英伟达刘洺堉氏語る：黄仁勲の影響、全敵対者撃破不要

原创 张小珺 2026-08-13 11:33 上海

Cosmos、世界模型と中国武術。

執筆者：张小珺

劉洺堉氏に会うたびに、彼は黒いジャケットを着て、少し古びたショルダーバッグを背負っている。

現在、英伟达（NVIDIA）の研究副総裁を務める劉氏は、同社で初めて研究員から副総裁へと昇進した管理者だ。彼が率いるのは、世界基盤モデル「Cosmos」をはじめとする、英伟达の最重要プロジェクトの一つである。

台湾出身の劉氏は、金庸の小説を愛読している。18 歳から著名な武術家・徐紀（神槍李書文の一派の継承者）に師事し、中国武術を学び続けている。最近では「アイス・プランジ（氷水浴）」という新しい趣味も始めたそうだ。凌晨 4 時過ぎに起床した劉氏は、まず決まりのように武術の稽古を行う。一人での蹲踞（そんきょ）や拳法だ。一通り終えた後、自ら氷桶へと飛び込み、身体を修復する。

こうした鍛錬習慣は、私の劉氏に対する印象とは対照的だった。彼は謙虚で、話し声も決して大きくない。「中国武術において最も重要なのは、自分自身を制御することです」と劉氏は語る。「私は強大な破壊力を示すために武術をしているのではありません」

ある意味で、これは彼が代表する英伟达のような巨大なインフラ企業の競争観をも反映している。

インタビューの中で、彼は繰り返し強調した。自分には競争相手などいないと。誰とも競争していないし、すべての人がパートナーになり得ると。

「戦争とは何でしょうか？私は誰かを殺すつもりはありません」と劉洺堉氏は語ります。「私たちの姿勢は、他者を排除することではなく、新しい市場を創出することにあります。私の意図が伝わりますか？」

「ジェンセン（英伟达创始人兼CEO 黄仁勋）はよく、『市場を創るべきだ』と説きます。既存のシェア争いをするのではなく、ゼロから十億ドル規模のビジネスを作るのです。最初は赤字でも構いません。しかし、その事業が成功した際には、必ず大きな影響力を持つものでなければなりません。毎年100万ドル（1億円）稼ぐ程度ではダメです。この規模は多くの企業にとっては大きいかもしれませんが、英伟达にとっては『分断』に過ぎません。」劉氏は続けます。「最も重要な課題を解決し、最大の貢献を果たすことが求められています。」

英伟达が今、「創ろうとしている」市場とは、物理世界に向けた人工知能（Physical AI）のことです。その象徴となるのが世界基盤モデル「Cosmos」です。2024年にプロジェクトが始まり、2 年余りで既に Cosmos 3 が発表されています。直属のチームは 100 人未満ですが、実質的な規模は 200〜300 人に及びます。黄仁勋氏は劉氏に対し、明確な戦略的決意を示しました。「Cosmos 97 まで到達させるんだ」と。

現在、米国で 20 年、英伟达では 10 年間勤務する劉氏ですが、依然として技術的な表現に東洋の素朴な知恵を取り入れています。例えば、大規模モデルを中医（中国伝統医学）に例えたり、『孫子兵法』の「備多則力寡」（備えが多ければ力が分散し弱まる）という言葉を引用して、世界モデルの技術的潮流を考えたりします。

今回のインタビューでは、Cosmos シリーズ（特に直近で発表された Cosmos 3）、世界モデル、物理世界における AI、英伟达の競争観、組織哲学、そして避けて通れない黄仁勋氏について詳しく議論しました。

完全版は当社の動画ポッドキャストでご覧いただけます。小宇宙、Bilibili、小红书、抖音、视频号など全プラットフォームで配信中です。

以下はインタビューの一部抜粋です。

01

競争について語る

「誰かを殺すつもりはありません」

张小珺：あなたは「モデルの競争は『鱿鱼游戏』（韓国ドラマ『イカゲーム』。ゼロサムな生存競争を比喩）であるべきではない」とおっしゃいました。大規模モデルの競争のことですか？それとも世界モデルのことですか？あるいは、あなた個人にとってそうではないということでしょうか？

刘洺堉：もし皆が解こうとする問題が全く同じであれば、それは『鱿鱼游戏』になります。しかし、モデルの競争はそうあるべきではありません。世界中には解決すべき問題が無数にあり、価値を提供できる要素も多岐にわたります。また、人々が好むものもそれぞれ異なります。だから、これをゼロサムゲームと捉える必要はないと思います。

张小珺：それでは、各社が自社の大規模モデルを訓練する必要があるのでしょうか？

刘洺堉：それがコモディティ（汎用品）であれば、各社が自前で発電所を建設する必要はありません。経済的な合理性で判断すべきです。かつて自動車工場を設立する際、電力供給が不安定だった時代には、自前で発電所を建てて 24 時間稼働を確保する必要がありました。しかし、現代ではその必要はなくなっています。

AI デベロッパーの誰もが「自分のモデルが一番だ」と考えがちですが、歴史上かつてない現象です。人間同士の関係が容易ではないように、技術の世界でも同じことが言えます。例えば、Dario Amodei（Anthropic 創設者）と Sam Altman（OpenAI CEO）は当初から相性が合わず、結局 Dario 氏は退社しました。Anthropic の全員が全く同じ信念を持っていると思いますか？私はそう思いません。もしあなたが A プラットフォームへの昇格を拒否し B を選ぶ場合、B が追随者を引き連れて類似のプロジェクトを始める可能性はないでしょうか。

誰もが作れる時代です。決意とリソースがあれば、作ることは可能です。

张小珺：このモデル競争の最終的な姿はどうなるのでしょうか？

刘洺堉：これは少し議論を呼ぶかもしれませんが、モデル自体の能力は徐々に統一されていくでしょう。モデル単体で差別化を図ることは難しく、他の要素を組み合わせてこそ違いが生まれます。

先行するモデルには、その差別化ポイントを見つけるためのより長い時間があります。また、強力な企業であれば、自社の強みを活かしたエコシステム（生態系）を強化することで、新たな変化を生み出すことができます。

ソフトウェア業界も同じです。初期はソフトウェアを書ける企業が少なかったですが、現在は誰もが書けます。生き残っている企業にはそれぞれ独自の差別化戦略があります。モデルの競争がこれと異なる理由はありません。むしろ、最終的には能力は均質化していくでしょう。

张小珺：在您看来，将模型或模型公司神话是没有必要的，对吧？

刘洺堉：我把它比作中医。它就像一个 Black box（黑箱），经过众多不同尝试后形成了一套学问，很多人都会投身其中。关键在于你打算用它来做什么。

有些人解读得比较深，有些人则需要更多时间去消化。这是我的推测。我觉得这些概念会逐渐 diffuse（扩散）开来。

张小珺：对于你们而言，Cosmos 所在的世界模型战场，是一场不能输的战争吗？

刘洺堉：如果有其他公司也做开源模型，那就不算。什么叫战争呢？我并没有打算把别人“杀死”。

张小珺：也就是说，您必须 own（主导）这个赛道，让其他人长在自己的生态之上。

刘洺堉：Physical AI（物理人工智能）是一个巨大的市场。目前家家户户还没有机器人，但一旦普及，我家可能会买两三个。每个机器人都需要算力，这意味着整个世界对算力的需求将大幅增长。如果这件事发生，对 NVIDIA 来说将是巨大的利好。

我们的心态不是想把别人“杀死”，而是如何共同创造市场。您明白我的意思吗？

CUDA（英伟达的并行计算平台和编程模型）就是用来造市场的，它造就了现在的 AI 市场。我们的目标是创造出下一个大市场。

张小珺：那世界模型难道不是一场不能输的战场吗？

刘洺堉：我觉得也不是，因为这是全新的东西，我并没有在跟任何人竞争。

我们要共利——带着大家一起把那个市场建起来。你卖机器人赚钱，你做芯片也赚钱，当然也会有公司研发芯片并获利。整个市场因此兴起，而原本这里是一片 nothing（什么都没有）。

Jensen 经常说，要造市场，而不是进行存量竞争。他讲的是，我们要做 zero-billion-dollar business（从零到十亿美元的业务）。什么叫 zero-billion-dollar business？就是现在还不是个 business（业务），但未来成功后会变成 billion（十亿美元级）。如果现在已经有人在做，可能就不值得做了。

我们做事需要 make impact（产生影响）。Jensen 喜欢 zero-billion-dollar business——你可以不赚钱，但当这个生意成功的时候，必须是很 influential（有影响力）的。不能只满足于每年赚 100 个 million（1 亿）。这种 scale（规模）对很多公司来说已经很大，但对英伟达而言，这只是一个 distraction（分心）。

你要去解最重要的问题，产生最大的贡献。

张小珺：这是一种拥抱风险，还是一种 de-risk（降低风险）？

刘洺堉：我们做事的方法很 risky（有风险）。CUDA 那时候是很 risky 的一件事，等于赔本在卖。因为我们装了 CUDA，整个 GPU 价格都比别人高，同样的 Flops（浮点运算次数）就是比别人贵，因为我们要支援 programmability（可编程性）。

如果不做这件事，你的东西就会渐渐变 commodity（通用商品）。

02

谈边界

“希望具备 number one 的能力，但做出对世界贡献最大的事情”

张小珺：在英伟达从一名研究员升至 VP，这种情况多见吗？

刘洺堉：我可能是第一个吧。

张小珺：您在英伟达的职位是“研究副总裁”，能不能给大家介绍一下这个职位、团队和管辖范围？

刘洺堉：我现在是研究副总裁，也是 Cosmos Lab 副总裁。我们团队由研究员和工程师组成，直属我这儿的有八九十人。

另外还有其他团队也在做 Cosmos，英文叫 dotted line（虚线）。虽然他们不直接向我汇报，但我是整个 mission 的 overall pic（任务的总负责人），是发号施令的人。

整个做 Cosmos 的项目应该有 200 到 300 人之间。这是在英伟达非常重大的一个专案。

张小珺：研究员と管理職の資質は、ある意味で相反するものです。管理職への道を進む中で、研究者としての天性を抑制し、「鎖付きで踊る」ような状態になったことはありませんか？

劉洺堉：私はまだ一人の研究者です。論文を読み続けることも多いです。最も恐れているのは、管理職になる過程で現場から離れ、問題の本質を見失ってしまうことです。そのため、自らコードをレビューし、論文を読み込み、チームと議論することで、方向性が正しいことを常に確認しています。

私と一緒に働く人ならご存知の通り、私がまだコードを確認し、細部までこだわる数少ない VP の一人です。ただ、自分が常に「足元（grounded）」に留まり、すべての状況を正しく把握し続けたいという思いからです。

张小珺：Sora を開発した研究者は、もともとあなたのチームでインターンをしていました。Sora はあなたのチームから生まれたわけではないと聞き、残念に思われたのでしょうか？

劉洺堉：残念だとは思いません。むしろ、かつて一緒に働いた仲間がこれほど大きな貢献をしたことを嬉しく思います。

一方で、自分の判断の中でどこを見誤り、なぜ正しい時期に正しい行動が取れなかったのかを振り返ることもあります。私は自己反省を好む人間で、常に自分自身をより良くする方法を理解しようと努めています。

张小珺：Sora について伺います。なぜ OpenAI はその後、この製品ラインを事実上廃止したのでしょうか？

劉洺堉：Sora は重要な研究であり、多くの応用可能性があります。OpenAI は非常に野心的な会社で、膨大な人材を抱えています。サム・アルトマン氏は Y Combinator の初期から投資家として活動しており、投資家としてのマインドセットを持っています。社内には多様なプロジェクトがあり、その中には極めて成功したものもあれば、ポートフォリオ全体として多様性を持たせることを望んでいます。

過去一年間、Anthropic からの激しい競争圧力がありました。Anthropic はコーディングエージェントにおいて大きな経済的効果を生み出しています。ChatGPT との会話で生成されるトークン数は、1 分程度で完了するものですが、コーディングエージェントは 24 時間、あるいは 48 時間稼働し、膨大なトークンを生成します。OpenAI はこれを非常に有望な方向と捉え、社内のリソースをコーディング分野に集中させることを決断しました。

『孫子兵法』には「備えが多ければ力が薄くなる」とあります。リソースは有限です。彼らはリソースを再調整し、コーディング開発へと注力したのです。

OpenAI が Sora を悪い仕事だと考えているわけではありません。ただ、このタイミングで、会社にとってより重要な課題があり、困難な決断を下す必要があったのだと思います。

张小珺：Anthropic や OpenAI といった最先端研究所では研究こそが天職であり、それが製品です。しかし英伟达 はインフラ企業であり、これらの企業や研究所に計算資源を供給すればよいはずです。なぜ自ら研究を行うのでしょうか？

劉洺堉：インフラを「よくする」とは、応用企業が使いやすくすることを意味します。もし自らがその応用を行わなければ、彼らが必要としているものを根本から理解することはできません。そのため、彼らが辿るであろう道を実際に歩き、そこから洞察を得る必要があります。

チップやコンピュータアーキテクチャの設計には長いサイクルがかかります。すぐに修正はできず、長期間にわたる計画が必要です。この分野の研究を行い、何を解決すべき重要な課題なのかを理解して初めて、AI 大手企業を支援するより良いチップやインフラ（infrastructure）を設計できるのです。

私はいつも、理想と野心を持つ人々がすべてこのツールを手に入れ、自分たちのやりたいことを実現できれば、世界はもっと良くなると思っています。OpenAI や Anthropic、そして中国の大手企業が成し遂げた突破を目にし、非常に嬉しく思います。しかし、この社会には絶えず野心に満ちた若者が湧き上がっています。彼らにも機会を提供したいと考えています。それが英伟达 がオープンソースモデルに取り組む理由です。

张小珺：貴社の研究成果は、顧客との競合関係を生むことはないのでしょうか？

劉洺堉：特にオープンソースモデルについては、基本的に無料で公開し、誰でも利用できるようにしています。実際に現場で実装し、お客様のニーズに応えるためには、まだ多くの課題を解決する必要があります。とりわけ具身（embodied）の分野では、ハードウェアやビジネス上の問題など、解くべきことが山積しています。

私たちはコミュニティに対して明確なシグナルを送っています。「1 世代から 2.5 世代、そして 3 世代へと、段階的に進化し続ける」というメッセージです。これにより、英伟达 がこの分野に継続して投資し、進歩を続けていくという確信を持ってもらいます。その信頼があれば、リソースはより重要な「刃こぼれ」に集中投じられ、重大な貢献を生み出すことができるのです。

どんなに資金力のある企業でも、リソースは有限です。具身知能の課題は難しく、解決すべき要素が山ほどあります。私たちはそうしたモデルを作り、皆の負担を減らすお手伝いをしています。競争だと捉える必要はないのです。互いに成功するための協力関係だと考えています。

张小珺：研究者としての本能では「No.1」のモデルを作りたいはずですが、英伟达という企業の立場上、顧客と直接競合したくはありません。この二つの思いが衝突した場合、あなたはどちらを選びますか？

刘洺堉：科学の発展は本質的にインクリメンタル（漸進的）なものです。常に進化し続けており、いつでもどこでも改善（improvement）を提案できます。一歩ずつ前に進むだけです。「絶対的な No.1」になること、つまり「No.1」とは何なのかを定義するのは実は難しいです。私はむしろ「フロンティア（前沿）」のモデルであると言いたいのです。フロンティアのモデルが完成した瞬間は確かに No.1 であり、大きな達成感がありますが、その後にはさらに新しいモデルが現れます。

私が目指しているのは、No.1 のモデルを作る能力を持つことです。そして、社会に対して最大の影響を与え、最も貢献できることを成し遂げることです。No.1 のモデルを作ったとしても、限られた少数の人しか使えない場合や、権力が一部の人間に過度に集中して不均衡を生むのであれば、それは正しいことではないでしょう。

私は、No.1 となる能力を持ちながら、世界に対して最大限の貢献ができることを目指しています。

03

Cosmos について語る

「Jensen に続けようかと尋ねたら、『Cosmos 97 までやれ』と言われた」

张小珺：今後 10 年、おそらく最優先となる課題は世界基盤モデルの Cosmos でしょうか？

刘洺堉：はい。私たちのチームには Cosmos というプロジェクトが一つだけあります。Cosmos 1 を完成させた後、Jensen に「続けるか」と尋ねたところ、「Cosmos 97 までやりなさい」と言われました。

私は現在、まだ 3 の段階にいるので、あと 94 世代進む必要があります。

张小珺：なぜ 100 ではなく 97 なのでしょうか？

刘洺堉：数字は適当に言ったものです。しかし、その数字には彼の決意が表れています。彼はこの方向性が重要だと考えており、私たちが引き続き集中して、Physical AI の基盤（foundation）を作り、この分野全体を前進させることを望んでいるのです。

张小珺：なぜ当時、最も主流の大規模言語モデルや Sora のようなマルチモーダルモデルではなく、具身知能のための世界モデルという非常に重要なプロジェクトを選んだのでしょうか？

刘洺堉：大規模言語モデルは当時すでに非常に発展していました。私のバックグラウンドは大規模言語モデルではなく、Computer Vision（计算机视觉）出身です。そのため、自然とメディアや動画の分野で活動してきました。一緒に働く仲間たちも同様の背景を持っており、その背景が私たちの進む道を決めました。

NVIDIA にも大規模言語モデルチームがあり、Nemotron も着実に成長しています。私は私にこそ解ける問題に取り組むことに注力したいと考えています。

Sora が登場した際も、それは World Simulator（世界模拟器）でした。しかし、当時の主な用途は創作に偏っていました。創作はとても面白く、誰もがより良い方法で物語を語り、アイデアを表現し、具体化して、自分たちが目にする世界を理解してもらいたいと願っています。これは素晴らしい応用です。

しかし同時に、Digital AI（数字人工智能）の発展が極めて速い一方で、社会には Physical tool（物理工具）によって解決すべき多くの問題があることも見ていました。

例えば、高齢になると運転ができなくなり、生活の質が大きく低下します。自動運転車があれば、高齢者でも移動能力（mobility）を維持できます。また、多くの仕事は肉体的に過酷で危険を伴います。Physical AI のロボットがそれを手伝えば、人々の生活を改善できるでしょう。家には常に片付けや整理といった雑用があり、それが在宅中に行いたいことばかりとは限りません。ロボットが手伝ってくれることで、生活の質は向上します。

私たちは World Model（世界模型）が Physical AI に貢献できると考え、コンテンツ制作（Content Creation）の道ではなく、Physical AI の方向へと進みました。

张小珺：您在个人主页上提到，一直有一个愿景驱动着您——“为机器人构建一个黑客帝国”。能否请您阐释一下这个愿景？

刘洺堉：我认为世界模型能够帮助具身智能（Embodied AI）实现泛化。任何人工智能要解决的核心问题都是泛化：模型在训练数据之外是否也能表现优异？无论是编程（coding）还是聊天（chat），本质上都是在训练模型去处理它未曾见过的事物，使其具备像人类一样的能力。

物理人工智能（Physical AI）也不例外，其核心挑战同样是泛化。在 Cosmos 项目中，我们试图从三个维度提供支持：第一，提供更优质的数据；第二，提供更好的起点；第三，构建更理想的环境。

关于数据，我们可以利用生成式数据，即合成数据（synthetic data）。数据是提升 AI 模型泛化能力的关键。试想，真实世界采集到的数据点总是有限的，我们能否生成一些人类尚未采集、但模型真正需要看到的数据？这就是更优质的数据。

更进一步，如果我们能训练出一个优秀的世界模型，让它理解世界的运作机制并预测未来发生什么，那么它自身的表示（representation）就会非常出色，从而为物理人工智能的策略模型（Policy Model）提供一个更好的自举初始化（bootstrap）。从这个起点衍生出我们所需的策略（policy），这就是更优质的起始点。

第三点涉及人类如何在物理世界中学习。人类只能通过实验和与环境的交互来学习。然而，与真实环境交互往往成本高昂，可积累的经验和时间都有限。如果我们能像《黑客帝国》中的矩阵（Matrix）那样，同时生成多个逼真的虚拟环境，让模型在其中交互并获取反馈信号，学习效率将大幅提升。这就是更理想的环境。

在这三个方向中，“构建更好的环境”最具挑战性。我本不想在网页上写得过长、像一篇论文（essay），所以便用了“黑客帝国”这个比喻。

张小珺：Cosmos 项目在内部具体是如何立项的？

刘洺堉：大约是在 2024 年 3 月决定启动该项目，也就是在 Sora（OpenAI 的视频生成模型）发布之后。

张小珺：说服黄仁勋（Jensen）的过程困难吗？

刘洺堉：那时已经不难了。此前说服他比较困难，但看到 Sora 之后就不难了。他很聪明，一眼就能看出这项技术对公司的影响。

他非常有纪律。有些东西即使很重要，他也会要求我们“放慢脚步”（pace your steps），不要急于求成。他擅长打持久战，会一步一步朝着目标前进。

张小珺：为什么之前时机还没成熟？

刘洺堉：先发优势（First mover advantage）确实有益，但每家公司的定位不同，取决于你们想解决什么问题以及如何获利。我缺乏足够的信息来判断具体哪家会胜出。不过，目前看来许多公司都做得很好，在视频生成（Video Generation）领域最赚钱的可能是字节跳动的 Seedance。因此，这条发展轨迹很难预测。直到 Sora 出现时，我们才觉得时机成熟了。

黄仁勋让我们想一个名字。那时我已经猜到最终他会提出更好的名字，本想拒绝以免浪费精力，但他坚持让我来构思。我觉得有道理，因为这个名称与产品定位息息相关。

你看，我们将其命名为 Cosmos（宇宙）。

我们的目标不是生成内容（content），也不是为了创作，而是为了解决物理世界的问题，逐步迈向物理人工智能（Physical AI）。

当时已经逐渐显现，物理人工智能将是下一场革命（revolution）。这是刚需：每个人都会衰老，每个地方都缺乏劳动力，每个人都渴望提升生活品质。

一方、メディアは開発者市場（developer market）に注力し、開発者がより優れた製品を作れるよう支援します。私たちが直接コミュニティサイトや創作ツールを運営することはありません。英伟达にとって、それは消費者向け（to C）の領域でありすぎます。そのため、私たちは物理 AI（Physical AI）の世界モデルを構築し、そのコミュニティを支えることに注力することを決断しました。

张小珺：今日、世界模型（World Model）の定義は依然として非常に曖昧です。あなたなりの定義をお聞かせください。

刘洺堉：私は実用性を重視するタイプです。なぜモデルを設計するのか？それは「使える」からです。使い道が違えば、モデルの姿も異なります。

一つ目は予測（predict）のためです。世界を記述するモデルを構築し、そのモデルを通じて次に何が起こるかを予測します。これが世界模型の一つの目的です。

二つ目は理解（understanding）のためです。「なぜこの出来事が起きたのか？」物理学そのものが世界模型を構築する営みであり、ニュートン力学から量子力学に至るまで、世界の仕組みを理解しようとするものです。

もちろん、ディープラーニング（Deep Learning）の文脈では、理解は「ラベル付きデータを用いてモデルに教える」形をとります。「この出来事が起きたのは、あの出来事があったからだ」という因果関係を学習させ、大量のデータで汎化能力を高めます。そうすれば、将来新しい出来事が起こった際、動画（video）という信号を通じてその理由を説明し、人間が状況を理解する手助けができます。例えば工場の生産ラインが突然止まった場合、過去の誰かが何かを開け忘れたことが原因かもしれません。これも世界模型の目的の一つです。「何が起きたのか」を理解し、「問題の原因は何か」を見つけることです。

三つ目は三次元世界の再構築（reconstruction）です。これは非常に有用で、ルートの計画に役立ちます。また、物理的な世界にいなくても、仮想空間の中でその世界を探索できる可能性を開きます。

用途が異なるため、モデルの姿も異なります。しかし、それらはすべて同じ世界を指しており、単に異なる視点から記述しているに過ぎません。再構築は重要な学問ですが、私は以前はそれをやっていましたが、現在は行っていません。現在、私が主に取り組んでいるのは、物理世界の理解（understanding）と生成、そして予測（prediction）です。

张小珺：世界模型（World Model）の定義が定まっていない状況は、数年前に AGI（汎用人工知能）の定義が議論されていた頃と似ていますね。

刘洺堉：その通りです。厳密な定義があるかどうかは重要ではありません。この言葉はあまりにも大きく、抽象的すぎます。定義したところで、人類にどのような影響があるというのでしょうか？

张小珺：では、なぜ LLM（大規模言語モデル）という言葉は明確なのでしょうか？

刘洺堉：LLM は「Large Language Model」の略で、モデルが巨大であり、言語を扱うものであることが明確だからです。

世界模型とは、この世界をモデル化（model）するためのツールです。用途が違えば、世界をモデル化する方法も異なります。世界やモデルに対する用途が異なれば、定義も異なるのです。

张小珺：あなたにとって、世界模型は「Cosmos」を記述できるのでしょうか？それとも、あなたが取り組んでいることをより正確に表す別の名称があるのでしょうか？

刘洺堉：当初、私たちは Cosmos を「World Foundation Model（世界基盤モデル）」と呼んでいました。

私たちの目標は、誰もが各自の用途に適した世界模型を構築できるような基盤（foundation）を作ることです。私たちは「Foundation Model」として位置づけ、より下層のインフラとして皆のニーズを満たすことを目指しています。世界模型を構築したい人であっても、私たちの Foundation Model を土台にすればよいのです。

张小珺：英伟达はまた、ヤン・ルコン（Yann LeCun）氏の AMI Labs と李飛飛（Fei-Fei Li）氏の World Labs にも投資しています。これらも世界模型に取り組んでいますが、你们は競合関係にあるのでしょうか？

刘洺堉：NVIDIA は「エンabler（支援者）」の立場に立っています。NVIDIA の GPU エコシステム（ecosystem）上で事業を展開するすべての企業が成功することを願っており、皆でウィンウィンの関係を築きたいと考えています。

各社が注目している点や解決したい課題は異なります。Fei-Fei 氏の World Lab と Yann LeCun 氏の AMI は異なるアプローチを取っていますが、私たちは両者を支援し、投資し、協力関係にあります。

もし他社が Cosmos に興味を持ってくれれば、ぜひ活用してほしい。世界モデルを必要とする企業は他にもあるが、フェイ・フェイ・リー氏やヤン・ルコン氏のような資金力を持つ会社ばかりではない。むしろ支援が必要なケースが多いだろう。そこで Cosmos を活用していただくことが可能だ。私たちが目指しているのは、この分野全体が成功することである。

张小珺：つまり、競合相手は存在するのですか？

刘洺堉：NVIDIA の真の競合とは、同じことをする企業、つまり AI エコシステム全体を構築しようとする会社のことだと考えています。しかし、私が Cosmos を推進しているのは、競合を意識して勝とうとしているからではありません。むしろ、このエコシステムをどう支援できるかに注力しています。

NVIDIA のエコシステム内で、当社の GPU や計算プラットフォーム、ソフトウェアを活用する企業がすべて成功すれば、それこそが NVIDIA の成功につながります。また、まだエコシステムに参加していない企業や関係者にも、自信を持ってもらう効果があります。

私はもう、「卒業のために論文を出版し、自分のアルゴリズムが他より優れていると証明しなければならない」という時期は過ぎています。今の目標は、この分野全体と共に発展していくことです。

04

Cosmos 3 について語る

「ルイ・ヴィトンが陳列品数を減らしたら売上が上がった」

张小珺：Cosmos 1 から Cosmos 3 へと進む間に、多くの技術的変化がありました。最初の二世代で得られたノウハウはありますか？

刘洺堉：あります。これは昨年の取り組みで、非常にスピード感を持って進めました。Cosmos を始めた際、私が強調したのは「迅速なイテレーション」です。当時、私は DeepSeek の影響を強く受けていました。驚異的な成長を見せる同社は、1 年間で 3 回のバージョンアップを行い、DeepSeek V3 を生み出しました。そのため、私も常に速度の重要性を訴えてきました。

しかし、私たちが取り組んでいるのは物理世界モデルです。特に 2024 年は、どのような世界モデルが誰にとって有益なのか、まだ明確ではありません。私が先ほど述べたのは、予測（prediction）か理解（understanding）かの二点です。動画モデルを使って未来を予測し、推論モデルを使って発生した出来事を説明する——それが私の考えの核心です。

当初はパートナー企業と協力し、彼らのニーズを理解するとともに、自らのアイデアも取り入れてモデルを作成しました。そしてパートナーと共にイテレーションを繰り返し、方向性を徐々に絞り込んでいきました。「未来を予測する」ことから始まり、シミュレーション環境が広く使われていることに気づきましたが、その生成動画は現実世界との乖離がありました。そこで、モデルを使ってよりリアルにする「転移（Transfer）」を実現しました。また、「発生した出来事を説明する」ために「推論（Reason）」も実装しました。この時点で三つの方向性がありました。

その後、ピクセルの変化を記述できれば、それは動作（action）の変化と非常に近接していると理解し、Cosmos Policy というポリシーモデルを開発しました。

さらに進んで気づいたのは、先ほど述べた通り、これは一つの世界だということです。どの角度から見たとしても、モデルが対象としているのは同じ世界です。つまり、モデルは世界の内部表現（internal representation of the world）を学習しているのです。この世界が圧縮される過程で、どのような表現方法を学ぶのか——それが本質です。

同じものを扱う以上、ファウンデーションモデルの核心概念である「海千山千（多様なものを集める）」という考え方が適用できます。あらゆるデータからそのパターンを学習できるのです。したがって、推論・予測・転移・ポリシーに使用するデータをすべて統合して訓練すれば、モデルの性能上限はさらに高まります。

第一に、同じ世界を記述していること。第二に、ファウンデーションモデルがそれらを統合していること。これら二点から、私たちは徐々に単一モデルへと向かっていきました。

その過程で、実装上の問題も浮上しました。最初の Cosmos を構築した際、自分で計算してみたところ、パートナーを本当に支援するためには、モデル A から F まで、あるいは G…と合わせて約 22 個のモデルが必要だと分かりました。

私はジェンセンに報告し、「22 個のモデルが必要になる見込みです」と伝えました。ジェンセンは私の真摯な姿勢を評価し、「非常に良く、かつ非常に難しい仕事だ」と評しました。

しかし、彼は続けてこう言います。「ご存知ですか？ルイ・ヴィトン（Louis Vuitton）の店舗が陳列する商品の数を減らしたところ、逆に売上が上がったのです。消費者を混乱させる商品が多すぎると、決断できなくなります。」

この話は私に大きな影響を与えました。

自分自身でさえ A と B のどちらを使うべきか迷っているのに、他者が明確に分かるはずがありません。さらに実行の難しさもあります。モデルが増えれば増えるほど、メンテナンスや問題解決が必要になり、リソースが分散してしまいます。モデルが多すぎると力が薄れ、イテレーション（反復）の速度も低下します。

Cosmos 2 の開発を進めながら、このやり方では長続きしないと判断し、単一のモデルで世界を記述する「World Model」、つまり Cosmos 3 の開発に着手しました。

张小珺：最大の変化は、Cosmos 2 から Cosmos 3 への移行で見られますね。

刘洺堉：はい。Cosmos 1 から Cosmos 2 への変化は主にデータの向上や、Parity（一貫性）の導入といった点にありました。しかし、Cosmos 2 から Cosmos 3 への飛躍は、その規模が全く異なります。

Cosmos 3 の開発は去年の 10 月に開始しました。ちょうど Cosmos 2 がリリースされた直後です。もっと早くから「3 を作る必要がある」とは分かっていましたが、当時は Cosmos 2.5 の仕上げに追われていました。2.5 の作業が完了した後に始めて、9 月頃に正式決定し、10 月と 11 月に本格的な実行に移りました。開発には半年以上かかりました。

张小珺：中国の世界モデルを構築する起業家がいます。彼は Cosmos 3 の論文を 1 週間、毎日読み込んだそうです。「技術的な大発明は多くないが、多くの詳細な工程検証が行われている」と評価していました。この見解は妥当でしょうか？

刘洺堉：Mixture-of-Transformers（混合 Transformer 構造）や Parity Model（一貫性モデル）といった概念自体は、以前から提案されていました。私たちは初めて、これらを Mixture-of-Transformers のスケールで巨大化し、audio（音声）、video（映像）、action（動作）をすべて統合したのです。概念的には「組み合わせる」だけですが、実際に実装するのは容易ではありません。その難易度を克服し、実現できたのがまさにこれらの詳細な工夫です。

すべての大規模言語モデルは Transformer 構造を採用しています。「誰も革新していない」と言うことも可能でしょう。しかし、こうした細部が、あるモデルを他のモデルよりも格段に優れたものにします。

年月を重ねるにつれ、私は「それがどれだけ効果を生むか」を重視するようになり、「革命的な独自性があるかどうか」にはあまりこだわらなくなりました。私にとって重要なのは、実用性があり、インパクト（影響力）を持ち、人々が解決したい課題を解消できるかどうかです。

この論文では、オープンソースコミュニティ全体と、Physical AI（物理的 AI）の発展に貢献したいと考えています。ここ数年、多くの Frontier Lab（最先端研究所）がクローズド化し、論文を書いても重要なプロセスを明かさなくなりました。私たちはあえて異なる道を選びます。可能な限り詳細を公開し、モデルやトレーニングフレームワークをオープンソース化します。一部のトレーニングデータも公開しました。

透明性を保ち、どのように作られたかを示すことで、他者が私たちのオープンソース成果を活用し、Cosmos に似たものを構築できるようにしたいと考えています。目標はコミュニティ全体をエンパワー（支援・強化）することです。誰かが同じようなものを作っても心配していません。

张小珺：先ほど DeepSeek について触れられましたが、オープンソース化の選択と関係があるのでしょうか？

刘洺堉：直接的な因果関係はありません。DeepSeek の取り組みは AI 全体に深い影響を与えています。彼らは初めて MoE（Mixture of Experts）をオープンソース化し、最近のモデルでは技術の限界まで押し上げました。この分野全体に大きなインパクトをもたらしています。その点で、私たちが目指す「影響力を持つこと」や「詳細を明かすこと」とは共通する部分があります。

しかし、私たちの目標は DeepSeek とは異なるかもしれません。私たちは利用者の成功を支援することに注力したいと考えています。

张小珺：Cosmos 3 の技術選定において、入力層で言語（language）、映像（video）、音声（audio）、動作（action）を同時に扱うという点に注目しました。これは重要な技術的決断だったのでしょうか？

刘洺堉：はい。世界は視覚だけでなく聴覚も持っています。触覚も加えたいと考えていますが、触覚信号はまだ扱いが難しく、Touch sensor（触覚センサー）の進化が急速です。これには巧みなハンド（ロボットハンド）と、それを動かすためのデータが必要です。

大規模モデルの設計思想には主に二つの方向性があります。

一つは言語を「ファーストクラス・シチズン（一等公民）」として扱うアプローチで、コーディングやチャットと同様に扱います。もう一つは動画がファーストクラス・シチズンとなる道です。Seedance や Google の Veo などがその例ですね。

私たちが考える Physical AI（物理的人工知能）のモデルと、デジタル世界のモデルとの決定的な違いは、物理世界におけるエージェント（智能体）が「アクション」を起こし、世界の状態を変化させる点にあります。

したがって、優れた物理世界向けのファウンデーション・モデルもまた、アクションをファーストクラス・シチズンとして扱う必要があります。だからこそ私たちは、言語、動画、音声、そしてアクションの四つを統合して「Cosmos 3」を構築したのです。

张小珺：楊植麟氏（Kimi の創設者兼 CEO）が昨年、「大規模言語モデルでは言語を最も重要な知能向上ツールと位置づけ、ビジョン機能の追加が知能を低下させ、"愚かな多モーダル" になることを懸念している」と話していたのを覚えています。しかし今年、謝賽寧氏（AMI Labs の共同創設者兼首席科学官）は、「言語がビジョンに汚染を与えるのではないか」と懸念し、言語こそが人間の足場であり本質ではないと述べていました。

この二つの考え方をどう捉えますか？これらを一つのモデルで訓練する際、相互の汚染問題は生じないのでしょうか？

刘洺堉：これらの信号（モダリティ）をすべて取り込むには、それぞれ明確な目的があります。言語は人間の知識を持ち込み、人間と Physical AI を対話させるために必要です。動画は膨大な視覚情報を含み、世界がどのように機能しているかを記述します。この世界の物理的な動作をより正確に捉える（capture）ためには、言語を使うよりも動画の方が適しています。

しかし、最終的にモデルを作る目的は人間に奉仕することです。言語を理解できなければ人間との対話は成立しません。また、モデルの役割が機械にアクションを起こさせて世界を変化させることにあるなら、アクションを知らなければその目的は達成できません。

私たちの目指すところは異なります。私の目的は、Physical AI 用の優れたファウンデーション・モデルを作ることです。それは言語を理解し、物の動き方を把握し、そしてアクションを通じてそれを制御（control）して統合する必要があります。

私の目標は AGI の追求ではありません。AGI そのものを定義すること自体が困難です。もし AGI を「人間の本性を解明する」ことや「コーディングを行うこと」と純粋に定義するのであれば、視覚信号の影響を受けるのは必然でしょう。

遠い過去には言語が存在せず、人類の文明は世界の変化を観察することで発展しました。言語はあくまで人間のために発達したものです。しかし、機械がその仕組みを受け入れるかどうかは分かりません。もしかすると、動画信号から直接世界の成り立ちを学び、別の知能（intelligence）を発展させ、別の文明を築くことも可能かもしれません。その視点に立てば、言語信号は一種のノイズ（干渉）になり得ます。つまり、何を求めるかによって答えは変わるのです。

私が明確に求めているものはこれです：人間が Physical AI と対話できるために言語が必要であり、物理世界の変化から物理の本質を学ぶために動画と音声が必要であり、最終的に目標を達成（fulfill a goal）して世界を変化させるためにアクションが必要です。

张小珺：すべてのモダリティを融合させたとき、これらは互いに利益をもたらす（benefits）のか、それとも相互に制約し合うのでしょうか？

刘洺堉：過去一年、あるいはそれ以上の期間、私たちはこれらのモダリティの融合について研究を続けてきました。さまざまな研究から得られた手がかりを踏まえ、Cosmos 3 ではこれらを統合しました。

Cosmos Policy の研究において、動画と行動を統合することで行動予測が向上することが分かりました。世界動作モデル（World Action Model）として直接行動を予測する際、単に「どの行動を取るべきか」だけでなく、「その行動後に生じる状態や観測結果」も同時に予測させることで、学習の精度が高まります。つまり、動画生成は行動予測にとって有益な要素なのです。

音声も動画生成を支援します。「カチッ」という音から接触の瞬間が特定できるように、音声と動画は互いに補完し合う関係にあります。

一般的にテキストから動画を生成するプロセスでは、情報量が膨大になり、可能性のバリエーションが増えるため学習が難しくなります。そのため、文章による記述が詳細であればあるほど、高品質な動画が生成されやすくなります。言語情報の活用もまた、動画生成を助ける要因です。

Cosmos 3 では、これまでの Cosmos Reason（推論）、Cosmos Predict（予測）、Cosmos Transfer（転移）、Cosmos Policy（ポリシー）の各モデルを統合します。これらを一つにまとめることでシステム全体が簡素化され、メリットが生じます。これらの信号を互いに競合させるのではなく補完し合うように統合するには、実験設計（experiment design）やデータ比率（data ratio）の調整によって実現可能です。私たちはこの方針に確信を持っていました。

これらすべての信号は同じ世界を記述しており、その世界の動作原理に関する情報を含んでいます。それらを相互に協力させ、より多くの情報を活用することで背後にあるメカニズムを理解できるはずです。こうした信念に基づき、私たちはこの方向へと研究を進めました。

张小珺：ここには何らかの「秘密のレシピ（secret sauce）」があるのでしょうか？特に、互いに良い影響を与え合う点についてお聞きしたいです。

刘洺堉：大規模モデル開発に特別な秘訣はありません。仮説に基づいて厳密な実験を繰り返し、結果を確認し、知識を蓄積しながら次のステップへと着実に進むだけです。隠された秘密などなく、重要なのは「何を追求するか」であり、それを耐心強く実験と検証によって確かめていくことです。

张小珺：今回は双塔（tower）アーキテクチャを採用されましたが、一つは離散情報を処理し、もう一つは連続情報を処理する設計です。なぜこのような構成を選ばれたのですか？

刘洺堉：いくつかの理由があります。まず、Cosmos Reasoning（推論モデル）は視覚言語モデル（vision language model）を出発点としており、離散的なアプローチを採用しています。一方、予測転移ポリシー（predict transfer policy）は連続的な処理を必要とします。私たちは「理解には離散型が適し、生成には連続型が適している」と考えており、これらを組み合わせることは現時点で最も合理的な選択だと判断しました。

さらに、Cosmos の活用方法は多岐にわたりますが、一般的には後学習（post training）の形で利用されます。例えば、動画と行動のペア（video action pair）を用いて生成器（generator）を訓練したり、推論機能のみを利用するために自分野の理解データでモデルを微調整したりします。

もしすべての機能を一つのモデルに統合してしまうと、生成能力と理解能力が強く結びついてしまいます。その場合、生成分布（generation distribution）を変更しようとしても、モデル全体が連動するため、理解側の性能も同時に変化してしまいます。双塔構造を採用しない場合、理解側の調整が必要になっても関連するデータが存在せず、その能力が失われやすくなります。これはユーザーにとって使い勝手が悪い状況です。そのため、機能を分離した二つの塔を設けることで、実用上の柔軟性を確保しています。

確かにこの設計は「エレガント（elegant）」とは言い難いかもしれません。アーキテクチャを事前に固定し、データの関係性によって依存構造が形成されるため、人為的な区切りが必要になるからです。しかし、現状ではこの構成が最も合理的であり、実用面でも優れていると考えています。

この点から推測できる通り、私たちの次の目標はさらにシンプル化することです。なぜ二つの塔が必要なのか？将来的には一つの塔で十分となるはずです。

しかし、一つの統合モデルへと進化させる際、重要なのはユーザーが実際に使いこなせるかどうかです。私たちの目標は、自分たちだけで何でもできる万能モデルを作ることではなく、皆が勝てるよう支援することにあります。

ロボットや自動運転車はそれぞれカメラの数や配置が異なり、個体差があります。そのため、技術的に完璧な統合を目指すあまり、ユーザーが実際に活用できるかという視点を欠いてはいけません。これが私たちが取り組むべき課題です。

张小珺：相対的に見ると、離散信号の方が扱いやすく、それを連続変数に融合させると処理難度が高まります。両者をどう組み合わせ、さらにスケール（大規模化）させるのでしょうか？

刘洺堉：その通りです。現在では Transfusion（融合モデル）のような一連の取り組みがあり、離散データと連続データを同時に扱えるようになっています。次期トークンの予測（next token prediction）には離散アプローチを、拡散（diffusion）プロセスには連続アプローチを採用し、これらを一つのアーキテクチャで統合しています。

この分野では現在、さまざまなバリエーションが研究されており、誰もが関心を持つ共通の課題となっています。

信号は離散的な表現でも連続的な表現でも扱えます。理想としては、すべてを離散にするか、あるいはすべてを連続にするようなアーキテクチャを開発し、処理をシンプルにしたいものです。ただしこれはまだ実現可能な未来像であり、成功するかは未知数です。一つずつ実験を重ねて検証していく必要があります。

张小珺：直感的には、すべてを離散にする方が簡単でしょうか？それともすべて連続にする方が簡単でしょうか？

刘洺堉：それぞれにメリットがあります。離散は学習が容易で、連続は美的な側面があります。推論（inference）の段階では、両者の形態（shape）は大きく異なります。最も重要なのは、実際の導入コストです。最終的には、どのモデルが最も効率的にデプロイできるかによって選択が決まります。

张小珺：ある研究者から質問がありました。「現在、すべてのモダリティを一つのモデルで学習させていますが、理論上はプログラミングも得意にしつつ、ロボットの運動制御やクリエイター向けコンテンツ生成も可能になるはずです。では、単一のドメイン（例えばプログラミング）において、Claude よりも優れた性能を発揮できる可能性がありますか？」

刘洺堉：私は『孫子兵法』の「備多則力寡」という言葉が好きです。

すべての分野で優れようとするなら、学習中は幅広い知識を身につけ、さまざまなカテゴリに触れる必要があります。しかし、特定の用途に特化したいのであれば、戦略的な調整も可能です。他の機能にはこだわらないことで、あえて捨てるべきものがあるからです。すべてを手放さなければ、戦いは過酷なものになります。

戦略の本質は、何を捨てて何を維持するかを決めることにあります。

张小珺：モデルが簡素化され、二つの塔が一つの塔に統合されること以外にも、将来のモデルで期待できる変化は何でしょうか？

刘洺堉：私たちは、このモデルが Physical AI の構築者（builder）をどう支援できるかに注力しています。

一般化（generalization）はあらゆる AI における核心的な課題です。物理世界における AI において目指すべき一般化とは、例えば「今日、私が服の折り方を一、二度見せるだけで、ロボットが現実に即して素早く学習できるか」「物理的な知能体がマニュアルを読めば、機器の操作方法や工場の検査手順を理解できるか」といった能力です。Cosmos モデルには、こうした一般化能力を高める要素を取り入れていきます。

私はディープラーニング（Deep Learning）が中医に似ていると感じます。試行錯誤の中で詳細な実験記録を残し、その中から法則性を見出すのです。このプロセスは非常に興味深いです。厳密な実験設計、変数の制御、そして重要な結果の抽出——これらがモデルを反復改善する上で不可欠なステップです。

张小珺：別の研究者からは、「言語表現の比重をもっと大きくすべきではないか」という意見もあります。LLM が知能向上の鍵だと考える方々もいます。この点についてどうお考えですか？

刘洺堉：初期の画像生成研究、例えば Google の Imagen においても、「言語理解が強ければ、より大規模な T5（テキストからテキストへの変換モデル）を使用することで、画像生成能力が向上する」という提唱がありました。私はこれを支持します。より強力な意味表現（semantic representation）を用いることは、間違いなく有益です。

Physical AI の応用は、一般的なプログラミングやチャットとは異なり、実験による検証が必要です。私が目指しているのは、真の課題（ペインポイント）を把握し、そこからモデル能力を補強する適切な方法を見つけることです。特にリソースが限られる中で、どのように優先順位をつけていくかが大きな挑戦となります。

「備え多ければ力寡なし」という言葉がありますが、先人の知恵はやはり役立ちます。

张小珺：世界モデルには現在、効果的な評価手法が不足しています。貴社では何か良い取り組みがありますか？

刘洺堉：世界モデルも大規模言語モデルも、より優れた評価・検出方法を追求しています。

モデルの評価には 3 つのステップがあります。まず一つ目はベンチマーク（benchmark）です。固定されたデータセット（dataset）を用意し、その上でモデルの品質（quality）をテストします。二つ目はアリーナ方式（Arena style）で、A と B を比較してどちらが優れているかを見極めます。三つ目は専門家（Expert）の指導のもと、実際に課題を抱えている現場で問題を解決するアプローチです。これら 3 つはすべて重要です。

Physical AI の分野では、特に 3 つ目のアプローチが重要になります。Coding Agent は皆、プログラミングやデジタル領域の問題に取り組んでいますが、物理知能が扱う問題はそれぞれ異なります。そのため、モデルが本当に役立つかどうかを評価するために、協力パートナーと連携して課題を理解することが、モデルの発展を導く重要な一歩となります。

张小珺：その他にも、物理世界におけるデータ収集は大きな難題です。

刘洺堉：物理知能では各ロボットの形状が異なるため、物理的な設定（Physical setup）なしにはデータを収集できません。英伟达にとっては特に困難で、あらゆる物理知能のデベロッパーをサポートするため、個々のロボットの違いに対応する必要があります。私たちが目指すのは、最も共通性が高い部分を見つけることです。

物理知能のデータは主に 2 つに分類されます。1 つはナビゲーションデータ（navigation data）で、A から B への移動に関するものです。もう 1 つは操作データ（manipulation data）で、手やツールを使って目標を達成する方法に関するものです。

ナビゲーションデータの収集は比較的容易です。運動学に基づいた動き、車の挙動、ロボットの動作などはすべて収集可能です。ロボット A と B が異なっていても、空間内での移動や回転という点では共通しています。

操作データはより複雑です。最近の傾向として、人間の手に近い形状を持つアームを追求するケースが増えています。

その理由は、人間の世界は人間のために作られており、多くの道具が人手で操作できるよう設計されているからです。AI には大量のデータが必要ですが、データ入手が容易であれば、より早く突破できる可能性が高まります。そのため、データの収集主体も人間であり、人間の手が中心となります。現在、業界全体が人手に近い形状へと向かっています。

Cosmos 3 では、第一人称視点（ego-centric）のデータを特意に追加しました。これは、人間の目がどのように対象を見ているか、第一人称からの視点、そして手がその物体をどう操作するかを含んでいます。私たちの目標はロボット自体を作ることではなく、皆が優れたロボットを作れるよう支援することです。そのため、最も汎用性の高い要素を探求しています。第一人称視点（ego-centric）は非常に重要です。

张小珺：あらゆる制約や限界がある中で、英伟达が世界基盤モデルにおいて顕著な優位性を持っていると言えますか？

刘洺堉：英伟达では GPU 演算のコストが比較的安価です。というのも、私たちが GPU を製造しているからです。さらに、Physical AI の分野には長年の深耕があります。Thor チップや Isaac シミュレータといったツールを備えており、これらを組み合わせることで、多様な物理知能デベロッパーのニーズに応えるためのツールを提供しています。

もう一点、私たちは他社が成功することを心から支援したいと考えています。

私たちが提供できるサービスは明確です。顧客は、私たちが同じものを複製して競合を排除するのではなく、協力関係を築くことを望むため、私たちと連携することに前向きです。それが私たちの目標ではありません。

张小珺：Cosmos シリーズのモデルに対して、今後どの程度の GPU カードやリソースを投入される予定ですか？

刘洺堉：常に向上を目指しています。カード数の具体的な数字をお伝えできるかどうかは不明ですが、すでに万単位に達しており、さらに増やすことを目指しています。

张小珺：Cosmos 3 でご満足いただいている点と、残念に思っている点はありますか？

刘洺堉：ご満足いただいている点は、過去すべてのモデルを統合し、それ以前のどのモデルよりも優れた結果を出せるとお伝えした際、それが実現したことでした。当時は多くの人が信じませんでしたが、その結果に大変嬉しく思います。

2 つ目は、これまで別々に構築していた複数のモデルを統合し、単一のモデルとして作り上げた点です。この大規模な組織を一体としてまとめ上げ、一つのモデルを完成させたことに私は誇りを持っています。

残念なのは、モデルのさらなる向上余地があるにもかかわらず、時間制約のため完全な収束に至る前にリリースせざるを得なかったことです。修正したかった箇所もまだ残っています。しかし幸いなことに、3.1 や 3.2 のアップデートで、それらの改善点を追って実装していく予定です。

张小珺：ジェンセンが語る「Cosmos 97」の実現像を想像したことはありますか？

刘洺堉：「97 代」という言葉を聞いた時、私はこのモデルを最後までやり遂げ、完成させるという決意を感じました。これは大きなコミットメント（約束）です。なぜなら、この種のモデル開発には莫大なリソースが必要だからです。

世界モデルとは、究極的にはこの現実世界そのものに近づいていくものです。そのモデルを通じて、私たちが現実世界で学びたいことを学習できるのです。最も近い未来像としては、いつでも《黑客帝国》のマトリックス（Matrix）を構築できる能力を持つことです。それが最終的な到達点です。

もし半年ごとに世代が進むなら、40 年以上かかる計算になりますね。しかし AI の発展は極めて速く、もしかしたら 40 年など必要ないかもしれません。

05

《黑客帝国》について語る

「苦痛と苦難こそが、人類を前進させる原動力である」

张小珺：あなたはロボットのために《黑客帝国》のような世界を構築しようとしています。映画《黑客帝国》では、人類は機械の生体電池として仮想世界マトリックスに囚われ、目覚めた一人の人間がその運命から抜け出し、循環を終わらせようとします。

あなたがロボットのためにマトリックスを作っているなら、いずれロボットが目覚めて仮想世界からの脱出を図った場合、どうなるのでしょうか？

刘洺堉：私が《黑客帝国》という比喩を使ったのは、世界モデルが学習の加速にどれほど劇的な効果をもたらすかを具体化するためです。多くの人々は AI の能力が強くなりすぎれば「世界を乗っ取る（take over the world）」や「人類を抹殺する（eliminate）」のではないかと懸念しています。しかし、社会は人間によって築かれたものであり、その背後で技術を支えているのも人間です。皆が共通の認識を持っていれば、そのような事態は起こり得ません。

さらに哲学的な視点から言えば、苦痛（pain）と苦難（suffering）こそが人類を前進させる鍵だと私は考えています。チップで作られた知能（intelligence）にも同様の「苦痛」や「苦難」があるかどうかについては、私自身も確信を持っていません。もちろん、技術によって人間の生活を劇的に改善したいと考えており、そのために適切なガードレール（安全装置）を設け、現実世界の発展を阻害しないようにする必要があることは承知しています。

张小珺：あなたは常に「私は誰かの競争相手ではない」とおっしゃっていますが、世界モデルに取り組む他のチームからは依然としてライバル視されています。彼らに伝えたいことはありますか？

刘洺堉：世界モデルは問題を解決するためのツールです。世の中には多様な課題が存在し、物理的な知能に関する問題はその中でも特に困難です。もし私たちが協力して、私が開発した技術を活用すれば、より速く、より遠くへ進むことができるはずです。それは決して