NVIDIA_APOLLO_CAPCOM_report

NVIDIA 技術動向分析レポート 技術動向と萌芽領域の抽出 APOLLO CAPCOM Analysis 2026 年 2 月

APOLLO CAPCOM Report 2 目次 Executive Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠3 1. マクロ統計・出願トレンド分析（ATLAS） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠4 出願トレンドの時系列読解 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠4 成長率分析とライフサイクル . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠5 IPC/技術領域の多様性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠6 市場シナリオ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠7 2. AI ランドスケープ構造分析（Saturn V） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠8 クラスタ規模の階層構造 — 3 層モデル . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠9 UMAP 空間構造分析 — 4 つの技術超領域 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠9 ブリッジ分析とホワイトスペース . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠9 クラスタ[2]ドリルダウン分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠10 3. F ターム動態分析（MEGA） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠11 4 象限の全体構造 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠11 リーダー象限と技術ドメイン別分布 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠12 4. 共起ネットワーク・トレンド分析（Explorer） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠13 ネットワーク構造と 4 つのコミュニティ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠13 成長キーワードとボトルネック . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠14 5. 技術動向の統合分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠16 6. 萌芽領域の探索方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠17 7. 萌芽技術 1：ニューラルレンダリング / ビュー合成 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠18 8. 萌芽技術 2-3：LLM/会話 AI・ロボティクス . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠19 萌芽技術 2：大規模言語モデル / 会話 AI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠19 萌芽技術 3：ロボティクス・把持制御 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠19 9. 萌芽技術 4-6 と統合分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠21 萌芽技術 4：合成データ・シミュレーション（4 件） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠21 萌芽技術 5：世界モデル / 3D 環境理解（3 件、ノイズ率 66.7%） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠21 萌芽技術 6：エッジ AI / SoC アクセラレーション（6 件） . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠21 萌芽技術の成熟度マップ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠21 萌芽技術間の技術的連鎖 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠22 10. 総合結論と戦略的提言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠23 結論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠23 戦略的提言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠23 付録 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠25 A. 分析条件一覧 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠25 B. 用語解説 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ⁠26

• #p3
• #p4
• #p5
• #p6
• #p7
• #p8
• #p9
• #p10
• #p11
• #p12
• #p13
• #p14
• #p16
• #p17
• #p18
• #p19
• #p21
• #p22
• #p23
• #p25
• #p26

APOLLO CAPCOM Report 3 Executive Summary Executive Summary 本レポートは、NVIDIA が権利者として日本に出願した特許 478 件（1988-2025 年）を対象に、 APOLLO CAPCOM プラットフォームを用いて技術動向を多角的に分析し、さらに萌芽的技術領 域の抽出を行った結果をまとめたものである。 技術動向の全体像: NVIDIA の技術ポートフォリオは「GPU アーキテクチャ → AI 画像処理 → 自 律システム」の 3 段ロケット構造で進化してきた。日本出願は 2010-2018 年に停滞期を経験し たが、2019 年以降 AI/自律運転技術を中心に爆発的な出願増（2022 年に 95 件のピーク）を記 録し、V 字回復を果たしている。 萌芽技術の発見: AI ランドスケープ分析のノイズ（クラスタ未割当）特許群を精査した結果、6 つ の萌芽的技術群を特定した。中でもロボティクス・把持制御（ノイズ率 87.5%）と世界モデル（ノ イズ率 66.7%）は既存クラスタとは質的に異なる新技術ドメインであり、NVIDIA の「第 4 段ロ ケット」（ロボティクス＋世界モデル＋Omniverse）として今後クラスタ化が予測される。 戦略的示唆: NVIDIA は「GPU メーカー」から「AI プラットフォーム企業」への事業転換を知財 レベルで完遂しつつあり、次の転換点は「AI の認識から物理的行動へ」の技術拡張である。 総特許数 クラスタ数 ピーク年 478 件 6 2022 年 1988-2025 年 Saturn V TELESCOPE 95 件（過去最高） 萌芽技術群 CAGR 最大 全期間 CAGR 6 テーマ +146.6% 3.0% ノイズ＋急出現技術 5H181 自律運転 AI V 字型パターン 本レポートは 2 部構成で分析を展開する。第 1 部では NVIDIA 特許 478 件の技術動向をマクロ統計 （ATLAS）、AI ランドスケープ（Saturn V）、F ターム動態（MEGA）、共起ネットワーク（Explorer） の 4 つの視点から分析する。第 2 部では第 1 部の分析で検出されたノイズ特許群を掘り下げ、萌芽的 技術領域を抽出する。

APOLLO CAPCOM Report 4 1. マクロ統計・出願トレンド分析（ATLAS） Evidence 1 出願件数推移 (1988-2025) 図 1: ATLAS: 出願件数推移グラフ（1988-2025 年、478 件） 出願トレンドの時系列読解 1988 年から 2025 年にかけての 37 年間の出願推移を分析すると、NVIDIA の日本出願は明確に 4 つ の期に区分される。 期間 年平均件数 特徴 探索期（1988-1999） 2.3 件/年 GPU 黎明期。CIRRUS LOGIC 由来のグラフィックスプロ セッサ技術が中心 第 1次 成 長 期 24.5 件/年 （2000-2009） 信技術も流入。2008 年に 54 件ピーク 停滞期（2010-2018） 第 2次 成 GPU 技術の確立。買収企業（IPWIRELESS/ICERA）の通 長 期 1.8 件/年 日本出願の急激な落ち込み。年間 1-3 件で推移 42.4 件/年 AI/自律運転の爆発的成長。2022 年に 95 件の最高値 （2019-2025） 探索期（1988-1999）：GPU 黎明期の散発的出願

APOLLO CAPCOM Report 5 この期間の出願は極めて少なく、1988 年、1990 年、1992 年にそれぞれ 1 件の散発的な出願にとど まる。1996-1997 年に CIRRUS LOGIC がグラフィックスプロセッサ関連で集中出願しており、テク スチャマッピング、メモリバッファ管理、ビットブロック転送といった基礎的なグラフィックス処理技 術が中心である。 第 1 次成長期（2000-2009）：GPU 技術の確立と通信技術の獲得 2005 年の 40 件が最初の大きな変曲点であり、前年の 11 件から 3.6 倍の急増を記録した。この背景 には CUDA アーキテクチャの登場（2006 年）と GPU の GPGPU（汎用計算）への展開がある。2008 年 には 54 件のこの期間の最高値を記録。同時期に IPWIRELESS（2003 年〜）と ICERA（2005 年〜）の 無線通信関連出願も活発化しており、買収前の独立企業としての出願活動がこの成長に寄与している。 停滞期（2010-2018）：日本出願の空白 2010 年の 3 件は前年の 41 件から 93% の劇的な減少。2010 年から 2018 年にかけて年間 1-3 件 の極めて低水準が続いた。この停滞の背景としては、(1) 知財戦略の米国出願中心へのシフト、(2) モ バイルプロセッサ（Tegra）事業の不振、(3) GPU 基本技術の確立による新規出願の差別化困難が考え られる。 第 2 次成長期（2019-2025）：AI/自律運転の爆発的復活 2019 年の 8 件を起点に復活トレンドが始まり、2020 年に 50 件へと 6 倍超の急増。2022 年に 95 件の全期間最高値に到達した。ドライバーは、(1) AI 推論技術の急速な発展、(2) 自律運転プラッ トフォーム（NVIDIA DRIVE）の本格展開、(3) データセンター GPU の市場支配に伴う知財戦略の拡 大である。 成長率分析とライフサイクル 全期間の CAGR は 3.0% であるが、期間別に分解すると実態は「V 字型」パターンである。第 1 次成 長期の CAGR は約 24%、停滞期は約-42%、第 2 次成長期は約 129% と、激しい変動を示す。 💡 Key Insight 全期間 CAGR 3.0% は数値的には穏やかだが、実態は 2 度の成長期と 1 度の停滞期で構成される 「V 字型」出願パターンである。2019 年以降の復活は NVIDIA の事業モデル転換（GPU メーカー → AI プラットフォーム企業）を知財戦略レベルで反映したものである。 出願トレンドと技術多様性を総合すると、NVIDIA の技術ポートフォリオは「第 2 次成長期の初期〜中 期」ステージにある。サブカテゴリ別には、GPU 基盤技術は成熟期、AI/自律運転は成長期初期、通信 技術は衰退期、ビデオ処理は成熟→AI 統合への転換期という混合ステージである。

APOLLO CAPCOM Report 6 IPC/技術領域の多様性 Evidence 2 IPC ランキング (メイングループ別) 図 2: ATLAS: IPC ランキング G06F（計算・処理、287 件）と G06T（画像・グラフィックス、257 件）が 2 大軸。通信関連 IPC （H04 系、計 259 件）は買収企業由来の技術資産。B60W（車両協調制御、70 件）と G06N（ニュー ラルネット、50 件）が 2020 年以降に急増した IPC カテゴリであり、技術投資の重心シフトを明確に 示している。

APOLLO CAPCOM Report Evidence 3 7 構成比マップ (Treemap) 図 3: ATLAS: 技術構成比マップ 市場シナリオ • シナリオ 1: AI/自律運転の加速的成長（確率 60%）— 日本出願が年 50 件以上を維持し、2030 年 に年 100 件超 • シナリオ 2: 安定的な出願維持（確率 30%）— 年 50-80 件で横ばい • シナリオ 3: 規制・競争環境の変化（確率 10%）— 米中摩擦や AI 規制による減速

APOLLO CAPCOM Report 8 2. AI ランドスケープ構造分析（Saturn V） Evidence 5 Saturn V: Landscape Map (全期間 478 件) 図 4: Saturn V: 全体ランドスケープマップ（SBERT + UMAP + HDBSCAN） Saturn V モジュール（SBERT + UMAP + HDBSCAN）による AI ランドスケープ分析の結果、全 478 件から 6 個のクラスタが自動検出された。各特許の要約文を SBERT で意味ベクトル化し、UMAP で 2 次元に圧縮、HDBSCAN で密度ベースのクラスタリングを行った結果である。

APOLLO CAPCOM Report 9 クラスタ規模の階層構造 — 3 層モデル メガクラスタ（90 件以上）：技術の中核 [2] プロセッサのパイプライン処理とメモリ管理（154 件）が全体の 40.2% を占め、NVIDIA の原点 である GPU アーキテクチャ技術が凝縮されている。[4] ニューラルネットによる画像特徴と物体識別 （92 件）が第 2 位で、深層学習の普及に伴い急成長した領域である。 ミドルクラスタ（30〜89 件）：成長分野 [1] 無線通信におけるリソースと送信電力制御（57 件）は買収企業（IPWIRELESS/ICERA）由来の技 術資産。[5] 自律マシン向けセンサデータ処理と環境認識（38 件）は NVIDIA DRIVEプラットフォー ムの知的基盤。 マイクロクラスタ（30 件未満）：専門技術 [0] ネットワーク処理装置と仮想 NIC の統合（25 件）と[3] ビデオデータの圧縮符号化と復号処理 （17 件）。 UMAP 空間構造分析 — 4 つの技術超領域 UMAP 上の空間配置から、6 クラスタは 4 つの技術超領域にグルーピングされる。 🅰 コンピューティング基盤系（中央上部）: クラスタ[2]（154 件）を中核。GPU アーキテクチャ、メ モリ管理、パイプライン処理。1997 年の CIRRUS LOGIC から 2022 年の NVIDIA まで 25 年の技術 進化が空間的に連続配置されている。 🅱 AI ビジョン・画像処理系（右上）: クラスタ[4]（92 件）を中核。ニューラルネットワークによる画 像認識、物体検出、NeRF。2025 年出願のレイトレーシング用ボリューメトリック粒子技術やカメラ ポーズ推定が最前線。 🅲 通信・ネットワーク系（左側）: クラスタ[1]（57 件）+ クラスタ[0]（25 件）= 82 件。買収由来 の無線通信技術が中核。出願年は 2003-2009 年に集中する「レガシー技術資産」。 🅳 自律システム・ロボティクス系（右下）: クラスタ[5]（38 件）を中核。自律運転、センサフュージョ ン、経路計画。全件が NVIDIA 出願の純粋な内製技術。 ブリッジ分析とホワイトスペース 最重要のブリッジは[2]（GPU 基盤）→ [3]（ビデオ処理）→ [4]（AI ビジョン）の連鎖。NVIDIA の ビジネスモデル進化「GPU コンピューティング → メディア処理 → AI アクセラレーション」が UMAP 空間上に可視化されている。[4]（AI ビジョン）↔ [5]（自律システム）のブリッジは、画像認識から 自律運転への技術移転を示す。 UMAP 空間上で特許密度が低い領域（ホワイトスペース）を分析すると、以下の 3 つの戦略的空白が 特定される。

APOLLO CAPCOM Report 10 • GPU × 通信融合: NVIDIA の Aerial（5G RAN プラットフォーム）が埋める戦略的空白 • 自律システム × ネットワーク連携: V2X 通信、コネクテッド自律運転の技術が欠落 • 大規模言語モデル・生成 AI: LLM 推論最適化のクラスタが未形成（出願タイムラグの可能性） クラスタ[2]ドリルダウン分析 Evidence 6 Saturn V: Drilldown - プロセッサのパイプライン処理とメモリ管理 図 5: Saturn V: クラスタ[2]のドリルダウン分析（7 サブクラスタ） 最大クラスタ[2]（154 件）をさらに分析すると 7 つのサブクラスタが検出された。 • [0] GPU レンダリング制御とシステム構成（26 件）: GPU の基本制御技術 • [2] メモリアクセス最適化とバッファ管理（18 件）: 性能最適化の要 • [5] デュアルパスプロセッサ命令デコード（9 件）: ICERA 由来のプロセッサ技術 • [4] マルチスレッドプロセッサ並列命令実行（8 件）: 並列処理の中核 • [3] ヘテロジニアス処理とシステム仮想化制御（8 件）: 異種プロセッサ統合 • [1] デバイスアクセス制御とセキュリティ管理（7 件）: セキュリティ技術 • [6] GPU 並列アレイアーキテクチャとロードバランシング（5 件）: 並列アレイ設計 💡 Key Insight 「GPU コンピューティングの 3 段ロケット」: NVIDIA の技術進化は「GPU アーキテクチャ（154 件）→ 画像 AI（92 件）→ 自律システム（38 件） 」の 3 段構造。件数の段階的減少は技術波及の 時間差を反映し、今後 5 年で自律システムの件数が急増する見込みである。この「3 段ロケット」 構造の先に、萌芽技術群が形成する「第 4 段ロケット」が控えている（後述）。

APOLLO CAPCOM Report 11 3. F ターム動態分析（MEGA） Evidence 7 MEGA PULSE: F ターム (テーマコード) 軸 動態分析マップ 図 6: MEGA PULSE: CAGR×活動量の 4 象限動態分析 4 象限の全体構造 26 の F ターム（テーマコード）を CAGR（成長率）×活動量（直近の出願件数）の 2 軸で 4 象限に分 類した。 象限 テーマコード数 特徴 リーダー (Leaders) 5 正の CAGR + 高活動量（成長牽引） 新興・高ポテンシャル (Emerging) 3 正の CAGR + 低活動量（成長途上） 成熟・既存勢力 (Established) 2 負/低 CAGR + 高活動量（規模維持） 衰退・ニッチ (Declining/Niche) 16 負/低 CAGR + 低活動量 衰退・ニッチ象限が 16 テーマコード（61.5%）を占め、NVIDIA の技術投資が特定の成長分野に急速 に集中していることを示す。

APOLLO CAPCOM Report 12 リーダー象限と技術ドメイン別分布 リーダー象限（5 テーマコード）: • 5H181（CAGR +146.6%, 活動量 15 件, 総計 40 件）: 自律運転 AI 関連。異常に高い成長率 • 3D241（CAGR +26.5%, 活動量 16 件, 総計 39 件）: 自律車両環境認識 • 5B057（CAGR +7.5%, 活動量 13 件, 総計 62 件）: GPU コンピューティング基盤（最大蓄積） • 5B175（CAGR +13.9%, 活動量 8 件, 総計 13 件）: AI/機械学習基盤 • 5C122（CAGR +12.9%, 活動量 7 件, 総計 12 件）: 画像処理 技術ドメイン テーマコード数 主要テーマコードと象限 AI・機械学習 3 5H181（リーダー）、5B175（リーダー）、5B376（新 興） 画像・ビデオ処理 5 5C122（リーダー）、5C164（新興）、5C059 等（衰退） プロセッサ・計算 4 5B057（リーダー）、5L096（成熟）、5B013（成熟） 通信・ネットワーク 4 5K067/5K022/5K030（全て衰退） 通信関連テーマコードが全て衰退象限に位置していることは、買収由来の通信技術が完全に活動縮小 していることを定量的に裏付ける。 💡 Key Insight 5H181 の CAGR +146.6% は、NVIDIA の技術戦略が GPU から AI/自律運転プラットフォームへ と根本的にシフトしていることの最も強いシグナルである。今後のポートフォリオは AI 関連テー マコードが支配的になる。

APOLLO CAPCOM Report 13 4. 共起ネットワーク・トレンド分析（Explorer） Evidence 8 全体共起ネットワーク (技術クラスター) 図 7: Explorer: 共起ネットワーク（34 ノード、137 エッジ、4 コミュニティ） ネットワーク構造と 4 つのコミュニティ キーワードの共起関係から構築されたネットワークは、34 個のキーワードノードと 137 本の共起 エッジで構成される（密度 0.244）。Louvain 法により 4 つのコミュニティに分割され、20 本のブリッ ジエッジが技術融合の接点を示す。 コミュニティ 0:「GPU コンピューティング・エコシステム」 （17 ノード） — ハブ=メモリ（中心性 0.697）。 「命令」 「プロセッサ」 「計算」 「画像」 「ニューラル・ネットワーク」 「識別」等を含む最大コ ミュニティ。NVIDIA の技術基盤全体を包含する。 コミュニティ 1:「自律システム・エッジ AI」（12 ノード） — ハブ=エッジ（中心性 0.576）。「セン サ・データ」 「ロボット」 「自律マシン」 「車両」 「レンダリング」等を含む。レンダリングがこのコミュ ニティに属することは、Omniverse 上でのシミュレーション応用を反映している。 コミュニティ 2-3: 小規模コミュニティ。命令制御（3 ノード）、データアクセス（2 ノード）。 コミュニティ 0（GPU）→ コミュニティ 1（自律システム）の接続が最も密であり、NVIDIA の「プラッ トフォーム戦略」—— GPU 基盤技術を応用領域に展開する構造が可視化されている。

APOLLO CAPCOM Report 14 成長キーワードとボトルネック Evidence 9 急上昇キーワード (Growth Rate) 図 8: Explorer: 急上昇キーワード（2021-2025 年） 成長率×中心性の 4 象限で分析すると: • 第 1 象限（高成長×高中心性）: 「レンダリング」（+64.0%）—— AI レンダリング革新の最前線 • 第 2 象限（高成長×低中心性）: 「指示」（+9.2%）—— エッジ展開の実装技術 • 第 3 象限（衰退×低中心性）: 「格納」「変換」—— 標準化済み基盤技術 • 第 4 象限（衰退×高中心性）: 「メモリ」—— 不変の基盤だが新規性は低下 「メモリ」 （中心性 0.697）がネットワーク全体のボトルネックとして機能している。HBM、統合メモ リアーキテクチャ、CXL メモリプーリングの革新がシステム全体の性能を決定する構造的制約である。

APOLLO CAPCOM Report Evidence 10 15 トレンド・共起ネットワーク 図 9: Explorer: トレンド共起ネットワーク（成長率重ね合わせ） 💡 Key Insight 「レンダリング技術のルネサンス」: +64.0% の最高成長率は、ゲーム・CG からデジタルツイン・ XR への拡張を反映。NVIDIA Omniverse 戦略が特許出願に明確に反映されている。この急成長 は、後述するニューラルレンダリング萌芽技術と直結する。

APOLLO CAPCOM Report 16 5. 技術動向の統合分析 Evidence 4 CORE Map: 技術分類 vs 課題分類 図 10: CORE Map: 技術分類 × 課題分類のヒートマップ（215 件分類済み） 4 つの分析モジュールの結果を統合すると、NVIDIA の技術ポートフォリオは以下の構造を持つ。 1. GPU アーキテクチャが技術基盤のアンカー: Saturn V のクラスタ[2]（154 件）、Explorer のメモ リハブ（中心性 0.697）、MEGA の 5B057（最大蓄積 62 件）が全て同一の GPU 基盤技術を指し示し ている。この基盤の上に全ての応用技術が構築されている。 2. AI/自律運転が成長の主エンジン: ATLAS（2022 年ピーク 95 件）、MEGA の 5H181（CAGR +146.6%）、Saturn V のクラスタ[5]（38 件の内製技術）が一致して、AI/自律運転が最大の成長ドラ イバーであることを示す。 3. 通信技術は構造的衰退: Saturn V のクラスタ[1]（57 件）がレガシー資産、MEGA の通信テーマコー ドが全て衰退象限、ATLAS で 2010 年以降の通信関連新規出願がほぼ皆無。不可逆的な衰退パターン である。 4. 「3 段ロケット」と「ホワイトスペース」: GPU アーキテクチャ→AI 画像処理→自律システムの 3 段構造が確認されたと同時に、LLM 推論最適化、GPU×通信融合、V2X 通信といったホワイトスペー スが特定された。これらの空白の一部は、次章以降で分析する萌芽技術群によって充填されつつある。

APOLLO CAPCOM Report 17 6. 萌芽領域の探索方法 第 1 部の Saturn V 分析で検出されたノイズ特許（HDBSCAN が既存 6 クラスタのいずれにも分類し なかった特許）が、萌芽技術探索の起点となる。HDBSCAN がクラスタに割り当てなかった特許は、(a) 複数クラスタの境界に位置する融合技術、(b) 既存クラスタとは質的に異なる新規技術のいずれかであ り、後者が萌芽技術の候補となる。 以下の 4 つのアプローチから多角的に探索を行った。 1. ノイズ特許の精査: クラスタ未割当（cluster = −1）の特許を全件調査し、技術テーマを類型化した。 2. 最新出願年の分析: 2025 年（最新）および 2022-2023 年（ピーク期）の出願を精査し、過去に存 在しなかった新技術テーマを抽出した。 3. キーワード横断検索: 生成 AI、LLM、ロボティクス、シミュレーション、デジタルツイン等の萌芽技 術キーワードで全 478 件を横断検索した。 4. MEGA 動態分析との照合: CAGR +146.6%（5H181）等の急成長テーマコードに紐づく技術を特 定した。 この結果、6 つの萌芽的技術群を特定した。以下、注目度の高い 3 技術群を詳述し、残り 3 技術群をま とめて概説する。

APOLLO CAPCOM Report 18 7. 萌芽技術 1：ニューラルレンダリング / ビュー 合成 💡 Key Insight 2025 年の最新出願 3 件が全てこの領域に集中。 NeRF/3D Gaussian Splatting の実用化フロ ンティアであり、NVIDIA が GPU レイトレーシング × ニューラルネットワークの融合に最優先で 投資していることを示す。Explorer 分析で「レンダリング」が+64.0% の最高成長率を記録してい ることとも整合する。 2025 年に出願された 3 件は、いずれもクラスタ[4]に分類されているが、従来技術（2D 画像の物体認 識・分類）とは質的に異なる 3D シーン理解と生成に踏み込んでいる。 Evidence 2025 2025 年最新出願: ニューラルレンダリング技術 [2026-000914] リアルタイムでの新規なビュー合成のための、レイ・トレーシング用ボリュー メトリック粒子: ボリューメトリック粒子表現とレイ・トレーシングを組み合わせ、高品質な新規 ビューをリアルタイムでレンダリング。3D Gaussian Splatting の実用化に直結する技術。 NN ベースの物体配置・カメラポーズ推定: テキスト入力による 3D シーン内物体配置、画像シーケ ンスからのカメラポーズ逐次推定（ニューラル SLAM）。 2021 年から前駆技術の出願が始まっており、計 9 件の時系列的な技術蓄積が確認される。 年 技術内容 クラスタ 2021 逆グラフィックス生成のためのニューラル・レンダリング 4 2021 レイ・トレーシングのためのグリッド・ベースの光サンプリング 4 2021 リアルタイム・レイ・トレーシングにおける空間ハッシュ光キャッシング 4 2022 スクリーン空間可視性を使用するレイ・トレースされた光リサンプリング 4 2022 NN を使用した 3D アセットの幾何学的・テクスチャスタイル転送 −1 2025 ボリューメトリック粒子ビュー合成 4 2025 NN ベース物体配置 / カメラポーズ識別 4 成長予測: Omniverse（デジタルツイン）プラットフォームの中核技術として、今後 3 年間で 10-20 件 規模のサブクラスタに成長する可能性が高い。

APOLLO CAPCOM Report 19 8. 萌芽技術 2-3：LLM/会話 AI・ロボティクス 萌芽技術 2：大規模言語モデル / 会話 AI 💡 Key Insight 2022 年に「大規模言語モデル」 「会話 AI」関連の特許が 7 件一斉に出現。ChatGPT ブーム（2022 年末）の直前のタイミングであり、NVIDIA が LLM の産業応用を先行的に知財化していた。 7 件全てが 2022 年出願であり、それ以前にはこの技術カテゴリの出願は確認されない。7 件中 5 件が クラスタ[4]に分類されたが、2 件はノイズとして残存しており、LLM/NLP 技術が画像 AI（クラスタ [4]）とは独立した技術ドメインを形成しつつあることの兆候である。 特に「自動車システムのための言語モデルを使用した対話システム」は、NVIDIA DRIVEプラットフォー ムと LLM 技術の融合——車載 AI アシスタント（音声対話による車両操作）の知財基盤として戦略的価 値が高い。 成長予測: 日本出願のタイムラグ（出願→公開まで約 18 ヶ月）を考慮すると、2024-2025 年出願の LLM 特許が 2025-2026 年に大量公開され、独立した「LLM/NLP クラスタ」を形成すると予測される。 萌芽技術 3：ロボティクス・把持制御 💡 Key Insight 最も「萌芽的」な技術群。 8 件中 7 件がノイズ（cluster = −1）に分類されており、既存 6クラ スタのいずれとも質的に異なる全く新しい技術ドメイン。NVIDIA の Isaac プラットフォーム（ロ ボット AI）の知財基盤である。

APOLLO CAPCOM Report Evidence Robot 20 ロボティクス・把持制御関連特許（全 8 件） 2020 年出願（6 件）— 一斉出願: • 触覚把持ポリシーの強化学習 (cluster = −1) • 変分把持生成 (cluster = −1) • クラッタ内の物体向けの把持姿勢決定 (cluster = −1) ×2 件 • 器用なロボット・システムの視覚ベースの遠隔操作 (cluster = −1) • 物体引渡しの機械学習制御 (cluster = −1) 2021 年出願（1 件）: • 単一の RGB 画像からの、物体からロボットへの姿勢推定 (cluster = −1) 2023 年出願（1 件）: • 把持姿勢予測 (cluster = 4) 8 件中 7 件がノイズという事実は、ロボティクス・把持制御が NVIDIA の 478 件の特許ポートフォリ オの中で、他のどの技術群とも意味的に離れた孤立領域であることを意味する。技術内容は 3 つのサブ テーマに分類される。 サブテーマ A: 把持動作の生成と最適化（4 件）—— VAE や強化学習によるロボットの把持姿勢の自 動生成。クラッタ環境での物体把持に焦点。 サブテーマ B: 視覚ベースのロボット制御（3 件）—— RGB カメラ画像からのロボットポーズ推定、遠 隔操作の視覚フィードバック。画像 AI 技術（クラスタ[4]）のロボット制御への転用。 サブテーマ C: 触覚センシング融合（1 件）—— マルチモーダルロボット制御への発展。 成長予測: Isaac プラットフォームの商用化進展に伴い、今後 3-5 年で 20-30 件規模に成長し、独立し た「ロボット AI クラスタ」を形成すると予測。ヒューマノイドロボット（Project GR00T）関連の出 願がさらに加わる可能性がある。

APOLLO CAPCOM Report 21 9. 萌芽技術 4-6 と統合分析 萌芽技術 4：合成データ・シミュレーション（4 件） Omniverse プラットフォーム戦略の知財基盤。実世界データの不足を合成データで補完し、AI モデル 訓練を加速させるアプローチで、自律運転・ロボティクスの共通基盤技術。クラスタ[4]（画像 AI）と クラスタ[5]（自律システム）にまたがる横断的技術としての性格を持つ。 萌芽技術 5：世界モデル / 3D 環境理解（3 件、ノイズ率 66.7%） AI が環境の 3D 構造を内部的に理解・予測する技術であり、Level 4/Level 5 の自律運転実現の中核 技術。 「世界モデル表現のキーフレームベース圧縮」は、大規模世界モデルをエッジデバイス（NVIDIA DRIVE Thor）上で実行するための圧縮技術。2 件がノイズに分類されており、既存の自律運転クラス タ（クラスタ[5]）からも独立した新ドメインを開拓中。 萌芽技術 6：エッジ AI / SoC アクセラレーション（6 件） 車載エッジデバイス（Orin / Thor）での高効率 AI 推論を実現する基盤技術群。SoC ビジョンアクセ ラレータ設計、タスクオフロード、動的な重み更新等、クラウド訓練モデルのエッジ実行インフラ。ク ラスタ[2]（プロセッサ基盤）とクラスタ[4]（AI）に分散する橋渡し技術。 萌芽技術の成熟度マップ 萌芽技術 総件数 ノイズ クラスタ内 成熟度判定 1. ニューラルレンダリング 9件 1件 8 件（主に Cl.4） 成長初期 — クラスタ[4]に統合中 2. LLM / 会話 AI 7件 2件 5 件（Cl.4） 萌芽期 — Cl.4 から分離の兆候 3. ロボティクス・把持 8件 7件 1 件（Cl.4） 最萌芽期 — 独立ドメイン形成中 4. 合成データ 4件 1件 3 件（Cl.4/5） 萌芽期 — 横断的技術 5. 世界モデル 3件 2件 1 件（Cl.5） 最萌芽期 — 既存から分離中 6. エッジ AI / SoC 6件 1件 5 件（Cl.2/4） 成長初期 — 橋渡し技術 ノイズ比率が高いほど「萌芽度」が高いと解釈できる。ロボティクス・把持制御（87.5%）と世界モデ ル（66.7%）が最も萌芽的であり、ニューラルレンダリング（11.1%）とエッジ AI（16.7%）は既存 クラスタへの統合が進み、成長初期段階に移行しつつある。

APOLLO CAPCOM Report 22 萌芽技術間の技術的連鎖 6 つの萌芽技術群は独立して存在するのではなく、相互に技術的連鎖を形成している。 連鎖 1: 「認識→理解→行動」パイプライン。 ニューラルレンダリング（3D シーン再構成）→ 世界モ デル（環境の内部理解）→ ロボティクス（物理的行動）。AI の認識から行動までのフルパイプラインが 萌芽技術群の中に構築されつつある。 連鎖 2: 「データ→モデル→実装」サイクル。 合成データ（訓練データ生成）→ LLM/会話 AI（大規模モ デル訓練）→ エッジ AI（モデルのエッジ実装）。AI 開発のライフサイクル全体をカバーする技術チェー ンである。 連鎖 3: 「Omniverse ハブ」。 合成データ、ニューラルレンダリング、シミュレーション、ロボティ クスは全て Omniverse プラットフォームを技術的ハブとして接続される。

APOLLO CAPCOM Report 23 10. 総合結論と戦略的提言 結論 NVIDIA は「GPU メーカー」から「AI プラットフォーム企業」へと根本的な事業転換を遂げつつあり、そ の変化は日本出願の特許ポートフォリオに明確に反映されている。2010-2018 年の停滞期を経た第 2 次成長期は、AI/自律運転技術への戦略的集中投資の結果であり、2022 年の 95 件というピークはその 途上に過ぎない。 GPU アーキテクチャ（クラスタ[2]、154 件）という強固な技術基盤の上に、AI 画像処理（クラスタ[4]、 92 件）と自律システム（クラスタ[5]、38 件）が構築される「3 段ロケット」構造が NVIDIA の技術 的優位の源泉である。そしてその先に、ロボティクス・把持制御、世界モデル、LLM/会話 AI といった 萌芽技術群が形成する「第 4 段ロケット」——AI の「認識」から「物理的行動」への技術拡張——が 控えている。 戦略的提言 提言 1: 自律運転 AI 知財の継続強化 CAGR +146.6%（5H181）の成長率は今後も加速が予想される。クラスタ[5]（38 件）は成長余地が大きく、 Level 3 以上の自律運転実用化に向けたセンサフュージョン、経路計画、安全保証の知財強化が優先課題であ る。 提言 2: 萌芽技術の「ノイズ監視」 本分析でノイズに分類された特許群の中に次世代の技術テーマが潜むことが実証された。定期的なランドス ケープ分析において、ノイズ特許の技術テーマを分類・追跡することで、新興クラスタの形成を早期に検出で きる。特にロボティクス・把持制御と世界モデルは、今後 2-3 年での独立クラスタ形成が予測され、重点的な 監視対象とすべきである。 提言 3: ホワイトスペースの戦略的充填 Saturn V 分析で特定された 3 つのホワイトスペース（GPU×通信融合、自律システム×V2X、LLM 推論最適 化）のうち、LLM 推論最適化は 2023 年以降の生成 AI ブームを踏まえると最優先の充填対象である。出願公 開のタイムラグを踏まえた監視が必要。 提言 4: レガシー通信特許のポートフォリオ整理 買収由来の通信特許（計 62 件）は出願から 15-20 年が経過し権利満了に近い。MEGA 分析で通信テーマコー ドが全て衰退象限に位置することからも、ライセンス価値評価と、NVIDIA の Aerial（5G RAN）プラットフォー ムとの戦略的接続を検討すべきである。

APOLLO CAPCOM Report 24 提言 5: メモリ技術の知財投資 「メモリ」が中心性 0.697 のボトルネックとして検出された。HBM3e/HBM4、CXL メモリプーリング、統合 メモリアーキテクチャの革新がポートフォリオ全体の価値を左右するため、メモリ技術の知財投資の戦略的強 化が必要である。

APOLLO CAPCOM Report 25 付録 A. 分析条件一覧 項目 内容 分析対象 NVIDIA 権利特許（日本出願） 対象件数 478 件 対象期間 1988 年〜2025 年（出願年基準） 分析実施日 2026 年 2 月 分析ツール APOLLO CAPCOM v1.0.0 テキスト埋め込み SBERT（paraphrase-multilingual-MiniLM-L12-v2） 次元削減 UMAP（n_neighbors=15, min_dist=0.1, metric=cosine） クラスタリング HDBSCAN（min_cluster_size=自動推定） テキスト前処理 Janome 形態素解析 + NFKC 正規化 + ストップワード除去 + 複合名詞 結合 共起ネットワーク 34 ノード、137 エッジ、Louvain コミュニティ検出 動態分析 CAGR × 活動量の 4 象限（MEGA PULSE）、26 F ターム ルールベース分類 CORE（技術分類×課題分類）、215 件分類済み

APOLLO CAPCOM Report 26 B. 用語解説 用語 解説 SBERT Sentence-BERT。文章単位の意味的類似度を計算するための事前学習 済み言語モデル。各特許の要約文を 384 次元のベクトルに変換し、意味 的な距離を定量化する UMAP Uniform Manifold Approximation and Projection。高次元データの 構造を保持しながら 2 次元に次元削減する手法。SBERT ベクトルの空間 的関係を可視化するために使用 HDBSCAN Hierarchical Density-Based Spatial Clustering of Applications with Noise。密度ベースの階層的クラスタリング手法。クラスタ数を事前 に指定する必要がなく、密度の低い領域の点を「ノイズ」として分離する 特徴を持つ ノイズ（HDBSCAN） HDBSCAN が既存クラスタのいずれにも分類しなかったデータ点。周囲 に十分な密度の類似データが存在しないことを意味し、(a) 複数クラスタ の境界領域の融合技術、(b) 全く新しい技術ドメインのいずれかを示す CAGR Compound Annual Growth Rate（年平均成長率）。特定期間における 出願件数の年平均成長率を複利で計算したもの TF-IDF Term Frequency-Inverse Document Frequency。文書中の単語の重 要度を、出現頻度と逆文書頻度の積で評価する手法。クラスタの自動ラベ リングに使用 F ターム 日本特許庁が独自に定義した技術分類体系。IPC より細分化された日本独 自の分類で、テーマコード（5 桁）と観点・数字で構成される IPC International Patent Classification（国際特許分類）。世界知的所有権 機関が定める特許の技術分類体系 コミュニティ検出 ネットワーク内で密に接続されたノード群（コミュニティ）を自動検出す るアルゴリズム。本分析では Louvain 法を使用 媒介中心性 ネットワーク内のノードが他のノード間の最短経路上にどの程度位置す るかを示す指標。値が高いほど、そのノードがネットワーク内で「橋渡し」 の役割を果たしている 共起ネットワーク 特許文書中で頻繁に同時出現するキーワードのペアをエッジで接続した ネットワーク。技術間の関連性を可視化する NeRF Neural Radiance Fields。ニューラルネットワークで 3D シーンの放射 輝度場を学習し、任意の視点からの画像を合成する技術 3D Gaussian Splatting 3D ガウシアンスプラッティング。3D シーンをガウス分布の集合で表現 し、高速なリアルタイムレンダリングを実現する手法。NeRF の発展形