素早いカット割りが多い。Gen-2のようなビデオ生成ツールは一度に数秒のビデオしか生成せず、それをつなぎ合わせる必要があるからだ。

これは混沌としたパーティーシーンには効果的だという。素早いカット割りがテーマに合致する格闘技映画の制作も検討した。

今日の戦略はシンプルです。GPTにUIを貼り付けて、それを「特化」と呼び、ユーザーがその裏側を見ないことを祈るだけです。

ピーター・ティールは『ゼロ・トゥ・ワン』の中で、永続的な企業なら誰もが答えられるべき 7 つの問いを提示しています。

1.エンジニアリングの質問— 漸進的な改善ではなく、画期的なテクノロジーを生み出すことができますか?

2.タイミングに関する質問— 今があなたの特定のビジネスを始めるのに適切な時期でしょうか?

3.独占問題— 小さな市場で大きなシェアを獲得してスタートしますか?

4.人材に関する質問— 適切なチームがありますか?

5.配布に関する質問— 製品を作成するだけでなく、配布する方法はありますか?

6.耐久性の問題— あなたの市場での地位は、10 年後、20 年後に守られるでしょうか?

7.秘密の質問— 他の人が気づかないユニークな機会を見つけましたか?

1800年代、鉱山労働者は大抵赤字だった。裕福になった者はシャベル、宿、デニムを売った。ドットコムバブルの頃はスーパーボウルのCMとドメイン奪取が流行した。今はどうだろう？

AIが登場する以前、NVIDIAはGPU、フレームレート、グラフィックスといったゲーミング企業でした。今でも多くの人がNVIDIAをそう捉えています。しかし、そのようなNVIDIAはもはや存在していません。

GPT-4、Claude、Geminiといった主要モデルのほぼすべてがNVIDIAハードウェア上で学習・提供されています。モデル学習の90%以上がNVIDIAのチップ上で実行されています。推論（レスポンスを生成するプロセス）は、依然として70～80%がNVIDIAの技術によって実現されています。

OpenAIはAzure内のNVIDIAクラスター上で稼働しています。MicrosoftはGPU供給の確保に躍起になっています。AWSはカスタムチップを搭載しているにもかかわらず、主要なワークロードでは依然としてNVIDIAに依存しています。NVIDIAなしではスケールアップは不可能です。

NVIDIAはチップを製造するだけではない。AIサプライチェーンをコントロールしているのだ。ハードウェアからドライバー、CUDAなどのソフトウェアフレームワーク、そしてGPUを展開可能なインフラストラクチャに変えるオーケストレーション層まで、これらは業界で最も静かで絶対的なボトルネックです。

いわゆる「AI 搭載」ツールのほとんどは、OpenAI の API をラップした美しいインターフェースにすぎません。

すっきりとしたUX、スムーズなワークフローで、しかも月額60ドル。

OpenAI APIを直接呼び出せば、ワークフロー全体を再現できます。たった5分、費用は4ドル以下です。コードを書かなくても、ChatGPTに手順を教えてもらえるはずです。

誰でも数セントで再現できるものを、彼らは月額50～100ドルも請求している。単に高すぎるだけでなく、不誠実だ。このビジネスモデルは、ユーザーが実際にはどれほどシンプルなのかを知らないことを前提としている。

これがLLMラッパーという用語の核心です。
これは製品ではなく、偽装なのです。

90 年代後半、ドットコム ブームが熱に浮かされた夢のように展開していくのを見ていました。

トラフィックは収益に等しい

何かの末尾に .com を追加すると、投資家は意欲的な起業家に資金を投じるようになります。

ビジネスモデルを持たないスタートアップ企業がスーパーボウルの広告を購入し、多くの人が一夜にして紙の億万長者になった。

1999年、アルタビスタやエキサイトといった、いずれ消滅する運命にある企業の看板が張り巡らされたオフィスビルを通り過ぎました。2001年までに、それらのビルは空っぽになっていました。

そして今、25年後、私たちは戻ってきました。

ラベルは変わったが、ロジックは変わっていない。「AI搭載」が新しい「.com」だ。スタートアップ企業はラッパーを売り込んでいる。

しかし今回は、自社の基盤となる技術を自社で所有しているふりすらしない企業が多い。

よく見ると、それはトランプの家です。

・ラッパーは OpenAI に依存します。
・OpenAI は Microsoft に依存しています。
・Microsoft には NVIDIA が必要です。
・NVIDIA は、これらすべてを動かすチップを所有しています。

かつては、D-IDによる自動リップシンクと、場合によっては深度推定アニメーションを備えたMidjourneyの画像スライドショーが主流でした。今では、ElevenLabs（最も一般的な音声合成サービス）の音声が主流の、テキスト2ビデオクリップのスライドショーが主流で、やはり不気味な自動リップシンクが使われています。よくある特徴は、8Kの映画のようなショット、ナレーターによるナレーション、SFテーマ、ピクサー風の作品などです。基本的に、これはAI短編映画を作るための最も一般的で簡単な方法です。

2000年代後半にYouTubeが台頭すると、新しいスタイルの動画が登場しました。いわゆる「YouTuber」と呼ばれる人たちが、安価なカメラと友人たちを使って低予算で動画を作り始めました。彼らが動画・映画界にこれほどの永続的な影響を与えるとは、誰も想像していなかったでしょう。誰もが動画を制作し、幅広い視聴者に届けられる可能性が開かれたのです。同時に、編集ソフトウェアや3Dプログラムもより手軽に利用できるようになるようになり、制作可能なメディアの品質がさらに向上しました。

しかし、低解像度のウェブカメラ越しに寝室から話しかけてくる人物の映像には魅力があったものの、ジェネレーティブ・フィルムには往々にして同じようなリアリティは感じられない。もしChatGPTが脚本を書き、Midjourneyがビジュアル化し、RunwayのGen-2でモーションを加え、さらに音声と音楽が自動生成された映像が加わったとして、そこにリアリティは残っているのだろうか？

私たちは、退屈で、ありきたりで、多くの場合、ツールの能力を披露するだけの、動画コンテンツの潮流を目の当たりにしています。サイバーパンクやSFの物語で、ナレーターがどうでもいい細部までくどくどと語ってくれるような作品。ハリウッドやピクサーを模倣したスタイルで、サムネイルでは本格的な映画のような印象を与えますが、すべての動きが、そのシーンが何を伝え、どのような感情を呼び起こすべきかといった知識を全く持たない、予測された動画生成モデルによって作られているのを見て、がっかりするだけです。