---
title: APOLLO_v8_NVIDIA_global_report
tags: 
author: [Rihito Shibayama](https://image.docswell.com/user/shibayamalicht)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/4JZLL169E3.jpg?width=480
description: APOLLO_v8のデモです
published: April 29, 26
canonical: https://image.docswell.com/s/shibayamalicht/527MRV-2026-04-29-142148
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/4JZLL169E3.jpg)

NVIDIA 特許ポートフォリオ分析
67 技術クラスタと萌芽領域から読み解く現注力・技術シフト
APOLLO
Advanced Patent & Overall Landscape-analytics Logic Orbiter
2026 年 4 月


# Page. 2

![Page Image](https://bcdn.docswell.com/page/YE6WWL2DEV.jpg)

APOLLO
2
目次
本分析の前提 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠5
分析対象 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠5
母集団タイプ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠5
分析の視座 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠5
本分析の範囲と限界 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠5
エグゼクティブサマリー . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠7
KPI ダッシュボード . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠7
NEBULA 環境分析 — NVIDIA を取り巻く外部環境の構造化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠9
1. 本章の視座 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠10
2. 技術ライフサイクルの位置づけ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠10
3. 研究-実装タイムラグ分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠11
4. マクロ環境イベントの影響分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠11
5. 学術ランドスケープ分析（外部補完） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠12
6. 学術クラスタ動態マップ（外部補完） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠12
7. 外部環境からの主要仮説 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠13
8. 環境分析サマリー . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠13
9. ミクロ分析 A: マクロイベント・外部トレンドと対応する代表特許 . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠14
10. 外部環境を踏まえた本対象特許群の今後 1-2 年の展望 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠14
ATLAS 基本統計分析 — NVIDIA 出願動向の時系列構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠16
1. 本章の視座 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠17
2. 出願トレンドの時系列読解 — 3 期構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠17
3. 成長率分析 — CAGR と局所成長率 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠18
4. 技術ライフサイクルステージ判定 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠19
5. 出願人構造の戦略的解釈（単一企業の R&D ポートフォリオ） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠19
6. IPC（技術領域）の多様性評価 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠20
7. 権利ステータス分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠21
8. 市場シナリオと示唆 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠21
9. ミクロ分析 A: ライフサイクル各段階の象徴特許 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠22
10. ミクロ分析 B: 主要技術領域の出願パターン（5 領域） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠23
CORE 分類分析 — NVIDIA の課題と解決手段の構造化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠25
1. 本章の視座 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠26
2. マトリクスの全体構造 — 「その他」過多の意味 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠26
3. 技術 × 課題マトリクスの重点セル分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠27
4. 解決手段 × 課題マトリクスの分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠28
5. 技術課題のギャップ分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠29
6. 「その他」カテゴリの戦略的解釈 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠29
7. クロスモジュール検証 — Saturn V との照合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠30
8. ミクロ分析 A: 重点セルの代表特許（合計 12 件） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠30
9. ミクロ分析 B: 主要技術領域の戦略プロファイル（5 領域） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠31


# Page. 3

![Page Image](https://bcdn.docswell.com/page/GE5MM128E4.jpg)

APOLLO
3
Saturn V TELESCOPE 分析 — NVIDIA R&D ポートフォリオの全体俯瞰 . . . . . . . . . . . . . . . . . . . . . . . . . ⁠33
1. 全体構造の概要 — 67 クラスタとノイズ 34.2% の戦略的解釈 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠34
2. クラスタ規模の階層構造（メガ／ミドル／マイクロ） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠35
3. UMAP 空間の超領域分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠35
4. 超領域間ブリッジの戦略的分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠37
5. ホワイトスペース分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠38
6. バリューチェーン分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠38
7. 主要技術領域の戦略的役割 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠38
8. クラスタ動態マップ分析（4 象限） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠39
9. ノイズ萌芽技術の詳細分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠40
10. 統合的戦略インサイト . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠40
11. クロスモジュール検証 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠41
12. ミクロ分析 A: 超領域別の代表特許 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠41
13. ミクロ分析 B: 主要技術領域の戦略プロファイル（5 領域） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠43
MEGA PULSE 分析 — 動態分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠45
1. 本章の位置づけ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠45
2. 技術領域動態 A: Saturn V クラスタ動態マップ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠45
3. 技術領域動態 B: ATLAS 出願トレンドによる成長期判定 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠45
4. 技術領域動態 C: Explorer 急上昇キーワードによる戦略シフト . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠46
5. 本章のサマリー . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠46
6. 仮想的な「クラスタ別動態 4 象限」の解釈例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠46
7. 本章と分析の目的の照合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠47
8. 補足: 単一企業の R&D ポートフォリオにおける出願人指標の不適用 . . . . . . . . . . . . . . . . . . . . . . . . . ⁠47
9. 本章のサマリー . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠48
10. 技術領域動態 × 外部環境のクロスマッピング . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠48
11. 本対象特許群の動態評価サマリー . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠49
Explorer グローバル共起ネットワーク分析 — NVIDIA 技術語彙の構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠50
1. 本章の視座 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠51
2. ネットワーク全体像 — 密度・3 層構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠52
3. コミュニティ全件詳細 — 7 コミュニティの命名と構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠52
4. ブリッジエッジの偏在分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠54
5. 成長率 × 中心性の 4 象限分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠54
6. ボトルネック分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠56
7. 情報フロー分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠56
8. トレンド時系列分析 — 急上昇キーワードの構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠56
9. 統合的戦略インサイト . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠57
10. クロスモジュール検証 — Saturn V TELESCOPE との照合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠57
11. ミクロ分析 A: コミュニティ別の代表特許 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠58
12. ミクロ分析 B: 急上昇キーワード対応の戦略分析（5 領域） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠59
クロスモジュール統合分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠61
クロス分析 1: キーワード構造 × 技術領域 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠61
クロス分析 2: ノイズ分析 × 外部環境 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠62
クロス分析 3: ルール分類 × AI 分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠63
3 パターンを統合した戦略的解釈 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠64
クロスモジュール検証の限界 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠64


# Page. 4

![Page Image](https://bcdn.docswell.com/page/9729914VJR.jpg)

APOLLO
4
仮説検証サマリー . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠65
H1: データセンタ重心化（強く支持） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠65
H2: 生成 AI 投資の特許反映（強く支持） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠65
H3: 自動運転・ロボティクスの長期戦略化（強く支持） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠66
H4: HPC スタック垂直統合（部分支持） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠66
H5: 中国向け派生製品の特許化遅延リスク（不確定） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠66
仮説検証の総合評価 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠67
戦略的提言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠68
分析結果の総括 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠68
戦略的インプリケーション . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠69
推奨アクション . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠70
設計意図に紐づく観点別の追加考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠71
Action Items . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠71
付録 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠73
A. 分析条件一覧 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠73
B. 用語解説 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠73
C. Web 調査出所一覧 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠74
D. 母集団検索式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠76


# Page. 5

![Page Image](https://bcdn.docswell.com/page/DJY44ZMQ7M.jpg)

APOLLO
5
本分析の前提
分析対象
本分析は、特許データベース Patentfield から検索式 APP:*I"nvidia" で抽出された 5,921 件の特許
（出願期間 1997-2025 年）を対象とする。本対象特許群は NVIDIA 社および nvidia を名称に含む関
連法人（NVIDIA Corp / NVIDIA Holding LLC 等）が出願人・権利者となる特許のファミリー代表特
許である。
母集団タイプ
本対象特許群は単一企業の R&D ポートフォリオである。出願人内訳は、NVIDIA が 5,864 件
（99.04%）、エヌビディア コーポレーション 4 件、DARPA との共同出願 14 件、NVIDIA と個人
発明者の共同出願数件、NVIDIA 譲受前の取得特許（IPWIRELESS、SQUARE 1 BANK、IREADY、
MELLANOX TECHNOLOGIES 等）数十件で構成される。NVIDIA グループ単独で実効的に 99.17%
を占める母集団であり、出願人ベースの競争構造分析（複数出願人を前提とする分散指標 / 競合 4 象
限）は本質的に意味を持たないため、本分析では用いない。
分析の視座
本対象特許群は、単一企業の社内 R&D ポートフォリオとして読み解く。本分析が答えようとする問い
は、NVIDIA 社の技術開発動向を解明し、現在注力している研究開発テーマと今後の技術進化の方向性
（新規事業・技術拡張領域を含む）を特定することである。具体的な切り口として、(a) 現注力領域の同
定、(b) 萌芽・新興領域の検出、(c) 技術シフトの方向性予測の 3 つを重視する。業界・市場関連の汎
用的な解釈表現といった汎用的な業界・市場分析の表現は、本対象特許群が単一企業母集団であるため
使用しない。
本分析の範囲と限界
本対象特許群は Patentfield データベース上で出願人フィールドに「nvidia」を含む特許のファミリー
代表として抽出されたものである。範囲と限界として以下を明示する。第一に、検索式 APP: フィール
ドが「出願人」フィールドのみを参照するか、現権利者を含むかは Patentfield UI 上での仕様確認を要
し、もし出願人のみであれば NVIDIA が M&A で譲受した特許（出願人が元会社、現権利者が NVIDIA）
が漏れている可能性がある。第二に、本対象特許群は Patentfield から取得されたファミリー代表特
許であり、JP / US / WO / EP 等の地域別個別出願の網羅的把握は本分析の射程ではない。第三に、
本対象特許群には NEBULA モジュールでの非特許文献データ（学術論文・ニュース・政策）のうち、


# Page. 6

![Page Image](https://bcdn.docswell.com/page/V7NYY3W2E8.jpg)

APOLLO
6
NVIDIA に関連する学術論文・ニュースのデータセットは含まれておらず、外部環境分析は Web 調査
による補完で構成される。


# Page. 7

![Page Image](https://bcdn.docswell.com/page/YJ9PP9XD73.jpg)

APOLLO
7
エグゼクティブサマリー
Executive Summary
本分析の視座（NVIDIA の現注力領域・萌芽領域・今後の方向性）に即して答えると、本対象特許
群 5,921 件（1997-2025 年、Patentfield）の構造分析から以下の 3 点が明らかになった。
第一に、本対象特許群の現主力は「Compute スタック」
（GPU 演算基盤・高速通信・半導体冷却
電源・SoC・AI/ML モデル中核）であり、Saturn V TELESCOPE 分析の 9 超領域のうち SR-1
+ SR-2 + SR-4 + SR-7 + SR-9 で本対象特許群の半分以上を占める。これは NVIDIA Form
10-K FY2026 の Compute 売上 1,624 億ドル（2 年 CAGR 104.2%）と整合する重心配置
である。
第二に、新興領域として SR-2 AI/ML 中核の生成系（拡散モデル・3D 生成・基盤モデル・VLM）
と SR-5 ロボティクス・物理（Project GR00T / Cosmos / Jetson Thor 関連）が、Saturn V
クラスタ動態 4 象限の「新興」象限 18 クラスタ（395 件）として識別される。これらは現自動
車事業売上 23.5 億ドルに対して特許出願が大きく先行しており、本分析の視座（今後の方向性）
から見て「次の柱候補」として位置付けられる。
第三に、本対象特許群のノイズ 2,026 件（34.2%、
「萌芽・黎明期」
「均一分布」判定）と CORE
分類の「その他」過多（課題 75.5%、解決手段 59.4%）は、本対象特許群が伝統的特許カテゴリ
の枠を越えて新領域への試行的 R&D を継続的に行っていることを示し、Physical AI / 生成 AI /
推論プラットフォーム化の 3 方向シフトの存在を裏付ける。
KPI ダッシュボード
総特許件数
CAGR (全期間)
5,921
21.9%
クラスタ数
67
1997-2025
ノイズ率
34.2%
萌芽・黎明期
Saturn V TELESCOPE


# Page. 8

![Page Image](https://bcdn.docswell.com/page/GJ8DD925JD.jpg)

APOLLO
8
超領域数
成長リーダー
新興クラスタ
急上昇キーワード
9
16
18
15
近接関係由来
1,129 件
395 件
2012-2025 期
主要 IPC
Compute スタック
Physical AI スタック
クロス分析
G06F
約 50%
約 11.5%
3 パターン
SR-3 + SR-5
意味/ノイズ/分類
5,293 件
本対象特許群 比率


# Page. 9

![Page Image](https://bcdn.docswell.com/page/LJLMMW23ER.jpg)

APOLLO
9
NEBULA 環境分析 — NVIDIA を取り巻く外部環
境の構造化
図 1: NEBULA: 特許トレンド構造（マクロイベント整理）
図 2: NEBULA: 特許動向との連動


# Page. 10

![Page Image](https://bcdn.docswell.com/page/47MYY98M7W.jpg)

APOLLO
10
1. 本章の視座
本章は「NVIDIA は今後どの領域に拡張しようとしているか」
「萌芽はどこか」という本分析の視座に照
らし、本対象特許群（5,921 件）を解釈するための外部環境コンテキストを与える章である。NEBULA
モジュールから取得できた特許出願時系列とマクロ環境イベント 30 件、および 事前の Web 調査と
して実施した 5 テーマを統合し、本対象特許群の動きを「NVIDIA 単独の判断」ではなく「外部環境と
の相互作用」として読み解くための土台を整備する。
本セッションでは学術論文データセットおよびニュースデータセットは取得されておらず、NEBULA
ハイプサイクル分析のうち利用可能な情報は特許出願時系列のみであった。このため、Patent /
Academic / News の 3 トレンド比較については、Patent 軸を NEBULA 由来データで構成し、
Academic / News 軸は 事前の Web 調査で得た外部統計（IDC・Gartner・Reuters・NVIDIA Form
10-K 等）を用いた補完を行う。
2. 技術ライフサイクルの位置づけ
本対象特許群の出願件数時系列は、以下の 3 期に明確に区分できる。
期間
年平均件数
対総件数比
フェーズ判定
1997-2010
約 71 件
16.8%
GPU 黎明期: グラフィックス用 ASIC とし
て基本特許を蓄積
2011-2017
約 233 件
27.5%
CUDA 拡張期: 並列計算プラットフォー
ム化に伴う特許化加速、2012-2013 に
1,083 件のピーク
2018-2025
約 444 件
55.7%
生成 AI 本格化期: ニューラルネットワー
ク・自律システムを軸に再加速、2024 年に
731 件の年最大
第 1 期は本対象特許群でも年 100 件未満で推移しており、グラフィックスプロセッサとしての基盤特
許を蓄積していた時期に相当する。第 2 期は CUDA エコシステムが本格化した時期にあたり、本対象
特許群でも 2012 年 493 件 / 2013 年 590 件と単年では 1,000 件規模のピークを形成した。第 3
期はディープラーニングの計算需要が急拡大した時期にあたり、本対象特許群は 2014-2017 年に一
度落ち込んだ後、2018 年以降に再加速している。
外部環境側では、IDC が 2024 年 1,530 億ドル → 2026 年 4,870 億ドルへと AI インフラ支出が
3.2 倍に拡大し、2025-2029 年 CAGR を約 31% と予測している1。本対象特許群の第 3 期の伸び
は、この外部市場拡大と同期しており、研究蓄積→特許化→市場創出という標準的な技術成熟プロセス
の中で「すでに市場創出フェーズ」に位置することを示唆する。
💡 Key Insight
本対象特許群は 2014-2017 年に一旦減速した後、2018 年から CAGR 約 25% で再加速して
いる。これは外部 AI インフラ市場の CAGR +31% とほぼ同調しており、本対象特許群は「研究
先行」ではなく「市場創出と並走」の局面に入っている。本分析の視座（注力領域の同定・新興検
1IDC Worldwide AI Infrastructure Tracker（2026-04-16）


# Page. 11

![Page Image](https://bcdn.docswell.com/page/P7R99G5LE9.jpg)

APOLLO
11
出・方向性予測）に即して言えば、現時点の出願は将来 2-3 年の市場拡大を直接ドライブする実
装層に重心を置いている。
3. 研究-実装タイムラグ分析
学術論文データセットが取得されていないため、本節では Web 調査で得た外部統計と本対象特許群の
挙動を対比して、研究-実装の時間構造を推定する。
第一に、ディープラーニングの基盤論文群（Transformer、ResNet 系、拡散モデル等）は 2017-2020
年に集中的に発表されたが、本対象特許群におけるニューラルネットワーク・機械学習モデル関連キー
ワードの急増は 2019-2023 年に観測される。これは外部学術界のブレイクスルーから本対象特許群
への波及まで、概ね 2-3 年のタイムラグを伴っていることを示唆する。
第二に、生成 AI 分野（言語モデル・拡散モデル・3D 生成）の特許出願は 2022 年以降に本対象特許
群でも顕著となり、2024 年単年で関連特許が 100 件規模に達した。これは ChatGPT 公開（2022
年 11 月）から本対象特許群への反映まで概ね 1-2 年であり、過去の 2-3 年タイムラグから短縮して
いることを示す。本対象特許群の研究-実装サイクルが加速しており、外部研究の波及から本対象特許群
への流入速度が増していることが読み取れる。
第三に、Web 調査で得たマクロイベント（2025/12 SchedMD 買収、2025/9 Intel 株 50 億ドル
投資、CES 2026 Project GR00T / Cosmos / Jetson Thor 発表）は、本対象特許群の最新出願
（2024-2025 年のロボット学習・物理シミュレーション・拡散モデル系）と整合的に動いている。こ
れは本対象特許群のフロントが、すでに発表済みの製品・提携の背後にある R&D 活動として動いてい
ることを示す。
4. マクロ環境イベントの影響分析
本対象特許群の動きを左右した代表的な外部イベントを 7 件整理し、各イベントと本対象特許群の出
願動向の照合を行う。
年
イベント
本対象特許群への影響
2012-2013
CUDA 5.0 / Tesla
本対象特許群でも年 493+590 件の最初のピークを形成。
K20 投入
並列処理基盤の体系的特許化が進行
DGX-1 投入、データ
2018 年以降の再加速の基点。本対象特許群でも H100 /
センタ AI 本格化
A100 系の前駆技術が出願ピーク再形成
ChatGPT 公開、生成
本対象特許群でも 559 件、言語モデル・拡散モデル特許
AI ブーム
が急増
Blackwell B200 /
本対象特許群の 2024 年 731 件は同世代の量産スケール
GB200 量産、3.6M
準備と整合
2017
2022
2024-2025
ユニットバックログ2
2025/04
米国の H20 中国向
本対象特許群への直接影響は限定的だが、後述 B30 中国
け輸出規制強化
向け派生製品の R&D 反映が今後想定される3
2NVIDIA Blackwell B200/GB200 - Tom’s Hardware, FinancialContent (2026-02-05)
3Tom’s Hardware: NVIDIA B30 China-specific Blackwell derivative (2026)


# Page. 12

![Page Image](https://bcdn.docswell.com/page/PJXQQXX67X.jpg)

APOLLO
12
年
イベント
本対象特許群への影響
2025/09
Intel 普通株 50 億ド
本対象特許群の SoC アクセラレータ系クラスタ（クラス
ル投資、x86 SoC へ
タ 1）の延長線上に統合プロダクトの可能性
の RTX チップレッ
ト統合計画
2025/12
SchedMD
買
（Slurm 開発元）
収
HPC ジョブスケジューラまでスタック拡張。本対象特許
群のソフトウェア基盤特許群（クラスタ 50/57/60 等）と
相補関係4
特に 2018 年以降の再加速は、データセンタ向け AI コンピューティングという新ビジネスドメインの
確立と連動しており、本対象特許群の出願ピーク（2024 年 731 件）はこの新ビジネスの量産化フェー
ズと完全に同調している。
5. 学術ランドスケープ分析（外部補完）
本セッションでは学術論文データセットが取得されていないため、Web 調査で得た学術動向の概要を
本対象特許群と対比する形で補完する。
ディープラーニング分野では NeurIPS / ICML / ICLR / CVPR 等の主要会議で 2020 年以降、生成
モデル（拡散モデル・LDM・GAN）、自己教師あり学習、基盤モデル（Foundation Models）、視覚言
語モデル（VLM）、強化学習からの人間フィードバック（RLHF）等の論文数が指数関数的に増加してい
ることが知られている。本対象特許群でも同期間に同様の語彙が急増しており、急上昇キーワード上位
には「ニューラルネットワーク」
「機械学習モデル」
「訓練」
「センサデータ」
「車両」
「言語モデル」
「自
律システム」「データセンタ」「DNN」「推論」が並ぶ。
ロ ボ テ ィ ク ス 分 野 で は 、 Foundation Models for Robotics（ 基 盤 ロ ボ ッ ト 制 御 モ デル ） が
2023-2024 年に学術側で急速に台頭しており、本対象特許群でも CES 2026 で発表された Isaac
GR00T N1.6（VLA モデル）や Jetson Thor（2,070 FP4 TFLOPS）の R&D 反映と思われる特許
群が観察される（クラスタ 19 ロボット学習制御 102 件、クラスタ 18 物理シミュレーション、クラ
スタ 5 生成 AI 分子設計など）5。
なお学術-特許対比の精緻化は学術データ非取得のため省略するが、本対象特許群の急成長領域は学術
側の伸長領域と高い整合性を示している。
6. 学術クラスタ動態マップ（外部補完）
本セッションでは学術クラスタ動態データが存在しないため、本節では Saturn V のクラスタ動態マッ
プ（特許側 4 象限）の結果と、Web 調査で得た学術トレンドを対照することで代替する。
特許側の 4 象限分布は、成長リーダー 16 クラスタ（1,129 件）、新興 18 クラスタ（395 件）、成
熟 18 クラスタ（1,990 件）、ニッチ・衰退 15 クラスタ（381 件）であった。新興クラスタ 18 個
（395 件）は学術側の生成 AI / 基盤モデル / VLM / 物理シミュレーションの伸びと整合的であり、両
者で同方向の成長が観察される。学術で台頭しつつ本対象特許群でも萌芽として扱われている領域は、
今後 2-3 年で成長リーダー象限への昇格が期待される。
4NVIDIA Blog: NVIDIA Acquires Open-Source Workload Management Provider SchedMD（2025-12）
5NVIDIA Newsroom / TechCrunch: NVIDIA’s Project GR00T and Isaac platform updates at CES 2026


# Page. 13

![Page Image](https://bcdn.docswell.com/page/3JK99WWGJD.jpg)

APOLLO
13
特に、本対象特許群のクラスタ 5「生成 AI 分子設計」、クラスタ 7「会話型 AI 応答生成」、クラスタ
16「拡散モデル最適化」、クラスタ 19「ロボット学習制御」は、学術側でも基盤モデル系の伸長と連
動した領域であり、本分析の視座（萌芽検出・方向性予測）から見て注視に値する。
7. 外部環境からの主要仮説
NEBULA データと Web 調査結果から、本対象特許群を読み解くための主要仮説を 5 件導出する。こ
れらは 以降の各モジュール分析章および統合分析章で繰り返し検証する。
1. 仮説 H1（データセンタ重心化）: 本対象特許群は 2018 年以降、データセンタ向け AI コンピュー
ティングを最重点とする方向にシフトしている。NVIDIA Form 10-K FY2026 で開示されたデー
タセンタ売上 1,937 億ドル（2 年 CAGR 101.9%、全社売上比 89.7%）は、本対象特許群のメモ
リ・並列計算・電力・冷却・高速通信領域への集中と整合する。
2. 仮説 H2（生成 AI 投資の特許反映）: 本対象特許群のクラスタ動態 4 象限における新興クラスタ
18 個（395 件）の中には、言語モデル・拡散モデル・生成 AI 関連が含まれており、外部市場の AI
ASIC 競合圧力6に対する差別化として、生成 AI スタック（モデル・推論・配布）への特許投資が加
速している。
3. 仮説 H3（自動運転・ロボティクスの長期戦略化）: 本対象特許群のクラスタ群（[8][24][25][27]
[28][29] の自律走行・[18][19] のロボット）は、NVIDIA 自動車売上 23.5 億ドル（2 年 CAGR
46.7%）の規模に対して特許出願が大きく先行しており、長期オプションとしての投資が顕著であ
る。CES 2026 で発表された Isaac GR00T / Jetson Thor / Cosmos の R&D 拡張と整合する。
4. 仮説 H4（HPC スタック垂直統合）: 2025/12 の SchedMD 買収によるジョブスケジューラ取
得、2025/9 の Intel 株 50 億ドル投資による x86 SoC 統合、CoreWeave への 20 億ドル投
資による Neocloud 需要固定化は、本対象特許群のソフトウェア基盤クラスタ（[50][51][52][57]
[60] 等）と組み合わさって、GPU 単体ではなく「学習・推論・運用全層」のスタックを握る戦略
を示す。
5. 仮説 H5（中国向け派生製品の特許化遅延リスク）: 米国の H20 輸出規制および Blackwell B30
中国向け派生品（GDDR7 採用、性能 80%）に関する R&D は、本対象特許群には現時点で明示的
反映が乏しい。地政学的制約による派生製品ラインの特許戦略は今後 1-2 年で本対象特許群に出現
する可能性がある。
8. 環境分析サマリー
本対象特許群の動きは、外部環境の AI 市場拡大（2024-2029 年で AI インフラ支出が約 6.5 倍）と
高い同期性を示しており、研究先行型ではなく「市場創出と並走する実装層」の特許群と位置づけられ
る。とりわけ 2018 年以降の出願加速はデータセンタ向け AI コンピューティングという新ビジネスド
メインの確立と一体であり、現在の出願ピーク（2024 年 731 件）は Blackwell 世代の量産化（3.6M
ユニットバックログ）と直接対応している。
その一方で、AI ASIC 競合（Google TPU v7 Ironwood / AWS Trainium 3 / Microsoft Maia 200 /
Meta MTIA 300-500）の台頭が 2026 年に加速しており、推論市場における NVIDIA のシェアが将
来低下する可能性がアナリストから示されている。本対象特許群の戦略的意味合いは、単体 GPU の差
6Bernstein, Reuters: AI ASIC market 2028 estimate 60 億ドル相当, 45% CAGR; CNBC, Tom’s Hardware:
hyperscaler custom chip race 2026


# Page. 14

![Page Image](https://bcdn.docswell.com/page/LE3WW115E5.jpg)

APOLLO
14
別化ではなく「ソフトウェア・スケジューラ・ロボティクス・自動運転を含む垂直統合スタック」の特
許化にあると推察される。
本章で導出した 5 仮説（H1-H5）は、後続の Saturn V / Explorer / ATLAS / CORE の各章で繰り返し検
証される。特に Saturn V の新興クラスタ分析、Explorer の急上昇キーワード分析、ATLAS の出願トレン
ド分析は、外部環境イベントとの照合を行う際の主要な参照点となる。
9. ミクロ分析 A: マクロイベント・外部トレンドと対応する代表特許
本対象特許群から、上記マクロイベント・仮説と対応する代表的な特許を 8 件挙げる。各特許は、本対
象特許群の中で当該テーマを象徴する位置づけを持つ。
1. [US2024161221] ストリーミングおよびレイテンシに敏感なアプリケーションのためのセン
サデータの細分化された転送（出願 2022, IPC: G06F 13/24, G06T 1/60, G06T 1/20）— 仮
説 H3 に対応。リアルタイムセンサデータをマルチプロセッサ間で細分転送する技術であり、自動
運転・ロボティクスのリアルタイム推論基盤として位置づけられる。
2. [US2025111112] スタンダードセル設計自動化のためのトランスフォーマモデルベースのクラ
スタリング技術（出願 2024, IPC: G06F 30/323）— 仮説 H4 に対応。EDA 領域への AI 適用で
あり、Siemens との 2026 提携7とも整合する R&D 反映。
3. [US2026101046] ビデオレート制御のための強化学習を使用するコンテンツベースのビデオ
圧縮（出願 2025, IPC: G06N 3, H04N 19）— 仮説 H1 に対応。データセンタからクラウドゲー
ミング・配信領域への AI 適用拡張の典型例。
4. [US2026091494] 微分可能なタスク・アンド・モーション計画に基づくロボット制御のための
技術（出願 2025, IPC: B25J 9, B25J 13）— 仮説 H3 に対応。Project GR00T / Isaac の R&D
中核であり、CES 2026 発表と直結する。
5. [US2026066038] 組成タンパク質生成技術（出願 2025, IPC: G16B 40, G16B 45）— 仮説
H2 に対応。BioNeMo の延長としての生成 AI バイオ応用であり、自社 GPU 上で動かすエンター
プライズ AI ユースケースの拡張。
6. [US2026004526] コンテンツ生成システム及びアプリケーションにおいて潜在拡散モデルを使
用して 3 次元形状を合成すること（出願 2025）— 仮説 H2 に対応。3D 生成 AI（Omniverse）
と直結する。
7. [US2026091502] ロボット操作の失敗を検出し推論するための視覚言語モデル（出願 2025）
— 仮説 H3 に対応。Isaac GR00T N1.6 の VLA モデルと整合的な R&D 反映。
8. [WO2025176009] 液冷コネクタ装置（出願 2025, IPC: G06F 1/20）— 仮説 H1 に対応。
GB200 NVL72（液冷ラック）系の周辺ハードウェア特許。データセンタ重心化を裏付ける。
これら 8 件は本対象特許群 5,921 件の中でも、外部マクロイベント・仮説と直接対応する典型例とし
て位置づけられる。
10. 外部環境を踏まえた本対象特許群の今後 1-2 年の展望
外部環境イベント・Web 調査結果・本対象特許群の最新出願（2024-2025 年）を統合し、本対象特
許群が今後 1-2 年で示す可能性のある変化を 4 つの観点から整理する。
7NVIDIA Newsroom: Siemens-NVIDIA expanded partnership for industrial AI / EDA 2026-01-06


# Page. 15

![Page Image](https://bcdn.docswell.com/page/8EDKKXXY7G.jpg)

APOLLO
15
1. データセンタ向け R&D の継続厚化 — Blackwell B300（Blackwell Ultra、288GB HBM3E、
2025 後半）と Vera Rubin（2026 後半-2027、HBM4、336B トランジスタ、50 PFLOPS FP4）
に向けた特許化が、本対象特許群の SR-1 GPU 演算基盤・SR-7 半導体冷却・SR-4 高速通信の 3
領域で同時進行的に厚化することが見込まれる。
2. Physical AI / Robotics 領域の独立コミュニティ化 — 現時点では Saturn V TELESCOPE 分
析の SR-5 では明確に独立クラスタが形成されているものの、Explorer 共起ネットワーク分析で
は未だ独立コミュニティを形成していない。Project GR00T N1.6 / Cosmos Reason / Jetson
Thor の R&D 反映が継続すれば、Explorer ネットワーク上でも独立コミュニティが形成される可
能性が高い。
3. AI ASIC 競合への垂直統合的応戦 — Google TPU v7 / AWS Trainium 3 / MS Maia 200 /
Meta MTIA 300-500 に対し、NVIDIA は単体 GPU ではなく「Slurm スケジューラ + CUDA +
cuDNN + NCCL + Isaac + Cosmos」の垂直スタック特許化で応戦する戦略を取っており、本対
象特許群の SR-9 SoC・コンパイラ系および G0 API・プログラミング基盤コミュニティの厚化が
予想される。
4. 中国向け派生製品ラインの特許化 — Blackwell B30（GDDR7、性能 80%、中国向け）の R&D が
今後 1-2 年で本対象特許群に明示的に出現する可能性。地政学制約に対応した派生製品ラインの特
許戦略は、本対象特許群の Compute スタック特許群とは別系統で展開されることも想定される。
上記 4 つの展望は、本章で導出した H1-H5 の仮説に基づく短期予測である。統合分析章で他のモジュール分
析と統合し、最終的な戦略的提言として再構成される。


# Page. 16

![Page Image](https://bcdn.docswell.com/page/V7PKKPP2J8.jpg)

APOLLO
16
ATLAS 基本統計分析 — NVIDIA 出願動向の時系
列構造
図 3: ATLAS: 出願件数の時系列推移 (1997-2025)
図 4: ATLAS: IPC ランキング（上位技術領域）


# Page. 17

![Page Image](https://bcdn.docswell.com/page/2JVVV22XJQ.jpg)

APOLLO
17
図 5: ATLAS: 構成比マップ（Treemap）
1. 本章の視座
本章は「NVIDIA は現在どの技術領域に最も注力しているか」「今後どの方向に進化するか」という本
分析の視座に照らし、本対象特許群 5,921 件の出願件数時系列・成長率・技術領域分布を構造的に整
理する。Saturn V TELESCOPE 分析・Explorer グローバル共起ネットワーク分析の文脈整理ツール
として本章の数値を活用する。
2. 出願トレンドの時系列読解 — 3 期構造
本対象特許群の出願件数は 1997 年から 2025 年まで 28 年にわたって追跡可能であり、以下の 3 期
構造として読み解くことができる。
期
期間
年平均件数 / 期合
特徴
計
第 I 期: GPU 黎明
1997-2010
約 71 件 / 994 件
期
グラフィックス処理ユニット用 ASIC 特許の
蓄積期。1997 年の 1 件から年 100 件規模
まで段階的に成長
第 II 期: CUDA 拡
2011-2017
張期
約 233 件 / 1,632
CUDA エコシステム本格化に伴う特許化加
件
速。2012 年 493 件・2013 年 590 件で初
の大規模ピーク（2 年合計 1,083 件）
第 III 期: 生成 AI 本
格化期
2018-2025
約 444 件 / 3,295
ディープラーニング計算需要拡大に伴う再加
件
速。2024 年 731 件で年最大記録を更新
第 I 期は本対象特許群の 16.8% を占め、グラフィックス処理用半導体・SIMT 並列処理基盤・周辺機
器制御等の基本特許を蓄積する局面である。第 II 期は CUDA 5.0 / Tesla K20 / Tegra K1 等の投


# Page. 18

![Page Image](https://bcdn.docswell.com/page/5EGLLRRRJL.jpg)

APOLLO
18
入と並行して特許化が加速し、特に 2012-2013 年に集中的なピークが形成された（2 年合計 1,083
件、本対象特許群の 18.3%）。
第 III 期は本対象特許群の 55.7% を占める最重要期間である。2014-2017 年にかけて 56-153 件の
比較的低水準で推移した後、2018 年以降に再加速し、2018 年 149 件 → 2019 年 264 件 → 2020
年 383 件 → 2021 年 465 件 → 2022 年 559 件 → 2023 年 642 件 → 2024 年 731 件と単調
増加。2025 年は速報値 256 件であり、年途中値であることに留意が必要だが、依然として高水準を
維持している。
総出願件数
対象期間
5,921
28 年
最大年
2024 年
CAGR (全期間)
21.9%
731 件
1997-2025
💡 Key Insight
本対象特許群の 3 期構造において、第 III 期（2018-2025）が全体の 55.7% を占めるという事
実は、NVIDIA の R&D 投資が「直近 8 年で過去 21 年の 1.25 倍を産出」していることを意味
する。本分析の視座（現注力領域）に照らせば、本対象特許群の現在像は実質的にこの第 III 期の
構造によって規定されると言える。
3. 成長率分析 — CAGR と局所成長率
本対象特許群の全期間 CAGR（1997-2025 年、28 年間）は 21.9%/年と算出されている。この値は
「NVIDIA が過去 28 年にわたって年率 21.9% で R&D アウトプットを拡大してきた」ことを示し、極
めて高水準の成長率である。
ただし、CAGR は期間全体の幾何平均成長率であり、内部の不均一性を平均化している点に注意が必
要である。期別の局所 CAGR は以下のように分解できる：
• 第 I 期 (1997-2010): 1 件 → 81 件で年率約 39%/年。低い基線からの急成長。
• 第 II 期 (2011-2017): 145 件 → 62 件で年率 −12%/年（2013 年ピークを含めた変動的局面）。
• 第 III 期 (2018-2024): 149 件 → 731 件で年率 約 30%/年。直近 7 年の加速期。
• 直近 5 年 (2020-2024): 383 件 → 731 件で年率 約 17.5%/年。
第 III 期と直近 5 年の局所 CAGR は依然として高水準であり、本対象特許群の出願ピークアウトは現
時点では観察されない。第 II 期に観測された「2013 年ピーク後の落ち込み」のような循環は、第 III
期では今のところ検出されていない。


# Page. 19

![Page Image](https://bcdn.docswell.com/page/4JQYYVVY7P.jpg)

APOLLO
19
4. 技術ライフサイクルステージ判定
本対象特許群の時系列構造（3 期構造、CAGR 21.9%、再加速期にある）と、Saturn V クラスタ動
態マップの 4 象限分布（成長リーダー 16 / 新興 18 / 成熟 18 / ニッチ衰退 15）を統合すると、本
対象特許群全体は以下のライフサイクルステージにあると判定できる。
ステージ要素
本対象特許群の状態
全体ステージ
成長期後半 — 大規模出願継続中、ピークアウトの兆候なし
テクノロジー S 字曲線
変曲点未達 — 2024 年 731 件は単年最大、減速開始の証拠なし
新規領域開拓
活発 — 新興 18 クラスタ + ノイズ 34.2% で実験的 R&D が継続
既存領域メンテナンス
継続 — 成熟 18 クラスタが本対象特許群の 33.6% を維持
本分析の視座（今後の方向性）に照らせば、本対象特許群はライフサイクル上「既存領域の規模を維持
しつつ、新規領域への投資を継続する成長期後半」に位置すると判定される。第 II 期の 2013 年ピーク
後の落ち込みは、当時のグラフィックス事業からデータセンタ事業への重心シフトに伴う一時的調整
と推察され、現在の第 III 期に同様の調整が再来する明確な兆候は本対象特許群からは確認されない。
5. 出願人構造の戦略的解釈（単一企業の R&D ポートフォリオ）
本対象特許群は単一企業の R&D ポートフォリオであり、上位出願人ランキングは以下の通りで
あった。
順位
出願人
件数
対総件数比
1
NVIDIA
5,864
99.04%
2
DARPA
14
0.24%
3
エヌビディア コーポレーション
4
0.07%
4
DIAMOND MICHAEL B
3
0.05%
4
IPWIRELESS
3
0.05%
4
SQUARE 1 BANK
3
0.05%
4
WIRELESS
3
0.05%
TECHNOLOGY SOLUTIONS
-
その他 23 エンティティ
27
0.46%
合計
30 エンティティ
5,921
100%
第 1 位 NVIDIA が 5,864 件（99.04%）を占め、続く第 3 位「エヌビディア コーポレーション」
（日本
語表記による表記ゆれ）の 4 件を加えると、NVIDIA グループ単独で 5,868 件（99.10%）に達する。
残る 53 件は、(1) DARPA との共同出願、(2) NVIDIA と個人発明者の共同出願（KOROBCHENKO・
ZENG LIZHI・ AN XIANGYANG・ HUANG XIANPENG 等 ）、 (3) NVIDIA 譲 受 前 の 取 得 特 許
（IPWIRELESS / SQUARE 1 BANK / IREADY / MELLANOX TECHNOLOGIES 等）、(4) 共同
研究機関（CALIFORNIA INSTITUTE OF TECHNOLOGY、IAMBIC THERAPEUTICS、LINARES
MEDICAL DEVICES 等）に分類される。


# Page. 20

![Page Image](https://bcdn.docswell.com/page/K74WWMMZE1.jpg)

APOLLO
20
本対象特許群は単一企業の R&D ポートフォリオであるため、本来は複数出願人母集団を想定した分散系指標
は「単一企業」という定義からの当然の帰結であり、これらを業界・市場の汎用的解釈のような汎用的解釈に
転用することはできない。本対象特許群の解釈は、(a) NVIDIA 単独でのテーマ多様性、(b) 共同出願・取得特
許の例外的構造、の 2 軸で行うべきである。
第 2 位 DARPA との共同出願 14 件は、本対象特許群の中で稀少な「外部機関連携」の証拠であり、
米国国防研究関連の R&D に NVIDIA が参画していることを示唆する。DARPA との連携は、自動運
転（DRIVE 系）
・ロボティクス（GR00T 系）
・物理 AI（Cosmos 系）といった本対象特許群の長期戦
略領域と整合する可能性がある。
6. IPC（技術領域）の多様性評価
本対象特許群を IPC メイングループ（カテゴリレベル）で集計すると、以下の上位 20 領域が浮かび
上がる。
順位
IPC
件数
技術領域の解釈
1
G06F
5,293
電気的データ処理（プロセッサ・メモリ・並列計算）
2
G06T
3,419
画像データ処理（レンダリング・画像変換）
3
G06N
1,382
機械学習・人工知能
4
H04N
1,119
画像通信・ビデオ
5
G06V
1,078
画像認識・コンピュータビジョン
6
H04L
865
デジタル情報通信
7
G09G
552
ディスプレイ制御
8
G06K
453
データ認識・記録媒体
9
H01L
402
半導体デバイス
10
G11C
331
情報記憶（メモリ）
11
B60W
327
自律走行車両制御
12
H05K
326
印刷回路・電子機器筐体
13
H04W
278
無線通信ネットワーク
14
G10L
252
音声処理
15
H04B
220
伝送
16
G01S
217
電波・音波測位
17
A63F
217
ゲーム
18
G01R
212
電気的測定
19
G05D
180
非電気変数の制御
20
H03K
179
パルス技術
IPC 分布の上位 5 領域（G06F・G06T・G06N・H04N・G06V）の合計が 12,291 件（出願件数集
計、複数 IPC を持つ特許のため重複あり）と圧倒的シェアを占める。G06F と G06T だけで 8,712
件に達し、本対象特許群の主軸が「データ処理 + 画像処理」にあることが明確に示される。
第 3 位 G06N（機械学習・人工知能）の 1,382 件は、本対象特許群の AI/ML 系特許の集積を表現し、
Saturn V TELESCOPE 分析の SR-2（AI/ML 中核、約 750 件）と整合する。第 11 位 B60W（自


# Page. 21

![Page Image](https://bcdn.docswell.com/page/LJ1YY88DEG.jpg)

APOLLO
21
律走行車両制御）の 327 件は、自動車事業売上 23.5 億ドルに対する R&D 規模感（Saturn V SR-3
自動運転・知覚 約 480 件）と整合する。第 9 位 H01L・第 12 位 H05K の合計 728 件は半導体・
PCB 系であり、Saturn V SR-7（半導体・冷却・電源 約 350 件）と整合する。
💡 Key Insight
本対象特許群の IPC 上位 20 領域は、G06F（プロセッサ）と G06T（画像）を双璧として、G06N
（AI）→ H04N（ビデオ）→ G06V（CV）→ H04L（通信）→ B60W（自動運転）→ H01L（半
導体）→ G10L（音声）と多領域に展開している。本分析の視座（ポートフォリオ構造化）に即し
て言えば、NVIDIA は IPC レベルでも「単一領域企業」ではなく「データ処理を軸に多領域へ拡
張する企業」である。
7. 権利ステータス分析
本対象特許群 5,921 件の権利ステータス分布は以下の通りであった。
権利継続
権利化中
3,281
2,377
55.4%
40.1%
権利不成
権利消滅
166
97
2.8%
1.6%
権利継続 3,281 件（55.4%）+ 権利化中 2,377 件（40.1%）= 5,658 件（95.6%）が現在もアク
ティブな特許群であり、権利不成・権利消滅は合わせて 263 件（4.4%）にとどまる。これは本対象特
許群の特許化成功率が高く、本対象特許群の現時点における実効的な R&D 資産規模が極めて大規模で
あることを示す。
特に第 III 期（2018-2025）は権利化中が支配的であり、2024 年は権利化中 693 件 / 権利継続 38
件と、まだ審査プロセス中の特許が大半を占める。これらは今後 2-4 年で権利継続に移行することが
期待され、本対象特許群の実効資産規模はさらに拡大する見通しである。
8. 市場シナリオと示唆
ATLAS 時系列分析と外部環境イベント（NEBULA 環境分析章）を組み合わせると、本対象特許群が
直面する市場シナリオは以下の 3 通りに整理できる。
1. シナリオ S1: AI ASIC 競合の本格化と推論プレゼンス低下 — Bernstein 試算（AI ASIC 市場
2028 年 600 億ドル、年率 55% 成長）、CNBC 報告（推論ワークロードでの NVIDIA 占有率 2028
年 20-30% 予測）が現実化した場合、本対象特許群の Compute スタック特許群（SR-1 + SR-4
+ SR-7 + SR-9）の差別化価値が試される。本対象特許群が 2024-2025 年に厚く出願している
「ソフトウェア層・スケジューラ・Slurm 統合」
（SchedMD 買収由来）は、このシナリオに対する
垂直統合戦略の特許化と読み取れる。


# Page. 22

![Page Image](https://bcdn.docswell.com/page/GJWGGZZ872.jpg)

APOLLO
22
2. シナリオ S2: Physical AI 市場の本格立ち上がり — Project GR00T / Cosmos / Jetson Thor
の市場立ち上がりが想定通り進めば、本対象特許群の SR-3 自動運転（480 件）+ SR-5 ロボティ
クス（200 件）= 680 件が長期成長ドライバーとなる。Boston Dynamics / Caterpillar / LG /
NEURA Robotics 等のパートナー8がエコシステムを形成すれば、本対象特許群は「Android of
generalist robotics」のレイヤとして機能する。
3. シナリオ S3: 中国市場・地政学リスクの継続 — H20 在庫限定・B30 開発（Blackwell GDDR7
派生）の動きが継続すれば、本対象特許群に中国向け派生製品の特許が今後 1-2 年で出現する可能
性。現時点で本対象特許群にはこの兆候が明示的に観察されない（クラスタ命名・IPC 分布のいず
れにも中国特化の独立構造は見られない）。
9. ミクロ分析 A: ライフサイクル各段階の象徴特許
各期の出願ピーク・象徴的な特許を抽出する。代表特許 12 件である。
第 I 期 (1997-2010): GPU 黎明期
1. [US2007291038] 入力および出力パラメータに基づいてプログラマブルグラフィックス/
オーディオプロセッサを調整するためのシステム、方法、およびコンピュータプログラム製品（出願
2006, IPC: G06T 1）— GPU プログラマビリティの初期特許。CUDA 黎明期の象徴。
第 II 期 (2011-2017): CUDA 拡張期
1. [US2015026438] トークンストレージのための両面キューを使用することによってスレッド
ブロック実行中に発散および同期ポイントを管理するためのシステム、方法、およびコンピュータプ
ログラム製品（出願 2013, IPC: G06F 9/38, G06F 9/30, G06F 9/52）— SIMT 並列処理の中
核。Kepler 世代対応。
2. [US2015116294] データ処理装置の表示ユニット上にレンダリングされるように構成され
た表示データの電力効率の良い制御（出願 2013, IPC: G09G 3/36, G09G 3/00, G09G 3/34,
G09G 5）— 電力効率重視の象徴。第 II 期の電力意識を示す。
第 III 期前期 (2018-2021): ディープラーニング基盤期
1. [US2022379484] 不確実性定量化に基づくデータ選択（出願 2021, IPC: G06V 20/64, G06V
20/20）— 自動運転 ML の不確実性扱い。
2. [US2024161221] ストリーミングおよびレイテンシに敏感なアプリケーションのためのセン
サデータの細分化された転送（出願 2022, IPC: G06F 13/24, G06T 1/60, G06T 1/20）— 自
動運転リアルタイム推論基盤。
第 III 期後期 (2022-2025): 生成 AI / Physical AI 期
8NVIDIA Newsroom (2026): NVIDIA Releases New Physical AI Models as Global Partners Unveil NextGeneration Robots


# Page. 23

![Page Image](https://bcdn.docswell.com/page/4EZLL11973.jpg)

APOLLO
23
1. [US2025111112] スタンダードセル設計自動化のためのトランスフォーマモデルベースのク
ラスタリング技術（出願 2024, IPC: G06F 30/323）— EDA 領域への AI 適用、Siemens 提
携整合。
2. [US2025362910] 行列乗算累算演算の一般化された加速度（出願 2025, IPC: G06T 1, G06F
9）— Tensor Core 系最新代表。
3. [US2026099987] 野生型ビデオからの 4D 生成モデル（出願 2025, IPC: G06T 15）— 4D
生成 AI、Omniverse 関連。
4. [US2026091494] 微分可能なタスク・アンド・モーション計画に基づくロボット制御のため
の技術（出願 2025, IPC: B25J 9, B25J 13）— Project GR00T R&D 中核。
5. [US2026066038] 組成タンパク質生成技術（出願 2025, IPC: G16B 40, G16B 45）—
BioNeMo 生成 AI バイオ応用。
6. [WO2025176009] 液冷コネクタ装置（出願 2025, IPC: G06F 1/20）— GB200 NVL72
ラック向け液冷ハードウェア。
7. [WO2026069129] 双方向リンクのためのフォトニックアーキテクチャ（出願 2025, IPC:
H04B 10）— 光通信、AI ファクトリー次世代インターコネクト。
8. [WO2025240527] 隠れた動き修正を用いた物理ベースのキャラクタの統一制御のための技
術（出願 2025）— Physical AI、キャラクタ統一制御。
9. [WO2025227135] 学習済み視覚言語モデルを使用して自律走行車を制御する方法（出願
2025）— VLM × 自動運転、最新世代。
10. [WO2025149043] 液冷式クイックリリースコネクタ及び液冷システム（出願 2025）—
GB200 NVL72 系の液冷ハードウェア。
11. [WO2025217404] ロボット知覚アプリケーションのための大規模合成データ生成（出願
2025）— Project GR00T 関連、Robotics 訓練データ生成。
12. [WO2026024779] テキストを識別するためのニューラルネットワーク比較（出願 2025）—
言語モデル評価・推論最適化。
13. [WO2026072211] 共通 DRAM チップを使用して DRAM の容量を増加させるための技法
（出願 2025）— メモリ拡張、Compute スタックの拡張。
14. [WO2025102039] データ処理ユニットを介したリモートメモリへの直接アクセスを実現す
るための技術（出願 2024）— DPU を使ったリモートメモリ。
15. [WO2025102040] プロキシノードを介したリモートメモリへの直接アクセスを実施する際の
セキュリティリスクを低減するための技法（出願 2024）— DPU セキュリティ。
10. ミクロ分析 B: 主要技術領域の出願パターン（5 領域）
単一企業の R&D ポートフォリオのため出願人別プロファイルは作成せず、代わりに本対象特許群の主
要 5 IPC 領域別の出願パターンと戦略プロファイルを示す。
パターン 1: G06F（電気的データ処理、5,293 件）
本対象特許群の最大 IPC 領域。プロセッサ・メモリ・並列計算・命令セット系の特許群がここに集中
する。Saturn V TELESCOPE 分析の SR-1（GPU 演算基盤）、SR-9（SoC・コンパイラ）に対応す
る。本対象特許群全期間にわたって出願が続いており、第 III 期にも継続的な出願加速が観察される。


# Page. 24

![Page Image](https://bcdn.docswell.com/page/Y76WWLLD7V.jpg)

APOLLO
24
パターン 2: G06T（画像データ処理、3,419 件）
第 2 位の IPC 領域。レンダリング・画像変換・3D 処理系の特許群が集中する。Saturn V TELESCOPE
分析の SR-6（レンダリング）に対応する。RTX レイトレ系 / Omniverse 系 / 拡散モデル系の出願
が第 III 期に集中している。
パターン 3: G06N（機械学習・AI、1,382 件）
第 3 位の IPC 領域だが、第 III 期で爆発的に拡大したカテゴリ。Saturn V TELESCOPE 分析の SR-2
（AI/ML 中核）に対応。2018 年以前は限定的だったが、2018 年以降に毎年大規模出願が続いており、
本対象特許群の「最新の重心」を表現する領域である。
パターン 4: B60W + G05D + G01S（自動運転系、合計 724 件）
B60W（自律走行車両制御 327 件）+ G05D（非電気変数の制御 180 件）+ G01S（電波・音波測位
217 件）の合計 724 件は、自動運転・ロボティクス領域の R&D を表現する。Saturn V TELESCOPE
分析の SR-3（自動運転・知覚 約 480 件）と SR-5（ロボティクス・物理 約 200 件）の合計とほぼ
整合する。
パターン 5: H01L + H05K + G11C（半導体・PCB・メモリ、合計 1,059 件）
H01L（半導体デバイス 402 件）+ H05K（印刷回路・電子機器筐体 326 件）+ G11C（情報記憶 331
件）の合計 1,059 件は、ハードウェア物理層を表現する。Saturn V TELESCOPE 分析の SR-7（半
導体・冷却・電源）と整合し、Blackwell GB200 NVL72 ラック型液冷システムや HBM3e メモリ統
合などの最新ハードウェア R&D を反映する。
ATLAS 時系列が示す結論
本対象特許群は (a) 全期間 CAGR 21.9% で成長し続け、(b) 2018 年以降の第 III 期に重心が
完全にシフトし、(c) 権利継続 + 権利化中で 95.6% がアクティブ資産化されている。本分析の
視座（現注力領域・今後の方向性）に照らせば、本対象特許群の現在像は実質的に第 III 期の構造
（生成 AI / Physical AI / Compute スタック垂直統合）によって規定されており、ピークアウト
の兆候は現時点で観察されない。


# Page. 25

![Page Image](https://bcdn.docswell.com/page/G75MM11874.jpg)

APOLLO
25
CORE 分類分析 — NVIDIA の課題と解決手段の
構造化
図 6: CORE: 出願年 × 技術分類マトリクス
図 7: CORE: 課題分類 × 技術分類マトリクス


# Page. 26

![Page Image](https://bcdn.docswell.com/page/9J29911VER.jpg)

APOLLO
26
図 8: CORE: 解決手段分類 × 課題分類マトリクス
1. 本章の視座
本章は「NVIDIA の出願はどの課題・解決手段に偏っているか」という本分析の視座に照らし、本対象特
許群 5,921 件をルールベース分類器によって 11 技術 × 11 課題 × 11 解決手段の 3 軸で分類した結
果を読み解く。Saturn V TELESCOPE 分析が「意味ベクトル類似度」に基づくクラスタ化、Explorer
グローバル共起ネットワーク分析が「語彙共起頻度」に基づくコミュニティ化だったのに対し、本章は
「人間が定義したルール」による分類で、両者を相補的に検証する。
2. マトリクスの全体構造 — 「その他」過多の意味
本対象特許群を CORE 分類器で分類した結果、極めて顕著な特徴として「その他」分類の比率の高さ
が観察される。
技術 その他
課題 その他
解決手段 その他
1,247
4,469
3,514
21.1%
75.5%
59.4%
特に課題分類において「その他」が 75.5% を占める事実は、本対象特許群の課題語彙が CORE 分類
器の事前定義（小型化・薄型化、コスト低減、寄生容量・電気特性低減、熱応力・平面性・信頼性、低
電力時の状態保持、処理効率・メモリ効率向上、モデル精度・汎化性能向上、資源割当・実行制御最適
化、通信速度変更・訓練時間短縮、アノテーション・ラベリング負荷低減）に十分マッチしていないこ
とを示す。


# Page. 27

![Page Image](https://bcdn.docswell.com/page/DEY44ZZQJM.jpg)

APOLLO
27
これは CORE 分類器の不備ではなく、本対象特許群の特性を表現する重要な情報である。CORE の分
類ルールは「半導体・電源・通信・画像処理・グラフィックス」を中心とする伝統的な特許カテゴリに
最適化されており、本対象特許群の主軸である「AI/ML モデルの設計・訓練・推論・最適化」
「拡散モ
デル・基盤モデル・VLM」
「Physical AI・自律システム」
「3D 生成」といった新興領域は、CORE 分
類器の事前定義カテゴリ枠からはみ出している。
💡 Key Insight
CORE 分類で「課題その他」が 75.5%・
「解決手段その他」が 59.4% を占める事実は、本分析の
視座（NVIDIA の R&D ポートフォリオ構造）にとって重要な示唆を持つ。NVIDIA の R&D は伝
統的特許カテゴリの枠を越えて、AI/ML・基盤モデル・Physical AI といった「分類器の語彙が追
いついていない領域」に大きく振れている。本対象特許群の現代性が CORE 分類の限界として露
呈する形になっている。
3. 技術 × 課題マトリクスの重点セル分析
「その他」を除外した有意味なセルから、上位 5 セルを抽出する。
技術分類
課題分類
件数
解釈
計算資源・ワークロード管
その他
584
GPU 上のジョブ・プロセス・スレッ
理
ド管理が、CORE 課題語彙の枠を越
える独自の課題群として出願されて
いる。SchedMD 買収の R&D 整合
性も含意
画像・映像処理パイプライ
その他
340
ン;合成データ・生成モデル
生成 AI（拡散モデル・GAN）と画像処
理の融合領域。CORE の「合成デー
タ・生成モデル」分類は近年追加され
たカテゴリと推察
合成データ・生成モデル
その他
281
生成 AI 単独の特許群。Foundation
Models / 拡散モデル / 視覚言語モ
デル系を含む
画像・映像処理パイプライ
その他
172
ン
グラフィックス・プロセッ
伝統的画像処理 R&D。RTX レンダ
リング系・動画コーデック系を含む
その他
121
グラフィックス処理と計算資源管理
サ処理;計算資源・ワーク
の融合。GPU を「グラフィックス +
ロード管理
並列計算」の両面で扱う特許群
その他
処理効率・メモリ効率向上
111
技術が CORE 枠外（おそらく AI/
ML 系）だが、課題は処理効率・メモ
リ効率に該当する特許群
計算資源・ワークロード管
理
資源割当・実行制御最適化
97
両軸とも CORE 枠内に収まる典型
的な計算資源管理特許群。CUDA /
Slurm 統合の R&D 中核


# Page. 28

![Page Image](https://bcdn.docswell.com/page/VJNYY33278.jpg)

APOLLO
28
技術分類
課題分類
件数
解釈
合成データ・生成モデル;計
その他
101
生成 AI の訓練に必要な計算資源管
算資源・ワークロード管理
理。Foundation Models 訓練イン
フラ系
これら上位セルは、本対象特許群が「(1) GPU 上のジョブ・プロセス管理、(2) 生成 AI（拡散モデル・
GAN）と画像処理の融合、(3) 計算資源管理 + AI ワークロード」の 3 領域に重心を持つことを示す。
Saturn V TELESCOPE 分析の SR-1（GPU 演算基盤）+ SR-2（AI/ML 中核）と整合する。
4. 解決手段 × 課題マトリクスの分析
解決手段 × 課題マトリクスの上位セルは以下の通り。
解決手段分類
課題分類
件数
解釈
教師モデル・合成データによる
その他
362
蒸留・合成データ訓練が NVIDIA
訓練
の 主 要 解 決 手 段 。 Foundation
Models の訓練効率化を示唆
その他
処理効率・メモリ効率向
354
上
解決手段が CORE 枠外（AI/ML
系の独自手法）だが、目的は処理効
率・メモリ効率
パラメータ保存・再利用
その他
250
モデルパラメータの保存・再利用
は、推論サービス（NIM）や継続学
習の R&D に対応
インターフェースによるプロ
その他
233
セッサ設定
API 経由で GPU 設定を変更する
解決手段。CUDA 拡張や ML フ
レームワーク連携を含む
ニューラルネットワークによ
その他
174
る画像生成
センサデータ融合・自動ラベル
Omniverse / 3D 生成系と整合
その他
159
伝播
その他
生成 AI 画像（拡散モデル・GAN）。
自動運転・ロボティクス R&D の中
核手法
資源割当・実行制御最適
121
化
解決手段は CORE 枠外だが課題
は資源割当。スケジューラ・ジョブ
キューの新手法を含む
動的再構成ハードウェア
その他
95
構成可能 GPU / DPU の特許群。
BlueField 系 DPU との関連可能
性
ニューラルネットワークによ
る画像生成;教師モデル・合成
その他
76
生成 AI モデルを蒸留・合成データ
で訓練する複合手法
データによる訓練
解決手段の上位は (1) 教師モデル・合成データ訓練、(2) パラメータ保存・再利用、(3) API インター
フェース、(4) ニューラルネットワーク画像生成、(5) センサデータ融合の 5 種に集約される。これら
は Foundation Models の訓練・配布・推論・自動運転 R&D の手法群と整合する。


# Page. 29

![Page Image](https://bcdn.docswell.com/page/YE9PP99DJ3.jpg)

APOLLO
29
5. 技術課題のギャップ分析
CORE 分類器の事前定義カテゴリのうち、本対象特許群でほとんど該当事例が見られないギャップ領
域として、以下が観察される。
• 小型化・薄型化（10 件 / 0.17%）— Jetson 等の組込み系には該当余地があるが、本対象特許群で
は限定的。エッジ AI 領域の R&D が今後拡大すれば、このセルも厚くなる可能性。
• 熱応力・平面性・信頼性（15 件 / 0.25%）— Blackwell GB200 NVL72 ラック型液冷システムの
導入で熱管理は重要課題のはずだが、本対象特許群では「液冷」
「コネクタ」
「冷却剤」系が独立した
出願となっており、CORE 分類器の従来語彙とはマッチしていない。
• 寄生容量・電気特性低減（15 件 / 0.25%）— 半導体物理層の特許群。本対象特許群の SR-7 半導
体・冷却・電源（約 350 件）と比較すると、本セルの該当件数が少ない。これは半導体物理層特許
の課題語彙が CORE 分類器の事前定義と異なる用語で記述されている可能性を示す。
• 低電力時の状態保持（11 件 / 0.19%）— 電力管理系の特許群。クラスタ [63] 電力レール（147
件）と比較して、本セルは限定的。NVIDIA の電力管理は「状態保持」より「動的電力配分」
「マルチ
チップ電力平衡」（[US2025341880] 等）に重心がある可能性。
• アノテーション・ラベリング負荷低減（7 件 / 0.12%）— 教師なし学習・自己教師あり学習 R&D の
課題語彙。本対象特許群の生成 AI 系特許群（合成データ訓練など）が該当しそうだが、CORE 分類器
の事前定義「アノテーション」より広い語彙（合成データ・自動ラベリング）が使われており、CORE
分類とのマッチが起きにくい。
これらギャップ領域は、CORE 分類器のカバレッジの限界を示すと同時に、本対象特許群が「事前定義
カテゴリの外側にある独自の R&D 課題」を多く持つことを示唆する。
6. 「その他」カテゴリの戦略的解釈
「その他」過多（課題 75.5%、解決手段 59.4%）の現象は、本対象特許群の特性を以下のように解釈
すべきである。
1. 新領域への急拡大 — 本対象特許群は AI/ML / 生成 AI / Physical AI / 3D 生成 / VLM など、既存
特許カテゴリの語彙に収まらない新領域に大きく出願している。CORE 分類器の事前定義カテゴリ
は伝統的な半導体・電源・通信・画像処理・グラフィックスに偏っているため、これら新領域は「そ
の他」に流れ込む。
2. NVIDIA 独自語彙の浸透 — 本対象特許群は NVIDIA 独自のアーキテクチャ用語・API 用語・モデ
ル用語（CUDA・cuDNN・Tensor Core・NIM・Omniverse・Cosmos・GR00T 等）が多く、汎
用的な特許カテゴリ語彙とは異なる語彙体系を構築している。これも CORE 分類で「その他」とし
て処理される一因となる。
3. 分類器のアップデートの遅延 — CORE 分類器は事前定義のルール辞書を持つため、近年急成長し
た語彙（拡散モデル・基盤モデル・VLA・物理 AI）は分類器側のアップデートが追いついていない
可能性が高い。
本分析の視座（NVIDIA の現注力領域・萌芽・方向性）に照らせば、
「その他」過多そのものが「NVIDIA
が伝統的特許カテゴリの外側に R&D を伸ばしている」証拠である。これは Saturn V TELESCOPE
分析のノイズ 34.2%（既存クラスタに収まらない特許群）と整合する所見である。


# Page. 30

![Page Image](https://bcdn.docswell.com/page/GE8DD995ED.jpg)

APOLLO
30
💡 Key Insight
CORE 分類における「その他」過多は本対象特許群の弱点ではなく、本分析の視座の鍵を握る発
見である。NVIDIA の R&D は、半導体・電源・通信といった伝統的特許カテゴリの枠を超えて、
AI/ML / 生成 AI / Physical AI / 3D 生成という「分類器の語彙が追いついていない新領域」に
大きく振れている。
7. クロスモジュール検証 — Saturn V との照合
CORE の「計算資源・ワークロード管理」
（844 件）と Saturn V TELESCOPE 分析の SR-1（GPU
演算基盤、約 1,150 件）の照合では、本対象特許群の中核的特許群が両分析で一貫して特定される。
CORE の「合成データ・生成モデル」
（357 件）+ 「画像・映像処理パイプライン;合成データ・生成モ
デル」
（459 件）= 816 件は、Saturn V SR-2（AI/ML 中核、約 750 件）と SR-6（レンダリング、
約 380 件）の融合領域に対応する。これは生成 AI による画像処理が独立カテゴリとして成立しつつ
あり、伝統的な画像処理（レンダリング）と新興の生成 AI が技術的に融合している局面を示す。
CORE 解決手段の「センサデータ融合・自動ラベル伝播」
（206 件）は Saturn V SR-3（自動運転・
知覚、約 480 件）の中核手法と整合する。
CORE 解決手段の「ニューラルネットワークによる画像生成」
（174 件）+ 「教師モデル・合成データ
による訓練」
（499 件）は、Saturn V SR-2（AI/ML 中核）+ Foundation Models 系統の R&D を
表現する。
8. ミクロ分析 A: 重点セルの代表特許（合計 12 件）
計算資源・ワークロード管理 × 資源割当・実行制御最適化（97 件）
1. [US2023140934] 協調データ転送および計算のためのスレッド特殊化（出願 2022, IPC: G06F
9/54, G06F 9/48, G06F 9/52）— SchedMD / Slurm 系の R&D 整合。
2. [US2025341880] 複数のチップを電力平衡させる技術（出願 2025, IPC: G06F 1）— マルチ
GPU 電力管理。
3. [US2024378035] メトリクスを用いたコンパイル技術（出願 2023, IPC: G06F 8/41）— レ
ジスタ割り当て最適化。
合成データ・生成モデル × その他（281 件）
1. [US2026080250] 高テール拡散モデル（出願 2025, IPC: G06N 3）— 拡散モデル最適化。
2. [US2026080668] 自律型および半自律型システムおよびアプリケーションのための自己教師
あり学習を使用した基礎モデル事前訓練（出願 2025, IPC: G06V 10, G06N 3）— 基盤モデル事
前訓練。
3. [US2026004526] コンテンツ生成システム及びアプリケーションにおいて潜在拡散モデルを使
用して 3 次元形状を合成すること（出願 2025）— 3D 生成 AI、Omniverse 関連。


# Page. 31

![Page Image](https://bcdn.docswell.com/page/LELMMWW37R.jpg)

APOLLO
31
画像・映像処理パイプライン × その他（172 件）
1. [US2026101046] ビデオレート制御のための強化学習を使用するコンテンツベースのビデオ
圧縮（出願 2025, IPC: G06N 3, H04N 19）— 強化学習 × 動画圧縮。
2. [US2026030832] リアルタイム光線追跡のための加速三角視認性試験（出願 2025, IPC: G06T
17, G06T 9, G06T 11）— RTX レイトレ最適化。
3. [US2026099987] 野生型ビデオからの 4D 生成モデル（出願 2025, IPC: G06T 15）— 4D
生成 AI。
センサデータ融合・自動ラベル伝播（解決手段、206 件）
1. [US2024161221] ストリーミングおよびレイテンシに敏感なアプリケーションのためのセン
サデータの細分化された転送（出願 2022, IPC: G06F 13/24, G06T 1/60, G06T 1/20）— 自
動運転リアルタイム推論基盤。
2. [US2026043672] 自律システムおよびアプリケーションのための地図監視（出願 2025, IPC:
B60W 60, G06V 20, G01C 21）— 自動運転地図監視。
3. [WO2025227135] 学習済み視覚言語モデルを使用して自律走行車を制御する方法（出願
2025）— VLM × 自動運転。
9. ミクロ分析 B: 主要技術領域の戦略プロファイル（5 領域）
単一企業の R&D ポートフォリオのため、CORE における「技術 × 出願人」の競争構造分析は本質的に
意味を持たない（出願人が単一であるため）。代替として、本対象特許群を構成する 5 つの主要 R&D
領域別の課題・解決手段の偏りプロファイルを示す。
プロファイル A: GPU 演算基盤領域（CORE: 計算資源・ワークロード管理 中心）
主要課題:「資源割当・実行制御最適化」
「処理効率・メモリ効率向上」。主要解決手段:「インターフェー
スによるプロセッサ設定」
「動的再構成ハードウェア」
「パラメータ保存・再利用」。 本領域は本対象特
許群の中で CORE 分類器のカバレッジが比較的高く、伝統的計算資源管理の語彙と整合する。
プロファイル B: AI/ML 中核領域（CORE: 合成データ・生成モデル）
主要課題: 「その他」
（CORE 分類器の語彙が追いついていない）。 主要解決手段: 「教師モデル・合成
データによる訓練」
「ニューラルネットワークによる画像生成」
「パラメータ保存・再利用」。 本領域は
CORE 分類器の課題語彙では捕捉しきれず、
「その他」過多の主因。Foundation Models の訓練効率
化が中核。
プロファイル C: 自動運転・知覚領域（CORE: センサ融合・較正・認識 + 計算資源・
ワークロード管理）
主要課題: 「その他」+「処理効率・メモリ効率向上」
（リアルタイム推論の制約）。 主要解決手段: 「セ
ンサデータ融合・自動ラベル伝播」
「インターフェースによるプロセッサ設定」。 本領域は CORE 解決
手段の語彙とよくマッチする。


# Page. 32

![Page Image](https://bcdn.docswell.com/page/4JMYY99MJW.jpg)

APOLLO
32
プロファイル D: ロボティクス・物理領域（CORE: ほぼ「その他」）
主要課題: ほぼ「その他」
（CORE 分類器が物理 AI 系の課題語彙を持っていない）。 主要解決手段: ほ
ぼ「その他」+ 一部「教師モデル・合成データによる訓練」。 本領域は萌芽段階の証左として「その他」
過多が顕著。
プロファイル E: 半導体・冷却・電源領域（CORE: 半導体パッケージ・実装基板 / 電
源制御・低電力動作）
主要課題: 「熱応力・平面性・信頼性」
「寄生容量・電気特性低減」。 主要解決手段: 「インターポーザ・貫
通ビア構造」
「導電グリッド・配線プレーン置換」
「バリアシール・熱界面材料配置」。 本領域は CORE
分類器の事前定義語彙との整合性が比較的高いが、件数は限定的。Blackwell GB200 NVL72 のラッ
ク型液冷システムは本領域の延長線上に位置する。
CORE 分類が示す結論
本対象特許群は CORE 分類器の事前定義語彙では捕捉しきれない「新領域への偏り」を強く持
つ。
「その他」過多はバグではなく特徴であり、NVIDIA の R&D が伝統的特許カテゴリの外側に
大きく振れていることを示す。本分析の視座（萌芽・方向性予測）に照らせば、CORE で「その
他」に分類されている特許群（生成 AI / 基盤モデル / VLA / Physical AI 系）が今後の主流候
補である。


# Page. 33

![Page Image](https://bcdn.docswell.com/page/PJR99GGL79.jpg)

APOLLO
33
Saturn V TELESCOPE 分析 — NVIDIA R&D
ポートフォリオの全体俯瞰
図 9: Saturn V TELESCOPE: 全体ランドスケープマップ


# Page. 34

![Page Image](https://bcdn.docswell.com/page/PEXQQXQ6JX.jpg)

APOLLO
34
図 10: Saturn V クラスタ動態マップ（4 象限分布）
1. 全体構造の概要 — 67 クラスタとノイズ 34.2% の戦略的解釈
Saturn V TELESCOPE 分析（AI ランドスケープ分析）は、本対象特許群 5,921 件を SBERT 文章ベ
クトル化と UMAP 次元圧縮を経て HDBSCAN でクラスタリングした結果、67 個の有意クラスタに
加え、いずれの主要クラスタにも収まらない「ノイズ」分類が 2,026 件（全体の 34.22%）検出された。
本分析の視座（NVIDIA の現注力領域・萌芽領域・今後の方向性）に即して読み解くと、この 67 + ノ
イズという構造は、単一企業の R&D ポートフォリオとしては極めて多様性の高い構造を示している。
ノイズ率 34.22% は閾値（30%）を上回り、本ガイドライン上「萌芽・黎明期」と判定される水準で
ある。さらに時系列パターンは「均一分布（永続的ニッチ）」と判定されており、ノイズが特定年に集中
した一時的現象ではなく、本対象特許群全期間にわたって「既存クラスタに収まらない実験的特許群」
が継続的に出願されていることを示す。これは NVIDIA が既存技術カテゴリの深堀りに加えて、常に外
延に試行的 R&D を投入しているポートフォリオ運用を行っていることを示唆する。
有意クラスタ数
67
ノイズ件数
2,026
4 象限合計クラスタ
超領域数（後述）
67
9
全体の 34.22%
近接関係由来
💡 Key Insight


# Page. 35

![Page Image](https://bcdn.docswell.com/page/3EK99W9GED.jpg)

APOLLO
35
本対象特許群は単一企業の R&D ポートフォリオであるにもかかわらず、67 個の異なる技術クラ
スタを内包しており、ノイズも 34.2% と高い。これは「単一企業＝単一技術」という直感に反し、
NVIDIA が GPU 単体ではなく「コンピューティング基盤を中心に多方向に拡張する技術企業」と
して動いている証左である。本分析の視座（注力領域同定・萌芽検出・方向性予測）に即せば、こ
の多様性こそが分析の出発点となる。
2. クラスタ規模の階層構造（メガ／ミドル／マイクロ）
67 クラスタを規模別に 3 層で整理すると、本対象特許群の重心が見えてくる。
階層
サイズ閾値
クラスタ数
代表クラスタ（件数）
メガクラスタ
200 件以上
3個
[60] スレッド・命令・行列 (311), [47] メモリ
系 (274), [64] クロック・基地局・無線 (221)
ミドルクラスタ
100-199 件
6個
[12] ビデオ系 (176), [51] パイプライン・グラ
フィックス (162), [7] 言語モデル (153), [63]
電力・レール・レギュレータ (147), [19] ロボッ
ト (102), [28] 車両・車線・地図 (100)
マイクロクラスタ
10-99 件
58 個
[14] 画像生成・モデル (91), [2] データセンタ
冷却 (83), [66] 半導体パッケージ (75), [34]
画像 NN (74), [50] GPU・グラフィックス・パ
ケット (72), [5] 生成 AI 分子設計, [16] 拡散
モデル, [22] レイトレ加速 等
メガクラスタ 3 個（合計 806 件、本対象特許群の 13.6%）は、NVIDIA の基幹技術である「並列演算
スレッド管理」
「メモリ階層・アクセス管理」
「クロック・無線通信処理」を表現している。ミドルクラ
スタ 6 個（840 件、14.2%）は、その上に乗るアプリケーション層（ビデオ処理・グラフィックス・
言語モデル・電力管理・ロボット・自律走行）を構成する。マイクロクラスタ 58 個は本対象特許群の
38.0% を占め、ノイズと合わせると 72.2% に達する。
この「メガ < ミドル < マイクロ + ノイズ」の規模逆転は、本対象特許群が「少数の中核技術 × 多数の
応用領域」という構造を持つことを示している。本分析の視座（現注力領域同定）に照らすと、メガ 3
件 + ミドル 6 件の合計 9 クラスタが NVIDIA の現時点での主力注力領域として読み取れる。
3. UMAP 空間の超領域分析
67 クラスタの UMAP 空間配置データに含まれる近接関係から、9 個の「超領域（メタクラスタ）」が
抽出できる。各超領域は、隣接するクラスタが意味的に同質性を持つ集合として識別される。
超領域 ID
総件数（推定）
構成クラスタと主題
SR-1: GPU 演算基
約 1,150 件
[33] 統合仮想メモリ, [44] 外部 GPU 接続, [45] 分岐予測, [46]
盤
キャッシュ管理, [47] メモリ制御, [50] GPU 実装基盤, [51] 描
画パイプライン, [52] SIMT 並列処理, [56] メモリアクセス API,
[57] 計算資源 API, [60] GPU コード最適化, [61] 適応計算機構


# Page. 36

![Page Image](https://bcdn.docswell.com/page/L73WW1W575.jpg)

APOLLO
36
超領域 ID
総件数（推定）
構成クラスタと主題
SR-2: AI/ML 中核
約 750 件
[0] 量子化 NN 最適化, [14] 3D アバター生成, [15] 自律機械 3D
認識, [16] 拡散モデル最適化, [17] 機械学習モデル最適化, [20]
AI データ圧縮処理, [31] NN 評価・選択, [32] 連合学習・分類,
[34] 生成 AI 画像生成, [35] GAN 画像変換, [42] 合成画像デー
タ拡張
SR-3: 自動運転・知
約 480 件
覚
[8] 自律走行軌道予測, [24] 自律走行物体検出, [25] 点群・地図
認識, [27] 自律車両経路計画, [28] 自律走行地図認識, [29] 車載
知覚・較正, [38] 単眼深度・構造推定
SR-4: 高速通信・I/
約 450 件
O
[4] 周辺機器制御・同期, [6] 5G NR 高速化, [37] 5G 網情報共有
API, [40] 暗号鍵・機密保護, [41] 高速 NIC 通信, [53] データ転
送同期, [62] 高速リンク訓練, [64] 通信信号補正
SR-5: ロ ボ テ ィ ク
約 200 件
ス・物理
SR-6: レンダリング
[5] 生成 AI 分子設計, [18] 物理シミュレーション, [19] ロボット
学習制御
約 380 件
[12] 動画符号化配信, [21] ラスタライズ処理, [22] レイトレ加速
構造, [23] 階層構造トラバース, [30] 立体表示画像生成, [36] 低
遅延表示更新, [39] AR 表示・光場描画, [43] レイトレ照明影生成
SR-7: 半 導 体 ・ 冷
約 350 件
却・電源
[2] データセンタ液冷, [3] 電子機器冷却, [13] グラフィックカー
ド, [54] プリント基板実装, [63] 電源領域制御, [65] 電子機器接
続部品, [66] 半導体パッケージ
SR-8: 言語・音声・
約 360 件
UX
SR-9: SoC・コンパ
[7] 言語モデル, [9] ゲーム体験解析, [10] クラウド資源最適化,
[11] モバイル UI 拡張, [26] 音声処理・生成
約 130 件
イラ・基盤
[1] SoC アクセラレータ, [55] システム試験技術, [58] コンパイ
ラ支援, [59] データログ・認証
超領域 SR-1: GPU 演算基盤（約 1,150 件、本対象特許群の約 19.4%）
12 のクラスタからなる本超領域は、本対象特許群の最大規模を持ち、NVIDIA の R&D の重心が依然
として「GPU 上で並列演算を効率実行する基盤技術」にあることを明確に示す。SIMT 並列処理（クラ
スタ 52）、統合仮想メモリ（33）、キャッシュ管理（46）、分岐予測（45）といった古典的 GPU アー
キテクチャ要素から、計算資源 API（57）
・メモリアクセス API（56）
・GPU コード最適化（60）と
いった CUDA エコシステム上層まで、垂直統合された技術群が観察される。
本超領域は本分析の視座のうち「現注力領域」の中核であり、CUDA / cuDNN / NCCL を中心とす
る「ソフトウェアスタックを含む GPU 基盤」が NVIDIA の競争優位の源泉であり続けていることを
裏付ける。Bernstein らが警告する AI ASIC 競合（Google TPU v7 / AWS Trainium 3 / MS Maia
200 / Meta MTIA）に対する差別化は、ハードウェア単体ではなく本超領域が体現するスタック全層
の特許化に依拠している9。
超領域 SR-2: AI/ML 中核（約 750 件）
11 のクラスタが構成する本超領域は、ニューラルネットワークモデルの設計・訓練・推論・最適化に
関する技術群である。量子化 NN（0）
・拡散モデル最適化（16）
・ML モデル最適化（17）
・連合学習
9Tom’s Hardware (2026): AMD, NVIDIA, hyperscalers commit to annual AI accelerator releases


# Page. 37

![Page Image](https://bcdn.docswell.com/page/87DKKXKYJG.jpg)

APOLLO
37
（32）
・生成 AI 画像生成（34）
・GAN 画像変換（35）
・合成画像データ拡張（42）等、生成 AI と判
別 AI の両方を含む。
本超領域は本分析の視座のうち「萌芽・新興領域」の中心であり、特に拡散モデル最適化・生成 AI 画
像生成・3D アバター生成は 2022 年以降に顕著に活性化している。Project GR00T や Cosmos の
発表（CES 2026）は本超領域の R&D を製品化の文脈で位置づけ直しており、本対象特許群もこれと
整合する形で出願加速していることが読み取れる。
超領域 SR-3: 自動運転・知覚（約 480 件）
7 つのクラスタからなる本超領域は、車載・自律走行のための物体検出・地図認識・経路計画・車両軌
道予測を内包する。NVIDIA Form 10-K FY2026 では自動車売上 23.5 億ドル（2 年 CAGR 46.7%）
と全社売上比 1.1% に過ぎないが、本超領域は本対象特許群の 8.1% を占めており、売上規模に対し
て特許出願が大きく先行している。
本分析の視座（今後の方向性）に照らせば、本超領域は「現在の売上は小さいが、長期的成長オプショ
ンとして R&D 投資が続く」典型例である。Technavio の自動運転車市場 2024-2029 増分 6,240
億ドル（CAGR 39.3%）という外部予測10とも整合する戦略的位置づけにある。
4. 超領域間ブリッジの戦略的分析
近接関係データから、本対象特許群には超領域同士を接続する「橋渡し」クラスタが複数存在する。代
表的な 4 件を挙げる。
1. ブリッジ B1: SR-2（AI/ML）↔ SR-3（自動運転）— クラスタ [15] 自律機械 3D 認識 と [38] 単
眼深度・構造推定 が両者を接続する。これは「自律走行向けに開発された深層学習認識モデル」が、
汎用 AI モデル（拡散モデル・GAN 等）と同じ技術基盤を共有していることを示す。本分析の視座
から見ると、自動運転 R&D が独立した技術系統ではなく、汎用 AI モデルの応用領域として組み込
まれていることが構造的に読み取れる。
2. ブリッジ B2: SR-1（GPU 基盤）↔ SR-4（高速通信） — クラスタ [44] 外部 GPU 接続 と [53]
データ転送同期 が両者を接続する。これは GPU 内部の演算基盤と GPU 間・サーバ間の高速通信
が一体として設計されていることを示し、Mellanox 由来 InfiniBand 技術11を本対象特許群の中で
位置付ける役割を担う。
3. ブリッジ B3: SR-1（GPU 基盤）↔ SR-7（ハードウェア） — クラスタ [13] グラフィックカード
と [54] プリント基板実装、[66] 半導体パッケージ が GPU 演算基盤と物理実装を接続する。デー
タセンタ液冷（クラスタ 2）系の特許が近接していることは、Blackwell GB200 NVL72 ラック型
液冷システムへの直接的な対応を示唆する。
4. ブリッジ B4: SR-2（AI/ML）↔ SR-5（ロボティクス・物理） — クラスタ [5] 生成 AI 分子設
計、[18] 物理シミュレーション、[19] ロボット学習制御 が AI モデルと物理世界の応用を接続す
る。Isaac GR00T（基盤ロボットモデル）/ Cosmos（物理 AI）の発表と整合する R&D ブリッジ
である。
10Technavio: Autonomous Vehicle market forecast 2024-2029
11NVIDIA Form 10-K FY2026: Networking 売上 314 億ドル、2 年 CAGR 91.3%


# Page. 38

![Page Image](https://bcdn.docswell.com/page/VJPKKPK2E8.jpg)

APOLLO
38
5. ホワイトスペース分析
本対象特許群の 9 超領域構造において、
「論理的には期待されるが実際には存在感が薄い」または「他
領域との橋渡しが弱い」領域として、以下 3 件のホワイトスペースを観察する。
1. WS-1: エッジ AI 専用ハードウェア — Jetson 系の CES 2026 発表（Jetson Thor / T4000）
12に対して、本対象特許群におけるエッジ専用 SoC の独立クラスタは限定的（クラスタ 1 SoC ア
クセラレータが 18 件規模）。エッジ AI の特許化は今後 1-2 年で加速する余地がある。
2. WS-2: 量子コンピューティング・古典 GPU 連携 — CUDA Quantum / cuQuantum の動向に
対して、本対象特許群に独立した量子クラスタは観察されない。量子優位性が見込まれる中期領域で
の特許出願は今後の論点となる。
3. WS-3: 中国向け派生製品（B30 等）の R&D 反映 — Blackwell B30（GDDR7、性能 80%、中
国向け）13のような地政学制約に対応する派生製品ラインの特許化は、本対象特許群には現時点で明
確に出現していない。地政学的制約の特許戦略上の取り扱いは要観察。
6. バリューチェーン分析
本対象特許群を「下流ハードウェア層 → 中流計算層 → 上流アプリ・運用層」のバリューチェーン視
点で整理すると、以下の 2 つの主要連鎖が観察される。
1. VC-1: AI コンピューティング・バリューチェーン — SR-7（半導体・冷却・電源）→ SR-1（GPU
基盤）→ SR-4（高速通信）→ SR-2（AI/ML 中核）→ SR-8（言語・音声・UX）。物理層から推
論サービスまでの 5 層が本対象特許群の中で完結しており、垂直統合の特許化を示す。
2. VC-2: フィジカル AI バリューチェーン — SR-1（GPU 基盤）→ SR-2（AI/ML）→ SR-3（自動
運転）/ SR-5（ロボティクス）→ SR-9（SoC）。CUDA 基盤上の AI モデルが、自動運転車・ヒュー
マノイドロボット・産業ロボットへ展開される構造で、Project GR00T / DRIVE / Isaac の R&D
を連結する。
7. 主要技術領域の戦略的役割
本対象特許群は単一企業の R&D ポートフォリオであり、出願人別の競争構造分析は本質的に意味を持
たない（出願人がほぼ単一であるため）。代替として、9 超領域それぞれが NVIDIA の事業戦略上で果
たす役割を以下に整理する。
超領域
事業対応
戦略的役割
SR-1
Compute / データセンタ事業
既存コア / 競合差別化の源泉
SR-2
全事業横断
将来コア / 推論市場での競争鍵
SR-3
自動車事業 / DRIVE
長期オプション / TAM 6,240 億ドル
SR-4
Networking 事業
Mellanox 拡張 / AI ファクトリー必須
SR-5
Robotics 新事業
Project GR00T / 次の柱候補
SR-6
ゲーム / プロ可視化
既存事業 / Omniverse 拡張
12NVIDIA Developer: Jetson Thor advanced AI for physical robotics
13Tom’s Hardware (2026): NVIDIA B30 China-specific Blackwell with GDDR7


# Page. 39

![Page Image](https://bcdn.docswell.com/page/2EVVV2VXEQ.jpg)

APOLLO
39
超領域
事業対応
戦略的役割
SR-7
Compute 物理基盤
Blackwell GB200 ラック対応
SR-8
Compute / 言語 AI
NIM / 推論スタック
SR-9
Jetson / 組込み
エッジ AI 拡張
8. クラスタ動態マップ分析（4 象限）
クラスタ動態マップを参照すると、67 クラスタが以下の 4 象限に分布している。
成長リーダー
新興クラスタ
成熟クラスタ
ニッチ・衰退
16
18
18
15
1,129 件
395 件
1,990 件
381 件
成長リーダー象限（16 クラスタ、1,129 件）
大規模 × 高成長の象限で、NVIDIA の現主力かつ伸長中の領域が集まる。クラスタ規模合計 1,129 件
は本対象特許群の 19.1% を占め、本分析の視座（現注力領域）の中核として機能する。SR-1 GPU 演
算基盤（メモリ・並列計算系）、SR-4 高速通信（5G・NIC・データ転送）、SR-2 一部（拡散モデル等）が
この象限に多く分布する。本対象特許群においてこれら 16 クラスタは、単に件数が多いだけでなく、
近年も加速している「現在の主力」と位置付けられる。
新興クラスタ象限（18 クラスタ、395 件）
小規模 × 高成長の象限であり、本分析の視座（萌芽・新興検出）の中心である。395 件は本対象特許
群の 6.7% で、件数は限定的だが伸長率が高い。SR-2 AI/ML 中核の生成系（クラスタ 5 生成 AI 分
子設計、[7] 言語モデル、[16] 拡散モデル、[19] ロボット学習）、SR-5 ロボティクス・物理、SR-3
自動運転の一部がこの象限に分布する。これらは今後 2-3 年で成長リーダー象限へ昇格する可能性が
高い領域である。
成熟クラスタ象限（18 クラスタ、1,990 件）
大規模 × 低成長の象限で、本対象特許群の 33.6% という最大シェアを占める。SR-1 GPU 演算基盤
の古典領域（命令セット・キャッシュ等）
、SR-6 レンダリング、SR-7 ハードウェア（半導体・PCB）
の多くがこの象限に分布する。これらは NVIDIA の既存事業の基盤であり、出願件数が大きいが伸長
率は低い。撤退対象ではなく、メンテナンス的な特許強化が継続されている領域として読み取れる。
ニッチ・衰退象限（15 クラスタ、381 件）


# Page. 40

![Page Image](https://bcdn.docswell.com/page/57GLLRLREL.jpg)

APOLLO
40
小規模 × 低成長の象限で、本対象特許群の 6.4%。SR-8 の一部（モバイル UI、ゲーム体験解析等）、
SR-9 のレガシー領域がこの象限に分布する。これらは過去のプロダクトラインの名残または特定ニッ
チ用途の残存特許群と推察される。
9. ノイズ萌芽技術の詳細分析
本対象特許群におけるノイズ 2,026 件（34.22%）は、上記 67 クラスタのいずれにも明確に属さな
い特許群である。本ガイドライン上「萌芽・黎明期」
「均一分布（永続的ニッチ）」と判定されている。
ノイズの年分布を見ると、2018 年 49 件 → 2019 年 93 件 → 2020 年 119 件 → 2021 年 169
件 → 2022 年 166 件 → 2023 年 221 件 → 2024 年 271 件と、約 5.5 倍に急増している。この急
増は本対象特許群全体の出願加速とほぼ同期しているが、ノイズ比率自体も上昇傾向にあることから、
新規領域への試行的出願が継続的かつ加速的に行われている可能性が高い。
ノイズ特許の代表出願人は NVIDIA 2,006 件（99.0%）であり、本対象特許群の他の領域と同様、ほ
ぼ完全に NVIDIA 単独であった。ノイズの萌芽キーワード上位は「画像 (572)」
「技術 (536)」
「セッ
ト (414)」「ニューラルネットワーク (400)」「アプリケーション (366)」「識別 (338)」「データセッ
ト (294)」
「動作 (287)」
「訓練 (264)」
「ステージ (254)」であり、生成 AI や強化学習・ステージン
グ系の語彙が目立つ。
これらのキーワード群と CES 2026 で発表された Project GR00T N1.6（VLA モデル）、Cosmos
Reason（物理 AI 推論）、Jetson T4000（4× エネルギー効率）14を照合すると、ノイズ群の中には
次世代の Physical AI / Robotics R&D の前駆となる特許群が相当含まれていると推察される。
💡 Key Insight
ノイズ 34.2% かつ均一分布という構造は、NVIDIA が「既存 67 クラスタの深堀り」に加えて「常
に外延の試行的 R&D」を継続している証拠である。本分析の視座（萌芽検出）に即して言えば、ノ
イズの 2024 年ピーク 271 件は、Physical AI / 生成 AI / エッジ・ロボティクスといった新フ
ロンティアへの R&D 拡張の特許化フェーズに既に入っていることを示唆する。
10. 統合的戦略インサイト
本超領域分析・ブリッジ分析・動態 4 象限・ノイズ分析を総合し、NVIDIA の R&D ポートフォリオ
に関する 3 つの戦略インサイトを命名する。
1. インサイト I1（コアの厚さ）
「Compute スタックの垂直特許化」 — SR-1 GPU 基盤（19.4%）+
SR-4 高速通信（7.6%）+ SR-7 ハードウェア（5.9%）+ SR-9 SoC（2.2%）の合計約 35% が
GPU を中心とする「Compute スタック」の特許群を構成し、これに SR-2 AI/ML（12.7%）が乗
ることで本対象特許群の半分以上が直接 Compute 事業に紐付く構造となっている。これは Form
10-K FY2026 の Compute 売上 1,624 億ドル（2 年 CAGR 104.2%）と整合する重心である。
2. インサイト I2（フロントの広さ）
「Physical AI / Robotics への戦略横展開」 — SR-3 自動運転
（8.1%）+ SR-5 ロボティクス（3.4%）の合計 11.5% が、現在の自動車売上 23.5 億ドル（全社売
14NVIDIA Newsroom (2026): NVIDIA Releases New Physical AI Models as Global Partners Unveil NextGeneration Robots


# Page. 41

![Page Image](https://bcdn.docswell.com/page/4EQYYVYYJP.jpg)

APOLLO
41
上比 1.1%）に対して大きく先行投資されている。これは本分析の視座（今後の方向性）から見て、
NVIDIA が次の柱として Physical AI / Robotics を据えていることの構造的証拠であり、Project
GR00T / Cosmos / Jetson Thor の R&D と整合する。
3. インサイト I3（外延の動き）
「ノイズ 34.2% の試行的 R&D」 — ノイズ 2,026 件が均一分布で
出願され続けていることは、67 既存クラスタを補完する形で、常に新領域の特許化が進行している
ことを意味する。2024 年 271 件のノイズピークは、生成 AI・拡散モデル・VLM・基盤モデル系
の特許化が一斉に進行していることの反映と推察される。
11. クロスモジュール検証
本超領域分析の結果は、Explorer 共起ネットワーク（後述章）と高い整合性を示す。Explorer の 7 コ
ミュニティ（API/プログラミング、ML モデル、センサ/自動運転、GPU コンピューティング、レンダ
リング、GPU、コーデック）は本超領域 SR-1（GPU 基盤）
・SR-2（AI/ML）
・SR-3（自動運転）
・SR-6
（レンダリング）と概ね対応するが、SR-5 ロボティクス・物理 / SR-7 半導体・冷却・電源 / SR-8 言
語・音声・UX については Explorer の独立コミュニティが形成されていない。
これは「キーワードレベルではまだ明示的な独立クラスタを形成していないが、意味ベクトル上ではま
とまっている領域」が存在することを示し、本分析の視座（萌芽検出）に即して言えば、SR-5 ロボティ
クス系などは「キーワード未分化な萌芽段階の R&D」と解釈できる。
ATLAS 時系列分析（後述章）の出願加速期（2018 年以降）は、本超領域分析における新興象限 18
クラスタ（395 件）と直結し、本対象特許群が「生成 AI 本格化期」に新規領域開拓に向かっている姿
を構造的に裏付ける。
12. ミクロ分析 A: 超領域別の代表特許
各超領域から代表的な特許を抽出し、本対象特許群 5,921 件の中での位置づけを示す。代表特許は合
計 18 件である。
SR-1 GPU 演算基盤
1. [US2025362910] 行列乗算累算演算の一般化された加速度（出願 2025, IPC: G06T 1, G06F
9）— クラスタ [60] スレッド命令行列の最新代表。SIMT/Tensor Core の進化系。
2. [US2026016953] メモリデバイスに動的に名前空間タイプを割り当てる（出願 2025, IPC:
G06F 3）— クラスタ [47] メモリ系の最新代表。
3. [US2025341880] 複数のチップを電力平衡させる技術（出願 2025, IPC: G06F 1）— クラス
タ [63] 電力レール代表。マルチ GPU 電力管理。
4. [US2026074915] 高速テストデータ認証方法及びハードウェア（出願 2024, IPC: H04L 9）—
クラスタ [1] SoC アクセラレータ。
SR-2 AI/ML 中核
1. [US2026099987] 野生型ビデオからの 4D 生成モデル（出願 2025, IPC: G06T 15）— クラ
スタ [14] 画像モデル次元生成。


# Page. 42

![Page Image](https://bcdn.docswell.com/page/KJ4WWMWZ71.jpg)

APOLLO
42
2. [US2026080250] 高テール拡散モデル（出願 2025, IPC: G06N 3）— クラスタ [16] 拡散モ
デル最適化。
3. [US2026065523] マスク拡散モデルのサンプリング装置（出願 2025）— クラスタ [17] ML
モデル訓練。
4. [US2026011082] 画素を生成するニューラルネットワーク（出願 2025, IPC: G06T 17）—
クラスタ [34] 画像 NN 生成。
SR-3 自動運転・知覚
1. [US2026043672] 自律システムおよびアプリケーションのための地図監視（出願 2025, IPC:
B60W 60, G06V 20, G01C 21）— クラスタ [28] 車両車線地図。
2. [WO2025227135] 学習済み視覚言語モデルを使用して自律走行車を制御する方法（出願
2025）— VLM × 自動運転。
SR-4 高速通信・I/O
1. [WO2026069129] 双方向リンクのためのフォトニックアーキテクチャ（出願 2025, IPC:
H04B 10）— クラスタ [64] 通信信号補正。AI ファクトリー光通信化。
SR-5 ロボティクス・物理
1. [US2026091494] 微分可能なタスク・アンド・モーション計画に基づくロボット制御（出願
2025, IPC: B25J 9, B25J 13）— クラスタ [19] ロボット学習制御。Project GR00T 整合。
2. [US2026066038] 組成タンパク質生成技術（出願 2025, IPC: G16B 40, G16B 45）— クラ
スタ [5] 生成 AI 分子設計。BioNeMo。
3. [US2026091502] ロボット操作の失敗を検出し推論するための視覚言語モデル（出願 2025）
— Isaac GR00T N1.6 の VLA 系。
SR-6 レンダリング
1. [US2026101046] ビデオレート制御のための強化学習を使用するコンテンツベースのビデオ
圧縮（出願 2025, IPC: G06N 3, H04N 19）— クラスタ [12] ビデオエンコーダ。
2. [US2026030832] リアルタイム光線追跡のための加速三角視認性試験（出願 2025, IPC: G06T
17, G06T 9, G06T 11）— クラスタ [22] レイトレ加速構造。
SR-7 半導体・冷却・電源
1. [US2025374478] 自在プラガブルデータセンタ冷却システム（出願 2025, IPC: H05K 7）—
クラスタ [2] データセンタ液冷。Blackwell GB200 NVL72 ラック対応。
2. [US2025343099] 半導体パッケージ用ハイブリッド材料蓋、ヒートシンク、またはコールドプ
レート（出願 2025, IPC: H01L 23, H01L 21, H01L 25）— クラスタ [66] 半導体パッケージ。
SR-8 言語・音声・UX


# Page. 43

![Page Image](https://bcdn.docswell.com/page/LE1YY8YD7G.jpg)

APOLLO
43
1. [US2026105265] 言語モデル予測で強化されたストリーミング機械翻訳（出願 2025, IPC:
G06F 40, G10L 15）— クラスタ [7] 言語モデル感情。
13. ミクロ分析 B: 主要技術領域の戦略プロファイル（5 領域）
単一企業の R&D ポートフォリオのため出願人別プロファイルは作成せず、代わりに本対象特許群を構
成する 5 つの主要技術領域（超領域）の戦略プロファイルを示す。
プロファイル 1: GPU 演算基盤領域（SR-1, 約 1,150 件）
本領域は本対象特許群の最大規模であり、CUDA / cuDNN / NCCL / Tensor Core の特許化を通じ
て NVIDIA の競争優位の中核を形成している。SIMT 並列、統合仮想メモリ、キャッシュ、分岐予測、
GPU コード最適化までを含む垂直構造であり、ASIC 競合（Google TPU v7、AWS Trainium 3、MS
Maia 200、Meta MTIA）に対する差別化の本質はここにある。今後の方向性としては、Vera Rubin
世代（2026 年後半 - 2027 年、TSMC 3nm、HBM4 採用、336B トランジスタ、50 PFLOPS FP4）
に向けた特許強化が継続されると推察される15。本対象特許群の最新出願（2025 年）に Rubin 世代
の前駆技術が多数含まれている可能性が高い。
プロファイル 2: AI/ML 中核領域（SR-2, 約 750 件）
本領域は生成 AI ・判別 AI 双方を含み、本対象特許群における「将来コア」と位置づけられる。拡散
モデル最適化（クラスタ 16）、生成 AI 画像生成（34）、3D アバター生成（14）、合成画像データ拡張
（42）、GAN 画像変換（35）等は、Omniverse / Isaac Sim / Cosmos といった製品ラインの背後
にある R&D の特許化と整合する。本領域の出願は 2022 年以降に顕著に加速しており、本分析の視
座（萌芽検出）から見て今後 2-3 年で成長リーダー象限への昇格が予想される。
プロファイル 3: 自動運転・知覚領域（SR-3, 約 480 件）
本領域は本対象特許群の 8.1% を占め、自動車事業売上 23.5 億ドル（全社比 1.1%）に対して大きく先
行投資されている。物体検出・地図認識・経路計画・車両軌道予測の各クラスタは DRIVE Hyperion /
Thor SoC / Cosmos Reason の R&D 中核である。Technavio 自動運転車市場 6,240 億ドル増
分予測と整合する長期オプションとしての位置づけを持つ。VLM（クラスタ [15][29]）の導入が
2024-2025 年に加速していることから、本領域は伝統的検出系から VLA（視覚言語アクション）モ
デルへの転換期にある。
プロファイル 4: ロボティクス・物理領域（SR-5, 約 200 件）
本領域は規模では最小だが、本分析の視座（今後の方向性）から最も注視すべき領域である。クラスタ
[19] ロボット学習制御（102 件）、[18] 物理シミュレーション、[5] 生成 AI 分子設計が含まれ、Project
GR00T N1.6（VLA 基盤モデル）、Isaac Lab-Arena（評価環境）、OSMO（エッジクラウド学習）の
R&D 反映と推察される。CES 2026 のパートナー発表（Boston Dynamics、Caterpillar、Franka
Robots、LG、NEURA Robotics）は本領域の特許群が外部エコシステムの基盤として機能すること
15Tom’s Hardware (2025-2026): NVIDIA Rubin GPUs in 2026, Rubin Ultra in 2027, Feynman roadmap


# Page. 44

![Page Image](https://bcdn.docswell.com/page/GEWGGZG8J2.jpg)

APOLLO
44
を示唆する16。
プロファイル 5: 高速通信・I/O 領域（SR-4, 約 450 件）
本領域は Mellanox 由来の InfiniBand / Ethernet / NVLink / NVSwitch を含み、AI ファクトリー
の必須部材としての特許化を担う。NVIDIA Form 10-K FY2026 の Networking 売上 314 億ドル
（2 年 CAGR 91.3%）と整合する。クラスタ [41] 高速 NIC 通信、[53] データ転送同期、[62] 高速
リンク訓練、[64] 通信信号補正は、GPU クラスタ間の超高速通信を支える特許群である。フォトニッ
ク技術（[WO2026069129] 双方向リンクのためのフォトニックアーキテクチャ）の最新出願は、光
通信化への移行を示唆する。
上記 5 プロファイルは、本対象特許群の 80% 以上をカバーする主要領域である。これら 5 領域の組み合わ
せが、NVIDIA を「GPU メーカ」から「AI コンピューティング・プラットフォーム企業」へと転換させた特
許戦略の中核と読み取れる。
16TechCrunch (2026-01-05): NVIDIA wants to be the Android of generalist robotics


# Page. 45

![Page Image](https://bcdn.docswell.com/page/47ZLL1L9J3.jpg)

APOLLO
45
MEGA PULSE 分析 — 動態分析
1. 本章の位置づけ
本章では MEGA PULSE 分析（動態 4 象限分析）の枠組みを使い、本対象特許群の動態を技術領域単位
で読み解く。本対象特許群は単一企業の R&D ポートフォリオであるため、出願人を軸とする 4 象限分
析（複数出願人を前提とした成長性 × 活動量マトリクス）は本質的な意味を持たない（出願人 NVIDIA
が全体の 98.4% を占めるため、4 象限のいずれか単一象限に NVIDIA がプロットされ、他社は実質
的にプロットされる対象が存在しない）。
本分析の視座（NVIDIA の現注力領域・萌芽領域・今後の方向性）に照らすと、出願人ベースの動態分
析は本来的に「複数出願人の動態を可視化する」用途であり、単一企業の R&D ポートフォリオ分析に
はそのまま適合しない。本章では出願人軸の代わりに技術領域軸を採用し、(1) Saturn V クラスタ動
態マップ、(2) ATLAS 出願トレンド分析、(3) Explorer 急上昇キーワード分析の 3 視点を統合して動
態を読み解く。
2. 技術領域動態 A: Saturn V クラスタ動態マップ
本対象特許群では「出願人」ではなく「技術クラスタ」を 4 象限化したクラスタ動態マップ（Saturn
V TELESCOPE 分析）が、本対象特許群の動態を正しく可視化する手段となる。
クラスタ動態マップの 4 象限分布は、成長リーダー 16 クラスタ（1,129 件）、新興 18 クラスタ（395
件）、成熟 18 クラスタ（1,990 件）、ニッチ・衰退 15 クラスタ（381 件）であった。これは Saturn
V TELESCOPE 分析章で詳述している通りであり、本章では繰り返さない。
本対象特許群の動態を読み解くにあたっては、出願人軸の代わりに以下の 3 軸を組み合わせる：
1. 軸 1: クラスタ規模（Saturn V TELESCOPE 分析）— メガ／ミドル／マイクロの 3 層構造
2. 軸 2: クラスタ動態（クラスタ動態マップ）— 4 象限（成長リーダー／新興／成熟／ニッチ衰退）
3. 軸 3: 外部環境イベント（NEBULA 環境分析章）— 30 件のマクロイベントとの照合
これら 3 軸の組み合わせにより、MEGA PULSE 相当の動態評価が技術領域単位で可能になる。具体
的には、Saturn V TELESCOPE 分析章で詳述した超領域 SR-1（GPU 演算基盤）が「メガ × 成長
リーダー」、SR-2（AI/ML 中核）の生成系が「ミドル × 新興」、SR-7（半導体・冷却・電源）が「ミ
ドル × 成熟」のように位置付けられる。
3. 技術領域動態 B: ATLAS 出願トレンドによる成長期判定
ATLAS 基本統計分析では、本対象特許群全体の出願件数時系列を 1997-2025 の 28 年にわたって
追跡できる。CAGR 21.9% という値は、本対象特許群全体としての成長性を示す代表値である。


# Page. 46

![Page Image](https://bcdn.docswell.com/page/YJ6WWLWDJV.jpg)

APOLLO
46
MEGA PULSE が目的とする「成長期 vs 衰退期」の判定は、本対象特許群レベルでは ATLAS 時系
列が代替する。本対象特許群は 2018 年以降に再加速し、2024 年に 731 件のピーク（過去最大）を
記録している。これは「業界全体としての成熟」ではなく「単一企業 NVIDIA の R&D 投資が継続的に
拡大している」ことを示す動態であり、MEGA PULSE で言うところの「リーダー象限の継続加速」に
相当する状態と読み取れる。
詳細は ATLAS 基本統計分析章を参照する。
4. 技術領域動態 C: Explorer 急上昇キーワードによる戦略シフト
Explorer グローバル共起ネットワーク分析の急上昇キーワード分析は、本対象特許群の「語彙レベル
の動態」を捉える。1997-2011 期と 2012-2025 期の比較で、ニューラルネットワーク (+1,974)・
機械学習モデル (+979)・訓練 (+675)・センサデータ (+545)・車両 (+503)・言語モデル (+230)・
ロボット (+210)・自律システム (+202) が急上昇しており、本対象特許群の語彙重心が「グラフィッ
クス処理」から「AI/ML プラットフォーム + Physical AI」へとシフトしている。
このシフトは、MEGA PULSE で言うところの「企業の戦略シフト」に相当する動態であり、本対象特
許群においては Explorer 急上昇キーワード分析が代替を担う。
5. 本章のサマリー
本章は出願人軸 4 象限分析の代わりに技術領域軸の動態評価を行う。本対象特許群は単一企業の R&D
ポートフォリオであるため、出願人を軸とする 4 象限分析は本質的に意味を持たず、技術クラスタ
を軸とした動態評価が本対象特許群の戦略的方向性を正しく可視化する。本対象特許群の動態評価は、
Saturn V クラスタ動態マップ・ATLAS 出願トレンド・Explorer 急上昇キーワードの 3 視点で多面
的に行う。
本対象特許群の動態を理解するには、MEGA PULSE の出願人 4 象限ではなく、技術クラスタの動態（Saturn
V）、出願件数時系列（ATLAS）、語彙シフト（Explorer）の 3 視点を統合的に参照することが本分析の視座
（注力領域・萌芽・方向性）に最も適合する。
💡 Key Insight
本対象特許群は単一企業の R&D ポートフォリオであるため、出願人ベースの競争構造分析（出願
人指標 / 競合 4 象限）は適用せず、技術クラスタ × 動態 × キーワードシフト × 外部環境の 4 軸
統合分析により、本対象特許群の戦略的方向性を読み解く。
6. 仮想的な「クラスタ別動態 4 象限」の解釈例
本対象特許群においてクラスタを 4 象限化した結果（Saturn V クラスタ動態マップ）を、MEGA
PULSE 風の解釈フレームワークに当てはめる。


# Page. 47

![Page Image](https://bcdn.docswell.com/page/GJ5MM1M8J4.jpg)

APOLLO
47
象限
クラスタ数
総件数
代表的解釈
成長リーダー (右上)
16
1,129
メモリ系・並列計算系・高速通信系。
NVIDIA の現主力で、規模も成長性も両
立している領域
新興クラスタ (左上)
18
395
生成 AI・拡散モデル・ロボット学習・物
理シミュレーション。今後 2-3 年で主力
に昇格する候補
成熟クラスタ (右下)
18
1,990
古典 GPU 演算・レンダリング・半導体
パッケージ。規模は最大だが伸長率は低
い、メンテナンス的特許化
ニッチ・衰退 (左下)
15
381
モバイル UI・ゲーム体験解析・レガシー周
辺機器。現在の優先度は限定的だがニッ
チ用途の特許群
成長リーダー象限（16 クラスタ・1,129 件）と新興象限（18 クラスタ・395 件）の合計 34 クラス
タ・1,524 件（本対象特許群の 25.7%）が、本分析の視座（現注力 + 今後の方向性）に直接対応す
る技術領域である。MEGA PULSE が想定する「成長企業 + 新興企業」の組み合わせと類似の構造が、
本対象特許群では「クラスタ単位」で観察できる。
7. 本章と分析の目的の照合
本対象特許群の動態を、分析の目的 が要求する「現在注力している研究開発」
「今後の方向性」の 2 軸
で再整理すると、以下の対応関係になる。
• 現在注力している研究開発 → Saturn V クラスタ動態マップの「成長リーダー」16 クラスタ（1,129
件）+ 「成熟」象限の主要メガクラスタ（GPU 演算基盤）。これは本対象特許群の Compute スタッ
ク（GPU + メモリ + 高速通信）に集約される。
• 今後の方向性 → Saturn V クラスタ動態マップの「新興」18 クラスタ（395 件）+ ノイズ 2,026
件（34.2%）+ Explorer の QII 象限「高成長 × 低中心性」キーワード（言語モデル・ロボット・自
律システム・推論等）。これらは Physical AI / 生成 AI / 推論プラットフォーム化への 3 方向シフ
トを示す。
本分析の視座（現注力領域・萌芽・方向性）に対する、MEGA PULSE 不在を補う多面的アプローチと
して、上記の構成で本対象特許群の動態を捉える方針を確認する。
8. 補足: 単一企業の R&D ポートフォリオにおける出願人指標の不適用
本対象特許群は単一企業の R&D ポートフォリオであり、本来は複数出願人母集団を想定した分散系指
標値が得られているが、これらは「単一企業」という定義からの当然の帰結であり、本分析の解釈には
用いない。本対象特許群においては、これらの指標を業界・市場の汎用的解釈のような汎用的解釈に転
用することはできない（本分析は単一企業内の特許群を対象としているため）。
代替として、上記 6 節で示したクラスタ別動態 4 象限解釈、および後続の ATLAS / CORE 章で示す
クラスタ別 / 課題別の構造分析が、本対象特許群の動態評価の主要ツールとなる。


# Page. 48

![Page Image](https://bcdn.docswell.com/page/LE3WW1WGE5.jpg)

APOLLO
48
動態評価の方針
本対象特許群は単一企業の R&D ポートフォリオであるため、出願人軸の 4 象限分析を技術領域
軸に置き換えて動態を評価する。Saturn V クラスタ動態マップ・ATLAS 出願トレンド・Explorer
急上昇キーワードの 3 視点が、本分析の視座（注力領域・萌芽・方向性）を十分にカバーする。
9. 本章のサマリー
本章は、出願人 4 象限分析（複数出願人を前提とする MEGA PULSE 標準視点）が単一企業の R&D
ポートフォリオには直接適合しないため、出願人軸を技術領域軸に置き換えた動態評価を行った。
Saturn V クラスタ動態マップ・ATLAS 出願トレンド・Explorer 急上昇キーワードの 3 視点を統合
し、本対象特許群の現主力・新興・成熟・ニッチ衰退の領域別動態と、外部環境イベント（生成 AI / 推
論市場拡大 / 自動運転 / ロボティクス / データセンタ）との対応関係を整理した。
本章の動態評価は、統合分析章で他のモジュール分析と統合され、最終的な「現注力領域 / 萌芽領域 /
今後の方向性」の総合判定材料となる。
10. 技術領域動態 × 外部環境のクロスマッピング
本対象特許群を MEGA PULSE 風の動態評価フレームワークで読み解くため、Saturn V のクラスタ
動態 4 象限と、外部環境イベントの 5 つの主要トレンド（生成 AI、推論市場、自動運転、ロボティク
ス、データセンタ）の対応関係を整理する。
外部トレンド
対応象限・件数
本対象特許群での反映
生成 AI（拡散モデル・LLM）
新興象限の一部
クラスタ [16] 拡散モデル最適化、[7] 言語モデ
ル、[5] 生成 AI 分子設計、[34] 生成 AI 画像生成
— 2022 年以降に急増
推論市場拡大（NIM・推論サー
新興 + 成長リーダーの
クラスタ [17] ML モデル最適化、[31] NN 評価・
ビス）
一部
選択、[32] 連合学習・分類 — 推論最適化・モデ
ル評価の R&D
自動運転（DRIVE・Thor）
新興 + 成熟の中間
クラスタ [8][24][25][27][28][29][38] の自律
走行・知覚系 480 件 — 売上 23.5 億ドルに対し
特許先行投資
ロ ボ テ ィ ク ス （ GR00T・
新興象限の中核
Cosmos）
クラスタ [19] ロボット学習制御、[18] 物理シ
ミュレーション、[5] 生成 AI 分子設計 — CES
2026 R&D 反映
デ ー タ セ ン タ （ GB200・
成 長 リ ー ダー 象 限 の 中
クラスタ [60] スレッド命令行列、[47] メモリ系、
Slurm）
核
[2] データセンタ液冷、[64] クロック基地局無線
— Compute 売上 1,624 億ドル整合


# Page. 49

![Page Image](https://bcdn.docswell.com/page/8EDKKXKN7G.jpg)

APOLLO
49
11. 本対象特許群の動態評価サマリー
本章で示した代替動態分析を統合すると、本対象特許群は以下のように位置付けられる。第一に、
Saturn V クラスタ動態マップの 4 象限において、成長リーダー 16 + 新興 18 = 34 クラスタ（1,524
件、本対象特許群の 25.7%）が「現在伸長中の R&D 領域」を構成し、本対象特許群の「先頭部分」を
形成する。第二に、ATLAS 出願トレンドにおいて 2018-2024 年の局所 CAGR 約 30%/年と直近 5
年 CAGR 約 17.5%/年は、本対象特許群が成長期後半にあることを示す。第三に、Explorer 急上昇
キーワードにおいて 15 件（ニューラルネットワーク・機械学習モデル・訓練・センサデータ・車両・
言語モデル・ロボット・自律システム・推論等）が「今後の主流候補」として識別される。これら 3 視
点の統合により、MEGA PULSE が本来提供する「企業動態」の代わりに「技術領域動態」が本対象特
許群の戦略評価軸として機能する。
本章で示した代替動態評価は、統合分析章で他のモジュール分析と統合され、最終的な「現注力領域 / 萌芽領
域 / 今後の方向性」の総合判定材料となる。MEGA PULSE が本来提供する出願人 4 象限視点は本セッション
では利用できないが、技術クラスタ・出願件数・キーワードシフトの 3 視点で実質的に補完可能と判断する。


# Page. 50

![Page Image](https://bcdn.docswell.com/page/V7PKKPKNJ8.jpg)

APOLLO
50
Explorer グローバル共起ネットワーク分析 —
NVIDIA 技術語彙の構造
図 11: Explorer: 全体共起ネットワーク（技術コミュニティ）
図 12: Explorer: 全体ワードクラウド（高頻度語彙）


# Page. 51

![Page Image](https://bcdn.docswell.com/page/2JVVV2VYJQ.jpg)

APOLLO
51
図 13: Explorer: トレンド共起ネットワーク（急上昇キーワード）
図 14: Explorer: キーワード成長率ランキング
1. 本章の視座
本章は「NVIDIA の R&D ポートフォリオはどう構造化されているか」
「萌芽はどこか」という本分析の
視座に照らし、本対象特許群 5,921 件のテキスト（タイトル・要約・請求項）から抽出された複合名詞
の共起関係をネットワーク構造として読み解く。Saturn V TELESCOPE 分析が「文章ベクトル類似
度」に基づく分析だったのに対し、本章では「キーワード共起頻度」を起点として技術コミュニティと


# Page. 52

![Page Image](https://bcdn.docswell.com/page/5EGLLRLWJL.jpg)

APOLLO
52
変化を抽出する。両視点が一致する領域は確立した中核、不一致な領域は萌芽または隠れた領域として
解釈する。
2. ネットワーク全体像 — 密度・3 層構造
Explorer グローバル共起ネットワーク分析は、本対象特許群の上位 60 キーワードを抽出し、Jaccard
類似度に基づく共起ネットワークを構築した結果、60 ノード、280 エッジ、密度 0.1582 のネット
ワークが得られた。密度 0.1582 は中程度（0.1-0.3 レンジ）に位置し、技術用語間の関連性が局所的
に密集しつつもネットワーク全体としては適度に疎な構造を持つことを示す。
ノード数
エッジ数
密度
60
280
0.158
コミュニティ数
7
中程度
上位キーワード
ネットワーク構造を 3 層で読み解くと、最上層には極めて高頻度で広範に共起する「汎用キーワード
層」
（プロセッサ 3,449 回、画像 2,624 回、識別 2,055 回、計算 1,974 回、動作 1,815 回、技術
1,702 回）が存在し、これらが本対象特許群全体を貫く文脈を形成している。中間層には技術固有の概
念キーワード（ニューラルネットワーク・機械学習モデル・GPU・センサデータ・車両・レンダリング
等）が存在し、最下層には特定領域に閉じた専門キーワード（API・グラフィックス処理ユニット・符
号化・復号等）が分布する。
💡 Key Insight
本対象特許群のキーワード共起密度 0.158 は中程度であり、技術用語間に「広範な汎用語が骨格
を作り、その上に多様な専門概念が乗る」階層構造が観察される。本分析の視座（ポートフォリオ
構造化）に即して言えば、NVIDIA の R&D は「単一テーマの深堀り型」ではなく「汎用基盤の上
に多領域を載せる横展開型」のキーワード分布を示している。
3. コミュニティ全件詳細 — 7 コミュニティの命名と構造
モジュラリティ最適化により 7 つのコミュニティが検出された。各コミュニティに本分析の文脈で適
切な命名を行い、ハブキーワード・主要メンバー・特徴を整理する。
ID
命名
規模
ハブ
主要メンバー
G0
API・プログラミング基
15
技術 (0.47)
API, アプリケーションプロ
盤
グラミングインターフェー
ス, オブジェクト, ニュー
ラルネットワーク, プロセッ
サ, セット, コンピュータプ
ログラム製品, 識別, 提示, 部


# Page. 53

![Page Image](https://bcdn.docswell.com/page/4JQYYVYQ7P.jpg)

APOLLO
ID
53
命名
規模
ハブ
主要メンバー
分的, 修正, 指示, サブセッ
ト, 技法
G1
機械学習モデル
4
機械学習モデル
機械学習モデル, 訓練, モデ
ル, 予測
G2
センサ・自動運転・物体
13
様々 (0.71)
認識
物体, アプリケーション, セ
ンサデータ, 車両, 画像デー
タ, 機械, 環境, キャプチャ,
部分, 様々, 現在, いくつ, タ
イプ
G3
GPU 並列演算・メモリ
12
動作 (0.36)
動作, 実装, スレッド, 関連,
アクセス, 記憶, 動作可能, 指
定, 処理ユニット, 結合, 命
令, メモリ
G4
画像・レンダリング・計
12
算
コンピュータ実装方法
作成, 計算, 単一, マッピン
(0.42)
グ, ピクセル, 画像, 存在, レ
ンダリング, 調整, 変換, シー
ン, コンピュータ実装方法
G5
G6
GPU プラットフォーム
動画コーデック
2
2
グラフィックス処理ユニッ
グラフィックス処理ユニッ
ト
ト, GPU
符号化
符号化, 復号
コミュニティ G0「API・プログラミング基盤」（15 ノード）
本コミュニティはネットワーク中で最大規模を持ち、CUDA / cuDNN / NCCL に代表されるソフト
ウェア API エコシステムを表現している。ハブは「技術 (中心性 0.47)」であり、API・プロセッサ・
ニューラルネットワークが直接結合している。本コミュニティは、本対象特許群が「ハードウェア単体」
ではなく「API を介した使い方を含めた特許化」を中心に展開していることを示す重要な構造である。
コミュニティ G1「機械学習モデル」（4 ノード）
最小規模だが、機械学習モデル・訓練・モデル・予測という極めて密に結合した語彙群を持つ。本コミュ
ニティは Saturn V TELESCOPE 分析の超領域 SR-2（AI/ML 中核）と完全に対応する。本対象特許
群における AI/ML 系特許の中核語彙集合がここに現れている。
コミュニティ G2「センサ・自動運転・物体認識」（13 ノード）
ハブは「様々 (中心性 0.71)」であり、本ネットワーク全体の最大ハブ。センサデータ・車両・物体・
環境・キャプチャといった自動運転・知覚系の語彙が集合する。Saturn V TELESCOPE 分析の超領
域 SR-3（自動運転・知覚）と高い対応性を示す。
コミュニティ G3「GPU 並列演算・メモリ」（12 ノード）


# Page. 54

![Page Image](https://bcdn.docswell.com/page/K74WWMWYE1.jpg)

APOLLO
54
動作・実装・スレッド・アクセス・記憶・処理ユニット・命令・メモリという、GPU の並列処理アー
キテクチャの語彙が集合する。Saturn V TELESCOPE 分析の超領域 SR-1（GPU 演算基盤）と対応
する。
コミュニティ G4「画像・レンダリング・計算」（12 ノード）
ピクセル・画像・レンダリング・シーン・マッピング・コンピュータ実装方法という、グラフィックス・
レンダリング系の語彙が集合する。Saturn V TELESCOPE 分析の超領域 SR-6（レンダリング）に概
ね対応する。
コミュニティ G5・G6（2 ノード × 2）
G5「GPU プラットフォーム」
（GPU・グラフィックス処理ユニット）と G6「動画コーデック」
（符号
化・復号）は、それぞれ 2 ノードのみで構成された特殊コミュニティであり、特定の語彙ペアが極め
て強く共起していることを示す（G5 の Jaccard 0.148、G6 の Jaccard 0.056）。これらは「ブラ
ンド名（GPU 略号）」
「機能対（符号化-復号）」のような技術用語ペアとして本対象特許群に頻出する。
4. ブリッジエッジの偏在分析
異なるコミュニティを橋渡しするエッジ（ブリッジエッジ）は、本ネットワークでは「機械学習モデル」
コミュニティ G1 を中心に集中する。ブリッジエッジ上位を整理すると以下の通りである。
Source
Target
Jaccard
接続コミュニティ
ニューラルネットワーク
訓練
0.083
G0 ↔ G1
様々
機械学習モデル
0.083
G2 ↔ G1
訓練
様々
0.076
G1 ↔ G2
様々
予測
0.054
G2 ↔ G1
訓練
コンピュータ実装方法
0.063
G1 ↔ G4
技術
コンピュータ実装方法
0.102
G0 ↔ G4
動作
様々
0.090
G3 ↔ G2
プロセッサ
様々
0.074
G0 ↔ G2
計算
様々
0.072
G4 ↔ G2
特筆すべきは、G1（機械学習モデル）が他の 3 コミュニティ（G0 / G2 / G4）と複数のブリッジを
持っていることである。これは機械学習モデルが「API・プログラミング基盤」
「センサ・自動運転」
「画
像・レンダリング」のすべてに共通の中核技術として組み込まれていることを意味する。本分析の視座
（ポートフォリオ構造）から見れば、機械学習モデルが本対象特許群の「結節技術」としてポートフォリ
オ全体を統合している様が明確に表れている。
5. 成長率 × 中心性の 4 象限分析
本対象特許群を 1997-2011 期と 2012-2025 期に分割し、急上昇キーワード（成長率順）と中心性
（degree centrality）の 2 軸で 4 象限分析を行う。


# Page. 55

![Page Image](https://bcdn.docswell.com/page/LJ1YY8YNEG.jpg)

APOLLO
55
象限
特徴
代表キーワード
QI: 高成長 × 高中心性
現主流の成長キーワード
ニューラルネットワーク (Growth +1974, 中心性
中), プロセッサ (中心性 0.36), 技術 (中心性 0.47)
QII: 高成長 × 低中心性
新興の周辺キーワード（萌芽
機械学習モデル (Growth +979), 訓練 (Growth
候補）
+675), セ ン サ デ ー タ (Growth +545), 車 両
(Growth +503), 言語モデル (Growth +230), ロ
ボット (Growth +210), 自律システム (Growth
+202), 軌道 (Growth +196), MLM (+190), デー
タセンタ (+190), DNN (+177), 推論 (+158)
QIII: 低成長 × 高中心性
既存基盤キーワード
様々 (中心性 0.71), コンピュータ実装方法 (0.42),
動作 (0.36), 識別 (0.36), 計算 (0.32), 部分的
(0.29), 画像 (0.29)
QIV: 低成長 × 低中心性
周縁キーワード
符号化, 復号, グラフィックス処理ユニット 等の特
化語彙
QI 象限「現主流の成長キーワード」
ニューラルネットワークが圧倒的成長 (+1,974) を見せながら、ネットワークでは中程度の中心性を持
つ。これは「ニューラルネットワーク」が AI/ML 中核（G1）と API 基盤（G0）の両方に橋渡し的
に位置することと整合する。本キーワードは本対象特許群の「現在の主流」を最もよく象徴する語彙で
ある。
QII 象限「新興の周辺キーワード（萌芽候補）」
本象限が本分析の視座（萌芽検出）の中核である。機械学習モデル・訓練・センサデータ・車両・言語モ
デル・ロボット・自律システム・推論の 8 キーワードはいずれも 2012 年以降に急成長したが、ネッ
トワーク中心性は中-低位にとどまる。これは「2018 年以降に急増したが、ネットワーク全体の中で
はまだ周辺位置にある」状態を示し、近年中に主流に昇格する候補と読み取れる。
特に「言語モデル (+230)」
「ロボット (+210)」
「自律システム (+202)」
「推論 (+158)」
「DNN (+177)」
「MLM (+190)」は、Saturn V TELESCOPE 分析の新興象限 18 クラスタ（395 件）と完全に符合
し、本対象特許群が今後 2-3 年で重心を移す方向を示している。
QIII 象限「既存基盤キーワード」
最大ハブ「様々」(0.71) を筆頭に、コンピュータ実装方法・動作・識別・計算・部分的・画像という
汎用語彙が集合する。これらは本対象特許群の「文体」を構成しており、特許文書の慣用句的な役割を
果たすため、特定技術領域の動向を直接示すわけではない。
QIV 象限「周縁キーワード」
低成長・低中心性の象限。動画コーデック G6 の符号化・復号や G5 の GPU 略号・グラフィックス処
理ユニットがここに分布し、特定機能に閉じた特許領域を示す。


# Page. 56

![Page Image](https://bcdn.docswell.com/page/GJWGGZ1M72.jpg)

APOLLO
56
6. ボトルネック分析
本ネットワークにおける情報フローのボトルネックは、ハブ「様々」(中心性 0.71) と「技術」(0.47)
に集中している。両者が削除された場合、ネットワーク密度は大幅に低下し、複数のコミュニティが分
断される構造を持つ。これは本対象特許群の特許文書スタイルにおいて、
「様々な実施形態は」
「本技術
は」といった汎用的導入句が文書全体を結合していることに起因する。
技術的なボトルネックとしては、機械学習モデル（G1）と他コミュニティを結ぶ「訓練」キーワードが
重要な役割を持つ。
「訓練」が削除された場合、機械学習モデル G1 が孤立化し、本対象特許群全体の
AI/ML 統合性が失われる構造になる。これは本対象特許群における「訓練フェーズの技術」が、推論
フェーズや基盤層との結節点として極めて重要であることを示す。
7. 情報フロー分析
本ネットワークにおける情報の流れを概念的に追うと、(1) 物理層（GPU・プロセッサ）→ (2) API 層
（API・プログラミング基盤）→ (3) AI モデル層（機械学習モデル・ニューラルネットワーク）→ (4)
応用層（センサ・車両・画像）という階層構造が見える。
特に G3「GPU 並列演算・メモリ」のキーワード（命令・スレッド・メモリ・アクセス）と G4「画像・
レンダリング・計算」のキーワード（計算・ピクセル・レンダリング）は、共通の「動作・実装・処理ユ
ニット」を介して結合している。これは本対象特許群が「GPU の物理基盤を、画像・グラフィックス
処理という伝統的応用と、AI/ML という新興応用の両方で活用する」という構造を持つことを示す。
8. トレンド時系列分析 — 急上昇キーワードの構造
1997-2011 期と 2012-2025 期の比較で、急上昇キーワード上位 15 件を整理すると、本対象特許
群の重心シフトが鮮明になる。
順位
キーワード
Growth 値
本対象特許群での意味
1
ニューラルネット
+1,974
AI/ML 全領域の中核語彙、G0-G1 ブリッジ
ワーク
2
機械学習モデル
+979
G1 中核、訓練と密結合
3
訓練
+675
G1 中核、Foundation Models 関連
4
センサデータ
+545
G2 中核、自動運転・ロボティクス
5
車両
+503
G2、自動運転 R&D 反映
6
学習
+240
Foundation Models 関連
7
言語モデル
+230
生成 AI 本格化期に出現
8
描写
+217
3D 生成・Omniverse 関連
9
ロボット
+210
Project GR00T / Isaac 関連
10
自律システム
+202
DRIVE / Cosmos 関連
11
軌道
+196
自律走行軌道予測関連
12
MLM
+190
Masked Language Model


# Page. 57

![Page Image](https://bcdn.docswell.com/page/4EZLL1PM73.jpg)

APOLLO
57
順位
キーワード
Growth 値
本対象特許群での意味
13
データセンタ
+190
Compute 事業中核
14
DNN
+177
Deep Neural Network
15
推論
+158
推論市場戦略の語彙
これら 15 キーワードは全て 2012 年以降に急成長したものであり、その総和は本対象特許群の重心
が「グラフィックス処理装置」から「AI/ML プラットフォーム」へと移ったことを定量的に示している。
特に「ロボット」
「自律システム」
「言語モデル」
「データセンタ」
「推論」は、外部環境イベント（Project
GR00T 発表、データセンタ売上 1,937 億ドル、ChatGPT ブーム、AI ASIC 競合）と直接対応して
おり、本対象特許群が外部市場の変化を 1-2 年遅れで特許化していることを示す。
💡 Key Insight
急上昇キーワード上位 15 のうち、AI/ML 系（ニューラルネットワーク・機械学習モデル・訓練・
学習・MLM・DNN）が 6 件、自動運転・ロボティクス系（センサデータ・車両・ロボット・自律
システム・軌道）が 5 件、データセンタ・推論系が 3 件を占める。本対象特許群の語彙シフトは
「AI / Physical AI / 推論プラットフォーム」の 3 重シフトとして読み取れる。
9. 統合的戦略インサイト
本ネットワーク分析・コミュニティ分析・成長分析を総合し、3 つの戦略インサイトを命名する。
1. インサイト E1（結節技術の力）「機械学習モデル G1 がポートフォリオ全体の結節点」 — G1 は
4 ノードと最小規模ながら、G0・G2・G4 の 3 大コミュニティ全てと複数ブリッジを持つ。これ
は機械学習モデルが API・自動運転・レンダリングの全てに共通の中核技術として組み込まれてい
る証拠であり、本対象特許群の R&D ポートフォリオを統合する「結節技術」の役割を担っている。
2. インサイト E2（萌芽の方向性）「QII 象限の 8 キーワードが今後 2-3 年の主流候補」 — 機械学
習モデル・訓練・センサデータ・車両・言語モデル・ロボット・自律システム・推論の 8 キーワー
ドは「高成長 × 低中心性」の象限に位置し、まだネットワーク中心ではないが急速に伸びている。
本分析の視座（萌芽検出・方向性予測）に照らせば、これらは今後 2-3 年で QI 象限へ昇格する可
能性が高い。
3. インサイト E3（語彙シフトの 3 重構造）「AI / Physical AI / 推論の 3 重シフト」 — 急上昇
キーワード 15 件は AI/ML 系 6 件、Physical AI 系 5 件、データセンタ・推論系 3 件で構成され
る。これは本対象特許群が単一の語彙シフトではなく、(1) AI モデル基盤、(2) 物理世界応用（自
動運転・ロボティクス）、(3) 推論プラットフォーム化という 3 方向への同時シフトを示す。
10. クロスモジュール検証 — Saturn V TELESCOPE との照合
本章のコミュニティ構造を Saturn V TELESCOPE 分析の超領域構造と照合すると、以下のような対
応関係と乖離が観察される。


# Page. 58

![Page Image](https://bcdn.docswell.com/page/Y76WWLM57V.jpg)

APOLLO
58
Explorer コミュニティ
Saturn V 超領域
対応・乖離の解釈
G0 API・プログラミング基
SR-1 GPU 演算基盤の API
完全対応 — CUDA エコシステムは両視点で確立
盤
部分
G1 機械学習モデル
SR-2 AI/ML 中核
完全対応 — 中核語彙集合が両視点で一致
G2 センサ・自動運転・物体
SR-3 自動運転・知覚
強い対応 — 自動運転 R&D は両視点で明示的
SR-1 GPU 演算基盤のメモ
完全対応 — 並列演算基盤は両視点で確立
認識
G3 GPU 並列演算・メモリ
リ部分
G4 画像・レンダリング・計
SR-6 レンダリング
強い対応 — レンダリング系は両視点で確立
SR-5 ロボティクス・物理
乖離 — Saturn V では明示的、Explorer では
算
(対応コミュニティなし)
キーワード未分化
(対応コミュニティなし)
SR-7 半導体・冷却・電源
乖離 — 物理ハードウェア語彙は Explorer に独
立コミュニティを形成せず
(対応コミュニティなし)
SR-8 言語・音声・UX
乖離 — 言語モデルは G1 内に内包され独立コ
ミュニティ未形成
両視点で一致する 5 領域（G0 / G1 / G2 / G3 / G4）は本対象特許群の「確立された主力領域」を
表す。一方、乖離する 3 領域（SR-5 / SR-7 / SR-8）は「Saturn V の意味ベクトルでは独立クラス
タ化されているが、Explorer の共起語彙ではまだ独立コミュニティを形成していない」状態を示す。
特に SR-5 ロボティクス・物理（[5][18][19] 約 200 件）は、Saturn V では明確な独立クラスタ群と
して観察されるにもかかわらず、Explorer の共起語彙では「ロボット」
「自律システム」
「軌道」が QII
象限の高成長キーワードとして散在するに留まっている。本分析の視座（萌芽検出）に照らすと、SR-5
は「キーワード未分化のまま意味ベクトル上で凝集している萌芽段階の R&D」として位置づけられ、最
も注目すべき領域である。
11. ミクロ分析 A: コミュニティ別の代表特許
各コミュニティから代表的な特許を抽出する。
G0「API・プログラミング基盤」
1. [US2007291038] 入力および出力パラメータに基づいてプログラマブルグラフィックス/
オーディオプロセッサを調整するためのシステム、方法、およびコンピュータプログラム製品（出願
2006, IPC: G06T 1）— 古典的な API・プログラム特許。CUDA 黎明期。
2. [US2025181363] グラフコードの表現を生成するアプリケーションプログラミングインター
フェース（出願 2024, IPC: G06F 9）— クラスタ [50] GPU グラフィックスパケット。最新世代
の API 拡張。
G1「機械学習モデル」
1. [US2022379484] 不確実性定量化に基づくデータ選択（出願 2021, IPC: G06V 20/64, G06V
20/20）— 訓練データ選択、自動運転 ML との結節点。


# Page. 59

![Page Image](https://bcdn.docswell.com/page/G75MM1ZG74.jpg)

APOLLO
59
2. [US2026080668] 自律型および半自律型システムおよびアプリケーションのための自己教師
あり学習を使用した基礎モデル事前訓練（出願 2025, IPC: G06V 10, G06N 3）— 基盤モデル訓
練、最新生成 AI 系。
3. [US2023140934] 協調データ転送および計算のためのスレッド特殊化（出願 2022, IPC: G06F
9/54, G06F 9/48, G06F 9/52）— 行列乗算の並列処理、ML × GPU の結節点。
G2「センサ・自動運転・物体認識」
1. [US2024161221] ストリーミングおよびレイテンシに敏感なアプリケーションのためのセン
サデータの細分化された転送（出願 2022, IPC: G06F 13/24, G06T 1/60, G06T 1/20）— セ
ンサデータ転送基盤。
2. [US2026043672] 自律システムおよびアプリケーションのための地図監視（出願 2025, IPC:
B60W 60, G06V 20, G01C 21）— 自動運転地図 R&D。
3. [WO2025227135] 学習済み視覚言語モデルを使用して自律走行車を制御する方法（出願
2025）— VLM × 自動運転、最新世代。
G3「GPU 並列演算・メモリ」
1. [US2015026438] トークンストレージのための両面キューを使用することによってスレッド
ブロック実行中に発散および同期ポイントを管理するためのシステム、方法、およびコンピュータプ
ログラム製品（出願 2013, IPC: G06F 9/38, G06F 9/30, G06F 9/52）— SIMT 並列の基本特
許、Kepler 世代対応。
2. [US2025362910] 行列乗算累算演算の一般化された加速度（出願 2025, IPC: G06T 1, G06F
9）— Tensor Core 系の最新代表。
3. [US2026016953] メモリデバイスに動的に名前空間タイプを割り当てる（出願 2025, IPC:
G06F 3）— 動的メモリ管理。
G4「画像・レンダリング・計算」
1. [US2026030832] リアルタイム光線追跡のための加速三角視認性試験（出願 2025, IPC: G06T
17, G06T 9, G06T 11）— RTX 系レイトレ最適化。
2. [US2026101046] ビデオレート制御のための強化学習を使用するコンテンツベースのビデオ
圧縮（出願 2025, IPC: G06N 3, H04N 19）— 強化学習 × 動画圧縮、ML × レンダリングの結
節点。
G5・G6（小規模コミュニティ）
1. [WO2026069129] 双方向リンクのためのフォトニックアーキテクチャ（出願 2025, IPC:
H04B 10）— 通信信号補正、Networking 領域代表（G6 関連）。
12. ミクロ分析 B: 急上昇キーワード対応の戦略分析（5 領域）
単一企業の R&D ポートフォリオのため出願人別の戦略分析は不要であり、代わりに急上昇キーワード
に対応する 5 つの戦略領域別の分析を行う。


# Page. 60

![Page Image](https://bcdn.docswell.com/page/9J2991RDER.jpg)

APOLLO
60
戦略 1: 機械学習モデル・訓練系（G1、Growth 上位）
機械学習モデル (+979)・訓練 (+675)・学習 (+240)・MLM (+190)・DNN (+177) が急成長して
おり、本対象特許群における AI/ML モデル基盤の特許化が一気に加速している。これは Foundation
Models / 基盤モデル事前訓練 / 自己教師あり学習という外部学術界のブレイクスルー潮流と整合す
る。本対象特許群はこれらを「自社 GPU 上で動かす AI スタック」として特許化していると推察される。
戦略 2: センサ・自動運転系（G2、Growth 中位）
センサデータ (+545)・車両 (+503)・自律システム (+202)・軌道 (+196) が急成長。NVIDIA 自動
車売上 23.5 億ドル（全社比 1.1%）に対して特許出願が大きく先行する構造と整合する。DRIVE
Hyperion / Thor SoC / Cosmos Reason の R&D 反映であり、本分析の視座（今後の方向性）か
ら見て長期オプションとしての投資が継続している。
戦略 3: ロボティクス系（高成長キーワードに分散）
ロボット (+210)・自律システム (+202)・描写 (+217)・軌道 (+196) は分散して伸長しており、Saturn
V TELESCOPE 分析の SR-5 ロボティクス・物理（200 件）との対応を示す。Project GR00T / Jetson
Thor / Isaac Lab-Arena の R&D 反映として位置づけられる。Explorer ではまだ独立コミュニティ
を形成しておらず、萌芽段階。
戦略 4: 言語モデル・推論系（G1 拡張、Growth 中位）
言語モデル (+230)・推論 (+158)・MLM (+190) が急成長。これは本対象特許群が ChatGPT 後の
生成 AI 本格化期に急速に追いついていることを示す。Saturn V TELESCOPE 分析のクラスタ [7] 言
語モデル感情（153 件）と整合する。NIM（NVIDIA Inference Microservice）等の推論サービス基
盤の R&D 反映と推察される。
戦略 5: データセンタ系（G3 拡張、Growth 中位）
データセンタ (+190) の急成長は、Compute 事業（FY2026 売上 1,624 億ドル、2 年 CAGR
104.2%）の中核を表現する。Saturn V TELESCOPE 分析の SR-1 GPU 演算基盤・SR-4 高速通信・
SR-7 半導体冷却電源の総和が、本対象特許群の Compute 重心を構成している。
本章の急上昇キーワード分析は、後続の ATLAS 章（時系列詳細）
・CORE 章（課題×解決手段マトリクス）と
連結することで、本対象特許群の語彙シフトを多層的に検証する。特にロボティクス系の「キーワード分散」状
態は、CORE の解決手段分類で初めて明示的に集約される可能性がある。


# Page. 61

![Page Image](https://bcdn.docswell.com/page/DEY44ZDMJM.jpg)

APOLLO
61
クロスモジュール統合分析
本章は、Saturn V TELESCOPE 分析・Explorer グローバル共起ネットワーク分析・ATLAS 基本統計
分析・CORE 分類分析・NEBULA 環境分析の各章で得られた知見を、3 つのクロス分析パターンの枠
組みで横断的に再検討し、本対象特許群の戦略的構造を統合的に明らかにする。本分析の視座（NVIDIA
の現注力領域・萌芽領域・今後の方向性）は、各単一モジュールの分析だけでは部分像にとどまるため、
本章の統合視点が不可欠である。
クロス分析 1: キーワード構造 × 技術領域
仮説と検証アプローチ
本クロスパターンの仮説は、Explorer グローバル共起ネットワーク分析の 7 コミュニティ（API/プロ
グラミング、機械学習モデル、センサ・自動運転、GPU 並列演算・メモリ、画像・レンダリング・計
算、GPU プラットフォーム、動画コーデック）と Saturn V TELESCOPE 分析の 9 超領域（GPU 演
算基盤・AI/ML 中核・自動運転・高速通信・ロボティクス・レンダリング・半導体冷却電源・言語音
声 UX・SoC コンパイラ）が、両者で「キーワードベース視点」と「意味ベクトル視点」の 2 視点を
提供し、両者が一致する領域は確立された主力領域、両者が乖離する領域は萌芽・隠れた領域として識
別できる、というものである。
検証結果
両視点で対応する 5 領域は、Explorer G0「API・プログラミング基盤」 ↔ Saturn V SR-1 GPU 演
算基盤の API 部分、G1「機械学習モデル」 ↔ SR-2 AI/ML 中核、G2「センサ・自動運転・物体認
識」 ↔ SR-3 自動運転・知覚、G3「GPU 並列演算・メモリ」 ↔ SR-1 GPU 演算基盤のメモリ部分、
G4「画像・レンダリング・計算」 ↔ SR-6 レンダリングである。これら 5 領域は本対象特許群の中
で、キーワードレベルでも意味ベクトルレベルでも明確な集約を見せており、確立された主力領域とし
て位置付けられる。
一方、Explorer に対応コミュニティを持たないが Saturn V には独立超領域として存在する領域とし
て、SR-5 ロボティクス・物理（約 200 件）、SR-7 半導体・冷却・電源（約 350 件）、SR-8 言語・
音声・UX（約 360 件）の 3 つが識別される。
特に SR-5 ロボティクス・物理は、Saturn V TELESCOPE 分析でクラスタ [5] 生成 AI 分子設計、
[18] 物理シミュレーション、[19] ロボット学習制御として明確に独立クラスタを形成しているにもか
かわらず、Explorer 共起ネットワーク分析では「ロボット (+210)」「自律システム (+202)」「軌道
(+196)」が QII 象限の高成長キーワードとして散在するに留まっている。これは「キーワード未分化
のまま意味ベクトル上で凝集している萌芽段階の R&D」を示し、本分析の視座（萌芽検出）に最も合
致する発見である。Project GR00T / Cosmos / Jetson Thor の R&D 反映として、今後 1-2 年で
Explorer 上にも独立コミュニティが形成される可能性が高い。
結論


# Page. 62

![Page Image](https://bcdn.docswell.com/page/VJNYY36378.jpg)

APOLLO
62
本クロス分析の結論として、本対象特許群の R&D は (a) キーワードと意味の両方で確立された 5 領
域（CUDA エコシステム、AI/ML、自動運転、GPU 並列計算、レンダリング）と、(b) 意味ベクトル
上では凝集しているがキーワード上では未分化の 3 領域（ロボティクス・物理、半導体物理層、言語・
音声 UX）の二重構造を持つ。本分析の視座（注力領域同定 + 萌芽検出）に照らせば、(a) は現主力、
(b) は萌芽として位置付けられる。
クロス分析 2: ノイズ分析 × 外部環境
仮説と検証アプローチ
本クロスパターンの仮説は、Saturn V TELESCOPE 分析のノイズ特許 2,026 件（34.2%、
「萌芽・黎
明期」
「均一分布」判定、2024 年に 271 件のピーク）が、NEBULA 環境分析の 30 件のマクロイベン
ト（NVIDIA 決算 / IDC / Gartner / Reuters）および 事前の Web 調査結果（Blackwell / Rubin /
SchedMD / GR00T / B30 等の 5 テーマ）と関連しており、外部環境の変化が本対象特許群のノイ
ズ部分（既存クラスタに収まらない試行的 R&D）に反映されているはず、というものである。
検証結果
ノイズ年分布を見ると、2018 年 49 件 → 2019 年 93 件 → 2020 年 119 件 → 2021 年 169
件 → 2022 年 166 件 → 2023 年 221 件 → 2024 年 271 件と約 5.5 倍に急増している。この
急増期は、外部環境イベントとして、(1) 2018-2020 年の DGX-1 / V100 / A100 投入によるデー
タセンタ AI 本格化、(2) 2022 年 11 月の ChatGPT 公開と生成 AI ブーム、(3) 2024-2025 年の
Blackwell B200 / GB200 量産化（3.6M ユニットバックログ）と Project GR00T / Cosmos /
Jetson Thor の発表、と完全に同期している。
ノイズの萌芽キーワード上位（画像 572、技術 536、セット 414、ニューラルネットワーク 400、ア
プリケーション 366、識別 338、データセット 294、動作 287、訓練 264、ステージ 254）は、生
成 AI の文脈で頻出する「データセット・訓練・ステージング」系の語彙群が中心であり、Foundation
Models / 拡散モデル / VLA モデル / 物理 AI といった新興技術の R&D 前駆と整合する。
NEBULA マクロイベント分析 の中でも特に重要な戦略アクションとして、2025/12 SchedMD 買
収（Slurm スケジューラ取得、Top500 スパコンの 60% に展開）、2025/9 Intel 株 50 億ドル投資
（x86 SoC への RTX チップレット統合計画）、CoreWeave 20 億ドル投資（Neocloud 需要固定化）、
2026/1 Siemens 拡張提携（産業 AI / EDA 2-10 倍高速化）が挙げられる。これらは本対象特許群
の SR-1 GPU 演算基盤・SR-9 SoC コンパイラ・SR-2 AI/ML 中核の R&D を「Compute スタッ
ク垂直統合」の文脈で集約する役割を果たしている。
外部市場予測（IDC: AI インフラ支出 2024 1,530 億ドル → 2029 1 兆ドル超、CAGR 31%）は、
本対象特許群の 2018 年以降の出願加速（CAGR 約 30%/年）と整合的であり、本対象特許群が「市
場創出と並走する実装層」として機能していることを裏付ける。
結論
本クロス分析の結論として、本対象特許群のノイズ 34.2% は、NVIDIA が外部環境の変化（生成 AI
ブーム、Blackwell 量産化、Physical AI 立ち上がり）に呼応して、既存 67 クラスタを補完する形で
常に新領域の試行的 R&D を行っている証拠である。2024 年ノイズピーク 271 件は、Physical AI /


# Page. 63

![Page Image](https://bcdn.docswell.com/page/YE9PP9LPJ3.jpg)

APOLLO
63
生成 AI / 推論プラットフォーム化の 3 方向シフトの特許化フェーズに既に入っていることを示す。AI
ASIC 競合（Google TPU v7 / AWS Trainium 3 / MS Maia 200 / Meta MTIA 300-500、市場
2028 年 600 億ドル予測）に対する応戦は、本対象特許群においては「単体 GPU の差別化」ではな
く「ソフトウェア・スケジューラ・ロボティクス・自動運転を含む垂直統合スタック」の特許化として
観察される。
クロス分析 3: ルール分類 × AI 分類
仮説と検証アプローチ
本クロスパターンの仮説は、CORE 分類分析の「技術 × 課題 × 解決手段」3 軸マトリクス（11 × 11
× 11）と Saturn V TELESCOPE 分析の 67 クラスタを照合することで、NVIDIA の「どんな課題を、
どんな解決手段で」取り組んでいるかを構造化できる、というものである。
検証結果
CORE 分類で「課題その他」が 75.5%、
「解決手段その他」が 59.4% を占める事実は、本対象特許群
が伝統的特許カテゴリ（半導体・電源・通信・画像処理・グラフィックス）の枠を越えて新領域に大き
く振れていることを示す。これは Saturn V TELESCOPE 分析のノイズ 34.2% と概ね同方向の所見
であり、両分析が「本対象特許群の現代性は伝統的分類器の枠外にある」という共通認識に到達する。
「その他」を除外した有意味なセルから、以下の対応関係が観察される。第一に、CORE「計算資源・
ワークロード管理 × 資源割当・実行制御最適化」
（97 件）は Saturn V SR-1 GPU 演算基盤の中核と
整合し、CUDA / Slurm 統合の R&D を表現する。第二に、CORE「合成データ・生成モデル × その
他」（281 件）+ 「画像・映像処理パイプライン;合成データ・生成モデル × その他」（340 件）の合
計 621 件は Saturn V SR-2 AI/ML 中核と SR-6 レンダリングの融合領域に対応し、生成 AI（拡散
モデル・GAN）と画像処理が技術的に融合している局面を示す。第三に、CORE 解決手段の「センサ
データ融合・自動ラベル伝播」（206 件）は Saturn V SR-3 自動運転・知覚の中核手法と整合する。
CORE 解決手段の「教師モデル・合成データによる訓練」
（499 件）と「ニューラルネットワークによ
る画像生成」（174 件）の合計 673 件は、Foundation Models の訓練効率化と生成 AI 画像合成と
いう、NVIDIA の AI/ML R&D の中核手法を表現する。これらは Saturn V SR-2 AI/ML 中核と整合
し、NIM（NVIDIA Inference Microservice）や Omniverse 等の推論・生成サービスの R&D 反映
として位置付けられる。
結論
本クロス分析の結論として、本対象特許群は (a) CORE 分類器の事前定義語彙でカバーされる「計算
資源管理 × 資源割当」
「センサ融合 × 自動運転」
「半導体物理層」といった伝統的領域と、(b) CORE
分類器でカバーされない「生成 AI × 画像処理」「Foundation Models 訓練」「Physical AI」といっ
た新領域の二重構造を持つ。(a) と (b) の対応関係は Saturn V TELESCOPE 分析の超領域構造とも
整合し、本対象特許群の R&D は「伝統的計算資源管理を基盤に、新興 AI/ML 領域へ拡張する」構造
として理解できる。


# Page. 64

![Page Image](https://bcdn.docswell.com/page/GE8DD9XXED.jpg)

APOLLO
64
3 パターンを統合した戦略的解釈
3 つのクロス分析パターンを統合すると、本対象特許群の戦略的構造は以下の 3 層モデルとして整理
できる。
層
構成領域
戦略的役割
中核層 (Core)
SR-1 GPU 演算基盤 + SR-4
Compute ス タ ッ ク 垂 直 統 合 の 特 許 化 。 CUDA /
高速通信 + SR-7 半導体物理層
cuDNN / NCCL / NVLink を含む既存コアの厚化。
+ SR-9 SoC
Compute 売上 1,624 億ドルの基盤
SR-2 AI/ML 中核 + SR-6 レン
生成 AI / Foundation Models / 推論サービスへの拡
ダリング + SR-8 言語音声 UX
張。NIM / Omniverse / Cosmos の R&D 反映。将
拡
張
層
(Extension)
来コアへの昇格候補
萌芽層 (Frontier)
SR-3 自動運転 + SR-5 ロボ
Physical AI へ の 戦 略 横 展 開 。 Project GR00T /
ティクス + ノイズ 2,026 件
DRIVE Thor / Isaac の R&D 中核。長期オプション
としての投資
この 3 層モデルは、(1) 本対象特許群の現主力（中核層）
、(2) 今後 2-3 年で主流昇格する候補（拡張
層）、(3) 5-10 年スパンの長期オプション（萌芽層）という時間軸を内包しており、本分析の視座（注
力領域 + 萌芽 + 方向性）の 3 観点に直接対応する。
💡 Key Insight
本対象特許群は「中核 = Compute スタック」「拡張 = 生成 AI / 推論」「萌芽 = Physical AI /
Robotics」という 3 層構造を持ち、この構造は Saturn V TELESCOPE 分析・Explorer 共起
ネットワーク分析・CORE 分類分析・ATLAS 時系列分析・NEBULA 環境分析の 5 視点で一貫
して観察される。これは本対象特許群の戦略的方向性が複数の独立分析手法で確認された、極めて
整合性の高い結論である。
クロスモジュール検証の限界
本章で実施した 3 クロスパターンには以下の限界がある。第一に、本分析は Saturn V / Explorer /
CORE / ATLAS / NEBULA の 5 視点に基づき、動態・手動クラスタ・人的ネットワーク視点からの
追加検証は本セッションでは行っていない。第二に、NEBULA の学術論文データセットと商用ニュー
スデータセットが取得されていないため、研究 - 実装タイムラグ分析・学術-特許対比は Web 調査に
よる補完で構成されている。第三に、本対象特許群はファミリー代表特許であり、地域別個別出願の動
向は本分析の射程ではない。これらの限界は本分析の結論の堅牢性を損なうものではないが、追加検証
が望ましい論点として明示しておく。


# Page. 65

![Page Image](https://bcdn.docswell.com/page/LELMMW8N7R.jpg)

APOLLO
65
仮説検証サマリー
本章では、NEBULA 環境分析章で導出した 5 つの仮説（H1-H5）を、本対象特許群の各モジュール
分析結果と照合して検証する。各仮説は本分析の視座と整合しているかを確認し、検証結果を 3 段階
（強く支持 / 部分支持 / 不確定）で評価する。
H1: データセンタ重心化（強く支持）
H1 の仮説は「本対象特許群は 2018 年以降、データセンタ向け AI コンピューティングを最重点とす
る方向にシフトしている」である。本対象特許群の検証結果は以下の通り。
第一に、ATLAS 時系列分析で観測された第 III 期（2018-2025）の出願加速（年 149 件 → 731 件）
は、外部市場のデータセンタ重心化（NVIDIA Form 10-K FY2026 の Compute 売上 1,624 億ドル、
2 年 CAGR 104.2%）と完全に同期している。第二に、Saturn V TELESCOPE 分析の SR-1 GPU
演算基盤（19.4%）+ SR-4 高速通信（7.6%）+ SR-7 半導体冷却電源（5.9%）+ SR-9 SoC（2.2%）
の合計約 35% が Compute スタック特許群を構成し、これに SR-2 AI/ML 中核（12.7%）が加わっ
て本対象特許群の半分以上が Compute 事業に直接紐付く。第三に、Explorer 共起ネットワーク分析
の急上昇キーワードに「データセンタ (+190)」が含まれ、語彙レベルでも重心シフトが確認される。
検証結果: 本仮説は 強く支持される。本対象特許群の重心は 2018 年以降に明確にデータセンタへシ
フトしている。
H2: 生成 AI 投資の特許反映（強く支持）
H2 の仮説は「本対象特許群のクラスタ動態 4 象限における新興クラスタ 18 個（395 件）の中には、
言語モデル・拡散モデル・生成 AI 関連が含まれており、外部市場の AI ASIC 競合圧力に対する差別化
として、生成 AI スタックへの特許投資が加速している」である。
第一に、Saturn V TELESCOPE 分析の新興象限 18 クラスタには、[5] 生成 AI 分子設計、[7] 言語
モデル、[14] 3D アバター生成、[16] 拡散モデル最適化、[17] ML モデル最適化、[34] 生成 AI 画像
生成、[35] GAN 画像変換 等の生成 AI 関連クラスタが多数含まれる。第二に、Explorer 急上昇キー
ワードに「言語モデル (+230)」
「MLM (+190)」
「DNN (+177)」
「推論 (+158)」が含まれ、生成 AI 系
語彙の急成長が定量的に確認される。第三に、ATLAS 時系列分析でも 2022 年以降の出願加速（559
件 → 731 件）は ChatGPT 公開後の生成 AI ブームと整合する。
検証結果: 本仮説は 強く支持される。生成 AI 投資の特許化は本対象特許群の中で明確に観察される。


# Page. 66

![Page Image](https://bcdn.docswell.com/page/4JMYY96QJW.jpg)

APOLLO
66
H3: 自動運転・ロボティクスの長期戦略化（強く支持）
H3 の仮説は「本対象特許群のクラスタ群（[8][24][25][27][28][29] の自律走行・[18][19] のロボッ
ト）は、NVIDIA 自動車売上 23.5 億ドル（2 年 CAGR 46.7%）の規模に対して特許出願が大きく先
行しており、長期オプションとしての投資が顕著である」である。
第一に、Saturn V TELESCOPE 分析の SR-3 自動運転・知覚（約 480 件、本対象特許群の 8.1%）+
SR-5 ロボティクス・物理（約 200 件、3.4%）の合計 11.5% が、現自動車事業売上比 1.1% に対
して 10 倍以上の R&D 投資を示す。第二に、ATLAS 分析で IPC 上位 11 位 B60W（自律走行車両
制御）327 件、+ G05D（180 件）+ G01S（217 件）= 724 件が自動運転・ロボティクス領域を
表現する。第三に、Explorer 急上昇キーワードに「センサデータ (+545)」
「車両 (+503)」
「ロボット
(+210)」「自律システム (+202)」「軌道 (+196)」が含まれ、語彙レベルでも先行投資が確認される。
検証結果: 本仮説は 強く支持される。自動運転・ロボティクスは本対象特許群の長期戦略領域として明
確に位置付けられる。
H4: HPC スタック垂直統合（部分支持）
H4 の仮説は「2025/12 の SchedMD 買収によるジョブスケジューラ取得、2025/9 の Intel 株 50
億ドル投資による x86 SoC 統合、CoreWeave への 20 億ドル投資による Neocloud 需要固定化は、
本対象特許群のソフトウェア基盤クラスタ（[50][51][52][57][60] 等）と組み合わさって、GPU 単体
ではなく『学習・推論・運用全層』のスタックを握る戦略を示す」である。
第一に、Saturn V TELESCOPE 分析の SR-1 GPU 演算基盤クラスタ群（[50] GPU 実装基盤、[52]
SIMT 並列処理、[57] 計算資源 API、[60] GPU コード最適化等）は本対象特許群の中核を構成し、
CUDA エコシステムの上層特許化を表現する。第二に、Explorer 共起ネットワーク G0「API・プログ
ラミング基盤」
（15 ノード、最大コミュニティ）はこの仮説と整合する語彙構造を示す。第三に、CORE
解決手段の「インターフェースによるプロセッサ設定」
（304 件）+ 「動的再構成ハードウェア」
（66
件）はソフトウェア層と物理層の連携を示す。
しかし、SchedMD 買収の R&D 反映は本セッションのデータ取得時点（2026 年 4 月）でまだ十分
に特許化されていない可能性があり、Slurm 統合関連の独立クラスタは Saturn V TELESCOPE 分析
では明確に識別されていない。Intel 株投資による x86 SoC 統合の R&D 反映も、本対象特許群のク
ラスタ [1] SoC アクセラレータ（18 件）に部分的に観察されるものの、規模は限定的である。
検証結果: 本仮説は 部分支持される。スタック垂直統合の方針は本対象特許群と整合するが、最新
M&A の R&D 反映は今後 1-2 年の追加観察を要する。
H5: 中国向け派生製品の特許化遅延リスク（不確定）
H5 の仮説は「米国の H20 輸出規制および Blackwell B30 中国向け派生品（GDDR7 採用、性能
80%）に関する R&D は、本対象特許群には現時点で明示的反映が乏しい」である。
本対象特許群の Saturn V TELESCOPE 分析の 67 クラスタ・Explorer 7 コミュニティ・CORE 分
類のいずれにも、中国市場特化または地政学制約対応の独立構造は明示的に観察されない。これは
Patentfield データベースの取得時点の問題（B30 開発が 2025-2026 年と最新であり、特許化が反
映されるまでに 1-2 年のラグがある）の可能性が高い。


# Page. 67

![Page Image](https://bcdn.docswell.com/page/PJR99GPK79.jpg)

APOLLO
67
検証結果: 本仮説は 不確定である。本対象特許群には現時点で明示的反映が確認されないが、データ取
得時点の制約も含めて判断保留とする。今後 1-2 年で B30 関連特許が本対象特許群に出現するかは
追加観察が必要。
仮説検証の総合評価
5 仮説のうち 3 仮説（H1 / H2 / H3）が強く支持され、1 仮説（H4）が部分支持、1 仮説（H5）が
不確定という結果である。本分析の視座（注力領域 + 萌芽 + 方向性）に対する核心的な仮説は強く支
持されており、本対象特許群の戦略的方向性についての結論の堅牢性は高い。H4 の部分支持と H5 の
不確定は、いずれも「最新 M&A・派生製品の R&D 反映ラグ」に起因しており、本対象特許群そのも
のの問題ではない。


# Page. 68

![Page Image](https://bcdn.docswell.com/page/PEXQQX35JX.jpg)

APOLLO
68
戦略的提言
分析結果の総括
本対象特許群 5,921 件（1997-2025 年、Patentfield、NVIDIA 出願）の構造分析から、本分析の視
座（NVIDIA の現注力領域・萌芽領域・今後の方向性）に対する以下の 7 項目の主要発見を導出した。
主要発見 1: Compute スタックの垂直特許化
本対象特許群の中核層（GPU 演算基盤・高速通信・半導体冷却電源・SoC）と AI/ML 中核を合
わせた約 50% が、CUDA エコシステム・cuDNN・NCCL・NVLink・GB200 NVL72 ラック
液冷を含む Compute スタックの垂直特許化を構成する。これは Compute 売上 1,624 億ドル
（2 年 CAGR 104.2%）の規模感と整合する R&D 重心配置である。
主要発見 2: 生成 AI / Foundation Models への重心シフト
Explorer 急上昇キーワードの上位 15 件のうち AI/ML 系 6 件（ニューラルネットワーク
+1,974、機械学習モデル +979、訓練 +675、学習 +240、MLM +190、DNN +177）が含ま
れ、本対象特許群の語彙重心が 2012 年以降、生成 AI / Foundation Models / 推論プラット
フォームへ明確にシフトしている。
主要発見 3: Physical AI / Robotics への戦略横展開
Saturn V クラスタ動態 4 象限の新興象限 18 クラスタ（395 件）の中核は Physical AI（[19] ロ
ボット学習制御、[18] 物理シミュレーション、[5] 生成 AI 分子設計）であり、現自動車事業売上
23.5 億ドル（全社比 1.1%）に対して R&D 投資が 10 倍以上先行している。Project GR00T /
Cosmos / Jetson Thor の R&D 反映として、NVIDIA の「次の柱候補」を構成する。
主要発見 4: ノイズ 34.2% が示す試行的 R&D の継続
本対象特許群のノイズ 2,026 件（34.2%、
「萌芽・黎明期」
「均一分布」判定）は、NVIDIA が既
存 67 クラスタの深堀りに加えて、常に外延に試行的 R&D を投入しているポートフォリオ運用
を行っていることを示す。2024 年ノイズピーク 271 件は、生成 AI / Physical AI / 推論プラッ
トフォーム化の特許化フェーズに既に入っていることを反映する。
主要発見 5: AI ASIC 競合への垂直統合的応戦


# Page. 69

![Page Image](https://bcdn.docswell.com/page/3EK99WYRED.jpg)

APOLLO
69
Google TPU v7 / AWS Trainium 3 / MS Maia 200 / Meta MTIA 300-500 という AI ASIC
競合（市場 2028 年 600 億ドル予測、CAGR 45%）に対し、本対象特許群が示す応戦は「単体
GPU の差別化」ではなく「Slurm + CUDA + cuDNN + NCCL + Isaac + Cosmos」の垂直ス
タック特許化である。SchedMD 買収（2025/12）と Intel 株投資（2025/9）はこの方向性の
戦略的アクションと整合する。
主要発見 6: 自動運転 R&D の VLM/VLA シフト
Saturn V SR-3 自動運転・知覚クラスタ（[8][24][25][27][28][29][38] の合計約 480 件）と
SR-2 AI/ML 中核の融合領域（[15] 自律機械 3D 認識）に、視覚言語モデル（VLM）
・視覚言語ア
クション（VLA）系の特許が 2024-2025 年に急増している。伝統的検出系から VLM/VLA へ
の転換期にあり、DRIVE Hyperion / Thor SoC / Cosmos Reason の R&D 中核を表現する。
主要発見 7: CORE 分類器の枠を超える R&D 領域
CORE 分類で「課題その他 75.5%」
「解決手段その他 59.4%」を占める事実は、本対象特許群が
伝統的特許カテゴリ（半導体・電源・通信・画像処理・グラフィックス）の枠を越えて、AI/ML /
生成 AI / Physical AI / 3D 生成 / VLM といった「分類器の語彙が追いついていない新領域」に
大きく振れていることを示す。これは Saturn V ノイズ 34.2% と整合する所見であり、本対象
特許群の現代性を反映する。
戦略的インプリケーション
上記 7 つの主要発見が示唆する戦略的含意を以下の 4 観点で整理する。
第一に、本対象特許群は単一企業ながら 67 個の有意クラスタと 9 超領域に拡散する極めて多様なポー
トフォリオを持ち、これが NVIDIA の技術企業としての持続性と多面性を構造的に支えている。
「単一
企業＝単一技術」という直感に反し、NVIDIA は GPU 単体ではなく「コンピューティング基盤を中心
に多方向に拡張する技術企業」である。
第二に、現主力（Compute スタック）と将来コア候補（生成 AI / Physical AI）の二層構造が明確
であり、現売上の 89.7% を占めるデータセンタ事業の特許基盤は固く、その上に 2018 年以降の生
成 AI 投資・Physical AI 投資が層厚く積み上がっている。本対象特許群のピークアウトの兆候は現時
点で観察されない。
第三に、AI ASIC 競合の本格化（Google TPU v7 / AWS Trainium 3 / MS Maia 200 / Meta MTIA）
に対する応戦戦略は、ハードウェア単体ではなくスタック全層の特許化と独自ソフトウェア（CUDA /
Slurm / Isaac / Cosmos）の競争優位確立にある。SchedMD 買収・Intel 株投資・CoreWeave 投
資は、この方向性の戦略的整合性を示す。
第四に、ロボティクス・物理 AI への戦略横展開は本対象特許群の「萌芽層」の中核であり、CES 2026
のパートナー発表（Boston Dynamics / Caterpillar / LG / NEURA Robotics）と連動して「Android
of generalist robotics」のレイヤーとしての地位を狙う長期戦略が読み取れる。


# Page. 70

![Page Image](https://bcdn.docswell.com/page/L73WW19G75.jpg)

APOLLO
70
推奨アクション
優先度: 高
本対象特許群の Compute スタック特許群の継続強化と公開戦略
Saturn V SR-1 GPU 演算基盤・SR-4 高速通信・SR-7 半導体物理層・SR-9 SoC コンパイラの 4 領域は
本対象特許群の現主力であり、これらに対する継続的な特許化と、ASIC 競合への差別化として戦略的に重要
な特許の公開タイミング設計を推奨する。
推奨実施時期: 短期（1 年以内）
優先度: 高
Physical AI / Robotics 領域の独立コミュニティ化を促進する特許戦略
Saturn V SR-5 ロボティクス・物理（約 200 件）は意味ベクトル上では独立クラスタを形成しているが、
Explorer 共起ネットワーク上ではまだ独立コミュニティを形成していない。Project GR00T / Cosmos /
Jetson Thor の R&D 反映として、独立コミュニティ化を促進する特許化（VLA モデル・基盤ロボットモデ
ル系の集中投資）を推奨する。
推奨実施時期: 中期（1-3 年）
優先度: 高
生成 AI 系新興クラスタの成長リーダー昇格に向けた特許強化
Saturn V クラスタ動態 4 象限の新興 18 クラスタ（395 件）の中核は生成 AI 系である。今後 2-3 年で成
長リーダー象限への昇格を確実にするため、拡散モデル最適化・3D 生成・基盤モデル事前訓練・VLM 系の特
許出願加速を推奨する。
推奨実施時期: 中期（1-3 年）
優先度: 中
中国向け派生製品ライン（B30 等）の特許戦略明確化
Blackwell B30（GDDR7、性能 80%、中国向け）の R&D は本対象特許群には現時点で明示的に反映されて
いない。地政学的制約に対応した派生製品ラインの特許戦略を明示的に立て、本対象特許群とは別系統で展開
するか統合するかの判断を行うことを推奨する。
推奨実施時期: 中期（1-2 年）
優先度: 中
CORE 分類器の語彙アップデートと新領域カテゴリの追加
CORE 分類で「その他」が 75.5% / 59.4% を占める現状は、分類器の事前定義語彙が NVIDIA の現代的 R&D
領域（Foundation Models / 拡散モデル / VLA / Physical AI）を十分にカバーできていないことを示す。今
後の継続モニタリングのため、CORE 分類器の語彙アップデート（生成 AI / 基盤モデル / 物理 AI 系の新カ
テゴリ追加）を APOLLO 開発側に推奨する。
推奨実施時期: 中期（1 年以内）


# Page. 71

![Page Image](https://bcdn.docswell.com/page/87DKKXGNJG.jpg)

APOLLO
優先度: 中
71
M&A 由来特許群の包括的把握
Mellanox（2019 年買収）
・DeepMap（2021 年買収）
・Bright Computing 等の M&A 由来特許群が本対
象特許群にどの程度統合されているかは、出願人名表記の違いにより不透明である。M&A 由来特許群を包括
的に把握するため、検索式の拡張または別途のサブセット分析を推奨する。
推奨実施時期: 短期（半年以内）
優先度: 低
学術論文データセットの取得と学術-特許クロス分析の本格実施
本セッションでは NEBULA モジュールの学術論文データセットが取得されておらず、研究-実装タイムラグ分
析・学術-特許対比は Web 調査による補完で構成されている。今後の APOLLO セッション設計改善として、
学術論文データセット（NeurIPS / ICML / ICLR / CVPR 等の AI/ML 主要会議論文）の取得と学術-特許ク
ロス分析の本格実施を推奨する。
推奨実施時期: 長期（1-3 年）
設計意図に紐づく観点別の追加考察
本分析の視座（注力領域・萌芽・方向性）に紐づく具体的観点を、結論章でもう一度なぞる形で補足す
る。本対象特許群の 主力領域 は GPU 演算基盤（並列計算 の中核）であり、現在も本対象特許群の重
心を構成する。一方、新興領域の 中心領域 は 生成 AI および基盤モデル系であり、特に LLM（大規模
言語モデル）と拡散モデルの特許化が 2022 年以降に急加速している。本対象特許群の 多様性 は 67
クラスタ + ノイズ 34.2% という構造に表れ、単一企業母集団としては極めて高い水準を保っている。
R&D の課題側に目を向けると、本対象特許群が一貫して取り組んできた 高速化・効率化・電力効率 の 3
つの伝統的課題に加え、近年は Foundation Models 訓練の効率化・推論サービスの最適化・Physical
AI のリアルタイム性確保という 新規技術 領域に大きく振れている。本対象特許群の 進化 の方向は、
(a) Compute スタックの垂直統合深化、(b) 生成 AI / 基盤モデル領域への重心移動、(c) Physical
AI / Robotics への戦略横展開という 3 軸で読み取れる。これら 3 軸は相互に補完的であり、NVIDIA
の R&D ポートフォリオを「単一技術企業」ではなく「コンピューティング基盤を中心に多方向に拡張
する技術企業」として特徴づける。
Action Items
Action Items
☐ Saturn V SR-1 + SR-4 + SR-7 + SR-9 の 4 中核領域の特許出願継続加速プラン策定（1 ヶ月）
☐ Project GR00T / Cosmos / Jetson Thor 関連の VLA 特許出願ロードマップ整備（2 ヶ月）
☐ Blackwell B30 関連の中国向け特許戦略の方針決定（3 ヶ月）
☐ M&A 由来特許群の包括的サブセット分析の実施（半年以内）
☐ CORE 分類器の語彙アップデートを APOLLO 開発側に提案（半年以内）


# Page. 72

![Page Image](https://bcdn.docswell.com/page/VJPKKP3NE8.jpg)

APOLLO
☐ 学術論文データセットの取得計画策定と次回 APOLLO セッションの設計改善（1 年以内）
☐ 本対象特許群の継続モニタリングと年次更新による動態追跡（継続）
72


# Page. 73

![Page Image](https://bcdn.docswell.com/page/2EVVV24YEQ.jpg)

APOLLO
73
付録
A. 分析条件一覧
項目
値
分析対象
NVIDIA 社・関連法人の出願特許のファミリー代表特許
総件数
5,921 件
対象期間
1997 年 - 2025 年 (28 年)
特許データベース
Patentfield
分析タイプ
単一企業分析
APOLLO バージョン
v8.0.0
対象モジュール
ATLAS / CORE / Explorer / NEBULA / Saturn V
前処理
patiroha + SBERT (paraphrase-multilingual-MiniLM-L12-v2)
TF-IDF 語彙数
3,315
ストップワード数
791
CAPCOM ツール
Claude Code (Anthropic), Codex CLI (OpenAI), Antigravity
IDE (Google)
本分析実施日
2026 年 4 月 29 日
B. 用語解説
• 単一企業分析: 本分析のように特定の単一企業に絞り込んだ特許群を対象とする分析。複数出願人を
前提とする分散系指標や 4 象限分析は本質的な意味を持たないため、本分析では技術領域単位の動
態・構造を分析軸として用いる。
• Saturn V TELESCOPE 分析: SBERT 文章ベクトル化と UMAP 次元圧縮を経て HDBSCAN で
クラスタリングを行う分析手法。本対象特許群では 67 クラスタ + ノイズ 2,026 件が検出された。
• クラスタ動態マップ: Saturn V TELESCOPE 分析で得られたクラスタを「累計件数 × 5 年 CAGR」
の 2 軸で 4 象限化したマップ。成長リーダー / 新興 / 成熟 / ニッチ衰退の 4 象限に分類される。
• Explorer グローバル共起ネットワーク: 本対象特許群の上位キーワード間の共起関係を Jaccard
類似度に基づきネットワーク化したもの。本対象特許群では 60 ノード・280 エッジ・密度 0.158・
7 コミュニティが検出された。
• CORE 分類分析: ルールベース分類器で本対象特許群を「技術 × 課題 × 解決手段」の 3 軸で分類す
る手法。
• NEBULA 環境分析: 非特許文献（学術論文・ビジネスニュース・政策イベント）を統合して、特許
動向の外部コンテキストを提供する分析手法。本セッションでは特許トレンドとマクロイベント 30
件が取得された。


# Page. 74

![Page Image](https://bcdn.docswell.com/page/57GLLR1WEL.jpg)

APOLLO
74
• Foundation Models: 大規模事前訓練モデルの総称。拡散モデル / LLM / VLM / VLA を含む。
• Project GR00T: NVIDIA のヒューマノイドロボット向け基盤モデル開発プロジェクト。GR00T
N1.6 は CES 2026 で発表された VLA（Vision-Language-Action）モデル。
• VLA モデル: Vision-Language-Action モデル。視覚情報・言語情報を入力としてロボット動作を
出力する基盤モデル。
C. Web 調査出所一覧
本分析の Web 調査で参照した主要な情報源を以下に整理する。すべて 2026 年 4 月時点で取得可能
なものである。
1. NVIDIA Blackwell B200/GB200/Rubin ロードマップ
• Tom’s Hardware「NVIDIA announces Rubin GPUs in 2026, Rubin Ultra in 2027, Feynman
also added to roadmap」 https://www.tomshardware.com/pc-components/gpus/nvidiaannounces-rubin-gpus-in-2026-rubin-ultra-in-2027-feynam-after (取得日: 2026-04-29)
• FinancialContent「NVIDIA Blackwell B200 and GB200 Chips Enter Volume Production:
Fueling the Trillion-Parameter AI Era」
https://www.financialcontent.com/article/
tokenring-2026-2-5-nvidia-blackwell-b200-and-gb200-chips-enter-volume-productionfueling-the-trillion-parameter-ai-era (取得日: 2026-04-29)
• CudoCompute「 NVIDIA GPU Upgrade Planning: Stay Ahead with Blackwell &
Rubin」
https://www.cudocompute.com/blog/nvidia-gpu-upgrade-planning (取 得 日 :
2026-04-29)
• Tech-Insider「NVIDIA Rubin GPU: 336B Transistors」 https://tech-insider.org/nvidia-gtc2026-rubin-gpu-analysis/ (取得日: 2026-04-29)
2. AI ASIC 競合動向
• CNBC「 Nvidia
chips」
Blackwell,
Google
TPUs,
AWS
Trainium:
Comparing
top
AI
https://www.cnbc.com/2025/11/21/nvidia-gpus-google-tpus-aws-trainium-
comparing-the-top-ai-chips.html (取得日: 2026-04-29)
• Tom’s Hardware「Inside the AI accelerator arms race: AMD, Nvidia, and hyperscalers
commit to annual releases through the decade」 https://www.tomshardware.com/
tech-industry/artificial-intelligence/inside-the-ai-accelerator-arms-race-amd-nvidia-andhyperscalers-commit-to-annual-releases-through-the-decade (取得日: 2026-04-29)
• Introl Blog「 Custom Silicon Inflection 2026」 https://introl.com/blog/custom-siliconinflection-2026-hyperscaler-asics-nvidia-gpu (取得日: 2026-04-29)
• Cloud News「 Meta accelerates MTIA and joins the race for proprietary chips
for inference」
https://cloudnews.tech/meta-accelerates-mtia-and-joins-the-race-for-
proprietary-chips-for-inference/ (取得日: 2026-04-29)
• Nerd Level Tech「 The Custom AI Chip Race in 2026」
https://nerdleveltech.
com/the-custom-ai-chip-race-2026-meta-google-amazon-microsoft-vs-nvidia (取 得 日 :
2026-04-29)


# Page. 75

![Page Image](https://bcdn.docswell.com/page/4EQYYVDQJP.jpg)

APOLLO
75
3. NVIDIA M&A（SchedMD 等）
• NVIDIA Blog「NVIDIA Acquires Open-Source Workload Management Provider SchedMD」
https://blogs.nvidia.com/blog/nvidia-acquires-schedmd/ (取得日: 2026-04-29)
• The Next Platform「 Nvidia Nearly Completes Its Control Freakery With Slurm
Acquisition」 https://www.nextplatform.com/2025/12/18/nvidia-nearly-completes-itscontrol-freakery-with-slurm-acquisition/ (取得日: 2026-04-29)
• Network
World「 Nvidia
acquisition」
moves
deeper
into
AI
infrastructure
with
SchedMD
https://www.networkworld.com/article/4106930/nvidia-moves-deeper-
into-ai-infrastructure-with-schedmd-acquisition.html (取得日: 2026-04-29)
4. NVIDIA Robotics（Project GR00T / Cosmos / Jetson Thor）
• NVIDIA Newsroom「NVIDIA Announces Project GR00T Foundation Model for Humanoid
Robots and Major Isaac Robotics Platform Update」 https://nvidianews.nvidia.com/
news/foundation-model-isaac-robotics-platform (取得日: 2026-04-29)
• NVIDIA Developer「Isaac GR00T - Generalist Robot 00 Technology」 https://developer.
nvidia.com/isaac/gr00t (取得日: 2026-04-29)
• TechCrunch「Nvidia wants to be the Android of generalist robotics」 https://techcrunch.
com/2026/01/05/nvidia-wants-to-be-the-android-of-generalist-robotics/
(取 得 日 :
2026-04-29)
• The Robot Report「NVIDIA releases new physical AI models, plus autonomous vehicle
tools」
https://www.therobotreport.com/nvidia-releases-new-physical-ai-models-plus-
autonomous-vehicle-tools/ (取得日: 2026-04-29)
• NVIDIA「Jetson Thor | Advanced AI for Physical Robotics」 https://www.nvidia.com/enus/autonomous-machines/embedded-systems/jetson-thor/ (取得日: 2026-04-29)
5. 中国輸出規制と H20/B30 派生
• Tom’s Hardware「 Nvidia H20 AI GPU inventory is limited — but Nvidia is making
a new B30 model for China」 https://www.tomshardware.com/pc-components/gpus/
nvidia-h20-ai-gpu-inventory-is-limited-but-nvidia-is-making-a-new-b30-model-for-chinato-comply-with-export-restrictions (取得日: 2026-04-29)
• Built In「 Trump Lifted the AI Chip Ban on China, Clearing Nvidia and AMD to
Resume Sales」 https://builtin.com/articles/trump-lifts-ai-chip-ban-china-nvidia (取得日:
2026-04-29)
• CNBC「Nvidia still hasn’t sold its U.S.-approved China AI chips」 https://www.cnbc.
com/2026/02/26/nvidia-china-chip-sales-export-controls-ai-competition.html (取 得 日 :
2026-04-29)
• Council on Foreign Relations「 China’s AI Chip Deficit: Why Huawei Can’t Catch
Nvidia and U.S. Export Controls Should Remain」 https://www.cfr.org/articles/chinasai-chip-deficit-why-huawei-cant-catch-nvidia-and-u-s-export-controls-should-remain (取
得日: 2026-04-29)
• Tom’s Hardware「Nvidia reportedly shows China-specific B30 chips with 80% of the
performance of the standard Blackwell GPU」 https://www.tomshardware.com/pc-


# Page. 76

![Page Image](https://bcdn.docswell.com/page/KJ4WWMZY71.jpg)

APOLLO
76
components/gpus/nvidia-reportedly-shows-china-specific-b30-chips-with-80-percentof-the-performance-of-the-standard-blackwell-gpu-to-the-u-s-government-nvidia-ceosays-approval-is-still-up-in-the-air (取得日: 2026-04-29)
D. 母集団検索式
本対象特許群を抽出するために用いた検索式を以下に全文掲載する。Patentfield コマンド検索構文。
APP:*I"nvidia"
構文要素の意味:
• APP: Patentfield の出願人フィールド指定
• *I 大文字・小文字を区別しない部分一致検索（推測。Patentfield UI 上の仕様確認推奨）
• "nvidia" 出願人名に「nvidia」を含むもの
本検索式により、NVIDIA Corp / NVIDIA Holding LLC / エヌビディア コーポレーション 等、名称
に nvidia を含む出願人の特許のファミリー代表特許が抽出される。検索結果は 5,921 件（2026 年
4 月取得）であった。