すでにご存じの方も多いと思いますが、生成AIに続くものとして「エージェントAI」が登場し、徐々に広がりを見せ始めています。さらにその先にはエージェントがエンボディ化（Embodied）を遂げて「フィジカルAI」が誕生する、これがNVIDIAの描くAIの未来像です。

■エージェントAIとは

エージェントAIはさまざまなアクションを自律的に行うAIで、2025年中には約半数の組織が導入に踏み出すといわれています。エージェントAIの活用によって製品の品質やサイクルタイムが約40%向上すると期待され、さらに2028年までには企業が使う業務用ソフトウェアの33%にはエージェントAIが組み込まれると予測されています。

エージェントAIの構成要素として最も重要なのは「リーズニングモデル」で、入力されたプロンプトを正しく細分化し、解釈した上で回答を生成します。これを実行するためにエージェントAIは検索システムや外部のデータベース、計算のためのコンピュータなど、さまざまなツールを使用します。また、メモリも非常に重要で、例えばスレッド内のロジックを一定に保つためには短期的な記憶、パーソナライゼーションの実現には長期的な記憶を保持するためのメモリが必要になります。さらに、エージェントは単独で動くだけでなく、他のエージェントとの連携も可能です。このように、さまざまなリソースを活用しながら自動的に目的の達成に向かっていく、これがエージェントAIの原理です（図表2）。

■リーズニングモデルの特徴

従来のLLMが出力する回答は、「知識」をベースとしています。例えば、「NVIDIAとは何か」という問いに対して、Wikipediaに書かれているような説明が回答として得られるわけです。

一方、リーズニングモデルは「思考」を行います。図表3に挙げた例題は、8人の家族が円卓で食事をする際に、それぞれの役割や人間関係を加味して席順を決めようというものですが、実はこのような問題は従来のLLMでは解決できません。複雑な制約や条件を理解し、きちんと思考した上で回答できるというのがリーズニングモデルの非常に大きな特徴となっています。

では、リーズニングモデルを作るためにはどのぐらいの追加学習が必要なのでしょうか。仮に1兆パラメータのモデルを使った場合を考えてみましょう。まず100種類のトピック（主題テーマ）に関連した知識と、一つのトピックに対して約100万の質問を与えます。それに対して約100種類の回答候補があり、回答のそれぞれが約1万トークンで構成されるという想定です。

100トピック×100万質問×100回答×10,000トークン=100兆トークン

これで換算すると、学習に使うデータトークンは実に100兆に達し、これはLlama3の事前学習の約7倍に相当します。さらに、実際には1回の推論だけでは回答の精度が足りないことも多く、この場合は一度生成された回答を再びリーズニングモデルに与えるというプロセスを繰り返すことになります。このように、リーズニングモデルの作成と学習には、莫大なコンピューティングパワーが必要になるのです。

■NVDIAが提供するエージェントAI向けツール

「AI-Q NVIDIA Blueprint」はエージェントAIの開発を支援するツールセットで、以下のようなコンポーネントで構成されます。

■エージェントAIの活用例

「VSS（Video Search and Summarization）」はBlueprintの一つで、動画分析用のエージェントAIです。アーカイブもしくはストリーミングで取得した動画をエージェントAIが分析し、要約やQ&A、アラートを出力します。VLM（Vision Language Model）や物体認識を行うコンピュータビジョン、LLM、RAGなどのMINとグラフデータベース、ベクトルデータベースなどで構成されています。（図表4）

VSSは、台湾に本社を置くPEGATRONという会社で実際の現場に投入されています。ここでは世界中のさまざまな企業からPCやスマートフォンなどの機器の組み立てを受注していますが、生産ラインが頻繁に変更されるため、作業員が工程・手順を間違う可能性があります。これをVSSによって監視・管理し、作業ミスの検出や改善に役立てています。

■フィジカルAIの実現に向けて

エージェントAIがこのまま順当に進化するなら、次に期待されるのはフィジカルAIの実現です。フィジカルAIの最大の特徴は、出力されるのがアクションのトークンである点で、これに必要となるのが「世界モデル」です。例えば、歩行ロボットが目の前にあるテーブルを迂回して移動するといったように、外部世界の物理的な現象を正確に理解して行動する能力が求められます。

物理現象の学習には当然データが必要になりますが、実世界のデータの取得はデジタルよりはるかにコストがかかります。また、ロボットの作成や物理的なテストはそれだけでも高コストですが、万一失敗した場合は修理費用がかかる上、危険を伴う可能性もあります。

こうした課題を克服するため、NVIDIAでは仮想空間活用したソリューションを展開しています。そこではテストやデータ収集、シミュレーションを可能とする世界モデル（NVIDIA Omniverse with Cosmos）が動作します。これに加えて事前学習と追加学習のコンピューティング（NVIDIA DGX）、そして実際にロボットに搭載して動かすランタイム環境（NVIDIA AGX）によって構成される三種類のコンピュータが相互にフィードバックしながら精度の向上を図っています(図表5)。

このソリューションによって開発されたヒューマノイドロボットの汎用的な基盤モデルが「NVIDIA Isaac GROOT N1」です。GROOT N1は人間の認知処理の原理にヒントを得た、高速思考と低速思考のデュアルシステムアーキテクチャを備えています。低速思考システムは環境と指示を認識・思考して適切なアクションを計画し、これを高速思考システムが正確で継続的なアクションに変換します。

現在、GROOTはバージョンアップ版のN1.5がHugging Faceで公開されており、誰でも自由に使える状態になっています。追加学習によるカスタマイズも可能なので、フィジカルAIの研究に大いに役立つはずです。