AI NVIDIA를 구한 세가의 500만 달러, 황이 말하는 AI 시대에 필요한 ‘학습 능력’

[お持て成し]

NVIDIA를 구한 세가의 500만 달러, 황이 말하는 AI 시대에 필요한 ‘학습 능력’ / 8월 6일(목) / TechTarget Japan

(사진: TechTarget Japan)

NVIDIA의 창업자 겸 CEO(최고경영자)인 젠슨 황 씨는 2026년 7월, 스타트업 기업을 지원하는 조직 Y Combinator가 주최하는 행사 “Startup School 2026”에 발표자로 참여. 그는 NVIDIA 창업 초기의 실패와 딥러닝 투자, AI 에이전트, 로보틱스의 미래에 대해 이야기했다.

◇ 젠슨 황이 밝히는 창업 비화
　

현재 NVIDIA는 GPU(Graphics Processing Unit)와 AI용 컴퓨팅 기반을 제공하는 기업으로 알려져 있다. 하지만 황 씨에 따르면, 회사가 창업 당시 선택한 기술은 ‘완전히 잘못된 것이었다’고 한다.

NVIDIA는 1993년에 PC에 3차원 그래픽 처리 기능을 추가해 PC를 게임기처럼 활용할 수 있게 하는 것을 목표로 설립되었다. CPU만으로는 처리하기 어려운 3차원 그래픽을 전용 가속기로 고속화하려는 구상이었다.

회사는 독자적인 알고리즘을 고안하고 이를 기반으로 제품 개발을 진행했다. 하지만 1995년, 채택한 알고리즘과 기술 방식으로는 경쟁력을 갖춘 제품을 구현할 수 없다는 것이 밝혀졌다.

당시 PC용 3차원 그래픽스 시장에는 이미 35~40개 정도가 진입해 있었다고 한다. 기술 방식을 전환하지 않았다면, NVIDIA는 제품을 완성하기 전에 시장에서 탈락할 가능성이 있었다.

문제는 선택한 기술이 잘못됐다는 것만은 아니다. 사내에는 올바른 방식으로 제품을 만들기 위한 지식도 없었다고 한다.

황 씨는 미국의 대형 가전량판점 ‘Fry's Electronics’를 방문해 OpenGL(주)과 그래픽 처리 파이프라인 설계에 관한 교과서를 3권 구입했다. 그 책을 엔지니어에게 넘겨 사내에서 처음부터 기술을 다시 배우게 했다고 한다. 

※ 주: 2D·3D 그래픽을 그리기 위해 GPU를 이용하는, 크로스플랫폼 표준 API

이후 컴퓨터 그래픽스 분야의 핵심 기업이 된 NVIDIA도 처음부터 필요한 지식을 가지고 있었던 것은 아니다. 창업 후 자금을 조달하고, 교과서를 구입하는 단계부터 다시 시작했다는 뜻이다.

◇ 실패를 솔직히 전달하고, 세가로부터 생존 자금을 얻는다
　

창업 초기의 기술적 실패는 세가와의 게임기 개발 프로젝트를 통해 명확해졌다.

NVIDIA는 세가의 ‘세가 새턴’ 후속 게임기용 그래픽 기술을 개발하기 위한 계약을 세가와 체결한 바 있다. 이후 ‘드림캐스트’가 될 게임기 개발과 관련된 계약으로, 금액은 약 1,200만 달러였다고 전해진다.

하지만 NVIDIA가 채택한 기술로는 요구된 제품을 완성할 수 없었다. 황 씨는 일본을 방문해 당시 세가의 경영을 담당하고 있던 이리카와 쇼이치로 씨에게 기술이 제대로 작동하지 않아 계약을 이행할 수 없다고 전했다.

또한 세가에는 다른 기업을 선택하도록 권했다. 한편, NVIDIA가 파산을 피하기 위해서는 자금이 필요했기 때문에 계약을 체결하지 못함에도 불구하고 계약금의 일부를 지급해 달라고 요청했다.

그 제안에 대해 세가는 최종적으로 500만 달러를 지급했다. 이 자금이 NVIDIA가 사업을 지속하고 새로운 기술 방식을 개발할 때까지의 시간을 만들었다고 황 씨는 회상한다.

계약을 이행하지 못한 사실을 숨기거나 문제를 미루었다면, 거래처의 신뢰를 완전히 잃었을 가능성이 있다. 하지만 실패 원인을 솔직히 설명하고, 자사보다는 고객에게 적절한 선택지를 제시한 것이 결국 NVIDIA를 구했다.

◇ 기술보다 ‘계속 배우는 능력’이 중요
　

황 씨가 창업 초기의 실패에서 얻은 교훈은 현재 가지고 있는 기술 지식 자체보다 현실을 직시하고 다시 배우는 능력이 중요하다는 것이었다.

기술은 끊임없이 변한다. 현재 올바른 것으로 여겨지는 제품이나 설계 방법도 시장 환경과 계산 방식이 바뀌면 몇 년 후에는 경쟁력을 잃을 가능성이 있다. 따라서 실수를 인정하지 않거나 과거의 기술 선택을 계속 유지하는 것은 위험이 될 수 있다. 기술 방식이 잘못됐더라도, 그 사실을 빨리 깨닫고 새로운 지식을 배우면 방향을 전환할 수 있다.

◇ NVIDIA를 뒷받침한 ‘가속 계산’이라는 근본 사상
　

NVIDIA가 창업 초기 채택한 3차원 그래픽스 기술에는 문제점이 있었다. 한편, 회사를 설립한 근본적인 생각이 옳았다고 황 씨는 설명한다. 그 개념이 바로 ‘가속 계산’(Accelerated Computing)이다.

범용적인 CPU는 다양한 작업에 활용할 수 있지만, 모든 계산을 효율적으로 수행할 수 있는 것은 아니다. 특정 작업에 적합한 가속기를 CPU와 결합하면, CPU만으로는 해결하기 어려운 문제를 고속으로 처리할 수 있다.

NVIDIA의 본질은 단순히 고성능 칩을 만드는 것이 아니다. 특정 알고리즘이 안고 있는 계산상의 문제를 분석하고, 그 영역 전체를 고속화하는 데 있다.

대상이 되는 알고리즘 영역은 3차원 그래픽스에만 국한되지 않는다. 이미지 처리, 유체역학, 분자동역학, 역문제, 딥러닝 등으로 확장되었다.

◇ AlexNet을 ‘이미지 인식 모델’로만 끝내지 않았다
　

NVIDIA가 AI 시장의 중심 기업이 된 배경에는 딥러닝의 가능성을 일찍 포착한 것이 있다.

황 씨도 2012년에 이미지 인식 분야에서 주목받은 신경망 대표 핀러 모델 ‘AlexNet’을 다른 연구자나 기업과 마찬가지로 바라보고 있었다. 다만, 황 씨가 주변과 달랐던 점은 AlexNet을 단순히 고성능 이미지 인식 모델로 보지 않았다는 점이다.

황 씨는 딥러닝을 다양한 함수를 데이터로부터 학습할 수 있는 ‘만능 함수 근사기’(Universal Function Approximator)라고 생각했다. 이미지를 분류하기 위한 기술에 그치지 않고, 기존에 인간이 규칙을 기록하던 소프트웨어 자체의 제작 방식을 바꿀 가능성이 있다고 판단한 것이다.

이 전제를 바탕으로 하면, 영향은 AI 모델에만 국한되지 않는다. 프로세서, 네트워크, 스토리지, 미들웨어, 개발 환경, 애플리케이션까지, 컴퓨팅 기반 전체를 재구축해야 한다.

이에 NVIDIA는 컴퓨터 비전, 로보틱스, 자율주행 등 분야에 조기에 투자했다. 황 씨는 새로운 기술을 볼 때 “이것이 더 발전하면 무엇이 달라질까”, “기존 소프트웨어와 산업에 어떤 영향을 미칠까”라고 계속 질문하는 것이 중요하다고 설명한다.

◇ AI는 업무가 아니라 ‘작업’을 자동화한다
　

AI의 발전으로 소프트웨어 엔지니어와 의사 등 직업이 사라질 것이라는 우려가 있다. 이에 대해 황 씨는 AI가 주로 자동화하는 것은 직종 자체가 아니라, 업무를 구성하는 개별적인 작업이라고 설명한다.

하나의 일에는 목적이 있으며, 그 목적을 달성하기 위해 여러 작업이 존재한다. 그 일부가 자동화된다고 해도, 인간이 담당하는 전체 업무가 곧 사라지는 것은 아니다.

예를 들어 소프트웨어 개발에서는 코드 작성 작업이 AI에 의해 자동화되고 있다. 하지만 기업에는 아직 개발에 착수하지 못한 시스템·기능·개선안이 대량으로 남아 있다. 구현에 소요되는 시간과 비용이 낮아지면, 그동안 수익이 맞지 않았던 개발에도 착수할 수 있다. 기업이 실현할 수 있는 구상의 범위가 확대되면서 엔지니어에 대한 수요가 오히려 증가할 가능성이 있다.

의료 분야에서도 AI가 진단 영상을 읽어내는 작업을 지원하면, 의사가 더 많은 환자를 진료할 수 있다. 처리 능력이 향상되면 의료기관이 받아들일 수 있는 환자 수가 늘어나고, 의사와 간호사 등에 대한 수요가 생길 것이라고 한다.

AI는 업무 백로그를 줄이는 동시에 기업과 조직이 가지고 있는 ‘하고 싶은 일’의 범위를 넓힌다. 생산성 향상이 성장을 만들고, 성장이 새로운 고용으로 이어진다는 것이 황 씨의 견해이다.

다만, 같은 직종이라도 역할은 달라진다.

IT 엔지니어에게는 명세서에 따라 코드를 작성하는 능력뿐만 아니라, 어떤 문제를 해결해야 할지 판단하고, AI가 만든 설계와 코드를 평가해 시스템으로서 완성시키는 능력이 요구된다. 

◇ AI 에이전트에는 ‘제어성’이 필요
　

황 씨는 AI 에이전트를 ‘새로운 소프트웨어’로 규정한다. 기존 AI 챗 bot은 사용자의 질문에 답변을 제공하는 것이 주된 역할이었다. AI 에이전트는 메모리와 외부 도구를 활용해 계획을 수립하고, 여러 작업을 자율적으로 진행한다.

이러한 AI를 기업에서 안전하게 활용하기 위해 중요한 것이 ‘제어성’(Controllability)이다.

예를 들어 AI 에이전트가 만든 계획의 일부분을 사람이 수정했을 때, 처음부터 모두 다시 만들지 않고 변경된 부분만 반영하고 나머지를 재생성할 수 있으면 바람직하다.

CAD 데이터라면 하나의 부품이나 연결만 변경한다. 이미지라면 하나의 픽셀이나 영역만 바꾸면 된다. 소프트웨어라면 계획이나 요구사항의 일부를 수정하고, 그 차이를 기반으로 코드와 테스트를 다시 생성한다.

AI가 처음부터 100% 정확할 필요는 없다. 완성도가 80%이면 사람이 나머지 20%를 보완하고, 99%이면 마지막 1%를 수정한다.

중요한 것은 AI에 전적으로 맡기는 것이 아니라, 인간이 처리 내용을 파악하고 필요한 부분에만 개입할 수 있는 것이다. 황 씨는 이 섬세한 제어 능력이 AI 에이전트 보급에 필요한 큰 기술적 진보가 될 것이라고 설명한다.

◇ 단순한 코드 작성보다 ‘시스템 사고(思考)’를 갈고닦는다
　

AI 시대에 필요한 역량으로, 황 씨가 특히 강조하는 것이 ‘시스템 사고’(Systems Thinking)이다.

반도체 설계에서는 트랜지스터와 회로 블록을 배치하는 작업의 대부분이 이미 자동화되어 있다. 소프트웨어 개발에서도 코드 작성 작업을 AI 에이전트에게 맡길 수 있게 된다.

인간에게는 개별 작업을 스스로 수행하는 것보다 시스템 전체를 추상적으로 파악하는 능력이 요구된다.

해결하고 싶은 문제는 무엇인가. 입력과 출력은 무엇인가. 정보는 어디에서 들어와 어디로 흐르는가. 처리 능력, 메모리, 네트워크 중 어느 부분이 제약이 되는지. 어떤 처리를 AI에 맡기고, 어디에서 인간이 판단을 내리는가. 이러한 요소들을 통합해 하나의 시스템으로 성립시키는 능력이 필요하다.

특히 다수의 AI 에이전트가 동시에 동작하는 환경에서는, 단일 AI를 활용하는 능력만으로는 부족하다. 각 에이전트의 역할과 권한을 정의하고, 처리 의존 관계를 정리하며, 실패 시 복구 방법과 책임 소재를 설계할 필요가 있다.

AI가 코드를 작성할 수 있게 될수록, IT 엔지니어에게는 아키텍처, 데이터, 네트워크, 보안, 업무를 가로질러 생각하는 능력이 요구된다.

◇ 전문 지식은 AI를 평가하기 위해서도 필요
　

코드를 작성하는 작업이 자동화된다고 해서 컴퓨터나 프로그래밍을 배울 필요가 없어지는 것은 아니라는 점을 황 씨는 강조한다. 기초 지식이 없으면 AI가 만든 코드나 설계가 올바른지, 안전한지 평가할 수 없기 때문이다.

황 씨는 물리학, 화학, 생물학, 컴퓨터 과학, 컴퓨터 공학 등 어려운 전문 분야는 앞으로도 중요하며, 특히 여러 분야가 교차하는 문제의 가치가 높아질 것이라고 설명한다.

AI는 인간이 어려운 문제에 도전하기 위한 도구이다. 구현에 드는 작업량이 줄어들면, 그동안 규모가 너무 커서 착수하지 못했던 문제에도 도전할 수 있다.

그때 필요한 것은 프로그래밍 언어의 문법을 외우는 것만이 아니다. AI를 사용해 무엇을 만들지 결정하고, 생성물을 평가하며, 여러 AI를 통합하는 능력이다.

◇ ‘얼마나 어렵다고 하는 것인가?’라고 생각한다
　

황 씨는 새로운 기술과 시장에 대처할 때의 자세로 “How hard can it be?”라는 말을 소개한다. ‘얼마나 어려운가’, ‘우선 해보자’라는 의미다.

실제로는 새로운 문제가 예상보다 훨씬 어려운 경우가 많다. 그럼에도 시작하기 전부터 모든 어려움을 상상하면 불안이 커지고 행동하기 어려워진다.

처음에는 낙관적으로 한 걸음 내딛고, 발생하는 문제는 그때그때 대처한다. 모든 고난을 한 번에 극복하려는 것이 아니라, 그날 마주한 과제를 해결하고 다음 날로 나아간다.

이를 위해 필요한 것이 실패와 어려움을 견디며 지속하는 ‘레질리언스’이다. 황 씨는 학습 능력을 ‘최대의 슈퍼 파워’라고 표현한다. 미지의 기술에 직면하더라도 필요한 것을 배우면서 목적지에 도달할 수 있다고 믿는 것이 중요하다고 한다.

◇ 정보시스템 담당자와 IT 엔지니어에게 필요한 학습
　

정보시스템 부서 담당자와 IT 엔지니어가 수년 후 주류가 될 AI 제품이나 개발 방법을 정확히 예측하기는 어렵다.

따라서 특정 제품의 조작 방법만을 익히는 것이 아니라, 전제의 변화를 인식하는 능력, 미지의 기술을 배우는 능력, 시스템 전체를 설계하는 능력을 갈고닦아야 한다.

AI가 코드를 작성하는 시대가 와도, 인간이 맡아야 할 일은 남는다. 풀어야 할 문제를 선택하고, 제약 조건을 정리하며, AI와 인간을 결합해 시스템으로 구현하는 일이다.

구현 제약이 AI에 의해 작아질수록, ‘무엇을 구현해야 할지’를 결정하는 인간의 판단이 그 어느 때보다 중요해진다.

본 논문은 Y Combinator가 2026년 7월 27일에 공개한 영상 “Jensen Huang: The Mindset That Built NVIDIA”를 기반으로 작성되었습니다.

TechTarget Japan

NVIDIAを救ったセガの500万ドル　フアンが語るAI時代に必要な「学ぶ力」

NVIDIAを救ったセガの500万ドル　フアンが語るAI時代に必要な「学ぶ力」（TechTargetジャパン） - Ya

NVIDIAを救ったセガの500万ドル　フアンが語るAI時代に必要な「学ぶ力」/ 8/6(木) / TechTargetジャパン

（写真：TechTargetジャパン）

　NVIDIAの創業者兼CEO（最高経営責任者）であるジェンスン・フアン氏は2026年7月、スタートアップ企業を支援する組織Y Combinatorの主催イベント「Startup School 2026」に登壇。NVIDIA創業初期の失敗やディープラーニングへの投資、AIエージェント、ロボティクスの将来について語った。

ジェンスン・フアンが明かす創業秘話
　現在のNVIDIAは、GPU（Graphics Processing Unit）やAI向けコンピューティング基盤を提供する企業として知られている。しかしフアン氏によると、同社が創業時に選んだ技術は「完全に間違っていた」という。

　NVIDIAは1993年、PCに3次元グラフィックス処理機能を追加し、PCをゲーム機のように利用できるようにすることを目指して創業した。CPUだけでは処理が難しい3次元グラフィックスを専用のアクセラレーターで高速化する構想だった。

　同社は独自のアルゴリズムを考案し、それを基に製品開発を進めた。だが1995年、採用したアルゴリズムと技術方式では競争力のある製品を実現できないことが明らかになった。

　当時、PC向け3次元グラフィックス市場には既に35～40社程度が参入していたという。技術方式を切り替えなければ、NVIDIAは製品を完成させる前に市場から脱落する可能性があった。

　問題は、選んだ技術が間違っていただけではない。社内には、正しい方式で製品を作るための知識もなかったという。

　フアン氏は、米国の大型家電量販店「Fry's Electronics」に出向き、OpenGL（注）やグラフィックス処理のパイプライン設計に関する教科書を3冊購入した。それをエンジニアに渡し、社内で一から技術を学び直したという。

※注：2D・3Dグラフィックスを描画するためにGPUを利用する、クロスプラットフォームの標準API

　後にコンピュータグラフィックス分野の中心企業となったNVIDIAも、最初から必要な知識を持っていたわけではない。創業して資金を調達した後、教科書を購入するところから再出発したということだ。

失敗を正直に伝え、セガから生存資金を得る
　創業初期の技術的な失敗は、セガとのゲーム機開発プロジェクトを通じて明確になった。

　NVIDIAは、セガの「セガサターン」の後継ゲーム機向けのグラフィックス技術を開発する契約をセガと結んでいた。後に「ドリームキャスト」となるゲーム機の開発に関係する契約で、金額は約1200万ドルだったという。

　しかしNVIDIAが採用した技術では、求められた製品を完成させることができなかった。フアン氏は日本を訪れ、当時セガの経営を担っていた入交昭一郎氏に、技術が機能せず契約を履行できないと伝えた。

　さらに、セガには別の企業を選ぶよう勧めた。その一方で、NVIDIAが倒産を避けるためには資金が必要だったため、契約を果たせないにもかかわらず、契約金の一部を支払ってほしいと頼んだ。

　その申し出に対して、セガは最終的に500万ドルを支払った。この資金が、NVIDIAが事業を継続し、新しい技術方式を開発するまでの時間を生んだとフアン氏は振り返る。

　契約を履行できない事実を隠したり、問題を先送りしたりしていれば、取引先の信頼を完全に失っていた可能性がある。しかし、失敗の理由を率直に説明し、自社ではなく顧客にとって適切な選択肢を提示したことが、結果的にNVIDIAを救った。

技術よりも「学び続ける能力」が重要
　フアン氏が創業初期の失敗から得た教訓は、現在持っている技術知識そのものより、現実を直視して学び直す能力が重要だということだった。

　技術は絶えず変化する。現在正しいと考えられている製品や設計手法も、市場環境や計算方式が変われば、数年後には競争力を失う可能性がある。そのため、間違いを認めないことや、過去の技術選択を守り続けることはリスクになり得る。技術方式が誤っていたとしても、その事実に早く気付き、新たな知識を学べれば方向転換できる。

NVIDIAを支えた「加速計算」という根本思想
　NVIDIAが創業初期に採用した3次元グラフィックス技術には課題があった。一方、会社を設立した背景にある根本的な考え方は正しかったとフアン氏は説明する。その考え方が「加速計算」（Accelerated Computing）だ。

　汎用（はんよう）的なCPUは幅広い処理に利用できるが、全ての計算を効率よく実行できるわけではない。特定の処理に適したアクセラレーターをCPUに組み合わせれば、CPUだけでは解くことが難しい問題を高速に処理できる。

　NVIDIAの本質は、単に高性能なチップを作ることではない。特定のアルゴリズムが抱える計算上の問題を分析し、その領域全体を高速化することにある。

　対象となるアルゴリズム領域は、3次元グラフィックスだけではない。画像処理、流体力学、分子動力学、逆問題、ディープラーニングなどへと広がった。

AlexNetを「画像認識モデル」で終わらせなかった
　NVIDIAがAI市場の中心的な企業となった背景には、ディープラーニングの可能性を早い段階で捉えたことがある。

　フアン氏も、2012年に画像認識分野で注目を集めたニューラルネットワークの代表的な深層学習モデル「AlexNet」を他の研究者や企業と同じように見ていた。ただし、フアン氏が周囲と異なっていたのは、AlexNetを単なる高性能な画像認識モデルとして捉えなかった点にある。

　フアン氏は、ディープラーニングをさまざまな関数をデータから学習できる「万能関数近似器」（Universal Function Approximator）だと考えた。画像を分類するためだけの技術ではなく、従来は人間が規則を記述していたソフトウェアの作り方そのものを変える可能性があると判断したのである。

　この前提に立てば、影響はAIモデルだけにとどまらない。プロセッサ、ネットワーク、ストレージ、ミドルウェア、開発環境、アプリケーションまで、コンピューティング基盤全体を作り直す必要がある。

　そこでNVIDIAは、早期にコンピュータビジョン、ロボティクス、自動運転などの分野に投資した。フアン氏は、新しい技術を見た際に「これがさらに進歩したら何が変わるのか」「既存のソフトウェアや産業にどのような影響を与えるのか」と問い続けることが重要だと説明する。

AIは仕事ではなく「タスク」を自動化する
　AIの進化によって、ソフトウェアエンジニアや医師などの仕事が失われるとの懸念がある。これに対してフアン氏は、AIが主に自動化するのは職種そのものではなく、仕事を構成する個別のタスクだと説明する。

　1つの仕事には目的があり、その目的を達成するために複数のタスクが存在する。その一部が自動化されたとしても、人間が担う仕事全体が直ちになくなるわけではない。

　例えばソフトウェア開発では、コードを書くタスクがAIによって自動化されつつある。しかし企業には、開発に着手できていないシステムや機能、改善案が大量に残っている。実装にかかる時間や費用が下がれば、これまで採算が合わなかった開発にも着手できる。企業が実現できる構想の範囲が広がるため、エンジニアの需要がむしろ増える可能性がある。

　医療でも、AIが診断画像を読み取るタスクを支援すれば、医師がより多くの患者を診療できる。処理能力が高まれば医療機関が受け入れられる患者数も増え、医師や看護師などの需要が生まれるという。

　AIは業務のバックログを減らす一方で、企業や組織が抱く「やりたいこと」の範囲を広げる。生産性の向上が成長を生み、成長が新たな雇用につながるというのがフアン氏の見方である。

　ただし、同じ職種であっても役割は変わる。

　ITエンジニアには、仕様書に従ってコードを書く能力だけでなく、どの問題を解くべきかを判断し、AIが生成した設計やコードを評価し、システムとして成立させる能力が求められる。

AIエージェントには「制御性」が必要
　フアン氏は、AIエージェントを「新しいソフトウェア」と位置付ける。従来のAIチャットbotは、ユーザーの質問に対して回答を返すことが中心だった。AIエージェントは、メモリや外部ツールを利用し、計画を立て、複数の処理を自律的に進める。

　こうしたAIを企業で安全に活用する上で重要になるのが「制御性」（Controllability）だ。

　例えばAIエージェントが生成した計画の一部分を人間が修正した際、全てを最初から作り直すのではなく、変更した部分だけを反映して残りを再生成できることが望ましい。

　CADのデータであれば、1つの部品や接続だけを変更する。画像であれば、1つの画素や領域だけを変える。ソフトウェアであれば、計画や要件の一部を修正し、その差分に基づいてコードやテストを生成し直す。

　AIが最初から100％正確である必要はない。完成度が80％なら人間が残りの20％を補い、99％なら最後の1％を修正する。

　重要なのは、AIに全面的に任せることではなく、人間が処理の内容を把握し、必要な部分だけに介入できることだ。フアン氏は、この細かな制御能力がAIエージェントの普及に必要な大きな技術的進歩になると説明する。

単純なコード記述より「システム思考」を磨く
　AI時代に必要な能力として、フアン氏が特に強調するのが「システム思考」（Systems Thinking）だ。

　半導体設計では、トランジスタや回路ブロックを配置する作業の多くが既に自動化されている。ソフトウェア開発でも、コードを書く作業はAIエージェントに任せられるようになる。

　人間には、個別の作業を自分で実行することより、システム全体を抽象的に捉える能力が求められる。

　解決したい問題は何か。入力と出力は何か。情報はどこから入り、どこへ流れるのか。処理能力、メモリ、ネットワークのどこが制約になるのか。どの処理をAIに任せ、どこで人間が判断するのか。こうした要素を統合し、1つのシステムとして成立させる力が必要になる。

　特に多数のAIエージェントが並行して動く環境では、単体のAIを使いこなす能力だけでは足りない。各エージェントの役割や権限を定義し、処理の依存関係を整理し、失敗時の復旧方法や責任の所在を設計する必要がある。

　AIがコードを書けるようになるほど、ITエンジニアにはアーキテクチャ、データ、ネットワーク、セキュリティ、業務を横断して考える能力が求められる。

専門知識はAIを評価するためにも必要
　コードを書く作業が自動化されるからといって、コンピュータやプログラミングを学ぶ必要がなくなるわけではないとフアン氏は強調する。基礎知識がなければ、AIが生成したコードや設計が正しいのか、安全なのかを評価できないからだ。

　フアン氏は、物理学、化学、生物学、コンピュータ科学、コンピュータ工学などの難しい専門領域は今後も重要であり、特に複数の領域が交差する問題の価値が高まると説明する。

　AIは、人間が難しい問題に挑戦するための道具である。実装にかかる作業量が減れば、これまで規模が大き過ぎて着手できなかった問題にも取り組める。

　その際に必要なのは、プログラミング言語の文法を覚えることだけではない。AIを使って何を作るのかを決め、生成物を評価し、複数のAIを統合する能力である。

「どれほど難しいというのか？」と考える
　フアン氏は、新しい技術や市場に向き合う際の姿勢として「How hard can it be?」という言葉を紹介する。「どれほど難しいというのか」「まず取り組んでみよう」という意味だ。

　実際には、新しい問題は予想よりはるかに難しい場合が多い。それでも、始める前から全ての困難を想像すれば、不安が大きくなり、行動できなくなる。

　最初は楽観的に一歩を踏み出し、発生する問題にはその都度対処する。全ての苦難を一度に乗り越えようとするのではなく、その日直面している課題を解決し、翌日に進む。

　そのために必要なのが、失敗や困難に耐えて継続する「レジリエンス」である。フアン氏は、学ぶ能力を「最大のスーパーパワー」と表現する。未知の技術に直面しても、必要なことを学びながら目的地に到達できると信じることが重要だという。

情シスやITエンジニアにとっての学び
　情報システム（情シス）部門の担当者やITエンジニアが、数年後に主流となるAI製品や開発手法を正確に予測することは難しい。

　そのため、特定製品の操作方法だけを身に付けるのではなく、前提の変化を認識する力、未知の技術を学ぶ力、システム全体を設計する力を磨く必要がある。

　AIがコードを書く時代になっても、人間が担うべき仕事は残る。解くべき問題を選び、制約条件を整理し、AIや人間を組み合わせてシステムとして実現する仕事である。

　実装の制約がAIによって小さくなるほど、「何を実現すべきか」を決める人間の判断は、これまで以上に重要になる。

本稿は、Y Combinatorが2026年7月27日に公開した動画「Jensen Huang：The Mindset That Built NVIDIA」を基に作成しました。

TechTargetジャパン