは半分を超えるとは限らず、中国に残るほうがやや半分より少ないくらいかもしれない。中国は人材が不足しているわけではなく、私たちの母数は大きい。毎年たくさんの新しい人が入ってくる。人材はボトルネックではない。リソースが最大のボトルネックだ。リソースはまず人材育成に影響する。計算資源が少ないと実験できる機会が少なくなるので、全体として私たちの人材は米国に遅れてしまう。人材のギャップも、本質的には計算資源のギャップによるものだ。

今の最大規模のモデルについて言えば、実際には訓練する余裕がない。たとえ50 billionを全部使っても、まだ訓練できない。たとえ組み上げられたとしても、使う余裕がない。現在の最大モデルは約800B activations だが、国内ではまだ tens of B の規模にある。国内最大のモデルでも、たぶん tens of B activations しかなく、つまり1桁違っている。

もし AI と同じくらい大きいモデルを訓練したいなら、おそらく 50,000 GB300、あるいは Huawei 950、200,000 枚のカードが必要になる。そしてそれは訓練だけであり、研究は含まれていない。だから私たちと米国との最大の差はリソースにある。今の私たちのリソースに加えて、この一年以内、そして今後数か月以内に持てるリソース、さらにかなり近いうちに入ってくる大きなリソースを含めても、せいぜい 10B activation 規模でより多くの実験を行うのに十分なだけだ。

なぜなら tens of B activation 規模の中でも、まだ私がやるべき実験はたくさんあり、解明しなければならないこともたくさんあるからだ。800B モデルを訓練できるようになるには、まだかなり遠い。まだ時間がたくさん必要で、カードもそれほど多くない。だから私たちと米国との差は、私はリソースの差だと思う。

私たちは、目に見えるすべての差、——人材の差、モデル能力の差、アプリケーションの差を含めて——、すべて計算資源の差に帰結すると考えてよいかもしれない。

計算資源は、一方ではカードが国内でそもそも買えないからであり、他方では私たちの資本投資が米国より小さいからでもある。私たちの資本投資ははるかに少ない。資本の面では、ここで人件費が占める割合は非常に低い。1億ドルのような給与があるのを見ても、計算してみれば、人件費は依然としてごく小さな割合にすぎず、主なコストは計算資源だ。この問題は現時点では基本的に解決不能だ。なぜなら Huawei の供給量にも限りがあるからだ。

なぜなら、もし私が 800B を訓練したいなら、Huawei の最新カードが200,000 枚必要になる。そしてそれも訓練だけであり、研究は考慮していない。だから今のところ、そんなに大規模に米国と競争することは考えない。今私たちが失っているのは、まだ訓練して使える規模、つまり tens of B activation 規模であり、まずそこをしっかりやる必要がある。

そして次の段階でより多くのリソースが得られれば、150B、156B、あるいは250B activation 規模まで引き上げることができる。だから今、私たちと米国の間には、非常に埋めがたい差があるように見える。どうしてもそのような大規模モデルを訓練したいなら、訓練はできるが、十分な研究はできない。つまり、訓練の前に十分な研究ができないのだ。

もう一つ、皆がかなり気にしている問題がある。大規模モデル競争全体において、最終的な差はどこに表れるのか？ つまり、大規模モデルが最終的に分岐するとき、その違いはどこに現れるのか？ 私は、その差は最終的にはそれほど大きくないかもしれないと思う。最終的な違いは、コスト、時間、ユーザー体験の3つの側面に出るはずだ。それ以外には、あまり大きな違いはないかもしれない。

コストは理解しやすいです。同じサービスを、同じ品質で提供するとして、いくらのコストで提供できるのか。同じサービスを、BYD batteries を例に取ると、同じ技術水準のもとで、他社はその価格で提供できるのか。私はそれは難しいことだと思います。それはそう簡単には実現できません。間違いなく堀です。したがって、コストは間違いなく一つの差であり、私としてはコストが第1の違いかもしれないと思います。

次に第2は時間です。いつできるのか。数か月早いか、数か月遅いかで違ってきます。第3は経験かもしれません。ユーザー体験もまだ多少は違います。中間にはまだ一定のユーザー粘着性やユーザー障壁がありますが、それは本質ではないかもしれません。本質的には、やはり第1はコストです。第2は時間です。先にやるのか後からやるのか、同じことをより早く達成するのか、より遅く達成するのかです。

長期的な商業化の道筋と製品ラインがさらに豊かになったあと、価格設定はどうすべきか。私たちが今最もやる価値があり、最も力を注ぐ価値があるのは、やはり AGI をやることだと考えています。今必要なのは、AGI をさらに前に進めること、つまり知能の下限を引き上げ、前へ進めることです。この段階では、より多くの製品ラインやより多くの商業化の道筋を考えるよりも、より費用対効果が高いはずです。あるいは、より大きなリターンを持つ道です。

私は、これからしばらくの間、そして過去のどの時期においても、同じだったかもしれないと思います。つまり、もし私たちが

私たちは、製品を豊かにすることにどんな意味があるのかを考えるのに多くの時間を費やしてきました。半年前の商業化の議論は何だったでしょうか。きっと、広告をやらなければならない、次に e-commerce、その次に製品に e-commerce を埋め込み、さらにローカルサービスなどと深く連携する、といったものだったはずです。そうしたやり方は絶対にうまくいきません。変化が速すぎるからです。

もしあなたの製品が先行しているなら、あるいは今の私たちの段階で、商業化や商業化の道筋について多くの時間を費やして考えるなら、製品ラインのライフサイクルは非常に短いです。私たちはまだその段階にはいないと思います。それが私たちの判断です。少なくとも、これまでの経験はすべてこの判断を支持しています。過去3年のいつであっても、商業化の道筋や製品ラインについて私のところに来て話しても、それは時間の無駄でした。未来を予測したり見通したりすることはできないからです。

見通せるものはごくわずかです。時間を見ているのですが、皆さんが途中で休憩を取りたいのか分かりません。何か先に食べますか。それとも、このまま続けましょうか。もし皆さんに異論がなければ、続けます。世界をリードする AGI 研究を行い、適切な時期に商業化することについてです。私たちはずっと商業化をしてきたと思います。私たちはずっと商業化をしてきたのです。ただし、商業化を目的にしていなかっただけです。

私たちには AGI という目標がありますが、ずっと商業化もしてきました。だからこそ C-end users と B-end revenue があるのです。歴史的な経験から見ても、この戦略は成功してきました。そして、私たちが完全に商業化へ舵を切る時点は、まだ非常に遠いと思います。したがって、最も大きいものは依然として技術の拡張であり、その次に次世代技術を行い、現在の問題をより多く解決することです。

これらのリターン比率について、私個人の見方では、見通しうる今の将来においては、いつでも製品に注力するのは早すぎます。これも私たちの抑制の一部です。こうしたビジネスチャンスは、他の人たちにやってほしいと思っています。こうしたビジネスチャンスや、この AI をどう使うかは、社会全体とすべてのパートナーが一緒にやり、リターンを分かち合うべきだと考えています。私がそれを独占したいわけではありません。それは不可能です。

そして私たちにはそんなにエネルギーもなく、組織にもこれをやるだけの人数がいません。パートナーについて言えば、実際には、私たちの資金調達は慎重に選ばれてきました。どう協力するかという具体的な提案は一つのことですが、まず第一に、利害が比較的一致していると思います。つまり、私たちと最も利害が一致している人たち、私たちに最も敵対的でない人たち、あるいは私たちの成功を最も望んでいる人たちです。

誰もが私たちの成功を望んでいるわけではありません。なぜなら、私たちはなお多くの他者の利益を損なっているからです。企業の重大な戦略、技術、事業上の意思決定のプロセスと意思決定メカニズム。私たちの会社全体は合意形成の上に成り立っています。私がすべてを自分一人で決めるという意味ではありません。むしろ、合意を得る必要があります。会社内での私の権限と影響力は、合意の上に築かれています。

たとえば、何かをやりたいと思ったら、まず間違いなく私たちの合意が何か、そして皆がそれをやりたいと思っているかを見ます。そのうえで、私はある種の指針や傾向を持つかもしれませんが、その指針の役割は限定的です。非常に限定的です。やはり合意の上に成り立っていなければなりません。

この意思決定メカニズムは、実際には合意形成を求める仕組みです。私がどれか一つのことを押し通せるわけではありません。必ず合意が必要で、その後にようやく押し通せるのです。そうなったら私はそれを推し進めます。現在、主なエネルギーの大半は基本的に DeepSeek に向けられています。

Moderator

5分休憩しましょう。

Investor

急いで書きます。

Moderator

皆さん、マイクをオンにしてフィードバックをください。

Investor

こちらは問題ありません。まずは5分休憩しましょう。

Liang Wenfeng

企業間のモデル性能の最終的な差は、総合的なものであるべきです。モデル性能を比較する際には、必ず同じコストで比較しなければなりません。それが意味のあることです。2台の車を比べるときは、同じ価格帯の車を比べるのと同じです。よくできたモデルとあまりうまくできていないモデルの違いは、どこか特定の工程にあるべきではありません。全体として違うべきです。今 OpenAI を上回っている Anthropic は、長期的なものなのでしょうか？

そうは思いません。これは明らかにエピソード的です。OpenAI と Google は今後もおそらく交互に入れ替わり続けるでしょう。上昇局面では交互になるはずです。実際、Anthropic の Code Agent における優位性は現時点ではそれほど大きくなく、OpenAI を圧倒しているというほどではありません。

社内の人の半分くらいは、日々の仕事の中で OpenAI のほうが良いと思っています。実際、Anthropic には先行者優位がありましたが、その先行者優位はすぐに消えるはずです。長期的に維持できるような優位性ではありません。この3つはどれも非常に強いですが、この3つの中で最も効率が高いのは、最もコストが低く、最もお金を使わず、最も burn が少ないものです。

世界の AI が支配的な分業体制に入ったとき、中国企業が担う可能性が高い役割は、依然として最大の生産者です。常識的に考えて、われわれの生産能力が最も大きく、チップも含めて——チップの生産能力も最も大きいかもしれません——最も電力もあるので、われわれの AI は非常に高い確率で3つの主体の一つになるでしょう。

中国人はこの製品を最も安く作るでしょうし、性能面でも、結局のところ海外製品に対しては、今では中国製と米国製の多くの製品にそこまで大きな差はありません。将来 AI も同じようになるかもしれませんが、中国製 AI はより安くなるかもしれません。この安さは構造的により低くなる可能性があります。ちょうど中国が他の産業で提供するサービスがより安いのと同じです。

私が何かをするとき、普段の考え方はこうです。今すぐ何をすれば最も高いリターンを得られるか。もし今はプロダクトをやるのが最も高いリターンだと思えば、プロダクトをやります。もし今は AGI を先に実現するのが最も高いリターンだと思えば、まず AGI をやります。明らかに、今プロダクトをやることは最も高いリターンのことではないと思っています。もし国内チップへの適応の話なら、国内チップには実は今、歴史的なチャンスがあります。

というのも、以前は国内チップ適応における難しい問題がありました。エコシステムが貧弱だったのです。カードを買っても使えない、NVIDIA のエコシステムがなかった。だから NVIDIA の moat は非常に強かったのです。

しかし、それは変わりつつあります。NVIDIA CUDA の moat は急速に崩されており、しかもこれほど速く崩されている理由は3つあるかもしれません。1つは、今は AI があり、AI があることで、このエコシステムを以前よりはるかに簡単に構築できるようになったことです。なぜなら AI はコードを書けるからです。

私は AI を使ってこのエコシステムを構築し、そして NVIDIA とまったく同じエコシステムを作れます。第一に AI の存在、第二にいくつかの新技術です。たとえば、われわれの会社は TileLang という技術を出しました。これは高級言語です。

この高級言語を使って CUDA オペレーターを書くと、NVIDIA のエコシステム全体をすばやく書き出せますし、そこに AI を組み合わせれば、どうやら障害はなさそうです。ただ、まだ完成していません。まだ終わっていません。しかし、この技術ルートには障害がなさそうです。

また、CUDA は NVIDIA がゲームカードから発展してきたものなので、多くの場面でゲームカードの設計やゲームカードの構成は同じ系譜にあります。CUDA はゲームカードと互換性があります。過去には AI 計算は非常に小さな分野で、ゲームカード市場よりも小さかったので、これは合理的でした。しかし今では計算カードの市場はすでにゲームカードより大きいので、両者が依然として結びついている理由はありません。

今のトレンドは、将来的にはもはや結びつかなくなるということです。すると専用チップ——Huawei のものでも NVIDIA 自身のものでも——将来はすべて専用チップになり、もはや昔のものではなくなります。この文脈では、元の NVIDIA エコシステムの役割は大きく低下します。専用チップにとって CUDA は関係がなく、CUDA に縛られていないからです。

あるいは、このチップを設計していた時点で、すでにこのエコシステムをどう構築するかを考慮していたということです。少し複雑ですが、とにかく国内 AI チップの代替には今、歴史的な機会があります。われわれは、今後1年以内に1つのことが検証されると考えています。国内チップのエコシステムは完全に問題ない、ということです。

これまで問題だと思われていたこと——使えない、使いにくいということ——について、私は1年以内にその認識を反転させるか、事実によって反転させることができると思っています。国内 AI チップのハードウェアもエコシステムもどちらも問題ありません。唯一の問題は生産能力が足りないことです。国内カードの適応には障壁はなく、Nvidia はそれを止められません。

もし普通の商業環境で、私が Nvidia カードを買えるなら、国内代替は比較的難しいでしょう。しかし Nvidia カードが買えないのであれば、みんな国内チップをやらざるを得ません。この文脈では、国内カードの適応にはまったく障壁がありません。国内カード向けに Nvidia と同じ、あるいは Nvidia よりさらに良いエコシステムを作ることについては、私は障壁はないと思いますが、時間はかかります。

今は主に Huawei と協力しています。Huawei が適応自体を担当していますが、われわれ自身もこのエコシステムに参加し、Huawei 側に深く関わっていきます。Huawei の問題は依然としてキャパシティ不足です。Huawei がわれわれに提供する能力はおおよそ16,000枚ですが、インターネット大手は100,000枚超かもしれません。われわれは1万枚強で、その比率もかなり……ですが、これはすでに Huawei が持っている全能力かもしれません。

なので、Huawei に頼ってさらに大きなモデルを後で訓練することや、数百 B のアクティブ化パラメータを持つモデルを訓練することは、あまり期待できません。そういうことは今年起こると言う人もいますが。来年か再来年なら、もしかするとチャンスがあるかもしれません。Huawei カードの適応について、われわれの主な仕事は、その高級言語コンパイラをうまく動かすこと、そして TileLang をうまく動かすことです。TileLang がうまくできれば、問題は自然に解決するかもしれません。

これは説明するのが少し複雑ですが、われわれはそれをやっていますし、できあがれば説明はずっと明確になります。こう理解すればよいです。V3 が訓練されたとき、依然として Nvidia カードは使っていましたが、Nvidia のエコシステムはもう使っていませんでした。

V3はNvidiaのカードを使っていますが、Nvidiaのエコシステムは使っていません。代わりに、まずTileLangという高レベルコンパイラを書き、その後TileLangのエコシステムに基づいて他のすべてを完成させます。そうすると、私たちはほとんどNvidiaのエコシステムに依存しなくなります。これら一式を持ってHuaweiのカードで同じプロセスをやり直せば、それで完了です。

これは歴史的な使命になり得ると思っています。つまり、国産カードのエコシステムは悪いというこれまでの皆の認識を完全に逆転させられる、ということです。今は、天時、地利、人和がほぼ揃っていて、足りないのは時間だけです。1年以内には、多くの人がそれを手にするはずです。あるいは、誰もがこの問題は解決されたと理解し、残るのはキャパシティの問題だけになるでしょう。私は国産の計算力についてかなり楽観的です。この点では、Nvidiaは自分で自分の墓穴を掘っていると思います。

Huaweiのスーパーノード、Huaweiの950スーパーノードは、性能と価格の両面でNvidiaのGB200とGB300を完全に置き換えられます。価格は間違いなく高くなりますが、上昇幅は限定的です。価格が50%高くても、100%高くても、100%高くて問題ありませんし、200%高くても問題ありません。たとえば100%高いなら、私はもう価格面で置き換えと見なせると思います。

タスク面でも置き換え可能です。GB300ができるすべてのタスクをHuaweiのスーパーノードもこなせますし、レイテンシーも何も同じです。唯一のコストは、Huaweiのカード4枚がNvidiaのカード1枚に相当することと、2年遅れていることです。4対1なら理解できます。2年遅れているというのは、Huawei 950 4台でGB300 1台に匹敵するということです。2年遅れは、時間で2年遅れているという意味です。

Huawei 950スーパーノードは今年のQ3かQ4に出荷されますが、NvidiaのGB200は2年前のQ3のものです。2年の差があります。NvidiaはこのQ3にはすでに新世代を出しているかもしれません。だから、チップにおける中国と米国の差は、将来的にはもはやエコシステムの差ではなく、チップでは4倍プラス2年になると思います。

また、上流を垂直統合するかどうかという問題もあります。私はそうならないことを望みます。では、アプリケーションに向けて上流を垂直統合するのか、という問題があります。私たちはそうしないことを望んでいます。私は他の人たちにやってほしい。全部を食べ尽くしたくはありません。私はただ一片だけ、つまり自分が最も得意な部分、あるいは自分たちが最も核心だと考える部分、そしてユーザーと直接関係する部分だけを取りたいのです

私たちの多くの業界パートナーにとって、彼らが気にしていることは私たちよりも似たようなものだと思います……これは他の誰かにとっての意義であって、私が解釈すべきではありません。将来、私たちは大規模クラスターを自前で構築するのでしょうか？私は大規模クラスターを自前で構築することは間違いなく必要だと思います。私たちはずっと自分たちでこれをやってきましたし、私たちのクラスターはすべて自社構築です。

でも、将来的にチップを自分たちで開発するかどうかは、やはりどれだけのリターンがあるか次第だと思います、どれだけのリターンがあるか次第です。Tesla、育成……そういう類のものです。もしあなたが発電所を運営しているなら、必ずしも発電機を自分で作る必要はないでしょう？ 発電設備は他社が作ってもいい。価格が妥当なら、なぜ自分で作る必要があるのでしょうか？ だから、チップを自分でやる必要がなくなってほしいのです。合理的な価格でチップを買えればいいと思っています。そうすれば、自分でチップを作らなくて済みます。

おそらく実際にはこうなると思います。最近のNvidiaチップの利益率は、必ずしも……たしかに……私たちは一つだけをやりたいのです。AIは非常に大きなものだと思います。私に……を要求するものではありません。私はただ一つの部分をやるだけです。私たちが集中し、この分野のビジネス価値はすでに十分大きいと私は信じています。もしAI時代が多くの兆ドル企業を生み出すなら、私たちはその一つだと思います。

私たちはずっとその中の小さな一部分だけをやってきましたし、その一つに入るだけで十分で、何の問題もありません。私に……する必要はありません。私は、何でもやらなければならないというほど自信過剰ではありません。最もあり得るのは、変えるのが難しいということだと思いますし、もし本当に別のことをやりたければ、さらに多くのアイデアが出てきて、それが……それが私たちの姿勢です。

たとえば、少なくともTo BとTo Cの事業について、今見えている範囲では、To Cで本当にクローズドループを作りたがっているところは、実際には私たちのほうがうまくやっています。To Bで本当にクローズドループを作りたがっているところは、たぶんまだ私たちよりうまくやれていません。より強く望めば……それに、To Bについては、もう少し言えます。

To B事業の上限は、やはり需要にあるはずです。現在の世代のAGIとAI技術の下では、To Bの需要には上限があります。急速には伸びますが、無限ではありません。結局のところ、制約は計算力ではなく需要です。現時点の技術条件下では、最終的にどれだけの売上があるかは、やはり需要次第です。

なぜなら、こう考えてみてください。もし10か月でコストを回収できるなら、行き先があるなら私は当然一つ買います。だって、そんなに多くのものがあるわけではないからです。そうでしょう、需要はどんどん大きくなるべきで、技術がどんどんブレークスルーを起こせば、その需要もどんどん大きくなるはずです。

マルチモーダルのレイアウト、私たちはずっとやってきました。製品にとっては非常に重要ですし、Cエンドのユーザー向け製品にとっては非常に重要です。でも、知能の上限にとっては、それは一つの構成要素であって、それ自体が主軸ではありません。ただし構成要素として、私たちは間違いなくマルチモーダルをやりますし、実際にやっています。関連モデルもリリースするはずです。私たちのV4と、その後のV4のバージョンはネイティブなマルチモーダリティをサポートします。

ただ、マルチモーダリティについては、知能にとってはそれは構成要素です。私たちはそれを知能そのものとは見なしていませんし、その主軸は検索のようなものです。検索もまた一つの構成要素であり、マルチモーダリティもそうなり得ます。私たちの理解では、それも構成要素です。Scalingについては、私たちはScalingを信じています。規模が大きいほど効果は良くなり、引き出せる能力も増えます。

実際に私たちが Scaling を止められているのは計算能力です。Scaling したくないのではなく、これをやるだけの計算能力がないのです。まだ上限には触れていません。これほど大きなモデルを訓練しているのは、このサイズで十分だと思っているからではなく、たまたまこれだけのリソースがあるからです。

私は自分のリソースを基準に計算します。どれくらい大きなモデルなら出せて、訓練できるのか。そういう計算の仕方であって、このモデルで十分だからではありません。現時点では、モデルのリターンはまだ非常にはっきりしています。まだ Scaling の壁にぶつかる機会はありません。そこからはまだかなり遠いのです。

シリコンバレーが Scaling の限界に達したと言うとき、それはシリコンバレーの話です。中国人にとっては、私たちはまだそこからはるかに遠い。単にそこまで Scaling できていないだけです。この Scaling には、データの Scaling、モデル規模の Scaling、そして訓練コストが含まれます。私たちはまだこの Scaling の上限を探るところからかなり遠く、そもそもそれだけの計算能力がありません。

しかし私たちも、この Scaling の上限を押し上げるために全力を尽くします。

資金調達が終わった後は、より多くの計算能力を持てるようになり、より大きなモデルを訓練できるかもしれません。その時間の中で早く買えるなら早く買う。半年のうちに全力を使い切れるならそれが最善ですが、現実にはできません。次世代モデルの核心的な能力は、私は継続学習能力でなければならないと思っています。それがあって初めて次世代モデルと呼べます。その前にできることは、コストを下げ、効果を良くし、速度を速くすることです。

しかし大きな突破をするには、継続学習を持つべきです。そしてもう一つの疑問があります。なぜ私たちはモデルの計算効率をそんなに気にするように見えるのか。というのも、実際には誰もそこまでこのモデルの効率を気にしていないことが分かったからです。商業会社にとっては、モデル効率を追求するインセンティブがありません。なぜなら、モデル効率が少し高くても…… だから、モデル効率を非常に高く追求するだけのインセンティブはそれほどないのです。

なので、いくつかのスタートアップ企業は自ら…… 低コストを追求しているとは言いません。そんなことは彼らの利益に合わないからです。コストが低かったら、まだ何でお金を稼ぐのでしょうか。コストが低いと、あまりお金を集められなくなります。

その反対に、これは私たちのビジョンの一部です。あるいは、私たちのビジョンというより、私たちの仲間はこのコストを気にしています。なぜなら、私たちの仲間はみな普通の人で、これを使うのにお金がかかることを知っているからです。彼らは共感できます。他の人も使うにはお金を払わなければならないのだから、少しでも安ければ、他の人はより受け入れやすくなる。だから多くの仲間は、私たちがさらにコストを下げられることを望んでいます。

しかしビジネスの観点から見れば、そうは考えないでしょう。ビジネスの観点から見ると……

コストやビジネスの観点からすると、これは最優先事項ではありません。スタートアップであれ大企業であれ、サービスコストは本当に高くありません。でも私は、比較的軽いほうが望ましいと思っています。できれば手頃であってほしい。特に中国の計算資源不足という文脈では、手頃で、国内カードでも使えることが望ましい。私は、低コストは何よりもまず結果だと思っています。

私たちのモデルは、アーキテクチャの面で確かにずっと低コストの方向へ進んできました。それは私たちのビジョンと関係しています。私たちは多くのアルゴリズム手法も持っており、コストはさらに下げられます。コストが下がるもう一つの理由は、コストが低ければ低いほど、私が訓練できるモデルは大きくなり、私が出せるモデルも大きくなるからです。同じ計算能力のもとでは、私の計算効率が高ければ、より大きなモデルを持てます。

大企業なら、彼らはそうは考えないかもしれません。大企業にとっては、リソースを追加できます。問題はリソースを増やすことで解決できます。しかし私たちはコスト効率を優先します。データ型モデルの価値――データは比較的広い概念であり、データはほぼモデルの半分に相当すべきです。

もし私がそれを望んだとして、あるいは AI が GDP の20%を占めることができて、そこから私がその5%を取ろうとしたら、絶対にうまくいかないと私は思います。なぜなら、私は必ず他の誰かに負けるからです。もし別の人が自分は1%しか取らないと言えば、その人が必ず私に勝ちます。私の目標が AI の5%を取ること、つまり人類の GDP 全体の5%を取ることなら、理論上は計算はまだ合います。

OpenAI を見ると、どうやら計算は合っているようです。理論上は問題ありません。しかし彼らには問題があります。1%しか取らないことを望む別の人に負けてしまうのです。その相手は、私はこれだけ良い仕事をするが、世界の GDP の1%だけでいいと言うので、彼が彼を打ち負かします。

その時点で、さらに別の人が現れて自分は0.1%しかいらないと言えば、その人はまたそれ以前の人たちに勝つことになります。

マクロの観点から見れば、その割合がどこから来たにせよ、互いに違いはありません。すべて同じです。より多く取ろうとする者は、より少なく取ろうとする者に負けます。実際に多く取る必要さえありません――あなたのビジョンがより多く取ることなら、その時点で、より少なく取ることをビジョンにする人に負けるのです。実際には誰もお金を取っていません。ただのビジョンです。あなたのビジョンがより多く取ることなら、あなたは先に負け、より大きな困難に直面します。それがこの世界のあり方です。

OpenAI は当初、本当に世界を独占できると思っていましたが、実際には多くの多くの挑戦者に直面するでしょう。挑戦を受けることになり、そんなに簡単ではありません。アメリカも挑戦を受けるでしょうし、将来的には中国からの挑戦も受けるかもしれません。なぜなら、中国人は少なく取ることを厭わず、それでもあなたにこのサービスを提供できるからです。中国でも、少し少なくても構わないという人が出てくるでしょう。

しかし最終的には、ここにはバランスがあります。なぜなら、取り分が少なすぎると会社の事業ロジックが成り立たず、生き残れないからです。ですから、取り分が少なすぎれば生き残れず、取り分が多すぎれば、より少なく取るところに負けてしまいます。したがって、私たちにとって大事なのは、最大の利益を取ることでも、価格設定でリターンを最大化することでもなく、合理的なリターンを得ることだけです。それが説明です。

私はこの件についてはそう考えています。理由を探しているわけではありません。理由を探す必要はないからです。私はただそうしているだけで、そうしているのなら、必ず理由はあるはずです。その理由はあまり一般的ではないかもしれませんが、会社そのものが一般的ではないと私は思っています。私たちの会社のマネジメントには実は2本のラインがあります。上から下へのラインと、下から上へのラインです。ボトムアップとは、それぞれの人が自分のやりたいことを決め、自分でやるという意味です。誰も管理せず、KPI もありません。

トップダウンとは、重要な仕事をすることです。私たちが何かを共同でやる必要があるなら、会社の全員が連携しなければなりません。たとえば V4 をリリースしたいなら、役割分担が必要で、全員が一部を担当する必要があります。それがトップダウンで、ここで私たちが言うトップダウンとは「重要な仕事をする」ことです。一般的に、私たちは「重要な仕事」が従業員の時間の半分を占めないことを望んでいます。半分を超えてはいけません。

彼らにはまだ時間の半分が未割り当てで残っています。好きなことをして構いません。これは研究の範囲であり、自分が重要だと思うことに基づいて、自分で探究することを認めています。事前の要件はありません。会社が支えられる限り、会社の計算資源がそれを支えられるなら、あるいは計算資源を必要とせず、ごく少しのことだけをすればよいなら、連携すら必要ありません。これが現在私たちが取っている組織のやり方です。

私たちはトップダウンだと思う人もいれば、ボトムアップだと思う人もいます。私はその両方が真実だと思っています。私の基準は、「重要な仕事」はできれば半分を超えないことです。

私たちは普段もあまり残業しません。残業には2つの理由があります。第一に、研究には比較的リラックスした環境が必要です。人を締め付けすぎると、研究はできません。自分の興味が必要であり、これらの問題について普通に考える必要がある以上、探究が可能なように比較的ゆるやかな環境でなければなりません。これは研究文化からくる必要性です。第二に、私たちは非常に集中しています。

非常に集中しているということは、私たちがやるべきことがとても少ないということです。すると私自身にもそんなにやることがないので、残業する必要がありません。これは先ほど述べた抑制と一致しています。私が自分を抑制しているので、多くの場合、ただ物事をやらないだけです。するとやることが少なくなり、各人に割り当てられる仕事も少なくなります。私たちの製品の多くがあまり完成していないことが分かると思いますが、私たちはそれを直しに行っていません。それも私たちの文化の一部です。

はい、質問がたくさんあるので、主にざっと見てきました。まだ質問がある方は、ぜひどうぞ。

Host

投資家の皆さん、どうぞ遠慮なく発言して交流してください。先ほど梁文锋がかなり多くのセンシティブな情報に触れましたので、カード枚数などを含め、数値や状況を外部に共有しないようお願いします。また、画面録画や外部共有もご遠慮ください。ありがとうございます。ご質問があれば、どうぞ遠慮なく発言してください。

Investor

Yang-ge、継続学習がブレークスルーをもたらすまでの時期について、もう少しお話しいただけますか？ また、継続学習が実現した場合、他にどのようなアーキテクチャ上、あるいはアルゴリズム上の革新や、その他の重要な要素が必要でしょうか？

梁文锋

人数は少なくてよいです。研究が必要です。今、世界全体がこの問題を研究しています。あるいは、投資家にとって、今いちばん目に入るのは AGENT です。しかし研究者である私たちが今より注目しているのは学習であり、学習という問題をどう解くかです。実際、学習は技術ではないかもしれません。問題なのです。この問題をどう解くかには、さまざまな種類の技術が関わる可能性があります。単一の技術ではなく、一つのものではなく、たくさんのものになるでしょう。

あるいは、AGI は多くのものから成り立っています。モデルが必要であり、また他にも多くのものが必要です。実際、それは工学上の問題であり、アルゴリズム上の問題でもあります。この問題はかなり専門的ですが、方法はたくさんあり、研究も非常に多いです。

Investor

梁さん、ありがとうございます。今日このような機会をいただき、本当にありがとうございます。まず、心から感謝の気持ちをお伝えしたいです。冒頭でおっしゃったことに深く心を打たれ、また私たちに多くの示唆を与えてくださいました。あなたは、このチームが最大の善意を背負い、この業界とこの社会における人間知能の発展に何らかの貢献をしたいと願っている、とおっしゃいました。

その中には、この使命感とビジョンが込められています。私は、それが私たちがサービスを提供している会社の企業文化である「自らを修め、他者を助ける」と非常によく似ていると思います。あなたがチームを率いてオープンソースを進めている理由を、私は深く理解しています。まるでガジュマルの木のように、小さな鳥の楽園の生態系をつくるかのように、万物に利益をもたらしながら争わず、そうすることで皆に受け入れられ、万物が共生・共存し、最終的には至る所に広がっていく、そんな姿が鮮やかに思い描けます。

したがって、この投資を通じて、私たちもこの使命とビジョンに対する認識、支持、そして敬意を表したいと思っています。同時に、将来のこの業界において、私たちが得意とする分野で少しでも力を尽くせればと願っています。この点についても、引き続きご指導とご議論をお願いしたいです。たとえば、将来のエコシステムの共創において、すでにオープンソース化された今、この業界のどれほどのパートナー、人材、チームが、私たちの現在オープンソース化されているモデルや成果の一部をかなり良い形で再現できるのでしょうか？

次のステップとして、このエコシステムをさらに発展させたいとき、どの分野で、私たちのモデルにつなげて再現するためのより高品質な人材がもっと必要だと感じますか？ それとも、今はGPUの計算能力が相対的に不足しているのでしょうか？ 将来的には、みんながモデルマトリクス型のアプローチに向かうのでしょうか？ たとえば、巨大モデルの基盤モデルがどんどん良くなるにつれて、各業界のパートナーやチームがそのモデルマトリクスの中で垂直業界モデル、あるいはアプリケーションモデルを構築していく、というような形です。

この分野の発展は今どのような状況でしょうか？ 2年後、3年後には、どのようなエコシステムに成長していると思いますか？ これが私の1つ目の質問です。2つ目は、先ほどAIハードウェアについて、多くのパートナーに対しても多くの観察を共有されました。たとえば、世界のAI大手はそれぞれ百億ドル規模の投資を行っているかもしれませんが、中国は今のところハードウェアと計算能力の面でいくつかの弱点があるように見えます。

これを解決し、私たちのAIの発展を支え、計算能力とハードウェアの弱点がAGIの足かせにならないようにするには、どれくらい時間がかかると思いますか？ これは中国人が最終的に必ず成し遂げられること、つまり私たちは必ず実現できることで、あとは時間と資本投資の問題にすぎないと思いますか？ ただし同時に、これは双方向のプロセスかもしれません。

一方では、モデルの進歩によってモデルの知能が向上し、単一タスクやある種の知能エージェント単体に必要なハードウェアと計算能力の消費は徐々に減少し、それほど大きな計算力を必要としなくなるでしょう。なぜなら、モデルの進歩によって、より効率的に考えられるようになるからです。私の理解は合っていますか？ 他方では、ハードウェア技術の進歩によって、計算のエネルギー効率がより強力になります。これは双方が歩み寄る道になるのでしょうか？

現時点で、今ある960やH200を使って、百億ドル規模の計算能力投資を行うとします。先ほど3年で償却するとおっしゃっていましたが、その実際のライフサイクルはどの程度だと思いますか？ 技術の更新サイクルは4年か5年なのでしょうか？ もっと率直に言えば、今日、現在のカードと1万枚規模のクラスタで計算センターを建設しても、3年後には実際にはそれほど先進的な計算基盤ではなくなっている、ということになるのでしょうか？

今は建設中で不足していても、3年後には相対的に高品質ではない余剰計算能力になってしまう、という状況は起こり得るのでしょうか？ そのような現象が存在するのかどうか、私は分かりません。これら2つの質問についてご助言ください。ありがとうございます。ありがとうございます。

梁文锋

最初の質問はエコシステムについてです。私たちが今感じているのは、おそらくどの会社も人材不足の問題に直面しているということです。しかし、この人材不足は一時的なものだと思います。どの業界でも初期段階では人材が足りません。ウェブサイトが作られ始めた頃も、ウェブサイトを作れる人は非常に少なく、人材はとても希少でした。その後、インターネットでサーバーサイド開発が必要になったときも、人材はやはり非常に不足していました。

しかし、こうした人材不足はわずか2、3年で非常に速く解消されます。というのも、大勢の人が育成されるからです。AI人材の不足も一時的なものであり、すでに大きく緩和されているのを私たちは見ています。実際にはAI人材が不足しているわけではないからです。各社はすぐに人を育てますし、人を育てるのはとても速いです。ですので、全体としてAI業界では、エコシステムであれ、モデル企業であれ、その他であれ、人材は希少ではありません。人材不足は間違いなく短期的な現象です。

歴史的に見ても、特定の種類の人材が長期的に不足したことは一度もありません。10年以上前には、パイロットが不足していると言われていたのを今でも覚えています。パイロットの育成期間は長いですが、それもすぐに解決しました。ですから、人材不足については皆さん心配する必要はありません。また、中国では今、モデルを作る会社が少し多すぎます。本当に多すぎます。米国ではおそらく3社だけでしょう。中国では基盤モデルの取り組みが多すぎます。最終的には、基盤モデルを作る会社がそれほど多く必要になることは絶対になく、必ず収束します。

そのため、リソースも相対的に分散しており、ある程度は無駄にもなっています。ついさっきまで

皆が同じことをしなければならなかったのに、米国では3社だけがそれを行えばよく、リソースはその3社に集中しています。中国ではリソースが非常に広く分散しており、各社が受け取れる量はずっと少なくなっています。私はこれは必ず収束し、必ずそうなると思いますが、時間がかかります。最終的には必ず収束します。こんなに多くの会社が必要なわけではありません。なぜなら、今は皆、これをやれば利益率が非常に高いと感じているかもしれず、だから自分たちでやらなければならないと思っているからです。

しかし、これはそれほど高い利益率のビジネスではないと分かれば、やめるかもしれません。最近は間違いなくそこまで高い利益率ではありません。そんなに高い利益率があるとは私は信じていません。なぜなら、それは客観的法則に合わないからです。つまり、今はもし非常に高い利益率があるのだとしたら、それは客観的法則に合っていません。私たちは合理的な利益を得るべきです。これが現在の業界の状態であり、私は必ず収束すると考えています。

皆が大規模モデルを作っているその部分について言えば、ましてや1社がすべてを独占して「利益を全部取りたい」と言うようなことは、絶対にうまくいきません。各社が合理的な利益だけを取るのであれば、実際にはこれほど多くの会社が大規模モデルを作る必要はありません。最終的には、中国に3社か4社の会社が競争していれば十分であり、競争はすでに十分で、価格設定も価格戦争を戦うには十分すぎるほどです。

大規模モデルについては、必ずしも大手2社と中小2社という形でなくてもよく、もしかするとそれで十分なのかもしれません。エコシステムについては、あまり多くの考えはありません。より多くの人を支援したいとは思っていますが、そこまで余力がありません。その意向はありますし、利益相反もありませんが、実際にやるかどうかは別問題です。ただ少なくともここでは利益相反はありません。協力して双方にとってのウィンウィンを望んでいます。

まず、大規模モデル企業が利益の大半を持っていくとは、私はまったく思いません。それは不可能です。大規模モデル企業はたくさんありますから。いまは、そこまで大きな差である必要もありません。差を生むのは2つだけです。1つは時間、もう1つはコストです。ですから、どこか1社だけが超過利益を得る、ということではありません。超過利益は生まれないと思っています。コスト管理が上手いところが少し多く稼ぎ、コスト管理が悪いところが少し少なく稼ぐ、それだけです。これで答えになりましたか？最初の質問には答えましたか？

投资人

みんな……将来はきっと多くの人が……将来的には実際に……みんなのデータ応用なども循環的にイテレーションしていく……今、聞こえますか？ありがとうございます。ええ、ありがとうございます。ご回答にも感謝しますし、業界における御社のエコシステム上の戦略的な位置づけも深く理解し、敬意を抱いています。たとえばデータ面では、公開データについては——モデル企業はすでに取得経路を持っているはずなので、その方法自体は問題ないはずです。あとは時間とコストの問題です。

では将来、たとえば本当にAGIに到達したとき、想定される理想状態の1つは、モデルが自己反復し、自己学習し、つまり自分で訓練することだと思います。この点について、現在のデータに関しては、シミュレーションデータは使えると思いますか。それとも、やはり実データが最も高品質なのでしょうか？

もしまだ実データが必要だとすると、AIの知能は人類の歴史……そのレベルにとどまってしまうのでしょうか。というのも、人類が過去に実際に持っていた実データに依存するからです。あるいは、シミュレーションデータ、合成データ、生成データなどの方法を使うことで、この上限を打ち破り、モデル能力を人類の過去のすべての実際の……

梁文锋

それは超えられると思います。超えるには2種類あると思っています。たとえば囲碁では、AlphaGo が人間が見たことのない手を打ちました。つまり、ある範囲では確実に人間を超えています。ただし、上限がある可能性もあれば、制約がある可能性もあります。しかし、今はその制約が見えていません。

私たちは、広い意味では、人類がすでに持っているものや、すでに表現できる知識を超えられると考えています。

投资人

その後は、実データに頼るのでしょうか、それともシミュレーションデータでしょうか？それでうまくいくのでしょうか？

梁文锋

方法はたくさんあります。不可能ではありません。

投资人

ありがとうございます。お時間をいただいてしまいましたが、先ほどの AI Infra の話を続けて伺いたいです。

梁文锋

2つ目の質問は何でしたっけ？ちょっと……

投资人

はい、簡単に、手短に繰り返します。AI Infra についてお伺いしたかったのです。将来、今は誰もが数千億ドル規模で計算資源に投資していると考えています。この点については、中国人はいずれハードウェア面で使命を果たし、いつか非常に高効率な計算が実現するかもしれませんが、実際には、現時点ではなおボトルネックです。では将来、両者は下方に向かって互いに接近していくのでしょうか？

一方では、モデル能力が反復されるにつれて、実際には力任せの計算から賢い計算へと移り、モデル単位やタスク単位あたりの計算資源の要求と消費は、限界的には徐々に下がっていきます。他方で、カードの能力などハードウェアが向上すれば、反復速度は速くなり、単カードの効率も上がります。この過程では、どのような現象になるのでしょうか？

今は1万枚規模のクラスタを組んで H200 や 960 を買っても、2〜3年後には比較的高品質な計算資源ではなくなり、比較的陳腐化した設備になってしまうのでしょうか？

梁文锋

NVIDIA のカードは、基本的に5年で減価償却できます。Huawei のカードは、長くても3年で減価償却すべきでしょう。Huawei 950 は今年でもかなり使えますし、来年もまだ使えると思いますが、その次の年になると、本当に電力消費が大きすぎるかもしれません。Huawei のカードのライフサイクルは明らかに短いです。そもそも NVIDIA より2年遅れているからです。ただ、差はそこまで大きくないと思います。もし B200 を今買えるなら、十分に価値があると思います。

Tencent だとしても、Alibaba が買えるなら、それは規模次第です。合理的な価格で買えるなら、間違いなく価値があります。ただ、コストを計算すると、信じてください、買えません。

投资人

承知しました。

梁文锋

私たちの計算資源は遅れています。これは事実です。この事実は3つの側面で緩和されます。1つ目は、モデルの遅れを受け入れることです。私たちは彼らより小さいモデルしか使えず、どれだけ小さいかは訓練の問題です。ある程度のモデルの遅れ、そして小さいモデルサイズを受け入れる必要があります。この遅れには1つ利点があります。遅れているということは、より多くの時間があるということです。ある程度の技術があれば、そこから巧妙な方法を使うことができます

投资人

ありがとうございます。

梁文锋

したがって、米国との差は、米国より12か月遅れている、あるいは12〜18か月遅れ、または6〜12か月遅れかもしれません。要するに、米国より2年遅れていて、しかも計算資源はその20分の1でやっている、ということです。そのストーリーは、『1〜2年遅れているが、使っている計算資源は彼らの20分の1』です。

そのため将来は、そのストーリーを言い換える必要があります。私たちは彼らの計算資源の一部しか使わないが、期間をさらに短縮して、6か月、3か月まで縮める。私はそれが目標だと思います。そして、いくつかの分野では彼らを上回るかもしれません。しかし、総計算量にまだ1桁の差があるなら、全面的に上回るのは現実的ではない。とはいえ、いくつかの重要分野でトレードオフを取るなら、部分的に上回ることは可能かもしれません。

投資家

なるほど、ありがとうございます、梁さん。とても自信に満ちていますね、一緒に頑張りましょう。時間は他のパートナーに譲ります、ありがとうございます。先ほどの共有もありがとうございました。技術面で2つ簡単な質問があります。先ほど話した技術ロードマップの中で、この段階で解決すべき核心的な問題は継続学習だと言及されました。これは海外の研究で今ホットな話題で、RecursiveImprovementと呼ばれています。技術的な観点から見て、今いちばん大きな難しさは何でしょうか？

梁さんのご見解では、いつ頃これが解決できるのでしょうか？ これが1つ目の質問です。2つ目の質問は、先ほど継続学習を先に解決してから知能へ進むとおっしゃいましたが、その背景にある技術的な根拠も理解したいです。これは、継続学習を解決した後、DeepSeekも汎用知能に進むという意味なのでしょうか？ この2つの質問について、ぜひ説明してください。

梁文锋

技術的な問題は、実際かなり説明しにくいのですが... 難しいのは、まだ非常に実用的な方法を見つけていないことです。世界全体がまだ良い方法を見つけておらず、みんなまだ探索を続けています。ですから、私たちはまだ探索段階にいます。つまり、次にこの問題を解く方法を見つけるのが誰なのか、まだ分からないということです。私たちはまだ探索の段階にあります。今は多くのアイデアがあり、将来性のある考えもたくさんありますが、どれもまだ実際に機能するところまではいっていません。はい、これが1点目です。

2点目は、社内ではこのストーリーをかなり重視しているということです。次世代モデルを訓練する際に、それが自分たちの開発に役立つことを期待しています。DeepSeek自身の作業効率を高めることができるので、私たちのモデルの最初の目標は、DeepSeek自身の仕事効率を高めることです。そうすれば、次世代モデルを開発するときに、より多くの助けになります。

もっと簡単に言えば、私たちが作るモデルは、まず全員にとって有用であることを目指すのではなく、まず自分たちにとって有用であることを目指すのです。まず私たちに役立つ必要があります。私たちに役立つようになれば、次世代モデルを開発するときには、より速くなります。

社内の多くの人はこう考えています。まず自分たちに役立つこと、まず自分たちに使えることです。そして、それがAGIを実現するいちばん速い方法だと。私たちにうまく機能するなら、それは他の人にとってもうまく機能するということかもしれませんが、まずは私たちにうまく機能しなければなりません。このストーリーは少し奇妙ですが、本当にそう考えている人が多いのです。

ユーザー満足の話ではありません。私は、それが私たちにもっと役立つことを望んでいます。そうすれば、私たちはAGIを、しかももっと速く実現できるからです。ですから、このストーリーの論理は、それが私たちのAGI実現を助けるということです。でもまず私たちにそれを実現させる必要がある。AGIを実現するには、この助けが必要です。今のところ、私たちが本当にAGIを実現するには人工知能の助けが必要だということは非常に確かです。

まだ自律的には動かず、依然として人間と組み合わせて使うしかありませんが、すでに非常に有用です。

投資家

2つ目の質問ですが、先ほど継続学習を先に解決してから汎用知能に入るとおっしゃいました。これは将来に対するご期待でしょうか？ その背景にある技術的な根拠を理解したいです。なぜ継続学習を先に解決してから汎用知能に入る必要があるのでしょうか？ この分野に対するあなたのその後のご理解についてです。

梁文锋

なぜなら、継続学習を解決できれば、私たちのR&Dの進展を大幅に加速できるからです。もし私がまず継続学習の問題を解決できれば、汎用知能の問題はもはや大きな問題ではなくなります。AIの支援があれば、AIが継続的に学習できるなら、その能力は非常に強くなるはずです。現在のエージェントの能力が限られているのは、継続的に学習できず、効果的に学び続けられないからです。

もしまず継続学習を終えられれば、AIの能力は非常に強くなり、私たち自身の研究効率を大幅に高めることができます。継続学習が先にできれば、汎用知能はとても簡単になるかもしれず、それを使ってそれを行うのも簡単です。だから私は、これは私たちが非常に見たい結果だと言っています。手間が省けますし、私たちももっと楽になります。

さもなければ、今すぐ手作業で汎用知能を作ろうとすると、かなり疲れるし難しいです。データ集約型で労働集約型の作業であり、費用対効果も高くありません。

投資家

共有ありがとうございます。

司会者

小さな質問です。オンラインの質問について、チャットグループを見てみてください。AGIまであとどれくらいだと思いますか？ その時までに国内ハードウェアは追いつけますか？ Zoom会議のチャット欄にあります。

梁文锋

はい、見ました。Huawei 950——今Huaweiは私たちに16,000枚を提供していますが、これは公に言える範囲のはずです。大手インターネット企業より約1桁少ないくらいだと思います。Huaweiがこれだけしか出せないのは、価格も安くないからです。

大手インターネット企業の需要はもっと大きく、彼らのほうがより必要としています。私たちは一部の非準拠カードを購入できます。ですので、Huawei 950を買う目的は、やはりHuaweiがエコシステムを築くのを後押しすることです。16,000枚のHuawei 950カードは、B-seriesカード4,000枚に相当するだけです。ですから、量としてはそれほど大きくなく、意味合いもそれほど大きくありません。

次世代モデルを訓練するには十分ではなく、今の世代のモデルを訓練するのにやっと足りる程度で、次世代には足りません。ただ、まずHuaweiにこれをうまくやってもらう助けにはなります。つまりHuawei 950についてです。それで、AGIまであとどれくらいでしょうか？ その時までに国内ハードウェアは追いつけるでしょうか？

AIの取り組み、このAIの件については、国内では1～2年で海外とほぼ同じ水準に到達できるはずで、あるいは今年中にも海外モデルの代替を実現できるかもしれません。AIでは、現在のやり方と現在のパラダイムであれば、それほど難しくないので、今年中にも可能だと思います。ただし、それでもAGIではありません。

少なくとも、継続的に学習できなければならないと思います。その頃までに国内ハードウェアは追いつけるのでしょうか。国内では数年かかると思います。まず中国はエコシステムの問題を解決する必要があります。なぜなら、エコシステムは自信の問題だからです。エコシステムの問題を解決し、次にキャパシティの問題を解決すれば、徐々に解けていくはずだと思います。5年後もまだキャパシティで足止めされているとは、あまり思っていません。

今は確実にキャパシティで足止めされています。今年、来年、再来年も、まだキャパシティで足止めされているかもしれないと思いますが、5年後には必ずしもそうではないかもしれません。私はかなり楽観的です。次の問題は、将来の組織構造と人員計画の規模をどう考えるかです。まず、これまでの組織構造は非常に分散的でした。というのも、組織構造がなかったからです。しかし、人員が増え続けるにつれて、これらは অবশ্য然、ある程度の変化が必要になります。

現時点では、ここで多くの変更が必要になると言うしかありませんが、今すぐそれらを一度にすべて表現するのは難しいです。最終的には、おそらくやはり異なる部門が必要になり、いくつかの部門では比較的厳格な階層構造を構築する必要があります。ほかの部門は、比較的緩やかで、比較的フラットな構造を維持するかもしれません。人員が増えるにつれて、これらの調整を行っていきます。この調整はすぐに行うべきです。なぜなら、私はすでにこの調整を進めているからです。

もしこれ以上この調整をしなければ、多くのことは前に進められません。確かに、組織構造があるべき部門は多くあります。もう一つ、皆が気にしているのは、CVはどのバージョンの前か、ということですよね。私は今、このGCV4版のオンラインリリースはまだかなり粗く、なお多くの能力には時間が必要だと思います。

私たちにとって、一般的に快適なリリースのリズムは、およそ2～3か月に1バージョンです。前回のリリースはおそらく4月末だったので、次のリリースは6月末あたりになるかもしれません。おおむねそんな感じです。予想外のことが起きなければ、各バージョンは前のものより良くなるはずです。50Bのアクティブパラメータ規模では、最終的には現在のオープンソースの波とそれほど変わらなくなると感じています。

推論速度と性能の面では、それほど差はないかもしれません。ただし、あの大規模モデル、彼らのあの未公開モデルと比べると、差はまだかなり大きいはずです。その差は、私たちのアクティブパラメータ規模ではおそらく達成できず、もっと大きなモデル、たとえば150Bのようなものが必要になるでしょう。

150Bについては、現在の学習進捗からすると、楽観的には今年末には学習を開始できるかもしれません。少なくとも、来年のQ1には... まだかなり大きな差があります。はい、それがOCEとの差です。

Investor

こんにちは。実は質問があります。あなたはよく、AGIの実現プロセスは段階的なもので、突然の飛躍ではないと言いますよね。では、これは臨界点のないプロセスだと理解してよいのでしょうか？

梁文锋

臨界点はありませんが、非線形です。私たちは現在、AIがAI研究を加速できる、AIがAI研究を加速できる、という物語を信じています。つまり線形ではありません。というのも、AIを使って自分自身の研究を加速できるので、後になって非線形になるかもしれません。

Investor

わかりました。では現時点では、私の理解では、目の前の結論は、大規模言語モデルのスケールアップを続ければ十分であり、この状態に到達するのに十分だ、ということかもしれません。

梁文锋

私が言えるのは、大規模言語モデルのスケーリングについて、現時点では上限が見えていないということだけです。私たちは、現在の知能水準の上限、あるいはアメリカの知能水準の上限さえ、まだ見ていません。

Investor

わかりました。というのも、私が非常に気になっているのは、あなたが言ったように、アメリカでは800Bのアクティブパラメータを持つモデルを訓練できるが、使うことはできないので、訓練するだけだという点です。あまりに高価なので、皆が使える形で公開するのも難しい。実は以前からとても気になっていたことがあるのですが、人間が言語能力を持ってからまだ約10万年しか経っていない一方で、その前の進化には約37億年かかったかもしれません。

しかし、AIの訓練では、おそらく可能かもしれない——あなたはその系列を逆転できると言いましたが、最終的にはやはりいわゆる世界モデル、あるいは必ずしも世界モデルと呼ばなくてもよいですが、物理モデルや身体性の部分に入らなければならない、ということですよね？ つまり、この上限の後に。

梁文锋

はい、私は身体性には必ず入らなければならないと思います。最終的には身体性です。ですから、私たちの会社にとって、自然に、終点は身体性かもしれません。というのも、普通の人にとって必要なのはコンピュータではないですよね。普通の人は、食べ、飲み、遊び、着て、住み、移動するのであって、コンピュータは必要ありません。

彼らが必要としているのは、具体的な人間の労働需要を解決する身体化された知能です。もし目標が労働需要の軽減であるなら、身体性は避けて通れないものです。

Investor

わかりました。では、ある段階で、もしそれに似たものに到達したら、もしかすると臨界点ですらないかもしれませんが、自ら進化でき、かなりうまく自己進化できる、あるいはSVによる上昇のその地点に近いものに到達したとき、その状態でのAIの最初の着地点はどこになるのか、とても気になります……今とは違うものになるかもしれません。

梁文锋

私たちが期待しているのは、もし embodiment がなければ、私たちの AGI の定義、あるいは私たちが AGI にできることとして期待しているのは何か、ということです。AGI は私を助けて次のバージョンのモデルを反復改善できること、同じやり方で次のバージョンのモデルの反復改善を助けられることです。そして、もし embodiment が加わるなら、私たちが期待するのは、それが embodiment の次のバージョンの反復改善もできること、次のバージョンのロボットを作れることです。

Investor

私はまだ一つとても気になっていることがあります。以前の DeepSeek のインタビューなどを見たのですが、重要な方向や研究方向の選定において、センスや直感がとても重要で、単純なエンジニアリング最適化だけではないように見えます。もし将来 AI が自己進化できるようになったら、センス、センス、直感は依然として重要なのでしょうか、それとも何が重要になるのでしょうか？

梁文锋

AI は現在、センスや直感が不足しているわけではありません。足りないのは、学習を継続する能力です。AI のセンスや直感は十分です。もし文章を書かせれば、そのセンスと直感は、私は問題ないと思います。先ほどいくつか質問がありました。少し見てみます。画面上にいくつか質問が見えましたが、こちらでは見えません。

Investor

梁さん、画面に質問を残しておいたので、もう一度読み上げます。実は、継続学習についてお聞きしたいです。これもあなたが言及されましたし、多くの研究者も、これは依然として未解決の研究問題だと言っています。それから coding agent、特に MILES に追いついていくことは、

Office レベルと MIS レベルに到達するのは比較的確実な目標です。未解決の研究 Scaling 目標と比較的確実な Scaling 目標がある場合、特に研究側の人材リソースを含めて、研究リソースをどのように配分すれば、最善のバランスと効果を実現できると思いますか？

梁文锋

Model Office は比較的確実な目標ですが、model MIS は、まだ確実だと言うのは難しいと思います。目標だと言えるだけです。Model Office は、私は比較的確実だと思います。

CoT はリソースを消費しません。どんな研究をしてもカードは消費しません。必要なのはごく少数のカードだけで、必要なのはアイデアです。また、人材リソースも消費しません。というのも、誰かにずっとそこにいてやってもらう必要はないからです。これはプロジェクトではなく、多くの人がその問題について考える必要があるものです。だから、そこにリソースを配分する必要はありません。リソースを必要としないからです。リソースが必要なのは、モデルを学習すること、モデルを作ること、モデルをリリースすること、モデルの効率実験を行うことです。

先ほど述べたものは、人手もカードもそれほど消費しません。なので、私たちはこれを「mò jiǎng」[運試し] と呼んでいます。敷居は非常に低く、誰でも試せますが、そこから何かを得られるのは誰か——それについては、才能に依るのか何なのか、私にも分かりません。だから、ここに私たちがリソースを配分する必要はありません。私たちと他社の違いは、この問題について時間を使って議論し、この問題について考え、重要な事項として扱う点にあるだけです。

社内では、これは重要な問題であり、私たちが時間をかけて考える問題ですが、それを実行するために大量のリソースは必要ありません。それから下に別の質問も見えます。大規模モデルの幻覚問題は、ユーザー体験にかなり大きな影響を与えます。幻覚問題にもそれを解決できる方法はありますが、これは長期的なテーマです。

幻覚問題は、より良い Post-training によって解決、あるいは改善できるものと見なせます。

ただ、誰もあまり力を入れて取り組んでいないだけです。あるいは、私にとって幻覚は問題ではありますが、製品上の問題として分類するかもしれません。私たちは解決しますが、主要な問題ではありません。先ほどはデータラベリングについての質問もありました。データアノテーションに関しては、これは私たちの資本投資の構造に関係しています。私たちの資本投資の構成では、これほど大量の高品質データアノテーションのコストを支えることはできません。なぜなら、そのコストは非常に高いからです。

アメリカにおけるデータアノテーションのコストは、中国のコストと実質的に大きな違いはありません。中国にはデータラベリングのコスト優位性がありません。特に高品質なデータラベリングではコスト優位性がなく、アメリカのようにデータラベリングへ投資するのは非常に難しくなっています。この道は中国では非常に難しいです。というのも、データラベリングはとにかく高すぎるからです。外注しても自前でやっても、どちらも非常につらいのです。なので、今は基本的に両面から進めています。

データを絶対にラベリングできないというわけではありません。単に、ある種のデータラベリングはコストが低く、別のものはコストが高いだけです。まずは低コストのものからラベリングします。なので、今では社内の半分の人がデータラベリングをしている、と言ってもいいかもしれません。中核研究者の半分、最も重要な人たちの半分がデータラベリングをしています。私たちはデータラベリングに集中しています。現段階で AI の問題を解くには、データラベリングに頼ることになります。とにかくデータの問題として捉えればいいのです。

Investor

梁さん、ありがとうございます。今のお話は私たちにとって特に共感できる内容で、とても良かったです。ありがとうございます。いくつか質問させてください。

1つ目の質問です。先ほど、中国のモデルは効率の面ではアメリカのモデルより確実に強いとおっしゃいました。また、他のいくつかの面でも、将来的にはアメリカより強くなるかもしれないともおっしゃいました。そうした面とは具体的に何だと思いますか。知能やその他の領域で、アメリカより私たちのほうが強くなり得るのはどのような点でしょうか？

梁文锋

私は、多くの経験に関連する面では、アメリカよりうまくできる可能性があると思います。自分たちの経験は言うまでもなく、自分たちの製品体験はかなり良いと感じています。ユーザー体験において、必ずしもアメリカより劣るとは限らないと思います。製品面でも、製品能力は必ずしもアメリカより劣るとは限りません。コストもアメリカより低くあるべきなので、中国には依然として競争力があるかもしれません。他の分野について、構造的な優位性があるかと聞かれると、私はたぶんないと思います。

ただ、コストとプロダクトの面では、確かに一定の構造的な優位性があると思います。コストの部分は理解しやすいです。というのも、彼らはそれをやる必要がないので、その能力を विकसितしないからです。彼らはこの点を私たちほど重視していません。私たちはこれを非常に重要なこととして扱えますが、彼らにとっては重要ではありません。プロダクトについては、自然に多くの会社を通じて、プロダクト能力はまだ悪くありません。

なので、この二つの面には構造的な優位性があるかもしれないと思います。

Investor

では、二つ目の質問です。さっき post-training について触れられましたよね。私たちの投資コストは比較的高く、Anthropic や OpenAI のような会社は巨額を投じています。この資金調達の後、post-training への投資を増やすとお考えですか？

梁文锋

ギャップは主に高品質データのラベリングにあり、しかも主に AI research の中にあります。私たちは অবশ্যিকに投資を増やしますが、高品質データのラベリングは通常、資本投資の問題ではありません。高品質データのラベリングにおけるボトルネックは、私は時間だと思います。というのも、時間がかかるからです。OpenAI にしても、海外の会社にしても、Anthropic にしても、彼らはより早く始めていて、より多くの資本とより多くのカードを持っています。

このような状況の下で、国内の私たちについて言えば、本当にこれを始めたのはここ半年ほどだと考えてよいので、時間の面では、もっと時間が必要だと思います。これは資本投資とはあまり関係がありません。なぜなら、追加の資本投資がなくても、既存の資本で十分にできるだけ速く拡大できるからです。ただし、このスピードには上限があります。ボトルネックは、私がすぐに人をもっと増やせるかどうかではなく、資金やカードで詰まっているわけでもありません。しかし、確かに急速に拡大している過程にあります。

ですので、私たちは、1年以内に高品質データの問題をうまく解決できれば、それは国内でも期待できることだと思っています。見通しはそれほど悲観的ではないと思いますが、やはり時間は必要です。

Investor

ありがとうございます。では三つ目の質問です。Anthropic は自分たちのモデルを使って自社プロダクトを作り、finance、law...

さらには将来的に healthcare にも進出しています。このような vertical application において、ある段階で私たちも同じことを考えるのでしょうか？

梁文锋

私はまだ、将来的に私たちの国内事業モデルが具体的にどうなるのか、あるいは最もスムーズな道筋が何なのかを、まだはっきりとは考え切れていません。まだその段階に達していないのです。国内の状況と海外の状況は同じではないかもしれません。将来、国内でどういう形になるのかは、今の時点ではまだ判断しづらいです。

現在の国内状況を踏まえると、最も合理的なやり方は general-purpose agents に全力で取り組むことだと思います。他の agents は優先順位を下げるべきで、finance や doctor agents を含めてです。まず Coding をやるべきです。というのも、Coding Agent はできることが多く、vertical agents もずっと多いからです。

この段階では、私たちは依然として最も重要なのは Coding Agent だと考えています。

Investor

非常に明確です、ありがとうございます。もう一つ、ぜひ伺いたい質問があります。実は私たちは DeepSeek をやっていますし、あなたがこれまでずっと DeepSeek を非常に純粋な research の形でやってこられたことを、とても尊敬しています。ただ、この業界は確かに資本市場に入り、資本化の道へと進んできました。そしてあなたも非常に責任感の強い方で、チームメイトに対しても投資家に対しても、とても責任を持っておられます。

では、純粋な研究、純粋な AGI の方向性、そして資本市場を、どのようにバランスさせますか？ 将来的には必ず資本市場に進出することになるでしょうし、公開株主も必ず出てきます。将来、これをどうバランスさせるとお考えですか？

梁文锋

今は、両立できるはずだと感じています。今年、B-side の売上が数億ドルあり、同時に C-side のユーザーもいるとすれば、それだけである程度のビジネス基盤になります。来年 B-side の売上があり、さらにこの需要が伸び続ければ、会社は純利益からそれほど遠くないかもしれません。すでに黒字かもしれません。

もはや純粋な赤字垂れ流しの段階ではないかもしれないので、その後に私たちが取れる行動や運営できることは、まだかなり大きいと思います。あるいは最悪の場合でも、API を売るだけで上場企業を支えられるかもしれません。たとえば、後で新しい技術進歩がなく、技術がここで固定されてしまったとしても、最終的には API を売ることと、こうしたサービスをしっかり行うことに全力を注げばよく、私はそれで十分だと思います。なので、まだ自信はあります。本当にそんなに難しくはありません。

というのも、私たちは確かに非常にレバレッジの効いた地点にいて、しかも非常に速く発展している分野にいるので、ただそれほど難しくないだけかもしれません。大きな夢を持てることを望むしかありませんが、同時に、いざという時に取り出せるバックアップの実績もあります。

Investor

ありがとうございます、とても良いお話でした。質問は以上です。ありがとうございました。

共有していただきありがとうございます。先ほどいくつか質問をされていましたが、もう一度お伺いしたいです。なぜなら、DeepSeek と他社との最大の違いは、実は私たちの組織が他と違うこと、あるいはむしろ組織形態が違うことだと思うからです。ただ、組織形態は私たちの目標と関係しており、組織自身の境界や効率も考える必要があるかもしれません。マクロな視点から見て、私たちの組織形態には良い学習モデルがあるのか、私はよく分かりません。

歴史的には、Bell Labs のようなものがあったのか、あるいはどのような構造が理想的なのか。もしくは、理想形は本当にはなく、私たち自身が少しずつ探っていくしかないのでしょうか？ 新しい時代には、結局自分たちで探索するしかないのかもしれません。というのも、私たちの組織形態は、実際には米国の大企業とは確実に違うはずですよね？ 3社自体もそれぞれ違いますが、少なくとも皆、商業会社という立場から探索を始めています。

私は主に、組織の問題について改めてお聞きしたいです。

梁文锋

まず、私たちには模倣すべき対象がありません。すべてのステップは私たちの実際の状況に基づいており、事実から真実を求め、実際の状況に応じて判断し、どうすべきかを見つけ出しています。つまり、それは時代の産物であり、あるいは現実の状況の反映であって、模倣の結果ではありません。言い換えると、この状況の下で、私は本当に最適解はこうかもしれないと思っています。むしろ、私自身の見方では、私たちが選んだ道はこういうものです。

もちろん、どのステップも私たちは十分に考え、もちろん選びましたし、いずれにせよ、選択の結果はその通りのものです。誰かがこう選んだから私たちもそうした、というわけではありません。私たちは長所と短所を分析してこの道を選んだのです。将来も同じかもしれません。私たちは誰かを模倣しているわけではありません。

私は、私たちはやはり Bell Labs とは違うと思います。というのも、そこは明らかに商業化を必要としていなかったからです。なぜなら、それは... でしたが、私たちは明らかに商業化が必要です。結局のところ、私たちは生き残らなければなりません。何しろ私たちは会社であり、政府は私に1セントもくれません。だから、私たちはとても壮大な使命を掲げることはできますが、結局のところ私たちは会社であり、どうやって生き残るかを考えなければなりません。

ですから、B-side は私たちにとって間違いなく重要です。というのも、将来それに頼って生き残らなければならないかもしれないからです。ただ、今は重要ではありません。今はコストラインだからです。なので、私はそれはやはり違うと思います。Bell Labs とはやはり違います。私たちの本質は、やはり会社なのです。歴史的に見ても、利益を超えたものを追求する会社はたくさんありましたが、利益を超えたものを追求しているからといって、会社ではないとは言えません。

多くの会社が偉大なのは、利益を超えた追求を持っているからです。その追求は、商業化に影響を与えなかっただけでなく、むしろ商業化をより良く可能にしました。私たちの本質は、やはり会社です。ただ、どの分野でお金を稼ぐか、いつ稼ぐか、どれだけ稼ぐか、何に頼って稼ぐかを考えているだけで、単に取捨選択をしているのです。

投資家

梁さん、ちょっとした質問が2つあります。手短に伺います。1つは、さっき MILOS の話をされましたが、たぶんそれは非常に確定した目標ではないものの、私たちは必ずその方向に向かっていく、ということでしたね。また、アクティブパラメータは、例えば...

次世代は 150 から 250 B の範囲になるかもしれない、とのことでした。その場合、150 から 250 B は O4.7 をベンチマークにしているのか、それとも別の何かをベンチマークにしているのか、という点をどう考えますか？ これが1つ目の質問です。2つ目は、以前、私たちの推論スタック全体において、CUDA 以外のプログラミング言語もいくつか使っているとおっしゃっていました。

本来は NVIDIA のエコシステムに基づいて、PTX などをかなり多く使っていたのだと思っています。今、先ほどおっしゃった TileLang のようなものをより多く使うようになると、推論における効率がかなり下がるのでしょうか、それとも短期的に効率が下がるのでしょうか？ このようなプログラミング言語の変更によって生じる効率低下を、あなたはどのように見ているのか、あるいは長期的には実は補完的な状態、つまり効率が向上するということなのか、よく分かりません。

梁文锋

効率は向上します。効率は大幅に向上します。

投資家

なるほど、では実際にはネガティブな影響はないということですね？

梁文锋

はい、効率は大幅に向上します。だからこれはチャンスです。以前は CUDA エコシステムなしではやっていけませんでしたが、今ではそのエコシステムを捨てて、よりシンプルな方法である TileLang を使えます。これは高級言語で、これでプログラムを書くのも非常に速いです。必要なコード量も非常に少なく、私はゼロから書き直すこともできます。

投資家

分かりました。つまり、先ほどおっしゃったように、この2つはいずれも AI がもたらす大きなチャンスであって、短期的に補う必要があるような欠点ではないのですね。

梁文锋

はい、それは技術発展における大きなチャンスです。AI のチャンスではありません。というのも、私たちには AI を使って TileLang を書くプロジェクトもあるからです。

投資家

では、さらに速くなるのですか？

梁文锋

今のところ TileLang はすべて人間が書いていますが、それでも以前 CUDA を書くよりずっと速いです。

投資家

分かりました。では、ハードウェアレベルでの実行効率についても、影響はないというお考えですか？

梁文锋

1% から 2% の損失なら許容できると思います。

投資家

はい、分かりました、理解しました。よかったです。とても明確でした、ありがとうございます。

司会者

他にご質問のある方はいらっしゃいますか？ もしなければ、今日はここで終わりにしましょう。

投資家

分かりました、ありがとうございます。皆さん、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、梁さん、ありがとうございます。

司会者

さようなら。

梁文锋

さようなら。