量子コンピューティング、AI、ロボティクスの交点における「価値の再整列（value realignment）」は、必要な転換のように感じられます。私たちは（言い換えると投資して）狭いAIや総当たりのLLMに多くの時間を費やしてきましたが、これからの5年間は物理的で文脈に即したインテリジェンスへ明確に向かっています。今年は75のロボティクス企業が、ヒューマノイドロボットをメーカーへ出荷することになります。
「神のような（God-like）」AGIはまだ議論されていますが、2026年のダボス・サミットでの専門家の見解やDeepMindのリーダーたちは、人間レベルの推論を狭い領域で行う初期のAGIシステムが、2年以内に登場するだろうと示唆しています。
量子コンピュータは、AI向けのより効率的な誤り訂正の開発に使われています。2027年までに「大規模定量モデル（Large Quantitative Models：LQMs）」が、科学分野でLarge Language Models（LLMs）に代わり始めるでしょう。
私たちの机の上に「量子コンピュータ」が置かれるのを見ることはないかもしれませんが、QPUs（量子プロセッシングユニット）は、AGIの推論に必要な巨大なワークロードを加速するために、GPUと並んでコプロセッサの役割を果たします。
データセンターの電力需要という課題が、このパズルの大きなピースです。現在の予測は、過大になっている可能性が高いです。というのも、同等の結果を、より少ないトークン数とより少ない計算量で達成できるオープンソースモデルによる大きな効率化の進展が見えているからです。量子センサーやQMLが、ロボティクスにおいてシミュレーションから現実へのギャップを埋め始めるにつれて、「総当たり（brute force）」によるスケーリングの防衛壁は、ただ消えていくのかもしれません。
ロボティクスは「iPhoneの瞬間」を迎えようとしているように見えます。私たちは「トレーニング段階（反復によってロボットが学習する段階）」を過ぎ、文脈ベースの段階へ進んでいます。
新しい量子センサー（マグネトメータや重力計）が、ロボットに「超人的（superhuman）」な感覚を与えています。たとえば2026年の手術用ロボットでは、窒素-空孔（nitrogen-vacancy）の量子センサーを使って神経束をミリメートル精度で検出し、手術によるダメージを90%以上減らします。（私の友人が股関節の置換手術で恩恵を受けましたが、回復はほとんど奇跡のようだったそうです）
シミュレーションから現実へのギャップ：量子機械学習（QML）は、ロボットのトレーニングを最大1000倍まで加速すると期待されています。ロボットは実世界で展開される前に、1晩で何世紀分もの仮想トレーニングを「体験」できるようになりました。
臨床マッサージと体性感覚（ソマティック）ヒーリングに関する私自身の取り組みでは、データフットプリントをゼロにするアプローチへと傾いています。姿勢や呼吸の解析をリアルタイムで行うためにオンデバイスのエッジAIを使うことが、そのレベルの親密さをプライバシーを損なわずに扱う唯一の方法です。プライバシーを犠牲にせずに、人が自分の身体を本当に理解できるようにする低コストのツールを作れる、わくわくする時期です。
量子パワーが成長するにつれ、現在の暗号（RSA/ECC）は脆弱になります。今後5年間は、量子パワーを使うAIと量子耐性のあるセキュリティの間の競争になり、とりわけ金融とエネルギーでその傾向が強まるでしょう。
QPUsとGPUが統合されて科学的発見を加速する仕組みについてのこの動画は、一見の価値があります：https://www.youtube.com/watch?v=K-NhaPAX--U
Mixture-of-Experts（MoE）アーキテクチャの台頭（DeepSeek V3やGPT-4oのようなモデルによって広められた）により、たとえモデルに600B+のパラメータがあったとしても、特定のトークンに対して「発火する（計算に使われる）」のはごく一部（例：37B）にとどまります。
NVIDIA Blackwellのような新しいプラットフォームは、直近2年前のハードウェアよりも、消費電力あたりでトークン出力を50倍多く提供しています。
「トークンあたりのコスト」がゼロに近づくにつれて、消費電力を減らすわけではありません。より多くのトークンを求めるだけです。「1段落の要約」を求めるところから、「コードベース全体、10分の動画、3Dレンダリング」を求めるところへ移行しました。
DCの電力予測が過剰にレバレッジされている、強い主張があります。その理由は2つあります：
「ゴースト・キャパシティ」レース：ハイパースケーラー（Microsoft、Google、Meta）は、1GW+の施設（原子炉の規模）を建設しています。必要だからというより、競合が先にその電力を確保してしまうのを防ぐためです。電力の土地の奪い合い（land grab）です。
オープンソースの破壊（ディスラプション）：中国のDeepSeekやMetaのLlamaのようなモデルは、学習に必要な計算資源の一部で「フロンティア」級の性能に到達できることを証明しました。これにより、大手テック企業が何十億ドルもかけて構築してきた巨大で独自の「学習モート（training moats）」の価値が下がります。
電力需要が“偽”なのではなく、非効率に配分されているのです。量子対応のアルゴリズムや、超効率のオープンソースモデル（中国の研究所から出てきているようなもの）が「インテリジェンス・パー・ワット（知能あたりの電力コスト）」の費用を引き下げ続けるなら、「総当たりのスケール」だけに賭けた企業が、評価額（バリュエーション）が目減りするのを見る可能性が高いでしょう。
「電力バブル」が最初にどこで弾ける（または縮む）のか、みなさんはどう考えていますか？
[link] [comments]
