🥊だからAIの動向は、今が一番エキサイティングなんだ👊

Googleの「数の暴力」とNVIDIAは「力の暴力」

こんにちは、Kinamonです。

AIｘクリプトｘ投資をテック目線で観測🔭
「まだ言語化されていない心地よい隙間」を日々散策しています。

SNSのニュースを開くと、AIが毎週何かを塗り替えている記事を見かけます。そのスピードに目を奪われがちですが、私が今最も注目しているのはこういった表層の進化ではないんです。

根本原理のレベルで、AI界隈で今、大きな地殻変動が起きようとしている。

どっちに転ぶかまだ誰にもわからない。そしてその「わからなさ」こそが、多くの可能性を生み、今のAI動向を非常にエキサイティングにしている理由なのです。

目次

🧑‍💻エンジニアの常識：効率化の積み上げという信仰

　認知アーキテクチャ：試行錯誤の功績

　常識を破壊した2つの暴力：GoogleとNVIDIA

🥊Googleの「数の暴力」

　ロングコンテキスト：業界標準に至らしめた実績

　KVキャッシュ：計算資源不足

　TPU：Googleの垂直統合の威力

　競合：OpenAIやAnthropicは？

👊NVIDIAは「力の暴力」でAIを支えている。

　CUDA：最大の堀は、❌チップ⭕️ソフトウェア

　AIファクトリー：「チップを売る会社」を超えた思想

　実験サイクル：「速さ」が知性の進化速度を決めた

　資金調達：GPU数=評価額という風潮作り

　サプライチェーン：インフラを握った者が、エコシステムを支配する

　革ジャンの結論：GPUを積めば積むほど賢くなる

🪐しかし、ビジネスモデルの重力には勝てない

　SaaSのスケールモデルとの決定的な違い

　暴力はイノベーションを加速するが、同時に歪みも生み出してしまう。

📚Googleの課題：複数事業の利益相反

　Search広告 vs 生成AI検索

　その他の矛盾

　構造的に解けない問題

　Googleが実際に打っている打ち手🤜

　牢獄→要塞：つまり、何が起きているのか

📓NVIDIAの課題：需要 ≠ スケール

　「需要がある」と「スケールできる」は別問題

　スケーリングを制限する三つの制約

　メガハイパースケーラーの「依存離れ」戦略

　「圧倒的」だからこそ脆い構造

　巨人の巻き返し：NVIDIAの打ち手✊

　　 推論市場への先制攻撃

　　ハード・ソフト・システムの垂直統合

　　メモリサプライチェーンの「補給線」確保

　　売上モデルの転換

新しい風の予感

だから、今が一番面白い

🧑‍💻エンジニアの常識：効率化の積み上げという信仰

コンピュータサイエンスの歴史は、限られた資源をいかに賢く使うかの歴史でした。

・メモリを節約する。
・無駄な計算を省く。
・キャッシュを効かせる。
・1クロックあたりの価値を最大化する。

なぜそうするのか。
答えは単純です。

やらなければ動かないから。

メモリオーバーフロー、パフォーマンスの崩壊——それは言い訳の余地がない、決定的な失敗として目の前に突きつけられる。

だからエンジニアは自然と

「効率化」を常識として、内面化してきたんです。

認知アーキテクチャ：試行錯誤の功績

チャットGPTが登場した頃を思い出してみましょう。

どこかぎこちなくて、「あれ、さっきの話は？」とか、「急に話し方が違ってない？」とか、自然な会話とはまだまだ程遠い感じがしてませんでしたか？

それもほんの1、2年前の話ですよ。

当時LLMが抱えていた最大のネックといえば、コンテキストの小ささによる「文脈の途切れ」でした。

今では、チャットでお話しだったら何の引っかかりもなく会話が出来るようになっています。

これって、表向きには、新しいモデルが次々とアップデートされて進化してきたように見えていますが、地味ながら裏側で次のような技術の試行錯誤の功績でもあります。

・RAG（検索拡張生成）
・外部メモリ
・永続メモリ要約
・圧縮エージェント
・構造ツール呼び出し

これらは、AIモデル内部に組み込むというより、AIモデルの前後に配置するサポート的な存在です。

これらをひっくるめて呼ぶならば、認知アーキテクチャ（Cognitive Architecture）といったところでしょうか。

チャッピーたちとの会話をより自然なものに推し進めたのは、これらの技術無しでは成し得なかったと言っても過言では無いでしょう。

常識を破壊した2つの暴力：GoogleとNVIDIA

そんなエンジニアの常識を覆してきた、２つの「暴力」があります。GoogleとNVIDIAです。

数と力の暴力

🥊Googleの「数の暴力」

Googleの最大の暴力は規格外の「コンテキスト長」でした。

当時GPT-4やClaude2や3が発表されていた当時、「128kでも十分長い」と言われていたコンテキスト長を、いきなり100万で出してきたのはGeminiです。

数あるAIモデルの課題の中で

「長いコンテキストは研究テーマ」

から、実績を伴う事によって

「長いコンテキストは商品価値」

へ認識が変わった変換点でした。

コンテキスト長を圧倒的に伸ばすことで、「何を渡すか考える」という問題そのものを消しにきた。

コードベースをまるごと。
ドキュメントをまるごと。

「整理してから渡す」という発想を「全部渡せばいい」で上書きする。

正直、これを初めて知ったとき「ウソでしょ」って信じられませんでした。モデル内部のブラックボックスで何が起きているのか⁉️ 論理だけでは片づかない何かが、そこにある気がしましたよ。

Googleはこれを自社ドキュメントでも明言しているんです。

https://ai.google.dev/gemini-api/docs/long-context?hl=ja0

ロングコンテキスト：業界標準に至らしめた実績

1.「Needle In A Haystack」テストでの完全な再現性

100万トークン（当時の1.5 Pro）という、従来モデルの数十倍〜数百倍のコンテキスト内に隠された事実を特定するタスクで、99.7%以上の精度を実証した。

これの意味するところは、 「長い文章だと中間部分の情報を忘れる（Lost-in-the-Middle）」という従来のLLMの致命的欠陥を技術的に克服したことを証明した事にあります。

2.RAGの「検索漏れ」を排除する推論精度

複雑な依存関係を持つ大規模コードベース（GitHubリポジトリ全体など）において、ファイル間を横断する定数定義や参照の追跡能力で、RAG手法を凌駕した。

検索インデックスに依存するRAGでは「検索キー」が一致せず見落とされていた文脈が、全体を読み込むことで構造的に解決できることを示しました。

3.前処理を不要にする「ネイティブ・マルチモーダル」の性能

1時間の動画をキャプション（テキスト）化せず、直接モデルに投入して「〇〇という出来事は何分に起きたか？」という質問に対し、正確な時間軸と共に回答する能力を実装。

動画分析における「キャプション化→検索」という多段階パイプラインのボトルネックを解消し、マルチモーダルにおける「全体把握」の効率を劇的に向上させました。

4.情報の「時間軸」と「文脈の湿度」の保持

数十冊のドキュメントや膨大な会話ログを投入した際、モデルが情報の「関連性」を自己組織的に再構築する能力（メタ推論）が、RAGによる「類似度検索」よりも高い洞察精度を示した。

モデルが単なる検索応答機から、膨大な歴史やログを前提とした「継続的な思考体」として機能できることを示しました。

これらの実績をベースに各社が追従する事で、今日に至っては「ロングコンテキストによる全体把握」こそが現在のメインストリーム（業界標準）となっており、業界全体の考え方は完全に収束しました。

KVキャッシュ：計算資源不足

当然、コンテキスト長を圧倒的に増やすと、計算資源も枯渇します。コンテキストを増やす事でKVキャッシュという領域が爆発的に肥大化し、VRAM不足を生みます。

TPU：Googleの垂直統合の威力

計算資源の枯渇を最初から見通してたかのように、Googleはgemini1.0当初より、学習・推論において独自のTPU(AI専用の計算チップ)が採用されていました。

geminiの登場以前から着々と準備されていたこの技術は、LLMの進化とともに今もなお成長し続けています。

https://uravation.com/media/google-tpu-8t-8i-ironwood-ai-chip-guide-2026/

ハードの限界は独自TPUで自分たちで突破する。更にGoogleは、多角的展開として、スマホのGooglePixelに搭載のTensorチップにも軽量のTPUを実装しており、すでに画像や音声の処理に利用されています。

また2023からこのTPUを使ったGemini NanoをAndroidに実装する事で、クラウドからエッジまで垂直に押さえこみにかかっています。

https://shift-ai.co.jp/blog/10783/

Googleはしたたかです。

暴力を振るいながらもその先も見据えている。

と言えるでしょう。

競合：OpenAIやAnthropicは？

では、独自の計算資源を持たないOpenAIやAnthropicはどうやってコンテキストを増やして行ったのでしょうか？

ここには、彼らの計算資源を支えるNVIDIAの力の暴力無しでは語れません。

👊NVIDIAは「力の暴力」でAIを支えている。

NVIDIAを「高性能なチップメーカー」と呼ぶのは、もはや間違いでは無いかと思うくらい、それだけで終わらない巨人的存在になっています。

彼らがやったことはもっと根深いところからあります。それは、

現代のAI産業というエコシステムそのものを「設計し、定義した」

事です。

OpenAIやAnthropicがあれほど短期間で爆発的にスケールできた理由は、彼らの天才性だけではありません。NVIDIAが何年もかけて地道に積み上げたインフラという「地盤」があったからこそ成し得たものと言ってしまっていいでしょう。

NVIDIAが作る上げたAIエコシステム

CUDA：最大の堀は、❌チップ⭕️ソフトウェア

NVIDIAの「力」を表す一番の象徴といえば、2006年から育て続けた「CUDA（クーダ）」というプログラミング環境です。

2006年と言えば、今日のAIブームのかけらも無い時代です。その頃から無駄な投資と思われてもおかしくない、アプリケーションレイヤーに注力して、開発者がGPUを簡単に動かす事が出来る環境を作っていってたのです。

今ではCUDAはAI開発では切っても切れない共通言語となっています。AIエンジニアは最初から「CUDAの上で書く」ことがデフォルトになっており、PyTorchもTensorFlowも、長年CUDAに最適化されて育って来ました。

これがNVIDIAの「いちばん深い堀」なのです。

逆に言えばCUDAがなければ、AIエンジニアは未だにチップごとに異なる低レベルなプログラムと格闘し、モデル開発そのものに集中できなかったでしょう。

それだけCUDAという存在は絶大だったのです。

つまり、NVIDIAはハードの複雑さを意識させない環境を作ることで、AIスタートアップの加速装置になったのです。

AIファクトリー：「チップを売る会社」を超えた思想

NVIDIAのもう一つの凄みは、GPUという単品ではなく、データセンター全体を一つの「計算工場」として設計・販売したことにあります。

https://www.nvidia.com/ja-jp/solutions/ai-factories/

GPU、ネットワーク（InfiniBand）、サーバー設計（HGX/MGX）、ライブラリ（NIM）まで垂直統合したフルスタックのパッケージ。これにより、OpenAIやAnthropicはゼロからインフラを自作せずとも、NVIDIAの部品を組み合わせるだけで世界最大級のスパコンを短期間で立ち上げられたのです。

競合がハードウェア単体で戦っていた時代に、NVIDIAはすでに「AIを学習させるシステム全体」を一個の製品として定義していました。

実験サイクル：「速さ」が知性の進化速度を決めた

現在のLLMの進化がここまで速いのは、NVIDIAが「実験サイクルの時間」を劇的に圧縮したという事実も見逃せません。

以前なら数ヶ月かかっていた学習が、数千〜数万基のGPUを並列で回すことで数週間に縮まった。この「反復回数の増加」こそが、GPT-4やClaudeのような高度なモデルを生み出した直接的な燃料だという事です。

つまり、現在のAI黄金期はNVIDIAのスケーリング能力なしには絶対に訪れなかった、ということです。

https://nvidianews.nvidia.com/news/nvidia-blackwell-platform-arrives-to-power-a-new-era-of-computing

資金調達：GPU数=評価額という風潮作り

さらにビジネス的には、「NVIDIAのGPUを大量に確保している」こと自体がスタートアップの評価額や調達力に直結するという構造まで生まれてきました。

NVIDIAは、資金を集める分野においてもあらゆる力の暴力をおり重ねて、計算能力=投資価値の文化を作り上げたと言えるかもしれません。

サプライチェーン：インフラを握った者が、エコシステムを支配する

インフラ分野においても、TSMCとの強固な連携で製造能力を維持し、半導体不足の中でも供給を絶やしませんでした。これにより多くのAI企業は「計算資源が枯渇して止まる」というリスクを回避できました。

GoogleやMicrosoftのような巨人が自社チップを開発し続ける一方で、OpenAIやAnthropicがNVIDIAを「選べる」環境が保たれていることは、AI分野の競争を健全に保つ意味でも大きいと考えられます。

NVIDIAが作ったのは「チップ」ではなく、AIという文明が動くための「共通言語」を定義した。

その共通言語の上で、AI企業たちはハードウェアの悩みを捨て、知性の開発だけに資本とエンジニアを集中できたと言えます。

革ジャンの結論：GPUを積めば積むほど賢くなる

そのスケーリング則でここまで牽引してきたハン氏はこう語ります。

「30年間、ディープラーニングとAIという革新的なブレークスルーを実現するために加速コンピューティングを追求してきた」

https://www.cnbc.com/2026/05/29/nvidia-photonics-investment-ai.html

🪐しかし、ビジネスモデルの重力には勝てない

様々な「暴力」で今日のAI進化を牽引してきたNVIDIAとGoogleですが、ビジネスモデルにおいては実は、根本的な矛盾が潜んでいたんです。

SaaSのスケールモデルとの決定的な違い

SaaSの成功モデルを思い出してみて下さい。開発費こそ膨大な資金が必要ですが、サブスクリプションモデルでスケールするほどランニングコストが一気に下がり、レバレッジを効かせまくる気持ちのいい構造です。

ところが、このサービスの間にAIモデルが入るとどうなるでしょうか？スケールに比例してコストも膨らむ。 レバレッジが効かない。

AI系企業のグロスマージンは50〜60%と言われています。従来SaaSの80〜90%より20〜30ポイントも低く、その主因が推論コストにあります。　

これじゃあ採算が合わず回収不能になる⁉

暴力はイノベーションを加速するが、同時に歪みも生み出してしまう。

ここで、大きな課題が浮き彫りになって来ました。

SaaSを踏襲したビジネスモデルに囚われていれば、今のAI企業は次のような構図で語られてしまいます。

コストを度外視した大規模投資が、本来なら経済合理性で淘汰されるべきアーキテクチャの寿命を人為的に延ばしている。ビッグテックとVCの資本が「補助金」として機能している間は暴力が通用する。しかしその補助金はいつまでも続かない。

そしてここがNVIDIAとGoogleの決定的な違いでもあります。それぞれの課題を整理しましょう。

📚Googleの課題：複数事業の利益相反

Googleが生成AIにおいて現時点で少し出遅れている理由は、技術力や判断ミスではありません。複数の巨大事業間の構造的矛盾が素早い戦略転換を不可能にしています。

Search広告 vs 生成AI検索

Googleの利益の大半は検索広告から生まれています。しかし生成AIが検索を置き換えれば、ユーザーはAIの回答で満足し、検索結果をクリックしなくなります。つまり、生成AI検索へ全力投下するほど、現在の利益源である広告ビジネスが毀損されるわけです。
一方、OpenAIやAnthropicには検索広告がないので、ChatGPTやClaudeを迷いなく全推進できます。

その他の矛盾

同様のジレンマが各事業に存在します。Cloud事業ではAnthropicなどの競合にインフラを提供する一方で、Geminiで直接競合しています。Workspace機能を強化するほど、Google検索は必要なくなります。YouTubeはAI生成動画で浸食されるリスクを持つ一方で、生成AI対応を後手に回さざるを得ません。

構造的に解けない問題

この矛盾は、経営調整では解決できません。なぜなら、短期の利益を守ろうとするほど長期の価値が減り、長期の変化に対応しようとするほど短期の利益が毀損するからです。
Googleは複数の巨大事業の責任を同時に負う「プリズン」に入っているのです。

Googleが実際に打っている打ち手🤜

前述したとおりSaaSのような利益構造にあるような従来のエコシステムに囚われいると、この難題から抜け出せないでしょう。

しかし、Googleはこの問題視されている「プリズン」構造をなんと、さらに加速させようとしています‼️すごいですね。この逆転の発想こそ、今の時代を熱くさせる要因の一つです。

1. 複数事業の統合を加速
2025年1月、GoogleはGeminiを全Workspaceプランに標準搭載  。これはSearch × Cloud × Workspaceの統合を意味します。

Gemini、NotebookLM、Google Workspaceツールを連携させた「AI番頭さん」のような統合ツールが登場 し、複数事業の競合ではなく「相乗効果」を狙っています。

2. Search × 広告の「回答内広告」戦略
最もエレガントな打ち手は、AI Overviewsに広告を組み込むことです。

AI Overviews内の広告が3%(2025年1月)から40%(2025年11月)へ急増 し、Q4 2025の検索広告収入が前年比17%増の631億ドルに達した 。

つまり、本来は「広告ビジネスの蝕食要因」であるはずのAI検索が、実は広告ビジネスを拡大させている。

3. 「フルスタック」というスローガン
Google I/O 2026でピチャイCEOは「フルスタックでのAIイノベーション」と表現し、TPUなどカスタムシリコンからGeminiモデル、そして検索やWorkspace、Androidなど数十億人が使う製品までを一気通貫で持つことがGoogleの大きな強みになっていると述べた 。

牢獄→要塞：つまり、何が起きているのか

実は、Googleにとって「プリズン」は『囲い込み要塞』として機能しています。思考の転換でこんなにもポジティブに写るものなのかって思うくらい景色が変わります。

💡オーガニック検索クリックは減ったが、広告は回答「内部」に埋め込まれるから利益を守れる

💡複数事業を統合することで、利益相反を「競争力」に変える

💡ユーザーはGoogleエコシステム内に留まるので、離脱しない

Googleは課題を「課題」として解決するのではなく、むしろそれを自社の「囲い込み構造」として活用しているわけですね。むしろ競合他社が持たないユニークな構造的優位だったのかもしれません。

📓NVIDIAの課題：需要 ≠ スケール

「需要がある」と「スケールできる」は別問題

課題の本質：物理的制約が支配を制限する
AI向けGPU市場でNVIDIAは圧倒的支配力を保持しています。ですが多くのアナリストが見落としている現実があります。

需要はある。が、スケール出来ない要因がある。

それは次の物理的制約で説明がつきます。

スケーリングを制限する三つの制約

1. 電力不足 — データセンターの消費電力は指数関数的に増加しています。次世代チップの登場も、それを稼働させる電力網が成長に追いつかない状況です。電力という「地政学的資源」が支配層を決める時代が来たと言えます。

2. メモリ枯渇 — 問題は容量ではなく「高速メモリ容量」なのです。LLMの計算は演算性能より「メモリ帯域幅」がボトルネックになります。H200の141GB HBM3eは製造複雑性、電力密度、歩留まり低下をもたらします。2027-2028年、微細化競争が終わると、さらなる高度化の余地が残らなくなります。

3. サプライチェーン集約化 — HBM3eを製造できるのは SK Hynix、Micron、Samsung のわずか3社です。地政学的に、高度なメモリ供給が 1-2 社に集約される状況が5年以上続く可能性があります。NVIDIAの設計がいかに優秀でも、部品が来なければ製品は出ません。

メガハイパースケーラーの「依存離れ」戦略

こうした制約に直面した各企業はNVIDIAの完全依存はリスクと捉えています。かつて〇〇 x NVIDIA だったハイパースケーラーの依存関係が各社離脱の方向に進んでいます。

主戦場（自社チップ化への急速投資）

・OpenAI × Broadcom - 独自チップ開発でNVIDIA依存度を低減しています
・Anthropic × Trainium - AWSカスタムシリコンでAI学習コストを大幅削減しています
・Google × TPU - 自社ワークロード最適化を推進しています

自社AIワークロード特性に完全最適化したASIC（特定用途集積回路）は、NVIDIAの汎用GPUより電力効率が圧倒的に優れています。スケール競争では、この効率差が致命的に重要になるわけです。

サブ戦線

・Anthropic × Google - Google Cloud上での運用でTPU活用は既定路線です
・Microsoft × AMD - Instinct MI300X採用は進むも追随型に留まっています
・Anthropic × SpaceX - 「Colossus 1」の全計算容量を利用する契約を締結

「圧倒的」だからこそ脆い構造

2026-2027年の今が転換点です。
NVIDIAの支配力は、皮肉にもその倒崩を加速させています。なぜなら各メガハイパースケーラーが「NVIDIA依存から抜け出す」という戦略的必然を認識しているからです。電力とメモリという物理的制約下では、「汎用GPUの支配」より「最適化特化型ASICの多層化」 が競争優位になります。

需要は爆発的にあります。ですが産業スケーリングを支える物質的基盤は有限です。その制約が、NVIDIAの絶対支配を相対化していくのです。

目に見えない地下で地殻が動いている感覚。需要は地上（金融市場）で爆発的ですが、その地下（電力・メモリ・サプライチェーン）で確実に支配構造が相転移している。破断は突然です。

この状況をいかにして破断を避けつつ解決していくのか⁉️ここも、非常にエキサイティングです。

巨人の巻き返し：NVIDIAの打ち手✊

メガハイパースケーラーの「脱NVIDIA依存」戦略が現実化する中、NVIDIA は単に防戦に回っているのではありません。むしろ、電力・メモリ・サプライチェーンという三つの制約そのものを、自社の支配を強化するメカニズムに反転させています。
それが次の四つの実装済み・進行中の戦略です。

1. 推論市場への先制攻撃

NVIDIA は Groq（特化型チップスタートアップ企業）の技術をライセンス取得し、推論コンピューティング向けの CPU と AI システムを発表しました。これは重要な布石です。
メガハイパースケーラーが自社カスタムチップを開発する前に、「推論特化型」という新しいカテゴリーで先制する戦略です。結果として、メガハイパースケーラーは「学習用 NVIDIA GPU + 推論用 Groq ライセンス」という複合体系に依存させられます。

つまり、依存離れを招く瞬間を、NVIDIA が自ら新しい依存形態に転換しているわけです。

2. ハード・ソフト・システムの垂直統合

CES 2026 で NVIDIA は Rubin（GPU）と Vera（CPU）の量産開始、自動運転 AI 開発基盤「Alpamayo」を発表し、Siemens との提携も強化しました。
ここで見るべきは、チップを売るのではなく、開発基盤そのものを囲い込むという動きです。開発者が OpenAI や Anthropic の ASIC を使っても、Alpamayo を経由した開発効率には敵いません。エコシステムの中に組み込まれると、抜け出しは難しくなります。

3. メモリサプライチェーンの「補給線」確保

HBM4 メモリの供給がボトルネック化する 2027年以降、HBM4 供給でリードするメモリメーカーと強く連携するチップメーカーが競争上有利になります。
NVIDIA が SK Hynix などとの深い協業を強化することで、メモリ不足を「NVIDIA が設計した希少性」に転換するわけです。制約そのものが支配権になる構図です。

4. 売上モデルの転換

NVIDIA は AI チップの売上げ機会が 2027年までに $1 trillion に達する可能性があると述べています。この数字の意味は重要です。
チップだけの市場規模では限界があります。そこで NVIDIA は 推論 × エッジ × リアルタイム AIという新しい市場を創出することで、データセンター GPU の飽和リスクを回避しようとしています。売上モデル全体を再構築しているのです。

新しい風の予感

少し未来の話になるかも知れませんが、新しい技術の台頭にも注目です。

Claudeにもちょっと想像してもらいました✨

Cerebrasはこの前IPOがあって上場しましたよね

LightMatter社
光を使ってメモリ転送とかって、すごく無いですか？

これらの技術が急速にすすんでくるとビックテックも見逃すはずはありませんし、そこでまた勢力図が変わってくるかも知れませんよね。

https://lightmatter.co/press-release/lightmatter-joins-nvidia-nvlink-fusion/

（すでにNVIDIAと協業していたりする。実装も近いかも✨）

この先5年、新しいモデルのアップデートも注目ですが、それを支えるインフラもエキサイティングな未来の予感がします。

だから、今が一番面白い

ざっと、駆け足で紹介して行きましたがいかがだったでしょうか？AIモデルの動向から、電力とかエコシステムとかまで縦断で見ていくと、今後のAI界隈の進むべき選択肢が無数に見えてきませんか？

💡暴力がそのまま勝ち切るシナリオ。
💡補助金が剥がれてエコ・効率化に引き戻されるシナリオ。
💡クラウドとエッジが役割分担しながら共存するシナリオ。
💡NVIDIAの重力が限界に達して新しいアーキテクチャが台頭するシナリオ。

どれが正解かはまだ誰にもわからりません。そして「わからない」ということは、どこに賭けても面白い展開が待っている可能性が高いということです。

大きなプレイヤーがビジネスモデルの重力に縛られている今こそ、その歪みの隙間に入る企業が台頭するかも知れません。

効率、エコ、エッジ——今は非主流に見えるこの領域が、次の転換点で輝く可能性を静かに持っているようにも見えます。

まだ答えが出ていないからこそ、今のAI動向は非常にエキサイティングなんです💪

最後までお読みいただき
ありがとうございました😊

kinamon♬