※本記事は、AI Impact Summit 2026で行われたセッション「From Simulation to Reality: The Rise of Physical AI」の内容を基に作成されています。本セッションには、NVIDIAのHead of Robotics and Edge Computing EcosystemであるAmit Goel氏が登壇しました。エンドツーエンドの生成モデル、物理ベースの合成データ生成およびシミュレーション、メカトロニクスにおける目覚ましいブレイクスルーが、汎用ロボティクスとフィジカルAIのビッグバンを牽引しています。本セッションでは、こうした最新の技術的ブレイクスルー、汎用ロボティクスシステムを構築するための「3つのコンピュータ」要件、そしてNVIDIAのパートナーエコシステムを通じた驚くべきイノベーションが語られました。本記事では、セッションの内容を要約しております。なお、本記事の内容は原著作者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルの動画をご視聴いただくことをお勧めいたします。
1. フィジカルAIとは何か ― AIの次の波
1.1 AIの進化の歴史と各波の規模拡大
Amit： 本日はこのイベントに参加できることを大変嬉しく思います。私がお話ししたいのはフィジカルAIについてです。これは私たちがAIの「次の波」として捉えているものです。皆さんも思い起こせるとおり、AIは2012年のAlexNetから始まりました。私たちはこれをAIとの「ファーストコンタクト」と考えています。そして最初にAIによって変革されたのは知覚（perception）のアプリケーションでした。音声認識、医療画像、ディープな推薦システムといったものが登場したのです。
Amit： その次に到来した波が生成AIでした。ここでLLMが登場し、コンテンツ制作やデジタルマーケティングといった領域が一変しました。そして今まさに進行しているのが、エージェンティックAIという大きな波です。これは複数のAIが互いに協働し、本当に難しい問題を解いていくというものです。ここで皆さんに見ていただきたいのは、AIの波が来るたびに、それが解決する機会、解決する問題の幅が広がり続けているという点です。AIのスケールそのものが拡大し続けているのです。そして私たちは今、次の大きな波であるフィジカルAIの入り口に立っています。これはAIがデジタル世界を離れ、実際に意思決定を行い、自動運転車や汎用ロボットとして自らを具現化していく段階です。
1.2 なぜフィジカルAIはデジタルAIより大きいのか
Amit： よく受ける質問があります。「なぜフィジカルAIがデジタルAIよりも大きくなると考えるのか」というものです。その答えは実にシンプルです。私たちの周りを見回してみてください。ソフトウェア産業に対してAIが何をもたらしてきたかを考えると、一方で私たちの物理世界はそれにまったく手を付けられないままなのです。今日、病院に行っても、製造現場や工場に行っても、小売店に行っても、あるいは私たちの家の中ですら、20年前とまったく同じことをやっています。
Amit： ですから、物理世界に関してAIがもたらす機会は莫大です。世界に存在するアトム（原子）の数は、ビットの数よりはるかに多いのです。製造、物流、小売、ヘルスケアといった領域を見れば、これらは数兆ドル規模の産業でありながら、AIによってまったく手が付けられておらず、これまでの改善はごく漸進的なものにとどまってきました。しかしIT世界で見てきたとおり、ひとたびAIが入り込めば、私たちはそのテクノロジーで成し遂げられることに10倍、100倍の改善を得られるのです。ですから第一原理から考えるだけでも、AIを物理世界に持ち込んだときに私たちの前に広がる機会は、はるかに大きなものになると言えます。
1.3 デジタルAIとフィジカルAIの本質的違い
Amit： では、デジタルAIとフィジカルAIを正確に分けるものは何でしょうか。フィジカルAIでは、入力となるセンサーがあると考えます。デジタルAIの場合、そのセンサーのほとんどは画像、動画、テキストであり、それでほぼ全部です。しかし物理世界には、はるかに多くのセンシングのモダリティが存在します。私たちには触覚という概念があり、世界に対する空間的・時間的な理解という概念があり、音声という概念があります。要するに、ずっと多くのセンサーがあるのです。ですからフィジカルAIにとっては、データのモダリティそのものが異なります。
Amit： こうしたセンサー入力がすべてあったうえで、当然ながら、それらのモダリティを横断して推論できるAIモデルが必要になります。そしてその出力にあるのがアクション（行動）です。センサーが入力としてあり、そのセンシング入力を理解するモデルがあり、そしてアクションを起こす——これがフィジカルAIの本質的な構造なのです。
2. フィジカルAIの3つの形態とインドの優位性
2.1 3つのエンボディメント（自動運転車・ロボット・工場／倉庫）
Amit： 私たちNVIDIAでは、フィジカルAIはおよそ3つの異なる形態、つまりエンボディメント（身体性）として具現化されると考えています。1つ目は、皆さんにとっても最もなじみがあり、すでに今日スケールしてデプロイされ始めているものです。それが自動運転車です。私はサンフランシスコに住んでいるのですが、街に出かけてWaymoに乗り込むと、それが私をあちこち運んでくれます。私の自宅から職場までの通勤は、99%が自律走行なのです。ですから私たちは、フィジカルAIが自動運転車という形で実際にスケールし始めているのを目の当たりにしています。
Amit： 2つ目の領域はロボットです。これは今日見られる産業用ロボットや協働ロボット、そして物流施設の中を動き回る自律移動ロボットを指します。しかしロボットの次の波はさらに協働的で、より人間らしいものになっていきます。ヒューマノイドかもしれません。先ほど共有した動画の中でも、いくつもの異なる形態のロボットを皆さんにご覧いただきました。これらは動き回り、物事を行い、現実世界の物体と関わり合うロボットです。
Amit： そして3つ目のフィジカルAIシステムとして私たちが考えているのが、工場と倉庫です。「工場や倉庫がどうしてフィジカルAIなのか」とよく尋ねられます。考えてみてください。カメラが監視していて、何をどこに振り分けるべきか、コンベアベルトの速度はどうあるべきか、といった判断を下しているとします。製品の品質をチェックし、いつラインを止めるべきかを判断しているとします。これらは直接アクションを起こしてはいないかもしれませんが、やっていることは同じなのです。つまり、現場からセンサーデータを取り込み、それをモデルで理解し、何をすべきかというアクションを起こしている。要するに、センサー入力があり、そのセンシング入力を理解するモデルがあり、アクションを起こす——この同じ枠組みなのです。
2.2 インドが成功できる2つの理由と好循環
Amit： そして、インドはこのフィジカルAIとロボティクスの世界で成功するうえで、独自の有利な位置にいます。その大きな理由は2つあります。1つ目は、インドにはITとコンピュータサイエンスに由来する人材という天然資源があるということです。物理的なもの、製造、そしてこうしたあらゆるオペレーションがデジタルの問題になっていくと、それはすべてソフトウェア定義（software-defined）の問題になっていきます。そうなれば、これまで世界のITインフラやデジタルインフラを築くために使われてきた人材を、インドの物理インフラを築くために活用できるのです。ITとコンピュータサイエンスが生み出してきた巨大な人材プールを、物理世界に適用し、その世界を変革できるということです。
Amit： インドが成功できる2つ目の大きな理由は、台頭しつつある製造基盤です。ご存じのとおり、地政学的な環境の中で製造に関する多くの変化が起きています。インドは将来行われる製造の多くの拠点になりつつあります。ですからそこには大きな機会があります。しかも、インドは大きな消費国でもあります。これらの製品を消費する大きな人口を抱えているのです。だとすれば、自分たち自身のために作らない手はないでしょう。オンショアリングが進み、Made in Indiaを後押しする動きがあることで生まれる製造の大きな機会と、その需要を組み合わせると、インドがロボティクスとフィジカルAIで成功できる理由にもう一つの次元が加わります。そしてこの2つを組み合わせれば、インドの成功を可能にする好循環、すなわちバーチャス・フライホイール（virtuous flywheel）が生まれるのです。
3. フィジカルAI特有の4つの課題
3.1 マルチモダリティとデータギャップ
Amit： ソリューションのお話に入る前に、なぜフィジカルAIがデジタルAIと異なるのかについて、少し概観をお伝えしたいと思います。LLMは多くの進歩を遂げ、本当に難しい問題を解いています。しかし物理世界に来ると、非常に独特な点があるのです。先ほどマルチモダリティについて触れました。フィジカルAIでは、LiDAR、カメラ、マイク、触覚、トルク、IMU（慣性計測装置）といったものからデータが入ってきます。これらすべてのモダリティのデータは、今日のモデルには理解されていません。しかもこのデータは連続的です。モデルが本当に理解しなければならないものなのです。
Amit： たとえば人間は、自らのあらゆる感覚を通じて、1日のうちにインターネット全体よりも多くのデータを生み出すことができます。ですからフィジカルAIを考えるとき、このマルチモダリティが非常に重要になってくるのです。フィジカルAIが直面する2つ目の課題はデータギャップです。「今あなたは、これほど大量のデータが生み出されると言ったばかりではないか。それなら何のデータギャップなのか」と思われるかもしれません。データギャップとは、AIがそのデータから学ぶためには、データがデジタル化されていなければならない、という問題です。データをトークン化する必要があるのです。今日、私たちはそれをやっているでしょうか。工場で、小売店で、病院で起きていること——そうした運用データは、今日まったくデジタル化されていません。ですから私たちには、仮に全データから学習できるモデルがあったとしても、そもそもそのデータがAIの学習のために利用可能になっているのか、というギャップがあるのです。では、いったいどこからデータを手に入れるのでしょうか。
3.2 評価の厳密さとエッジコンピューティングの必要性
Amit： フィジカルAIに伴う3つ目の課題は評価です。なぜなら、このAIは現実世界に存在し、実際にアクションを起こすからです。テストと妥当性確認に注ぎ込まなければならない評価の量と厳密さは、チャットボットであるLLMに対して行えるものとはまったく次元が違います。チャットボットで起こりうる最悪のことは、答えが気に入らないので「もう一度やってみて」と言うことくらいです。しかし、もし手術ロボットがミスを犯したら、「もう一度」はありません。一発で正しくやらなければならないのです。ですからAIの評価は極めて重要です。
Amit： そして最後に理解しておくべき重要な点が、エッジにおけるアクセラレーテッド・コンピューティングの必要性です。ChatGPTが登場したとき、それは一夜にして何百万、何千万もの人々に届きました。なぜなら、配布のために必要だったのはコンピュータやスマートフォンへのアクセスと、どこにでもあるWebサイトだけだったからです。しかしフィジカルAIを考えると、AIはデバイス上で動かなければなりません。低遅延でなければならず、安全でなければならず、セキュリティ上の理由からも、AIをエッジで動かしたいのです。それはつまり、デバイス上にAIコンピュートを備え、そのシステムのモデルを動かせるシステム、インフラを築き始めなければならないということです。これらが、LLMとフィジカルAIの世界で見られるものを区別する大きな課題なのです。
4. データピラミッドによるデータ問題の解決
4.1 第1層：人間の動画・Webデータ
Amit： さて、私たちが進んでいる方向についてお話しします。この領域で働いている方なら、先ほど私が触れたデータの問題について、すでに多くを耳にしてきたかもしれません。しかし私は、私たちには今日それを解決する道筋があると考えています。今日、それを解決する技術があるのです。そしてそれは、私たちが「データピラミッド」と呼ぶものを通じて解決されようとしています。
Amit： フィジカルAIの訓練に使われる最初の情報源は、人間の動画とWebデータです。インドはこのデータエコノミーにおいて大きな役割を果たしています。私が知っているパートナーの中には、人々が物事を行う様子をただ観察し、そこから学ぶための数百万時間にも及ぶエゴセントリック（一人称視点）データを生み出している企業があります。そしてもちろん、YouTubeをはじめインターネット上にある動画は、私たちの周りの世界がどのように動いているかを一般的に理解するうえで非常に有用です。これがフィジカルAIを訓練するための土台、ファウンデーション層を形成します。
Amit： しかし、もし誰もがただ動画を見るだけで学べるのなら、私たちは皆フェデラーやタイガーのようになれるでしょうし、自らの技芸の達人や寿司職人になれるはずです。ところが実際には、何かが上手くなるためには、現実世界でそれを実際にやってみる必要があるのです。
4.2 第2層・第3層：シミュレーションと実世界での試行
Amit： そこで私たちが取り組んでいるのが、シミュレーションと合成データです。世界の極めて高忠実度なモデルを作り、ロボットが一度学んだことを実際に練習できるようにするのです。しかしこれだけでも十分ではありません。ご存じのとおり、何かのモデルを作ろうとすると、必ずいくらかの忠実度が失われるからです。現実世界ははるかに複雑です。現実世界の物理ははるかに複雑であり、私たちはそのすべてをシミュレーションにエンコードすることはできません。
Amit： しかし、いったん土台となる層と、学び練習できるシミュレーション内のモデルを手に入れれば、最後の1ヤードは現実世界でのほんの数回の試行で済むようになります。そしてそのわずか数回の試行だけで、あのsim-to-real（シミュレーションから現実への）ギャップを埋めることができ、完全に性能を発揮するシステムを手にすることができるのです。このデータピラミッドによって、フィジカルAIにとって大きな課題であり続けてきたデータの問題を、私たちは解決できると信じています。
5. ロボティクスの2段階移行とNVIDIAの3つのコンピュータ
5.1 スペシャリストからジェネラリスト・スペシャリストへ
Amit： ロボティクスにおける移行は、2つの段階を経て進んでいくと私は考えています。まず1つ目が、今日私たちが手にしているロボットです。これらはスペシャリストロボットです。AIを使うことはできますが、たった1つのタスクを本当に上手くこなすためにしかAIを使えません。溶接のやり方を知っているロボットなら、ただ溶接の仕方しか知りません。梱包の仕分けのやり方を知っているロボットなら、ただ仕分けだけを本当に上手くこなします。ラストマイル配送をするAMR（自律移動ロボット）なら、それだけしか知らないのです。
Amit： しかし、スケールするソリューションにたどり着くためには、ジェネラリストが必要です。ロボットを手に入れるたびに、毎回ゼロから「動くとはどういうことか」「物体をどうやって持ち上げるのか」を教えなければならないというのは、理にかなっていません。そうした基本的な知性は、最初から組み込まれているべきなのです。ですから今、多くの焦点が当てられているのが、こうした事前学習済みのモデルを作ること、そして多目的に使えるハードウェアを作ることです。汎用的なハードウェアと、基本的な理解を備えた汎用的なモデルを持つ必要があるのです。
Amit： しかし、そのすべての真のアンロックが起きるのは、ジェネラリスト・スペシャリストを手にしたときです。考えてみてください。もし世界に大卒の新人しかおらず、その人たちに国全体や製造業全体を運営させたとしたら、私たちは今いる場所にはたどり着けなかったでしょう。私たちには、その技芸を知り、ドメインの専門知識を持つスペシャリストが必要なのです。ですから、この汎用的な頭脳（ジェネラリスト・ブレイン）を取り、皆さん自身のデータを使って自分のドメイン向けにスペシャリストのアプリを構築する——ここにこそ真のアンロックがあり、真の機会が存在するのです。
5.2 NVIDIAの3つのコンピュータ
Amit： では、この問題を解決するためにNVIDIAは何をしているのでしょうか。私たちはコンピュータを作っています。先ほど説明したとおり、フィジカルAIを作り、デプロイするには、これまで見てきたもの以上の何かが必要です。今日の世界では、LLMのためにはデータセンターがあれば、それでほぼ事足ります。その上に多くのアプリケーションが乗ればよいのです。そのデータセンターで訓練でき、そのデータセンターで推論を実行できる。それで結構です。
Amit： しかしフィジカルAIには、あと2つコンピュータが必要です。1つはシミュレーションコンピュータです。これは存在しないデータを生成でき、ロボットが動画や他のエゴセントリックデータを見て獲得したスキルを練習し、学ぶことができる場です。つまり、皆さんがロボットのために訓練し、テストし、データを作り出すためのシミュレーションコンピュータです。そして3つ目に必要なのがエッジコンピュータです。皆さんの頭脳（ブレイン）がデプロイされる場所です。
Amit： NVIDIAでは、このためにNVIDIA Jetsonを作っています。今日では、ロボットの頭脳そのものの上で2,000テラフロップスのコンピュートを動かすことができます。つまり、これまでクラウドでしか動かせなかった数百億パラメータのモデルを、今やエッジにデプロイできるのです。もしこの展示会に参加されているなら、ぜひNVIDIAのブースに行って、私たちの多くのパートナーが実際に非常に高度なモデルをエッジにデプロイしている様子をご覧になってください。これがコンピュータ側で私たちがやっていることです。フィジカルAIを構築するために、開発者を助ける3つのコンピュータを作っているのです。
6. オープンなソフトウェアスタックとシミュレーションの中核的役割
6.1 オープンプラットフォームと4つのソフトウェアカテゴリ
Amit： しかし、コンピュータだけでは十分ではありません。開発者が実際にこれらのコンピュータを活用できるよう、その上にソフトウェアスタックを構築する必要があります。NVIDIAが構築しているソフトウェアは、完全にオープンなプラットフォームだと私たちは考えています。なぜこうしているかというと、先ほど申し上げたとおり、あらゆるドメイン、あらゆる国、あらゆるタスクが特化を必要とするからです。もしこれらのモデルやツールがオープンでなければ、フィジカルAIやロボットの展開をスケールさせることはできません。ですから私たちはプラットフォーム全体をオープンにしており、世界中のあらゆる地域の開発者が実際にそれにアクセスし、自分自身のアプリケーションを構築できるようにしているのです。
Amit： ソフトウェア側での中核的な仕事は、4つのカテゴリにまとめることができます。1つ目はオープンモデルです。2つ目はフレームワークとツールで、これによって開発者が自分自身のアプリケーションを書くことができます。3つ目ですが、ロボティクスの世界では、AIに加えて、AIではないものの、やはりアクセラレーテッド・コンピューティングを必要とするアルゴリズムがいくつも必要になることがわかっています。そこで私たちは、そうしたモデルライブラリ、アクセラレーテッド・コンピューティング用のライブラリを数多く用意しています。これをCUDA Xライブラリと呼んでおり、GPU上で高速化されています。そして最後のピースがワークフローです。モデルがあり、ツールがある。では、それらをどう使ってナビゲーションスタックを構築すればよいのか。私たちは、自分たちのライブラリやツールを用いたワークフローを提供しており、開発者はそれをチュートリアルとして手に取り、その上に構築を始めることができるのです。
6.2 シミュレーションによる民主化・学習・テスト
Amit： ここで、シミュレーションについて少し時間を割いてお話ししたいと思います。なぜなら、私はそれが極めて重要だと感じているからです。ある画像の中に、さまざまなロボットが映っているとします。もし今日、市場に出かけてこれらのロボットを買おうとしたら、まず第一に、手元に届くまでおそらく1年先になるでしょう。そして第二に、実際にこれらのロボットを買うには数百万ドルの予算が必要になるでしょう。しかし私たちがシミュレーションで実現したのは、今日これらのロボットのいずれかにアクセスするには、GPUを搭載したコンピュータとインターネット接続さえあればよい、ということです。それだけで、このロボットにアクセスできるのです。10万ドルのロボットが、世界中どこにいる開発者にとっても、アプリケーションを書き、構築するために利用可能になっているのです。
Amit： ですからシミュレーションは、ロボットの構築を加速するだけでなく、世界中の誰もがロボティクスにアクセスできるよう、それを本当に民主化しているのです。モバイルロボットであれ、Fanucの産業用アームであれ、Kawasakiの産業用アームであれ、URの協働アームであれ、間もなく登場するAdverbのロボットであれ、これらすべてのロボットがブラウザ上で1クリックで利用できます。これが開発者エコシステムにとって何を意味するか、そしてアプリケーションの構築方法をどう変えるか、想像してみてください。私たちはロボティクスを民主化できるよう、シミュレーションに多額の投資を行っています。
Amit： しかしシミュレーションは、アクセス可能で民主化されているというだけでなく、AIロボットがどう構築されるかの核心にもあります。私たちには、ロボットが練習することで学べる環境があります。これを強化学習（reinforcement learning）と呼んでいます。Isaac Labという製品があるのですが、これを使えば、1台のGPU上で同じロボットのコピーを3,000体、4,000体、5,000体作り、それらが自分自身で学び、練習できるようにすることができます。もしこれを物理世界でやらなければならないとしたら、と想像してみてください。Isaac Labは文字どおり、AIやロボティクスの開発コストをゼロにまで引き下げてくれます。さらに、アプリケーション構築にかかる時間も短縮します。ロボット学習を行うとき、本来なら現実世界で何年もかけてデータを取らなければなりませんが、それを数分、数時間にまで圧縮し、デプロイできるポリシーを得ることができるのです。
Amit： シミュレーションでできる2つ目のことは、合成データの生成です。ロボットをデプロイしたい環境の3Dアセットを用意し、そのバリエーションを作り出すことができます。木製のバージョンが欲しい、大理石のバージョンが欲しい、金属のバージョンが欲しい——そういったものを、ただプログラミングし、より多くのデータセットを作り出すだけで生成できるのです。そしてロボットにとって重要なのがテストです。大規模にテストできる必要があります。何百台ものロボットを用意して壊し、安全上のリスクや危険を冒す代わりに、ロボティクスのスタック全体をシミュレータの中でテストできるのです。今日見かけるロボット——ヒューマノイドがダンスからカンフーまで、目を見張るようなことをやってのける動画を、ロボティクスに携わっている方ならご覧になったことがあるでしょう。そこで見られる一つひとつのロボットが、それらのスキルを、NVIDIAが提供するシミュレータの中で学んでいるのです。ここには、シミュレーションを通じてロボティクスの開発を本当にジャンプスタートさせ、加速させる巨大な機会があります。環境を作りロボットをテストできるIsaacSimから、それらをスケールアウトさせ自律的に学ばせるIsaac Labまで——ロボティクスの世界では、ある問題を考え始めてからそれを解決するまでの時間が、劇的に短縮されたのです。
7. Cosmos ― ワールドファウンデーションモデルとそのユースケース
7.1 Cosmosの完全オープンソース思想と3つのモデル
Amit： 私たちが構築している重要なモデルの1つが、Cosmosと呼ばれるものです。これはワールドファウンデーションモデル（世界基盤モデル）であり、NVIDIAが作る他のすべてのモデルと同様に、オープンソースです。しかもモデルの重みがオープンソースなだけではありません。そのモデルをファインチューニングするためのスクリプトもオープンソース化されています。スクリプトがオープンなだけでもありません。これらのモデルを作るために使ったデータセットまでもがオープンソース化されているのです。なぜそんなことをするのかというと、私たちは他の誰もがその上にアプリケーションを構築できる土台の層を築きたいからです。
Amit： 私たちは、Tata Motorsの製造現場がどのようなものか、まったく知りません。特定の地域にある特定の小売店がどのようなものか、まったく知りません。だとすれば、それらすべてに対応できる単一のモデルを私たちが作れるはずがないのです。そこで私たちがやっているのは、世界の知識を取り込み、それをCosmosというワールドファウンデーションモデルに作り込み、それをすべて利用可能にすることです。そうすれば皆さんは、自分自身のデータを持ち込み、それらをファインチューニングし、自分のドメインやアプリケーション向けにカスタマイズできるのです。
Amit： Cosmosには3つのカテゴリのモデルがあります。1つ目はCosmos Predictです。これはテキストと、動画もしくは画像を入力として受け取ります。そして、誰かが何かを言い、何かを見たときに、典型的な世界で次に何が起こりうるかを、見てきた経験から学んでいます。つまりCosmos Predictは、プロンプトと現在のセンサーデータに基づいて未来を予測するのです。もしこの能力をリアルタイムで動かせたら、と想像してみてください。それはロボットに「あなたがすべきことはこれだ」と教えてくれます。つまりロボットのプランニングの部分は、すでに済んでいることになります。あとは「何をすべきかはわかった、プランニングは済んだ、では制御の側面をやればよい」となるわけです。ですからCosmos Predictは、シミュレータ、ニューラルシミュレータとして非常に強力で、ロボットのプランニング用途にとって優れたツールなのです。
Amit： 2つ目のCosmos Transferは、動画を入力として受け取り、動画を出力するモデルです。データを収集するとき、ある特定の工場で、特定の照明や特定の環境のもとでデータを集めたとします。別の工場に行けば、環境が同じである見込みはまずありません。では、ある環境で集めたデータをどうやって増やし、モデルが汎化できるようにするのか。そこでCosmos Transferの出番です。これは動画を取り込み、プロンプトとともに異なるバージョンを生成できます。日中に車を運転したデータ、特定の照明下でロボットを動かしたデータを収集すると、あとはコンピュータがそれを処理し、その1日分の走行からデータを拡張してくれます。1日分の走行から6つのバリエーション、あるいは数百ものバリエーションを異なる環境で作り出し、それを使ってモデルを訓練し、さまざまなシナリオにわたって汎化させることができるのです。
Amit： そしてこのファミリーの最後のモデルが、Cosmos Reasonと呼ばれるものです。これは動画言語モデル、VLMです。動画を入力として、そして言語やプロンプトを入力として受け取り、テキストを出力として生成できます。Cosmos Reasonは動画を理解するための多くの能力を与えてくれますが、その動画は物理をエンコードしているだけでなく、空間的な理解、時間的な理解もエンコードしています。ですから、標準的な検出（detection）やセグメンテーションに基づくモデルよりも、はるかに先を行っているのです。
7.2 Cosmos Reasonの4つのユースケース
Amit： では、動画言語モデルであるCosmos Reasonが、今日フィジカルAIの開発者によってどのように使われているか、いくつかのユースケースを見てみましょう。1つ目は、データのキュレーションと注釈付け（アノテーション）です。先ほど、AIが学べるようデータが取得されトークン化される、という話をしました。たとえ街を走り回ってデータを集めている車があったとしても、それをAIモデルの訓練に使えるようになるまでには、多くの作業が必要です。まず第一に、車が集めてきたデータをすべて使いたいわけではありません。膨大な量だからです。その半分はただの普通の出来事で、何の信号も含まれていません。モデルがすでに知っていることばかりなのです。ですから、まずは集められたデータの中から興味深いセグメントを特定したい。どうやってそれを行うか。もし人間がすべてのログを見ることになれば、それはひどく非効率です。そこで、Cosmos Reasonのような動画言語モデルにそれらを渡し、「見たものすべてに注釈を付けて、動画を30秒のチャンクに分割し、テキストのプロンプトで要約してくれ」と言えるのです。その動画のテキスト要約が済めば、今度はLLM——GrokでもGeminiでもNemotronでも、お好きなものを選べばよいのですが——のところへ行き、このテキストをすべて渡して「これがそこで起きたことだ。私はこういう種類のイベントを探している」と言えます。するとLLMはそのテキストについて推論できます。LLMはテキストを理解しますから、もう動画を見る必要はありません。テキストの注釈を見るだけで関連する動画を特定し、そうやってペタバイト級のデータの中から、モデルの訓練に使える興味深いデータを手に入れられるのです。
Amit： 2つ目はロボットのプランニングと推論です。今日のロボットのソフトウェアスタックを見ると、それはアトミックスキル（原子的なスキル）を持っています。「左に動け」「下に行け」「物体を持ち上げろ」といった基本コマンドのセットです。ロボットを操作する人間としては、そういう形でプロンプトを与えるわけにはいきません。「このものを取って、あの特定のビンに入れてくれ」と言いたいのです。誰かがそれをロボット固有の言語に翻訳しなければなりません。ロボットの言語はすべてテキストです。ではどうするか。プロンプトを与え、動画を与えると、ステップバイステップの指示が生成されます。そうすればロボットは理解できます。ロボットが理解できる言語で指示が与えられ、そのタスクを実行できるのです。
Amit： 多くのパートナーがCosmos Reasonを使っており、NVIDIAのブースでもそうしたアプリケーションをご覧いただけるもう一つの大きな領域が、私たちが動画解析（video analytics）と呼ぶものです。交差点や施設の中に、安全やセキュリティのために多くのカメラが取り付けられているのを目にしてきたと思います。しかし、その能力は非常に限られていました。今日それらがやっているのは、車を検出するということだけだからです。それも興味深くはあります。しかし、ある一定の速度で動いている車を検出できたら、もっと興味深くないでしょうか。逆走している車を検出できたら、もっと興味深くないでしょうか。それを行うには、単一のフレームを見ているだけでは不十分です。動画を見なければなりません。それが左から右へ動いているのか、右から左へ動いているのか、速度はどうなのか——こうした空間的・時間的な理解は、現在の検出やセグメンテーションのモデルには欠けているものです。ここでCosmos Reasonの出番となります。それは一連の動画を見て、それを理解し、答えを返してくれます。「この交差点を特定の速度で何台の車が通過したか」「どの車がこの特定のレーンにいたか」と尋ねることができます。そうしたレベルの問い合わせは、過去にはまったく不可能でした。しかし今や、ビジョン・ランゲージ・アクションモデルやVLMモデルを使えば、事前学習済みのモデルにただテキストでプロンプトを与えるだけで、こうしたアプリケーションを本当に簡単に構築できるのです。可能性は無限です。今日開発者がそれを使っている例をいくつかご紹介しているにすぎませんが、もしフィジカルAIやロボティクスに携わっているなら、ぜひCosmosモデルを試してみることを強くお勧めします。非常に強力ですし、皆さんがその上に構築できるよう、すべてオープンソースになっています。
Amit： Cosmosをどう使うかの、もう一つの例があります。ロボットを訓練することを考えてみてください。前のセッションで、特定の缶をつかんで片付ける、という話をしていました。これを右手で1回、左手で1回、さらに物体を少し左に、少し右に動かして、と繰り返さなければならないとしたら、それは非常に非効率に思えます。人間の能力の使い方としてあまりにも無駄です。では、どうするか。何をすべきかを1回だけ見せれば、あとはCosmosモデルがそれを推論し、そのバリエーションを作り出してくれます。あとはプロンプトを与えるだけです。缶の代わりに、「もしここにカップがあったら、そのデータを生成してくれるか」「もしここにリンゴがあったら、そのデータを生成してくれるか」と言えるのです。ここで皆さんに見ていただきたいテーマ全体は、私たちはこうしたAIモデルを作るのにかかる労力を減らしたい、ということです。もし私たちが人手と時間のスケールに縛られていたら、これらのモデルを作るのに何年もかかってしまうでしょう。私たちはコンピュートに頼らなければなりません。コンピュートこそが、フィジカルAIにとってのデータ戦略なのです。
8. Grootモデルとパートナーエコシステム
8.1 Grootモデルとヒューマノイドの重要性
Amit： 私たちが投資し、開発者に提供しているもう一つの大きなモデルが、Grootモデルです。これはヒューマノイド向けに訓練されてきました。なぜヒューマノイドが重要なのかは、ロボティクスで何が起きているかについて先ほど説明したことと結びついています。今日のロボットは、いずれも非常に目的特化型で、単一機能です。しかしヒューマノイドによって、私たちはついにプラットフォームシフトを迎えつつあります。汎用的な頭脳と汎用的なハードウェアを持ち、それが複数のことをこなせるようになるのです。
Amit： GrootはNVIDIAのビジョン・ランゲージ・アクションモデルです。ロボットからのセンサー入力と、オペレーターが「ヒューマノイドに何をしてほしいか」という指令を受け取り、ヒューマノイドがそのタスクを実行するためのアクションを生成できます。先ほど質問にもありましたが、私たちは「ウェットラボでそれをどうやるか」といったところには焦点を当てていません。それは私たちの焦点ではないのです。私たちの焦点は、基盤となるスキルをモデルとして利用可能にし、皆さんがそれを自分の特定のアプリケーション向けにポストトレーニング（後段の追加学習）できるようにすることです。そして、私たちはロボットを作りませんし、ロボット向けのソリューションすら作りません。私たちが作るのはコンピュータと基盤となるインフラです。そして、私たちの技術を使ってアプリケーションを構築してくれるパートナーがいることを、私たちは誇りに思っています。
8.2 インドのパートナーとシステムインテグレータ
Amit： インドには、かなり大きなパートナーのエコシステムがあります。そのうちのいくつかをご紹介したいと思います。まずAdverbは、倉庫・物流ソリューションの有力なプロバイダーです。ここで四足歩行ロボットを展示していますし、NVIDIAの技術で構築されたモバイルマニピュレータも持っています。これはエンドツーエンドの学習能力で、汎用化されたタスクをこなすことができます。続いてAti Motorsは、工場や倉庫向けのAMRを作っています。Infochipsは私たちの素晴らしいパートナーで、サービスを提供しています。もしNVIDIAの技術を使いたいけれども社内にR&Dの能力がない企業であれば、Infochipsに行けば、カスタマイズされたソリューションを構築してくれます。
Amit： Ottonomyは、ラストマイル配送から始まったパートナーですが、病院などさまざまな領域へ拡大してきました。彼らのロボットがユニークなのは、屋内と屋外の両方の配送オペレーションをこなせる点で、これによってできることの幅が本当に広がります。次にAnscer Roboticsは、私たちがモバイルマニピュレータと呼ぶ、興味深いカテゴリのロボットを作っています。これはAGVの上に産業用アームを載せたものです。私たちが目にしてきたのは、いったんAGVやAMRがペイロードを特定の場所まで運ぶと、誰かがそれを降ろしてくれるまで、そこで延々と待ち続けてしまう、ということでした。これではAMRの価値は、もしロボット自身が荷物を降ろせる場合に比べて、本当に低くなってしまいます。しかしモバイルマニピュレータであれば、ロボットはそこへ移動するだけでなく、荷下ろしや荷積みのタスクまで実際にこなせるのです。
Amit： Aurora MLは、シミュレーションの領域に投資している素晴らしいスタートアップです。先ほど申し上げたとおり、現代のあらゆるロボットはシミュレーションの中で訓練され、構築され、テストされます。Aurora MLは、皆さんのデータを取り込み、アプリケーションについて話し合ったうえで、モデルを訓練できるシミュレーション環境を提供してくれる、その基盤インフラを提供しています。Orangewoodは産業用ロボットを作っています。先ほど、今日のロボットがいかに古い言語でプログラムされなければならず、それを知る人がごくわずかしかいないか、という話をしましたが、Orangewoodはそれを変えつつあります。ロボットにただ話しかければ、それが何をしてほしいかを理解し、タスクに分解し、ロボットが理解できる言語に分解して、その特定のタスクを実行してくれるのです。そしてGeneral Autonomyは、開発者向けのロボットを作っています。これによって、人々がアプリケーションを構築できるハードウェアがもっと増えるのです。
Amit： 最後に、しかしおそらくインドにおける私たちの最も重要なパートナーの一つが、GSIs、すなわちシステムインテグレーターです。ロボティクスはかなり複雑な問題です。設計から開発、そして運用まで、多くの構成要素があります。インドにおける私たちのパートナー——EY、Infosys、TCS、Wipro——は、このギャップを橋渡しし、カスタマイズされたソリューションを構築することで、産業界と技術を結びつける役割を果たしています。彼らは皆このイベントに来ていますので、ぜひ足を運んで、彼らが何を構築しているのかをご覧になることを強くお勧めします。
9. 工場・倉庫のロボティクス化と結び
9.1 Inside-out AIとOutside-in AI、ビジュアルAIエージェント
Amit： ここまで、物事を行うロボットについて多くお話ししてきました。ここで少しだけ、工場と倉庫について、そしてそれらがどのようにロボティクス化していくのかについてお話ししたいと思います。ある動画をご覧いただいているのですが、左側に映っているのが物理的なロボットです。これは現在地点、いわば今の私たちの姿です。これは私たちのパートナーの一つの製造現場で、ご覧のとおり、彼らはデジタルツインを使って、NVIDIAのGPUサーバーの一つのサーバー組立を、ロボットに実際にどうこなすか訓練させています。
Amit： 一方、右側に映っているのが、私たちがOutside-in AI（外から内へのAI）と呼ぶものです。最初のもの、つまりロボットが何かを見て、AIがそれを理解し行動を助けるものは、Inside-out AI（内から外へのAI）です。これに対してOutside-in AIは、何かを実際に制御しているわけではないけれども、物理的なエージェントが何をしているのかを観測し、それに基づいて意思決定を下すものです。つまり、これはAIが他のAIを観測し、それに対してアクションを起こす、ということです。この特定の例は、倉庫の中で手動運転されているフォークリフトのものです。カメラがそれを観測していて、もしそのフォークリフトが何か間違ったことをしていないか、セキュリティ上のハザードがないか、正しい効率で稼働しているかどうかを問うことができます。こうしたことすべてが、今やフィジカルAIモデルの力で可能になっているのです。
Amit： これに加えて、今日の製造現場では、いくつものビジュアルAIエージェントがデプロイされているのを目にします。1つ目は視覚検査です。ある部品を見て、何かが欠けていないか、ラベルか何かが間違った場所にないかを確認したいとき、これはAIエージェントを使えば今日とても簡単に実現できます。2つ目に起きているのが、私たちがオペレーターのコパイロットと呼ぶものです。新しい製品の製造を始めなければならないときに何が起こるか、想像してみてください。作業員全体を訓練し、どう作るかのマニュアルを渡さなければなりません。しかし、マニュアルがあっても、人はしばしば間違った手順を踏みます。そしてそのことが報告されるのは、たいてい工程の最後になってからです。「うまくいかなかった」となって、たどっていくと「作業員が何か間違ったことをしていた」とわかるのです。もし、各ステップで作業員を見ているAIがいて、まさにその場で「ここを間違えていますよ」「この特定のステップを飛ばしましたよ」と教えてくれたら、素晴らしいと思いませんか。ビジョンAIモデルやVLMモデルは、空間と時間をリアルタイムで理解できるので、コパイロットとして「次にやるべきことはこれです」とプロンプトを出してくれます。これによって推測がなくなり、より高い品質を得られるのです。そして最後が、より高次のオーケストレーションエージェントです。製造現場や工場を運営していると、調整し連携させなければならないことが数多くあります。今日のAIエージェントを使えば、何がどこで起きているかをセンサーですべて把握できれば、こうしたオーケストレーションもまた、AIによって自動化できるのです。
9.2 Video Search and Summarizationと結び
Amit： 私が先ほどお話ししたようなワークフローを本当に加速する、NVIDIAが構築したブループリントの一つが、Video Search and Summarization（動画検索・要約）と呼ばれるものです。これもまたオープンに利用可能です。このブループリントをダウンロードし、クラウドで実行することも、デバイス上で実行することもでき、実際にコンピュータビジョンのアプリケーションを構築できます。複数のカメラストリームを送り込んで、光学検査を行ったり、安全・セキュリティを担ったり、オペレーター支援を行ったりできます。これらすべてを、この単一のブループリントを使って実現できるのです。
Amit： ということで、私の講演はここで締めくくりたいと思います。私たちには大きなイベントが控えていますので、皆さん全員にご招待をお伝えしたいと思います。私たちのGPU Technology Conference、GTCが3月に開催されます。私たちのCEOであるJensenが基調講演を行います。AIの次に何が来るのか、AIの未来を垣間見たいという方は、ぜひ私たちのGTCにご参加いただくことを強くお勧めします。そして、最後に改めて、私たちの旅を支えてくださったすべてのパートナーの皆さんに大きな感謝を申し上げます。私たちだけでは成し遂げられませんでした。このイベントに参加し、NVIDIAのエコシステムの一員になってくださって、本当にありがとうございます。
10. 質疑応答
10.1 標準化・量子・宇宙ロボティクス
司会者： 質問のために5分ほどお時間があります。
質問者（標準化について）： デバイスやモバイルといったロボットの識別、オーケストレーション、そしてフリート（群）の管理についてお尋ねします。皆さんはそうした統合の部分をすべてサポートしているのでしょうか。たとえば複数のベンダーからの複数のロボット、複数の技術タグといった問題がある場合、私たちはそれをどう解決していけばよいのでしょうか。
Amit： 質問を繰り返しますと、標準化について、そして異なる事業者やオペレーターが提供する技術を、どうすれば一つに統合できるか、というご質問でした。これこそ、私たちがプラットフォームをオープンにした理由の一つです。Isaac Simをご覧いただくと、これはROSをサポートしています。ですからROSのロボットであれば、どれでもそれと通信できます。そして私たちはAPIも利用可能にしています。もしROSをサポートしていないのであれば、カスタムのラッパーを書くことができます。プラットフォームのオープンさが、こうした通信のブリッジを作ることを可能にしているのです。もちろん私たちはMQTTやROS、その他のインターフェースといった標準的なものをサポートしていますが、皆さんのニーズに合わせて拡張することもできます。
Amit： そして私たちが行っているもう一つのことが、Open USDです。これはご存じかどうかわかりませんが、私たちが世界中のパートナーと協力して取り組んでいる標準です。あらゆる物理的なオブジェクトが、自身のデジタルコピーを持てるようにし、それをシミュレーションやテストのためのデータ生成に使えるようにするものです。これはオープンな標準で、もともとはPixarが始めたものですが、Siemens、Googleのintrinsic、Foxconnなど、多くの大手産業プレイヤーが皆その一員となり、貢献しています。これによって私たちは皆、シミュレーションに使えるデジタルツインを手にできるのです。そして、いったんデジタルツインの標準ができれば、すべてをつなぎ合わせてシミュレーションを行えるようになります。
質問者（量子コンピューティングについて）： 量子と、この特定のフィジカルAIの可能性や統合について、あなたのプランやビジョンは何でしょうか。
Amit： はい、量子コンピューティングにはもちろん多くの利点があります。私たちはこの分野でエコシステムと積極的に協力し、アクセラレーテッド・コンピューティングと量子コンピューティングを組み合わせることで、今日可能なよりも多くのコンピュートを必要とする問題のいくつかをどう解けるか、検討しています。本当に難しいシミュレーションの問題がいくつかあります。たとえば工場全体を粒子スケールでシミュレーションすることを考えると、今日の技術ではそれはできません。ですから私たちは、その技術が利用可能になるにつれて、それがさらに何を解き放てるのかを見ているところです。
質問者（宇宙ロボティクスについて）： お尋ねしたいのは、現在のエッジのコンピュートは、宇宙ロボティクスの需要を支える準備ができているのか、ということです。市場があると見ているのですが、これまでの話はすべて地球上のアプリケーションでしたので。
Amit： はい、答えはイエスです。今日、国際宇宙ステーションには、マルチスペクトル画像を取得しているジェットやデバイスがあります。想像してみてください。そうした衛星データをすべて集めて、洞察を得るために地上にストリーミングしなければならないとしたら、それは非常に非効率です。ですから私たちには、今日キューブサット（超小型衛星）を持ち、多くの解析を行っているパートナーがいます。次の波はおそらく、私たちがクラウドに持っているようなインフラが、AIコンピューティングのために宇宙のインフラになっていく、というものになるでしょう。ですからエッジの側では、こうしたキューブサットや、解析を行える堅牢化された環境を通じて、私たちは今まさにデプロイメントを行っているのです。
10.2 ROI・ロボット形態・製造対応・データ・エコシステム
質問者（投資家、ROIについて）： 私はスタートアップへの投資家です。よくある質問なのですが、もしフィジカルAIロボティクスを一般的なユースケースに持ち込まなければならないとして、たとえば私はスチームアイロンがけを行う会社に投資していて、それを自動化しようとしています。あなたのエコシステムをどう活用すればよいのでしょうか。どれくらいのコストがかかり、こうしたプロジェクトにROIはあるのでしょうか。ぜひガイダンスをいただきたいのですが。
Amit： 詳細はオフラインでお話しできればと思いますが、根本的には、私たちがフィジカルAIのために構築している技術は、ドメインを横断するものです。Cosmosのようなモデルを見ていただくと、それらは皆さんのドメインに必要なものを含む、多種多様なデータソースで訓練されています。そして良い点は、それを皆さん自身のデータでファインチューニングできるということです。ですから皆さんに必要なのは、自分の特定のドメインのためのデータであり、私たちのオープンソースのモデルを使って、その上に自律性を構築できるのです。
Amit： ROIについてですが、ロボティクスのROIは、しばしば非常にサイロ化した形で考えられていて、それがロボティクスの多くの機会を潰してしまっています。過去には、ロボティクスは「コストを改善するもの」として考えられていました。「これを自動化できれば、これをやるのにそれほど多くの労働力は要らなくなる、ではコスト面での私のROIはいくらか」という具合です。しかし、ここ数年で、たとえば製造業における問題は完全に変わりました。今やそれはコストの話ではなく、「いかに素早く自分の生産ラインを変えられるか」という話なのです。顧客から新しい需要が入ってくる、新しい関税が課され、それによって製造の仕方を変える必要が生じる——もしロボティクスがあり、デジタルAIやソリューションがあれば、一夜にして工場の稼働の仕方を変えられるのです。もはやコストの問題ではなく、いかに素早く方向転換できるかという、スピードの問題なのです。もう一つの側面が品質です。ロボットで作る場合の製品と、人手の作業が多く関わる場合とでは、品質が損なわれてしまうことがあります。ですから自動化やフィジカルAIのROIは多面的なのです。いかに素早く構築できるか、応えられる機会は何か、いかに品質を高められるか、そしてもちろん、その過程でコストを下げていくこと——これらすべてから成り立っているのです。
質問者（非ヒューマノイドについて）： 第一原理の観点から言えば、人間の身体がヒューマノイドの形をしているのは生物学的な制約のためであって、機械的な最適化のためではありませんよね。皆さんは、ヒューマノイドではない汎用ロボットも作っているのでしょうか。
Amit： はい、私たちが今持っているGrootモデルを見ると、私たちはヒューマノイドの形態でテストしました。なぜなら、それがあらゆる種類のロボットの複雑性を一つに集約してくれるからです。しかしそれは、特定の産業用ロボットに使えないという意味ではありません。もちろん、そこにも使えます。
質問者（製造面について）： ソフトウェア側は本当に良く見えるのですが、製造側はどうなのでしょうか。市場には大きな需要があり、皆さんはGPUの最良のプロバイダーの一つですが、その将来の需要に応えるために、何か新しく革新したり、行ったりすることはあるのでしょうか。
Amit： Foxconnが私たちのプラットフォームで何をしているか、という例をお話ししましたね。私たちは、まさにこの理由のために、自社のサプライチェーン全体をデジタル化しています。地面を掘り起こす前から、スループットがどうなるのかを知っておく必要があるからです。どうすれば自分たちの製造の効率を最適化し改善できるのか。ですから私たちは、自社のオペレーションを改善するためにも、これらすべての技術を間違いなく使っているのです。
Arin： こんにちは、Amit。私はArinです。私はエゴセントリックデータを生成し、多くのロボティクス企業に何百万時間分も販売しています。今や誰もがエゴセントリックデータを買っていますが、エンボディメント（身体性）のギャップが非常に大きいのです。あなたはそれに対する層状のアプローチについて話されましたが、それでもなお多くのデータの損失が起きています。エゴセントリックデータやあらゆる形のスケール可能なデータから最大限を引き出すための、現在のゴールドスタンダードは何だとお考えですか。
Amit： 研究者がエゴセントリックデータを追求している理由は、第一原理に基づいています。つまり、多くのヒューマノイドが存在する世界においては、シミュレーションから現実へ、というエンボディメントのギャップを埋める最も簡単な方法はヒューマノイドを作ることだ、という前提です。そこには、ヒューマノイドが大量に存在することになるだろう、という仮定があります。今、世界で何が起きているかを見てください。昨年だけで、2万体から3万体ものヒューマノイドが作られました。そして今年は、その桁が一つ増えるでしょう。ですから、もしヒューマノイドのハードウェアを持つことになるのなら、いくらかのエンボディメントのギャップはあるにせよ、エゴセントリックデータが、学習目的でスケールできる最も近いデータである、ということは明らかなのです。これについては私も多くのアイデアがありますので、ぜひオフラインでお話ししましょう。
質問者（エコシステムについて）： 素晴らしいプレゼンテーションでした。私の質問は、あなたはAIの民主化について話されましたが、NVIDIA、Cosmos、すでにあったOmniverse、そして今お話のIsaacプラットフォームを見ると、私たちは30年前にMicrosoftがやったようなエコシステムを作っているのではないでしょうか。誰もがMicrosoft Windowsを使い始めて、それで決まりだった、というように。私は皆さんの戦略的パートナーの一社の一員でもあるのですが、このアップスキリングを行うとき、どれだけの一般的な訓練が必要なのか、どれだけの物理学が必要なのか、どれだけのNVIDIA固有のものが入ってくるのか、本当に気になっているのです。
Amit： 私が「民主化」と言うとき、それはこうしたものすべてがあらゆる開発者にとって利用可能だ、という意味です。なぜNVIDIAがそれを作らなければならなかったのか。それは、他に誰も作っていないからです。私たちは、開発者がアプリケーションを構築できるよう、これが作られる必要のある重要なインフラだと考えています。将来、開発者がロボットのコンピュータをプログラムすることはもうなくなる、ということに私はまったく疑いを持っていません。皆さんはコンピュータのためにコードを書くのではなくなります。誰もがロボットのためにコードを書くようになるのです。そしてそれは、異なる形を取りうります。デジタルのロボットかもしれませんし、物理的なロボットかもしれません。しかし将来、私たちはアプリケーションをすべてロボットのために書くようになるのです。そしてそれを行うためには、こうした基盤的な能力が必要です。ですから私たちの使命は、それを利用可能にすること、オープンソースにすることであり、もし他の誰かが何かをやっているのなら、私たちは喜んでその上に構築させてもらいます。
司会者： 時間切れのようです、申し訳ありません。
Amit： ええ、もう少しだけ残っていますよ。
司会者： どうもありがとうございました。退出される方は、こちらのゲートからお願いします。ありがとうございました。お会いできて光栄でした。