見出し画像

NVIDIAの切り札「CUDA」を読む

香川友志

GPU企業をAI・ロボットOS企業に変えた、世界最強エコシステムの正体

はじめに

NVIDIAを語るとき、多くの人はGPUを語ります。

H100、H200、Blackwell、GB200、RTX、DGX、Jetson Thor。
たしかに、NVIDIAのハードウェアは強いです。

しかし、今のNVIDIAの本当の強さは、GPU単体ではありません。

NVIDIAの本当の切り札は、CUDAです。

CUDAとは、単なる開発ツールではありません。
GPUを「画像を描くための部品」から、「AI、科学計算、データセンター、生成AI、ロボット、自動運転、シミュレーションを動かす計算基盤」へ変えた、NVIDIA最大の発明です。

NVIDIAは1993年、Jensen Huang、Chris Malachowsky、Curtis Priemによって創業されました。最初は、PCゲームや3Dグラフィックスのための半導体企業でした。1999年にはGPUという概念を打ち出し、ゲーム、CG、CAD、映像制作の世界で存在感を高めました。

しかし、NVIDIAの歴史の本当の転換点は、2006年です。

この年、NVIDIAはCUDAアーキテクチャを発表しました。CUDAは、GPUの並列処理能力をグラフィックスの外へ開放し、科学計算、研究、データ処理、そして後のAIに使えるようにした仕組みです。NVIDIAの公式沿革でも、2006年のCUDAは「GPUの並列処理能力を科学と研究に開放した」節目として位置づけられています。

そして今、CUDAは単なるGPUプログラミング環境ではありません。

cuDNN、TensorRT、NCCL、RAPIDS、CUDA-X、Omniverse、Isaac Sim、Isaac Lab、Newton、Warp、Cosmos、Isaac GR00T、MotionBricks、SONIC、Jetson。
ただし、ここは正確に分けて理解する必要があります。

これらのすべてが「CUDAライブラリ」そのものではありません。
OmniverseはOpenUSD、RTX、物理シミュレーション、産業デジタルツインを含む大きなプラットフォームです。Isaac SimはOmniverse上のロボットシミュレーション基盤です。Cosmosは世界モデル、GR00TはVLA、MotionBricksは動作生成AI、SONICは全身制御の基盤モデルです。

しかし、これらの多くは、NVIDIA GPU、CUDA、CUDA-Xライブラリ、TensorRT、RTX、PhysX、Warp、Jetsonと深く結びついています。
つまり、正確には、CUDA単体ではなく、CUDAを中核にしたNVIDIA GPU加速エコシステムの上に、AI・シミュレーション・ロボティクスの各層が積み上がっている、ということです。

つまりNVIDIAの強みは、もはや「GPUが速い」ことだけではありません。

NVIDIAの本当の強みは、CUDAを中心に、世界中の開発者、研究者、AI企業、ロボット企業、クラウド企業、大学、OSSプロジェクトを巻き込んだ巨大なエコシステムです。

NVIDIAは、GPUを売っている会社ではありません。

CUDAという、AI時代の産業OSを売っている会社です。

そして2026年現在、このCUDAエコシステムは、生成AIだけでなく、ヒューマノイドロボット、フィジカルAI、自動運転、産業デジタルツイン、世界モデル、動作生成AIまで広がっています。

この記事では、NVIDIAの創業からGPU、CUDA誕生、AIブーム、CUDA-X、TensorRT、Isaac Sim、Omniverse、Cosmos、GR00T、MotionBricksまでをつなぎ、NVIDIAの本当の切り札であるCUDAエコシステムの正体を読み解きます。

この記事で分かること

  • NVIDIAがGPU企業からAIインフラ企業へ変わった理由

  • CUDAが最初に何を目的として始まったのか

  • CUDA-X、cuDNN、TensorRT、NCCL、RAPIDSが作った強力な堀

  • Omniverse、Isaac Sim、Isaac Lab、Newton、Warpがヒューマノイド開発で果たす役割

  • Cosmos、GR00T、MotionBricks、SONICが示すフィジカルAI時代の方向性

  • 日本企業がNVIDIAのエコシステム戦略から学ぶべきこと

なお、本稿では「CUDAそのもの」と「CUDAを中核にしたNVIDIA GPU加速スタック」を分けて書きます。
この区別がないと、Omniverse、Isaac Sim、Cosmos、GR00T、MotionBricksまでをすべて“CUDAライブラリ”と誤解してしまいます。実際には、それぞれは独立したプラットフォームやモデルですが、NVIDIA GPU、CUDA、TensorRT、RTX、PhysX、Warp、Jetsonと結びつくことで、ひとつの開発者エコシステムとして機能しています。

目次

総論

  1. 結論：NVIDIAの強みはGPUではなくCUDAエコシステムである

第1部　CUDAの誕生――GPUを計算基盤に変えるまで
2. NVIDIA創業――最初はゲームと3Dグラフィックスの会社だった
3. GPUとは何か――CPUとGPUの根本的な違い
4. CUDA前夜――GPUには力があったが、使いにくかった
5. CUDAは何から始まったのか
6. CUDAが革命だった理由
7. CUDAはAIブームより前に作られていた
8. AlexNetがCUDAの運命を変えた

第2部　なぜCUDAは崩れないのか――エコシステムという堀
9. CUDA-X――CUDAを産業別ライブラリ群に拡張した戦略
10. cuDNN、TensorRT、NCCL、RAPIDS――見えない標準化の力
11. PyTorch、TensorFlow時代にCUDAが勝った理由
12. CUDAの本質はエンジニア数である
13. ライブラリは誰が作ったのか――そしてなぜOSSでないのに広がったのか

第3部　CUDAはフィジカルAIへ――ヒューマノイド開発スタック
14. ヒューマノイド開発で「全部CUDAですか？」への正確な答え
15. Omniverse――ロボットが暮らす仮想世界
16. Isaac Sim――ロボットを仮想空間で動かす中核
17. Isaac Lab――強化学習・模倣学習・Sim-to-Realの基盤
18. PhysX、Newton、Warp――接触と摩擦をGPUで扱う
19. Replicator――合成データ生成もNVIDIAスタックへ
20. Cosmos――NVIDIAの世界モデル
21. Isaac GR00T――NVIDIAのVLA、ヒューマノイドの頭脳
22. MotionBricks――NVIDIAの動作生成AI
23. SONIC／GR00T Whole-Body Control――全身制御の基盤モデル化
24. TensorRTとJetson――仮想から実機へ
25. 最新構成：NVIDIAヒューマノイド開発スタックの4層構造

第4部　CUDAは崩せるのか――競争とリスク
26. AMD ROCm、Triton、SYCLはCUDAを崩せるか
27. CUDAエコシステムのリスク

第5部　日本への示唆と結論
28. 日本企業はNVIDIAから何を学ぶべきか
29. 結論：CUDAとは、AI時代のWindowsであり、ロボット時代の産業OSである

付録
30. 参考リンク
31. ハッシュタグ

総論

まず、この記事全体の結論を先に置きます。

1. 結論：NVIDIAの強みはGPUではなくCUDAエコシステムである

最初に結論を書きます。

NVIDIAの本当の強みは、GPUというハードウェア単体ではありません。

NVIDIAの本当の強みは、CUDAを中心にしたソフトウェア、ライブラリ、開発ツール、モデル、シミュレーション、ロボティクス基盤、開発者コミュニティの総体です。

もちろん、GPU性能は重要です。
H100、H200、Blackwell、GB200の性能が強いからこそ、生成AI企業はNVIDIA GPUを買います。

しかし、もしGPUだけが強みなら、AMD、Google TPU、AWS Trainium、Intel Gaudi、中国Ascend、各種AI ASICが性能で追いつけば、NVIDIAの優位は簡単に崩れるはずです。

実際には、そう簡単には崩れません。

理由は、CUDAがあるからです。

CUDAには、20年近くにわたって積み上げられた開発者資産があります。

CUDAを知っているエンジニアがいる。
CUDAで書かれたライブラリがある。
CUDAに最適化されたAIフレームワークがある。
CUDAに最適化された推論エンジンがある。
CUDAを前提にした研究コードがある。
CUDAを前提にしたクラウド環境がある。
CUDAを前提にしたDockerコンテナがある。
CUDAを前提にしたAIスタートアップの開発環境がある。
CUDAを前提にしたロボットシミュレーション環境がある。

NVIDIA自身も、CUDA-Xライブラリ、600万人以上の開発者コミュニティ、約6,000のCUDAアプリケーションを持つと説明しています。

これは単なる数字ではありません。

これは、開発者経済圏です。

Windowsが強かったのは、Windows用アプリと開発者がいたからです。
iPhoneが強いのは、App StoreとiOS開発者がいるからです。
AWSが強いのは、クラウドサービス群とクラウドエンジニアがいるからです。
NVIDIAが強いのは、CUDAアプリとCUDA開発者がいるからです。

つまり、NVIDIAの競争力は半導体ではなく、半導体の上に作られたエコシステムです。

この視点で見ると、NVIDIAの戦略がよく分かります。

NVIDIAは、GPUを売って終わりではありません。

GPUの上にCUDAを作る。
CUDAの上にCUDA-Xを作る。
CUDA-Xの上にcuDNNやTensorRTを作る。
その上にPyTorch、TensorFlow、Hugging Face、NIM、NVIDIA AI Enterpriseを乗せる。
さらにOmniverse、Isaac Sim、Isaac Lab、Newton、Cosmos、GR00T、MotionBricksを乗せる。
そして最後に、Jetsonでロボット実機に載せる。

この全体が、NVIDIAの本当の強さです。

第1部　CUDAの誕生――GPUを計算基盤に変えるまで

NVIDIAはどうやって、GPUを「描画装置」から「計算基盤」へ変えたのか。
創業からCUDA誕生、そしてAlexNetの衝撃までをたどります。

2. NVIDIA創業――最初はゲームと3Dグラフィックスの会社だった

NVIDIAは、最初からAI企業だったわけではありません。

1993年に創業したNVIDIAは、PC向け3Dグラフィックスの会社でした。
当時の主戦場は、ゲーム、マルチメディア、3D描画、映像処理です。

1990年代のPC業界では、CPUが中心でした。
IntelのCPUがあり、Windowsがあり、PCアプリケーションがありました。

その中でNVIDIAは、3Dグラフィックスを高速に処理する専用チップを作りました。

3Dゲームでは、大量のポリゴン、テクスチャ、光、影、ピクセルを計算する必要があります。
これはCPUだけでは重すぎます。

そこで、画像や3D描画に特化した専用プロセッサが必要になりました。

この流れの中で、1999年にNVIDIAはGPU、Graphics Processing Unitという概念を打ち出します。

GPUとは、もともとは「画像を描くためのプロセッサ」でした。

画面上の大量のピクセルを同時に処理する。
3D空間の多数の頂点を同時に計算する。
光や影の計算を大量に処理する。

このために、GPUはCPUとは違う構造になりました。

CPUは、複雑な命令を順番に高速処理するのが得意です。
GPUは、大量の単純計算を同時並列に処理するのが得意です。

当時は、このGPUの並列計算能力が、後にAIの中核になるとは多くの人が予想していませんでした。

しかし、NVIDIAは見抜いていました。

GPUは、画像処理だけでなく、もっと広い計算に使える。
GPUの並列性は、科学計算やデータ処理に使える。
GPUを一般の開発者が使えるようにすれば、CPU中心の計算の世界が変わる。

この発想が、CUDAにつながります。

3. GPUとは何か――CPUとGPUの根本的な違い

CUDAを理解するには、CPUとGPUの違いを理解する必要があります。

CPUは、汎用的な頭脳です。
複雑な判断、分岐、OS制御、アプリケーション処理、逐次処理が得意です。

一方、GPUは大量並列処理の塊です。

CPUが少数の高性能な作業者だとすれば、GPUは大量の作業者が一斉に同じ種類の作業をする工場です。

たとえば、画像処理を考えます。

1枚の画像には、数百万個のピクセルがあります。
各ピクセルに対して、色、明るさ、影、フィルター処理を行います。

これは、各ピクセルに似たような計算を大量に行う処理です。
GPUに向いています。

AIも同じです。

ディープラーニングでは、大量の行列計算を行います。
ニューラルネットワークの学習では、膨大なパラメータに対して同じような演算を繰り返します。

LLMでも、画像生成でも、音声認識でも、ロボットの視覚認識でも、基本には大量の行列計算があります。

つまり、AIはGPUと相性が良かったのです。

ただし、GPUに計算能力があるだけでは不十分でした。

GPUを一般のプログラマーが使えるようにする必要がありました。

そこで登場したのがCUDAです。

4. CUDA前夜――GPUには力があったが、使いにくかった

CUDA以前にも、GPUをグラフィックス以外の計算に使う試みはありました。

これをGPGPU、General-Purpose computing on GPUと呼びます。

物理シミュレーション。
天体計算。
流体計算。
金融工学。
暗号計算。
分子動力学。
医療画像。
映像処理。

これらはGPUに向いている処理でした。

しかし、CUDA以前のGPU計算は非常に使いにくいものでした。

研究者や開発者は、OpenGLやCgのようなグラフィックスAPIを無理やり使い、計算したいデータをテクスチャのように扱い、計算結果を画像処理の出力のように取り出す必要がありました。

つまり、GPUを計算機として使いたいのに、グラフィックス開発者のように扱わなければならなかったのです。

これは、非常に非効率でした。

GPUの中には巨大な並列計算能力がある。
しかし、それを使うには特殊な知識が必要だった。

CUDAは、この問題を解決しました。

CUDAは、GPUを「画像を描く装置」から「C/C++に近い形で扱える並列計算装置」へ変えました。

ここが革命でした。

5. CUDAは何から始まったのか

CUDAは、最初から生成AIのために作られたものではありません。

これは非常に重要です。

今ではCUDAと聞くと、多くの人がAI、LLM、ChatGPT、画像生成、H100を思い浮かべます。

しかし、CUDAが打ち出された2006年当時、今のような生成AIブームは存在していません。

Transformerも、ChatGPTも、Stable Diffusionも、現在のLLMブームもありません。

CUDAの最初の目的は、GPUの並列処理能力を、科学計算、研究、データ集約型計算に開放することでした。

2006年、NVIDIAはCUDAアーキテクチャを発表しました。
2007年6月にはCUDA Toolkit 1.0が公開されました。

CUDAは、Compute Unified Device Architectureの略です。

この名前に、NVIDIAの思想が入っています。

GPUを単なるグラフィックス装置ではなく、統一された計算アーキテクチャとして扱う。
CPUとGPUを協調させる。
GPU上に大量のスレッドを走らせる。
プログラマーが、GPUの並列性を直接扱えるようにする。

つまり、CUDAの原点は、GPUを一般計算に開放することでした。

6. CUDAが革命だった理由

CUDAのすごさは、単にGPUを速く使えるようにしたことではありません。

本当に重要だったのは、GPU計算を「プログラマーの世界」に持ち込んだことです。

CUDA以前、GPU計算は特殊な研究者の技術でした。
CUDA以後、GPU計算はC/C++開発者が学べる技術になりました。

CUDAは、GPU上で計算をどのように分割し、どのようにスレッドを走らせ、どのようにメモリを使い、どのようにCPUとGPUを協調させるかという、並列計算のプログラミングモデルを提供しました。

開発者は、次のような考え方でGPUを使えるようになりました。

CPU側で全体を制御する。
GPU側に大量の並列タスクを投げる。
GPU上の多数のスレッドが同時に計算する。
結果をメモリに戻す。
必要に応じてCPUとGPUを往復する。

今では当たり前に見えますが、当時は大きな変化でした。

CUDAがなければ、GPUはゲーム用チップにとどまっていた可能性があります。

CUDAがあったから、GPUは科学計算の基盤になり、AIの基盤になり、今ではロボットや自動運転の基盤になりました。

7. CUDAはAIブームより前に作られていた

CUDAの歴史で重要なのは、AIブームより先にCUDAが存在していたことです。

2006年にCUDAが発表された時点では、NVIDIAが現在のようなAIインフラ企業になると予想していた人は多くありませんでした。

しかし、NVIDIAはGPUの並列処理能力を科学と研究に開放しました。

初期のCUDA応用例には、N-bodyシミュレーションのような科学計算がありました。

N-bodyシミュレーションとは、多数の物体が互いに力を及ぼし合う現象を計算するものです。
天体の重力計算、分子の相互作用、流体、タンパク質、CG、物理シミュレーションなどに関係します。

ここで重要なのは、これがAIではなかったことです。

しかし、構造はAIに似ています。

大量のデータ。
膨大な行列計算。
同じ演算の繰り返し。
CPUでは時間がかかる並列処理。
GPUに投げれば劇的に速くなる計算。

これは後のディープラーニングそのものです。

CUDAは、AIのために作られたのではありません。
しかし、AIにとって完璧な土台になりました。

8. AlexNetがCUDAの運命を変えた

CUDAの運命を大きく変えたのが、2012年のAlexNetです。

AlexNetは、トロント大学のAlex Krizhevsky、Ilya Sutskever、Geoffrey Hintonらによる深層ニューラルネットワークです。

2012年のImageNet画像認識コンテストで圧倒的な成績を出し、ディープラーニングが世界的に注目されるきっかけになりました。

AlexNetの重要性は、GPUを使えば、大規模なニューラルネットワークを現実的な時間で学習できることを示した点にあります。

それ以前もニューラルネットワーク研究はありました。

しかし、大規模データ、大規模モデル、大量計算を現実的な時間で回すには、計算資源が足りませんでした。

CUDAとGPUが、それを変えました。

ここからNVIDIAは、ゲーム向けGPU企業から、AI研究者の標準インフラ企業へ変わっていきます。

そして、ディープラーニング、生成AI、LLM、AI Factory、フィジカルAI、ロボットへと広がっていきます。

その起点にあったのが、CUDAでした。

第2部　なぜCUDAは崩れないのか――エコシステムという堀

GPUが速いだけなら、いつか追いつかれます。
では、なぜCUDAはそう簡単に崩れないのか。ライブラリ、フレームワーク、開発者、そして「OSSでないのに広がった理由」を見ます。

9. CUDA-X――CUDAを産業別ライブラリ群に拡張した戦略

CUDA単体は、GPUを使うためのプログラミングモデルです。

しかし、すべての開発者がCUDAカーネルを自分で書くわけではありません。

むしろ、多くの開発者はCUDAを直接書きません。

では、なぜCUDAがここまで広がったのか。

理由は、NVIDIAがCUDAの上に、膨大なライブラリ群を積み上げたからです。

それが、CUDA-Xです。

CUDA-Xとは、CUDAの上に構築されたGPU高速化ライブラリ、ツール、技術群です。

ここがNVIDIAの戦略の核心です。

NVIDIAは、GPUを売るだけではありません。
GPUを使うための道具を分野ごとに用意しました。

AI向けにはcuDNN。
推論向けにはTensorRT。
複数GPU通信にはNCCL。
データサイエンスにはRAPIDS。
線形代数にはcuBLAS。
FFTにはcuFFT。
疎行列にはcuSPARSE。
量子シミュレーションにはcuQuantum。
最適化にはcuOpt。
創薬にはBioNeMo。

そして、CUDA-Xの周辺に、さらに大きなNVIDIAソフトウェア群が広がっています。
ロボティクスにはIsaac。
産業デジタルツインにはOmniverse。
物理シミュレーションにはPhysX、Newton、Warp。
世界モデルにはCosmos。
ヒューマノイド向けVLAにはGR00T。
動作生成にはMotionBricks。
実機推論にはTensorRTとJetson。

ここで重要なのは、これらをすべて狭義のCUDA-Xライブラリと呼ぶのではなく、CUDAを中核にしたNVIDIAのAI・シミュレーション・ロボティクス統合スタックとして見ることです。

このように、CUDAは低レイヤーのプログラミングモデルから、産業別ソリューションと開発基盤の集合へ進化しました。

これが、CUDA-Xの意味です。

NVIDIAは、開発者に「GPUを直接使ってください」と言っているだけではありません。

「あなたの分野に必要なGPU高速化ライブラリは、すでにこちらにあります」と言っているのです。

この差が大きいです。

10. cuDNN、TensorRT、NCCL、RAPIDS――見えない標準化の力

CUDAエコシステムの強さは、表に見えるGPUやAIモデルだけではありません。

本当に強いのは、裏側にある標準ライブラリです。

cuDNN

cuDNNは、CUDA Deep Neural Network libraryです。

ディープラーニングで頻繁に使う処理、たとえば畳み込み、Attention、行列積、プーリング、正規化などを、NVIDIA GPU向けに高度に最適化したライブラリです。

PyTorchやTensorFlowを使っている開発者は、普段cuDNNを直接意識していないかもしれません。

しかし、深層学習の計算の裏側では、cuDNNが動いている場面が多いです。

つまり、研究者はPyTorchを書いているつもりでも、実際にはCUDAエコシステムの上で計算していることになります。

TensorRT

TensorRTは、学習済みAIモデルを本番環境で高速に推論するためのNVIDIAの重要ツールです。

TensorRTは、推論コンパイラ、ランタイム、モデル最適化、量子化、レイヤー融合、テンソル融合、カーネルチューニングなどを提供します。

特に重要なのは、TensorRTがCUDA並列プログラミングモデル上に構築されていることです。

つまり、TensorRTもCUDAエコシステムの一部です。

生成AI、画像認識、音声認識、自動運転、ロボット制御、エッジAIでは、学習済みモデルを速く、低遅延で動かす必要があります。

ここでTensorRTが効きます。

NCCL

NCCLは、複数GPU間の通信を高速化するライブラリです。

LLMの学習では、1枚のGPUだけでは足りません。
数百枚、数千枚、数万枚のGPUをつなぎ、巨大なモデルを学習させます。

このとき、GPU同士が高速に通信する必要があります。

NCCLは、分散学習におけるNVIDIAの見えない中核です。

RAPIDS

RAPIDSは、データサイエンスをGPUで高速化するためのオープンソースライブラリ群です。

AIはモデルだけではありません。
データ前処理、特徴量生成、ETL、ログ処理、分析、可視化、評価が必要です。

RAPIDSは、このデータ処理側にもCUDAを広げています。

つまりNVIDIAは、AIの学習だけを押さえているのではありません。

データ準備、学習、推論、最適化、シミュレーション、実機展開まで押さえようとしています。

11. PyTorch、TensorFlow時代にCUDAが勝った理由

現代のAI開発者の多くは、CUDAを直接書きません。

PyTorchを書く。
TensorFlowを書く。
JAXを書く。
Hugging Faceを使う。
vLLMを使う。
Stable Diffusion WebUIを使う。
ComfyUIを使う。
LangChainやLlamaIndexを使う。

しかし、その下ではCUDAが動いています。

ここにNVIDIAの戦略的な強さがあります。

NVIDIAは、AI研究者全員にCUDAを書かせたわけではありません。

PyTorchやTensorFlowなどの上位フレームワークに対応し、その下の最適化層を握ったのです。

これは非常に強い構造です。

アプリ開発者は、NVIDIAを意識しなくてもNVIDIAに乗る。
研究者は、CUDAを直接知らなくてもCUDAの恩恵を受ける。
企業は、NVIDIA GPUを買えば既存のAIスタックが動く。
クラウドは、NVIDIA GPUを入れればAI顧客を呼べる。
学生は、CUDA対応GPUでAIを学び、そのまま企業に入る。

この循環が、CUDAのネットワーク効果を作りました。

そしてネットワーク効果が強くなると、競合はハードウェア性能だけでは勝てなくなります。

AMDが良いGPUを作っても、ROCm対応が十分でなければ開発者は移りません。
専用AIチップが速くても、既存のPyTorchコード、Docker、デバッグ、推論最適化、分散学習、MLOps、ロボットシミュレーションが面倒なら、企業は移りません。

CUDAの強さは、速さだけではありません。

移行しにくさです。

12. CUDAの本質はエンジニア数である

NVIDIAの強みは、GPUの性能だけではありません。

CUDAの本当の強さは、参加しているエンジニアの数です。

NVIDIAは、CUDA-Xライブラリ、600万人以上の開発者コミュニティ、約6,000のCUDAアプリケーションを持つと説明しています。

これは単なるマーケティング数字ではありません。

600万人の開発者がいるということは、次のような意味を持ちます。

大学でCUDAを学ぶ人がいる。
研究室でCUDAを使う人がいる。
AIスタートアップでNVIDIA前提のコードを書く人がいる。
大企業のAI基盤チームがCUDA前提でシステムを作る。
クラウド事業者がNVIDIA GPUを標準メニューにする。
OSSプロジェクトがCUDA対応を優先する。
求人票にCUDA経験者が求められる。
エンジニアが転職してもCUDAの知識を持って移動する。
結果として、CUDA対応がさらに増える。

これがネットワーク効果です。

半導体の性能は、時間が経てば追いつかれる可能性があります。

しかし、開発者コミュニティは簡単には追いつけません。

NVIDIAの堀は、GPUではなくCUDAです。
さらに言えば、CUDAそのものでもなく、CUDAを使う人間のネットワークです。

13. ライブラリは誰が作ったのか――そしてなぜOSSでないのに広がったのか

CUDAエコシステムを見ていると、ひとつの疑問が出てきます。

この膨大なライブラリ群は、全部NVIDIAが作ったのでしょうか。
それとも、世界中の有志が作り上げたのでしょうか。

答えは、「二層構造」で考えると正確です。

中核ライブラリは、NVIDIA自身が作っている

土台にある中核ライブラリは、基本的にNVIDIA自身が作っています。

cuDNN。
cuBLAS。
TensorRT。
NCCL。
cuFFT。
cuSPARSE。

これらは、GPUのハードウェアに合わせて極限まで最適化されています。

そして、その多くはNVIDIAが管理するプロプライエタリな実装です。
CUDA Toolkit、cuBLAS、cuDNN、TensorRT、NCCLなどは、利用者から見れば無料で使いやすい一方、完全なOSSスタックではありません。

ここには、ひとつの逆説があります。

プロプライエタリだからこそ、NVIDIAは自社GPUの世代ごとの内部構造に合わせて、性能を攻めた最適化を素早く入れられました。
一方で、CUDAへの依存が強くなるほど、他社GPUへ移るときのスイッチングコストも高くなります。

その上の層は、世界中が作った

一方、中核ライブラリの上に積み上がった層は、世界中の企業・研究者・有志が作りました。

PyTorch。
TensorFlow。
JAX。
Hugging Face。
vLLM。
無数の研究コード。
ロボティクスのROS連携。
そして、各社のアプリケーション。

これらはNVIDIAではなく、コミュニティがCUDAを土台にして作ったものです。

つまり、NVIDIAが床と柱を作り、世界中がその上に建物を建てた、という関係です。

さらに近年は、中間的なものも増えています。

RAPIDS、Warp、Newton（Google DeepMind・Disney Researchと共同）、cuDNNのオープンソースC++フロントエンド、オープンソースのCV-CUDAなど、NVIDIAと外部が一緒に育てている部分もあります。

なぜOSSでないのに、エコシステムは大きくなったのか

ここで、もうひとつの疑問が出てきます。

CUDAは、OSSではありません。
それなのに、なぜここまで巨大なエコシステムが育ったのでしょうか。

答えは、「OSSであることと、エコシステムが育つことは、別問題だから」です。

まず、いちばん大事な区別があります。

CUDAは「オープンソース」ではありませんが、「無料で誰でも使える」のです。

ソースコードは公開していません。
しかし、ダウンロードも利用も無料です。

多くの開発者は、ソースを読みたいわけではありません。
動いて、速くて、ドキュメントが揃っていればいい。

その意味で、参入障壁は実質ゼロでした。

その上で、いくつかの力が重なりました。

ひとつは、先行投資と時間です。
NVIDIAは2006年から、AIブームが来る何年も前に、ライブラリ・教育・大学プログラムを地道に積み上げました。

ひとつは、性能です。
クローズドだからこそ、自社ハードに密結合した最速の実装を出せた。
速いから皆が選ぶ、という循環です。

ひとつは、フレームワークが最初にCUDA向けに作られたことです。
PyTorchもTensorFlowも、まずCUDA上で最適化された。
だからAI研究の世界全体が、CUDAを標準として固まりました。

そして、ネットワーク効果とスイッチングコストです。
CUDAコードが増えるほど、移行する理由が減り、さらにCUDAコードが増える。
論文の再現にもCUDAが要る。
クラウドはどこもNVIDIA GPUを標準で並べる。
学生はCUDAを学んで、そのまま現場に入る。

これは、WindowsやiPhoneと同じ構図です。

どちらもプロプライエタリですが、巨大なエコシステムを持っています。

OSS（たとえばLinux）は、エコシステムを作る「ひとつの道」にすぎません。
「無料」「手厚い支援」「標準の地位」「高性能」「移行しづらさ」という別の道でも、同じくらい強い経済圏は作れます。

CUDAは、それを証明した例だと言えます。

補足：状況は少しずつ動いている

なお、「CUDAはOSSではない」は、今も基本的に正しいです。

ただし、NVIDIAはすべてを完全に閉じているわけではありません。
2012年には、NVIDIAがLLVM開発者と協力し、CUDAコンパイラ関連の変更をLLVMコアとPTXバックエンドへ提供したと発表しています。つまり、CUDAの中心部はプロプライエタリなままですが、コンパイラ基盤や周辺ツールでは、オープンソース側との接点も持ってきました。

近年は、Warp、Newton、RAPIDS、Isaac Lab、GR00T関連リポジトリ、Cosmosのモデル・コード公開など、ロボティクスやフィジカルAIの周辺領域でも、NVIDIAが一部をオープン化しながらエコシステムを広げる動きが目立ちます。

中核は守りつつ、周辺は開いて開発者を増やす。

この動きも、CUDAエコシステムを読むうえで重要です。

第3部　CUDAはフィジカルAIへ――ヒューマノイド開発スタック

CUDAは今、生成AIを超えて、ヒューマノイドとフィジカルAIへ広がっています。
シミュレーション、世界モデル、VLA、動作生成、実機展開――開発スタックを一段ずつ見ていきます。

14. ヒューマノイド開発で「全部CUDAですか？」への正確な答え

ここからが、この記事の重要な追加部分です。

ヒューマノイドロボットをNVIDIAの環境で開発するとき、必要なシミュレーションは全部CUDAなのでしょうか。

結論から言えば、方向性としてはYESです。

ただし、正確にはこうです。

ヒューマノイドロボット開発に必要な物理シミュレーション、センサーシミュレーション、合成データ生成、強化学習、模倣学習、世界モデル、VLA、動作生成、推論最適化、実機展開は、CUDA単体ではなく、CUDA／RTX／PhysX／Newton／Warp／TensorRT／Omniverse／Isaac／Jetsonを中核にしたNVIDIA GPU加速エコシステム上で動く。

つまり、全部が「CUDAライブラリ名」ではありません。

しかし、計算基盤としてはCUDA圏です。

Isaac SimはOmniverse上で動く。
OmniverseはRTX、GPU物理、OpenUSDを使う。
Isaac LabはGPU加速されたロボット学習を行う。
NewtonはWarpとOpenUSDの上にあるGPU加速物理エンジン。
TensorRTはCUDA並列プログラミングモデル上に構築された推論最適化基盤。
MotionBricksもH100、RTX 5090、TensorRT、Jetson Orinを使う。
GR00TはNVIDIA GPU／Jetsonプラットフォームで動く。
CosmosもNVIDIAハードウェア上で最適化される。

したがって、記事ではこう書くのが正確です。

ヒューマノイド開発におけるNVIDIAの強さは、CUDA単体ではなく、CUDAを中核にしたロボティクス・シミュレーション・推論・実機展開の統合スタックである。

15. Omniverse――ロボットが暮らす仮想世界

ヒューマノイドロボットには、訓練場が必要です。

現実世界でいきなり転ばせる。
人にぶつける。
物を落とす。
工場ラインを止める。
階段で失敗させる。

これは危険であり、コストも高すぎます。

だから、ロボットはまず仮想空間で訓練されます。

NVIDIAでその仮想世界の基盤になるのが、Omniverseです。

Omniverseは、OpenUSDをベースに、産業デジタルツイン、ロボットシミュレーション、物理AI開発、センサーシミュレーション、合成データ生成を行うための基盤です。

ヒューマノイドが動く世界には、床、棚、机、工場ライン、倉庫、照明、カメラ、反射、摩擦、障害物、人間との距離などが必要です。

Omniverseは、この「ロボットが暮らす世界」を作るための土台です。

これを単なる3D CGソフトと見てはいけません。

Omniverseは、NVIDIAがフィジカルAI時代に作ろうとしている、仮想現実の産業基盤です。

16. Isaac Sim――ロボットを仮想空間で動かす中核

Omniverseの上で動くロボットシミュレーション環境が、Isaac Simです。

Isaac Simは、ロボティクスのシミュレーション、テスト、合成データ生成のためのフレームワークです。

ここでは、ロボット本体を読み込み、関節を設定し、カメラやLiDARなどのセンサーを配置し、現実に近い環境で動作を検証できます。

ヒューマノイド開発では、Isaac Simで次のようなことを行います。

歩行テスト。
転倒テスト。
障害物回避。
階段昇降。
棚から物を取る。
箱を運ぶ。
人の近くで安全に動く。
カメラや深度センサーの見え方を再現する。
ロボットが見た映像を使ってAIモデルを訓練する。

Isaac Simは、単なる3D表示ソフトではありません。

ロボットを現実に出す前に、仮想空間で壊し、転ばせ、学習させる場所です。

ここが、フィジカルAI時代の決定的なポイントです。

LLMは、テキストデータで訓練できます。
画像生成AIは、画像とテキストで訓練できます。

しかし、ヒューマノイドは身体を持っています。

身体を持つAIは、物理世界で学習しなければなりません。

その物理世界をデジタル上に作るのが、Isaac Simです。

17. Isaac Lab――強化学習・模倣学習・Sim-to-Realの基盤

Isaac Simがロボットを動かす仮想空間だとすれば、Isaac Labはロボットに動きを学ばせる場所です。

ヒューマノイドロボットでは、歩行、バランス、手先操作、全身制御を人間がすべて手書きで制御するのは困難です。

そこで重要になるのが、強化学習と模倣学習です。

ロボットに歩かせる。
押されても倒れないようにする。
段差を越えさせる。
物を落とさずに持たせる。
両手で作業させる。
狭い場所を通らせる。
未知の環境でも動かせる。

こうしたスキルを、仮想空間内で大量並列に訓練するのがIsaac Labです。

ここでもCUDAの重要性が出てきます。

ロボットの強化学習では、何千、何万もの仮想ロボットを同時に動かし、試行錯誤させることがあります。

CPUだけでは時間がかかりすぎます。

GPUで大量並列に回す必要があります。

つまり、Isaac LabはCUDA的な並列計算の思想と非常に相性が良いのです。

18. PhysX、Newton、Warp――接触と摩擦をGPUで扱う

ヒューマノイドロボットで最も難しいのは、接触です。

足が床に触れる。
手が物体に触れる。
指が滑る。
箱が傾く。
足裏の摩擦が変わる。
重心がずれる。
関節に負荷がかかる。
人や環境と接触する。

これを扱うには、物理エンジンが必要です。

NVIDIAのロボットシミュレーションでは、従来からPhysXが重要な役割を担ってきました。

そして現在、さらに重要になっているのがNewtonです。

Newton Physics Engineは、NVIDIA、Google DeepMind、Disney Researchが開発し、Linux Foundationが管理するオープンソースの拡張可能な物理エンジンです。

Newtonは、NVIDIA WarpとOpenUSDの上に構築され、ロボット学習と開発を前進させるためのGPU加速物理エンジンとして位置づけられています。

Warpは、GPU加速シミュレーションや空間計算のためのPythonフレームワークです。

ロボット開発では、衝突判定、距離計算、接触点計算、点群処理、レイキャスト、関節制約、最適化、微分可能シミュレーションなどが大量に発生します。

これらはGPUと相性が良い処理です。

NewtonとWarpは、ヒューマノイドに必要な「接触知能」を支える基盤になり得ます。

ヒューマノイドは、空中で動くAIではありません。
常に床、物、人、道具と接触します。

その接触をどう学習するか。
その接触のズレをどう現実に近づけるか。
ここがSim-to-Realの核心です。

19. Replicator――合成データ生成もNVIDIAスタックへ

ヒューマノイドロボットには、膨大な視覚データが必要です。

しかし、現実世界でデータを集めるのは大変です。

すべての物体にラベルを付ける。
カメラ画像にアノテーションを付ける。
深度情報を取る。
セグメンテーションを作る。
照明条件を変える。
物体の配置を変える。
背景を変える。

これを人手でやると、時間とコストがかかります。

そこで使うのが、Isaac SimのReplicatorです。

Replicatorは、仮想空間内で合成データを作る仕組みです。

RGB画像。
深度画像。
セグメンテーションマスク。
物体検出用バウンディングボックス。
姿勢推定データ。
ロボット視点のカメラデータ。
危険シーン。
レアケース。
照明違い。
床材違い。
物体配置違い。

こうしたデータを仮想空間で大量に作れることが、フィジカルAIの訓練に効いてきます。

ロボットの世界では、データこそが競争力です。

そしてNVIDIAは、現実データだけでなく、合成データ生成の部分にも入っています。

20. Cosmos――NVIDIAの世界モデル

従来のシミュレーションは、人間が3D環境を作り、物理条件を設定し、ロボットを動かすものでした。

しかし、NVIDIAはさらに先へ進めようとしています。

それが、Cosmosです。

Cosmosは、NVIDIAのフィジカルAI向け世界基盤モデルです。

世界モデルとは、簡単に言えば、AIが物理世界の変化を理解し、予測し、生成するためのモデルです。

ロボットは、単に画像を認識するだけでは不十分です。

「今、何が起きているか」
「次に何が起きそうか」
「自分が動いたら世界がどう変わるか」
「この行動は危険か」
「この物体は倒れるか」
「人が近づいてきたらどう避けるか」

これを理解する必要があります。

2026年6月1日、NVIDIAはGTC Taipei／COMPUTEXでCosmos 3を発表しました。
Cosmos 3は、物理AI向けのフロンティア基盤モデルとして、物理推論、世界生成、行動生成を単一のオープンモデルに統合するものです。

特に重要なのは、Cosmos 3が単なる動画生成モデルではない点です。

NVIDIAの説明では、Cosmos 3はテキスト、画像、動画、音声、行動シーケンスを扱い、Reasoner towerとGenerator towerの2つの構造を持ちます。Reasoner towerは画像、動画、テキストなどを解釈し、物体の相互作用や物理的文脈を理解します。Generator towerは、その理解をもとに未来の観測や行動系列を生成します。

さらに、Cosmos 3にはNanoとSuperがあります。
Nanoは16Bパラメータ級で、ワークステーション級GPU、たとえばRTX PRO 6000クラスでの効率的な推論を狙います。
Superは64Bパラメータ級で、HopperやBlackwellのデータセンターGPUを前提に、より高品質な合成データ生成や高度な物理推論を狙います。

Cosmos 3で重要なのは、次の用途です。

物理世界の理解。
将来状態の予測。
行動条件付き動画生成。
World Action Model、つまり世界行動モデル。
ロボット方策学習。
自動運転のレアケース生成。
倉庫や工場の安全シーン生成。
スマートスペースの監視・推論。
合成データ生成。

つまり、NVIDIAは単にロボットのシミュレータを作っているのではありません。

AIが世界を生成し、行動結果を予測し、ロボットや自動運転の学習に使える世界モデルを作ろうとしています。

これは、従来のIsaac SimやOmniverseによる物理シミュレーションと、生成AIによる世界生成が接続されることを意味します。

物理シミュレーションだけではない。
合成データ生成だけでもない。
世界モデルによって、物理世界そのものをAIが学習・生成・予測する。

この方向に進んでいます。

21. Isaac GR00T――NVIDIAのVLA、ヒューマノイドの頭脳

ヒューマノイドロボットには、世界モデルだけでは足りません。

ロボットは、言葉を理解し、視覚を理解し、実際の行動へ変換する必要があります。

ここで重要になるのが、VLAです。

VLAとは、Vision-Language-Actionの略です。

視覚。
言語。
行動。

この3つを結ぶモデルです。

NVIDIAでVLAに当たる中心技術が、Isaac GR00Tです。

GR00Tは、ヒューマノイドロボット向けの基盤モデルとデータパイプラインの研究・開発プラットフォームです。

2025年に発表されたGR00T N1は、ヒューマノイドロボット向けのオープン基盤モデルであり、Vision-Language-Actionモデルとして説明されています。構造としては、視覚と言語で環境と指示を理解するモジュールと、リアルタイムにモーター行動を生成するモジュールが組み合わされています。

さらに2026年4月には、GR00T N1.7がHugging FaceでEarly Accessとして公開されました。
N1.7は、オープンで商用利用可能なヒューマノイド向けVLAモデルとして説明され、3Bパラメータ級のReasoning VLAモデルです。画像、自然言語指示、ロボットの固有状態を入力し、連続的なロボット行動を出力します。

N1.7で重要なのは、Action Cascadeという構造です。

System 2は、Cosmos-Reason2-2BをバックボーンにしたVision-Language Modelです。
ここでタスク分解や多段階推論を行います。

System 1は、32層のDiffusion Transformerです。
ここで、VLMの出力とロボットの現在状態を使い、具体的なモーターコマンドに落とし込みます。

つまり、GR00Tは単なるLLMではありません。

LLMは言葉を扱います。
VLMは画像と言葉を扱います。
VLAは、画像・言葉・行動を扱います。

ヒューマノイドにはVLAが必要です。

「その箱を取って」
「棚の上に置いて」
「人にぶつからないように運んで」
「落とさないように両手で持って」
「この部品を組み立てて」

こうした指示を理解し、身体運動へ変換する必要があります。

N1.7は、20,000時間超の人間の一人称視点動画を使ったEgoScale事前学習も特徴です。
人間の手元作業や視点映像から、ロボットにとって使える操作の事前知識を学ばせる発想です。

また、N1.7はUnitree G1、YAM双腕マニピュレータ、AGIBot Genie 1などで検証され、Ampere、Hopper、Lovelace、Blackwell、Jetsonプラットフォームをサポートすると説明されています。

ここで見えてくるのは、NVIDIAがロボットの「頭脳」に入ろうとしていることです。

Cosmosが世界を理解・予測する。
GR00Tが言語・視覚・ロボット状態から行動を決める。
MotionBricksやSONICが身体の動きに落とす。
TensorRTとJetsonが実機で低遅延に動かす。

この流れの中で、GR00TはNVIDIAヒューマノイド戦略の中核です。

22. MotionBricks――NVIDIAの動作生成AI

ここで、最近非常に重要になっているのがMotionBricksです。

MotionBricksは、NVIDIA Researchによるリアルタイム動作生成AIです。

まず、整理が必要です。

MotionBricksは、CUDAライブラリ名ではありません。
MotionBricksは、VLAそのものでもありません。
MotionBricksは、世界モデルでもありません。

MotionBricksは、動作生成層です。

NVIDIA ResearchのMotionBricksは、35万以上のモーションクリップを単一のニューラルバックボーンで扱い、15,000FPS、2msレイテンシのリアルタイム動作生成を実現すると説明されています。

さらに重要なのは、MotionBricksがUnreal Engine 5上のキャラクターアニメーションだけでなく、Unitree G1ヒューマノイドロボットにも展開されていることです。

論文では、MotionBricksはUnreal Engine 5のデモとUnitree G1への実機展開を行い、仮想キャラクターアニメーションと物理ロボット制御の橋渡しを示したと説明されています。

実装面でも、NVIDIAエコシステムとの接続が明確です。

学習はH100 GPU上で行われています。
推論ではRTX 5090 GPU上で2msレイテンシ、15,000FPSを達成しています。
Unreal Engine 5側では、モデルをONNXでエクスポートし、TensorRTでC++プラグインにロードしています。
Unitree G1実機では、Jetson OrinプラットフォームとUnitree公式SDKを使い、同じくONNXとTensorRTで実機推論しています。
Jetson Orin上では、計算制約により推論レイテンシは5ms程度に増えると説明されています。

つまり、MotionBricksは「CUDAそのもの」ではありません。

しかし、H100、RTX 5090、TensorRT、Jetson Orinを使っている時点で、NVIDIAのCUDA系推論スタックに乗っています。

したがって、記事ではこう整理するのが正確です。

MotionBricksはCUDAライブラリではない。しかし、NVIDIA GPU、TensorRT、Jetsonを使って学習・推論・実機展開されるため、実質的にはCUDAエコシステム上の動作生成AIである。

MotionBricksの意味は大きいです。

これまでロボットの動作は、個別に設計する必要がありました。

歩行用コントローラ。
旋回用コントローラ。
しゃがむ動作。
物を拾う動作。
座る動作。
ジャンプする動作。
障害物を避ける動作。
物体と接触する動作。
ゲームキャラクターのアニメーション遷移。

これらを個別に作るのは大変です。

MotionBricksは、動作を「生成AI化」しようとするものです。

スマートプリミティブという考え方で、ロコモーションや物体インタラクションを部品のように組み合わせ、自然な動作を生成する。

MotionBricksの公式ページでは、MotionBricksがGR00T Whole-Body Controlの中核的な構成要素になり、motion-generation layer、つまり動作生成層を担うと説明されています。

これは重要です。

GR00Tが「何をするか」を決める。
Cosmosが「世界がどう変わるか」を理解・予測する。
MotionBricksが「どう動くか」を自然なモーションに変換する。
SONICや全身制御ポリシーが「実機で破綻しない身体運動」に落とす。
TensorRTとJetsonが「実機で低遅延に動かす」。

このように、NVIDIAはロボットの頭脳だけでなく、身体の動きそのものも生成AI化しようとしています。

23. SONIC／GR00T Whole-Body Control――全身制御の基盤モデル化

MotionBricksと合わせて見たいのが、SONICです。

SONICは、NVIDIAのGR00T Whole-Body Control関連で公開されている、ヒューマノイド向け全身制御の基盤モデルです。

NVLabsのGR00T Whole-Body Controlリポジトリでは、SONICは大規模な人間動作データからロボットの中核的な運動スキルを学ぶ、humanoid behavior foundation modelとして説明されています。
個別のコントローラを多数作るのではなく、motion trackingをスケーラブルな訓練タスクとして使い、単一の統一ポリシーで自然な全身運動を生成する考え方です。

SONIC論文では、100Mフレーム、約700時間の高品質モーションデータ、42Mパラメータ規模までのスケーリング、そして16／32／128GPUを使った大規模学習が示されています。本文中には「9k GPU hours」と「128GPUで3日、32,000GPU hours」という表記が併存しているため、本稿では細かいGPU時間を単独で断定せず、100Mフレーム級の動作データと大規模GPU学習による全身制御モデルとして整理します。
これは、ヒューマノイド制御でも、LLMやVLAと同じように、データ、モデル、計算量のスケールが効く可能性を示すものです。

ここでの発想は明確です。

従来のロボット制御では、歩行、走行、しゃがむ、這う、操作する、バランスを取る、といった動作を個別に作る必要がありました。

SONICは、これを単一の統一ポリシーで扱おうとします。

自然な全身運動。
歩行。
クロール。
ダイナミックな動作。
VRテレオペレーション。
人間動画からのモーション入力。
VLAモデルとの接続。
上位計画との接続。
C++推論スタックによる実機展開。

これは、ヒューマノイドロボットの身体制御が、従来の制御工学だけでなく、基盤モデル化していくことを意味します。

GR00Tが「視覚・言語・行動」の頭脳側。
Cosmosが「世界を理解・生成・予測する」世界モデル側。
MotionBricksが「自然な動作生成」側。
SONICが「全身制御ポリシー」側。
Isaac LabとNewtonが「物理学習と検証」側。
TensorRTとJetsonが「実機で低遅延に動かす」側。

これらがつながると、NVIDIAが狙うヒューマノイド開発の全体像が見えてきます。

24. TensorRTとJetson――仮想から実機へ

シミュレーションで学習したロボットは、最後に現実世界へ出さなければなりません。

ここで重要になるのが、TensorRTとJetsonです。

ロボットは、クラウドに毎回問い合わせてから動くわけにはいきません。

人が近づいた。
障害物が出た。
物体が滑った。
足元が不安定になった。
視界が変わった。

こうした状況に、リアルタイムで反応する必要があります。

だから、ロボット本体側でAI推論を行う必要があります。

TensorRTは、AIモデルを低遅延・高スループットで動かすための推論最適化基盤です。

Jetsonは、ロボットやエッジAI向けのNVIDIAの組み込みコンピューティングプラットフォームです。

Isaac Simで仮想環境を作る。
Isaac Labで学習する。
Cosmosで世界モデルを使う。
GR00TでVLAを構築する。
MotionBricksやSONICで動作生成・全身制御を行う。
TensorRTで推論を最適化する。
Jetsonで実機に載せる。

この流れが、NVIDIAのフィジカルAIスタックです。

25. 最新構成：NVIDIAヒューマノイド開発スタックの4層構造

2026年時点のNVIDIAヒューマノイド戦略は、4層で整理すると分かりやすいです。

第1層：シミュレーション層

Omniverse。
Isaac Sim。
Isaac Lab。
PhysX。
Newton。
Warp。
Replicator。

ここでは、ロボットが動く仮想世界を作り、歩行、接触、把持、転倒、障害物回避、強化学習、合成データ生成を行います。

第2層：世界モデル層

Cosmos。
Cosmos Reason。
Cosmos 3。
DreamGen／DreamZeroなどのアクション条件付き生成・世界行動モデル研究。

ここでは、現実世界の映像や状況を理解し、未来の状態や行動結果を予測します。

第3層：VLA・行動方針層

Isaac GR00T N1.6。
Isaac GR00T N1.7。
今後のGR00T系列。

ここでは、カメラ、言語指示、ロボット状態を入力に、ロボットが何をすべきかを決めます。

第4層：動作生成・実機制御層

MotionBricks。
SONIC。
GR00T Whole-Body Control。
cuMotion。
Isaac ROS。
TensorRT。
Jetson。

ここでは、実際に身体をどう動かすかを決め、実機で低遅延に動かします。

この4層に加えて、開発・運用面ではNVIDIA NGC、NIM、Dockerコンテナ、クラウドGPU、NVIDIA AI Workbench、各種SDK、ROS 2連携、Jetson開発キットなどが周辺にあります。
つまり、研究コード、シミュレーション、合成データ、学習、推論、実機展開、デプロイまでを、NVIDIAの開発者体験の中に閉じ込めていく構造です。

この4層を見ると、NVIDIAの狙いが明確になります。

NVIDIAはGPUだけを売っているのではありません。

ヒューマノイドロボットが、見る、考える、予測する、動く、失敗する、学習する、実機で動くまでの開発環境そのものを支配しようとしています。

そして、その土台にあるのがCUDAです。

第4部　CUDAは崩せるのか――競争とリスク

ここまで読むと、NVIDIAは無敵に見えます。
では、CUDAは本当に崩せないのか。対抗技術とリスクを冷静に点検します。

26. AMD ROCm、Triton、SYCLはCUDAを崩せるか

CUDAが強すぎるため、当然ながら対抗勢力もあります。

AMD ROCm。
OpenAI Triton。
Intel oneAPI / SYCL。
Google TPU。
AWS Trainium。
各社独自AI ASIC。
中国のAscendなどの国産AIチップ。

世界中のAI企業、クラウド企業、政府、研究機関は、NVIDIA依存を減らしたいと考えています。

GPU価格が高い。
供給が足りない。
クラウドコストが高い。
米中規制で入手できない。
NVIDIAのロードマップに左右される。
CUDAロックインが強すぎる。

こうした不満は確実にあります。

しかし、CUDAを崩すのは簡単ではありません。

理由は、CUDAが単なるコンパイラではないからです。

CUDAは、20年近く積み上がったライブラリ、ツール、ドライバー、教育、ドキュメント、コミュニティ、クラウド、フレームワーク対応、最適化ノウハウの集合体です。

ROCmが改善しても、すべてのAIライブラリ、すべての研究コード、すべての推論エンジン、すべてのロボットシミュレーションが同じように動くわけではありません。

Tritonが普及しても、最終的にNVIDIA GPU上で最高性能を出すには、NVIDIA側の最適化が効きます。

NVIDIAは、対抗技術を単に敵視するだけではありません。

必要なら取り込む。
必要なら最適化する。
必要なら自社GPU上で一番速く動くようにする。

この戦略が非常に強いのです。

27. CUDAエコシステムのリスク

ここまで書くと、NVIDIAは無敵に見えます。

しかし、CUDAエコシステムにもリスクはあります。

1つ目は、ロックインへの反発です。

CUDAは強力ですが、NVIDIA専用です。

企業や国家にとって、NVIDIA依存はリスクです。

特にAIインフラが国家安全保障、金融、医療、製造、軍事、ロボットに関係してくると、特定企業への依存は問題になります。

2つ目は、コストです。

NVIDIA GPUは高価です。

H100、H200、Blackwell、GB200、DGX、AI Factoryは、導入コストが非常に大きいです。

AIの普及が進めば進むほど、GPUコスト、電力コスト、冷却コスト、データセンターコストが問題になります。

3つ目は、電力と供給制約です。

AI Factoryは、GPUだけでは動きません。

電力。
冷却。
HBM。
ネットワーク。
ラック。
データセンター立地。
保守。
運用人材。

これらが必要です。

4つ目は、各国の自国AIチップ政策です。

中国はNVIDIA依存を減らそうとしています。
米国クラウド企業も自社AIチップを開発しています。
日本もAI半導体、Rapidus、国内ロボット基盤を考える必要があります。

ただし、それでもCUDAの壁は高いです。

チップを作ることと、エコシステムを作ることは別です。

半導体は作れても、CUDAのような開発者コミュニティ、ライブラリ、ツール、フレームワーク、教育、クラウド、導入事例を作るのは簡単ではありません。

第5部　日本への示唆と結論

最後に、日本企業がここから何を学べるか。
そして、CUDAとは結局何なのかをまとめます。

28. 日本企業はNVIDIAから何を学ぶべきか

日本企業がNVIDIAから学ぶべきことは、GPUを作れという話だけではありません。

もちろん、AI半導体やロボット基盤の国産化は重要です。

しかし、NVIDIAの本当の強さは、ハードウェアとソフトウェアと開発者を一体で育てたことです。

日本企業は、良いハードウェアを作るのは得意です。

センサー。
モーター。
減速機。
精密加工。
産業機械。
工作機械。
自動車。
ロボットアーム。
FA機器。
医療機器。
材料。
部品。
品質管理。

しかし、NVIDIA型の強さは、そこから一歩進んだところにあります。

ハードウェアを作る。
その上で動くSDKを作る。
開発者が学べるドキュメントを作る。
大学・研究室・スタートアップに使わせる。
標準ライブラリを整備する。
シミュレータを用意する。
クラウドとつなげる。
導入支援企業を育てる。
認定制度を作る。
フォーラムを作る。
コミュニティを作る。
アプリケーション事例を増やす。

この全体がエコシステムです。

日本のフィジカルAIやヒューマノイドロボットに必要なのも、まさにここです。

ロボット本体だけ作っても勝てません。
AIモデルだけ作っても勝てません。
センサーだけ作っても勝てません。
モーターだけ作っても勝てません。

開発者が集まり、部品メーカーが参加し、SIerが導入し、大学が研究し、現場がデータを出し、ソフトウェアが更新され、シミュレーション環境があり、現実世界で安全に検証できる。

そのエコシステムを作らなければ、日本のフィジカルAIは世界で勝てません。

NVIDIAのCUDAは、その意味で最高の教材です。

29. 結論：CUDAとは、AI時代のWindowsであり、ロボット時代の産業OSである

CUDAとは何か。

一言で言えば、AI時代のWindowsです。

もちろん、技術的にはWindowsとは違います。

CUDAはOSではありません。
GPU向けの並列計算プラットフォームであり、プログラミングモデルであり、ライブラリ群であり、開発環境です。

しかし、産業構造上の役割はWindowsに似ています。

Windowsは、PCの標準ソフトウェア基盤になりました。
CUDAは、AI計算の標準ソフトウェア基盤になりました。

Windowsには、開発者が集まりました。
CUDAにも、開発者が集まっています。

Windows向けアプリが増えるほど、Windows PCは強くなりました。
CUDA向けアプリが増えるほど、NVIDIA GPUは強くなります。

そして今、CUDAは生成AIだけでなく、ヒューマノイドロボットの世界へ広がっています。

Omniverseで仮想世界を作る。
Isaac Simでロボットを動かす。
Isaac Labで強化学習する。
NewtonとWarpで接触と摩擦を扱う。
Replicatorで合成データを作る。
Cosmosで世界モデルを作る。
GR00TでVLAを作る。
MotionBricksで動作を生成する。
SONICで全身制御を基盤モデル化する。
TensorRTで推論を最適化する。
Jetsonで実機に載せる。

この全体が、NVIDIAのCUDAエコシステムです。

NVIDIAの狙いは、GPUを売ることではありません。

ヒューマノイドロボットの開発環境そのものを支配することです。

CUDAはその土台です。

MotionBricks、GR00T、Cosmosは、CUDAエコシステムをフィジカルAI時代へ拡張する最新の武器です。

NVIDIAの切り札は、Blackwellだけではありません。
Rubinだけでもありません。
Jetson Thorだけでもありません。

それらをすべて意味あるものにしている、CUDAです。

NVIDIAを読むとは、CUDAを読むことです。
CUDAを読むとは、AI時代の産業支配の仕組みを読むことです。
そして、CUDAの現在地を読むとは、ヒューマノイドロボット時代の開発基盤を読むことです。

日本がフィジカルAIで勝ちたいなら、ここを見なければなりません。

ロボット本体だけではなく、開発者を集めること。
部品だけではなく、SDKを作ること。
ハードウェアだけではなく、シミュレーション環境を作ること。
個別企業だけではなく、エコシステムを作ること。

NVIDIAがCUDAでやったことは、まさにそれでした。

だから、これからの競争はGPU性能の競争ではありません。

CUDAエコシステムに対抗できる開発者経済圏を、誰が作れるかの競争です。

付録

30. 参考リンク

31. ハッシュタグ

#NVIDIA
#CUDA
#GPU
#生成AI
#フィジカルAI
#ヒューマノイドロボット
#ロボティクス
#IsaacSim
#IsaacLab
#Omniverse
#TensorRT
#cuDNN
#Cosmos
#GR00T
#MotionBricks
#SONIC
#Jetson
#AI半導体
#AIインフラ
#世界モデル
#VLA
#動作生成AI
#日本のAI戦略

いいなと思ったら応援しよう！