COMPANY PROFILE ／ マテリアルインフォマティクス
NVIDIA
― 材料・化学のシミュレーションを速く回すための「道具」ALCHEMIを提供する計算基盤の会社
NVIDIAは、AI向けの半導体（GPU）で知られる会社です。材料・化学の分野では、AIによる原子シミュレーションをGPUで速く、大量に回すためのソフト群ALCHEMI（AI Lab for Chemistry and Materials Innovation）を提供しています。 すぐ使えるクラウド向けサービス（NIM）と、部品を組み合わせて自作するためのToolkitなどで構成され、Toolkitはオープンソース（Apache-2.0）です。 一方で、NVIDIA自身の材料向けAIモデルは確認できず、サービスが既定で使うモデルは公式文書が「NVIDIAが所有・開発したものではない」と明記する第三者のものです。 速度の数字（100倍、1万倍など）は会社と利用企業の主張で、条件によって変わります。 本稿では、会社の主張、測定の条件、実験での確認を分けて、一次資料で確認できた範囲だけを書きます。
- 30秒でわかるNVIDIAと、マテリアルインフォマティクスでの立ち位置
- ロゴと社名の表記について
- マテリアルインフォマティクスの世界で、この会社はどこにいるか
- 会社の規模（会社全体は簡潔に）
- マテリアルインフォマティクスにかけているリソース
- これまでの取り組み
- 今後の計画
- この会社はマテリアルインフォマティクスで何を目指しているか
- マテリアルインフォマティクス分野の提携マッピング
- 提供している技術・製品・サービス（数字の読み方）
- この企業が抱えるリスク
- 用語集／出典／主張と出典の対応表
1. 30秒でわかるNVIDIAと、マテリアルインフォマティクスでの立ち位置
マテリアルインフォマティクス（MI）とは、材料のデータと計算・AIを使って、新しい材料を効率よく探す取り組みです。 流れは大きく「データ → 予測・設計 → 実験で確かめる」の3段階です。 NVIDIAが担っているのは、このうち「予測・設計」の段階の計算を速くする部分です。AIモデルそのものを作る会社ではなく、モデルを動かす計算の土台と道具を提供しています。
Nasdaq：NVDA米国カリフォルニア州
（うち「計算基盤」）材料向けの自前モデルは確認できなかった
（NIM・Toolkit・Toolkit-Ops）原子シミュレーションをGPUで速くするソフト群
OLED評価が最大1万倍高速条件つきの数字。独立の検証は確認できなかった（第10章）
NIM：NVIDIAの契約NIMは商用・非商用で使えると記載。契約条件は原文確認
NIM公開2026年3月NGCでの初回リリース日（公式ドキュメント）
ALCHEMIの高速化は、「同じAIモデルを、より多く・より速く回す」ことです 事実。 速くなっても、予測の正確さが上がるわけではありません。正確さは、使うモデル（MACE、AIMNet2、TensorNetなど）と、そのモデルが学習したDFTデータで決まります。 公式文書によれば、既定のモデルはNVIDIAが所有・開発したものではありません。 この記事では、速度の主張、測定の条件、予測の正確さを、常に分けて書きます。
2. ロゴと社名の表記について
表記の注意：本稿の「NVIDIA」は、米国上場のNVIDIA Corporation（法人）を指します。 ALCHEMIは製品群の名前で、NIMはNVIDIAの「推論用マイクロサービス」（学習済みモデルをすぐ動かせる形にした部品）の呼び名です。 NVenturesはNVIDIAのベンチャー投資部門です。 10-Kに書かれているのは会社全体の数字で、ALCHEMI単独の数字ではありません。
公式サイト：https://www.nvidia.com/en-us/about-nvidia/legal-info/logo-brand-usage/（ロゴはNVIDIAのロゴ・ブランド利用のページの画像）3. マテリアルインフォマティクスの世界で、この会社はどこにいるか
図1のとおり、NVIDIAは「基盤モデル・計算基盤」の類型のうち、計算基盤の側にいます。 MIの流れ（データ → 予測・設計 → 実験）のうち、予測・設計の計算を、GPUで速く大量に回すことを支えています。 材料向けの基盤モデルは、NVIDIA自身のものは確認できず、第三者のモデル（MACE、AIMNet2、TensorNetなど）を動かす形です。 実験で確かめる部分は、利用企業の側が担っています 事実。
GPUは、画像処理から発展した、同じ計算を大量に並べて速く行う半導体です。AIの計算に向いています。 NIMは、学習済みモデルをすぐ使える「部品」にしたものです。バッチ処理は、多数の構造を「まとめて」同時に計算することで、1つずつ計算するより速くする方法です。 材料探索では、候補が数万〜数億になることがあるため、まとめて速く下見できる意味があります。 技術の細部は、本シリーズの技術解説『機械学習原子間ポテンシャル』『高スループット計算』『分子動力学』で説明しています。
4. 会社の規模（会社全体は簡潔に）
NVIDIAは、AI向けの半導体とネットワーク機器を中心とする大企業です。会社全体の規模だけを示します 事実。 材料・化学向けの事業の売上・人員・予算は開示されていません 未確定／将来。
| 指標（会社全体・百万米ドル） | 2024年1月期 | 2025年1月期 | 2026年1月期 |
|---|---|---|---|
| 売上高（Revenue） | 60,922 | 130,497 | 215,938 |
| 研究開発費（Research and development） | 8,675 | 12,914 | 18,497 |
| 設備投資（Purchases related to property and equipment and intangible assets） | 1,069 | 3,236 | 6,042 |
| 項目 | 内容 |
|---|---|
| 従業員数（2026年度末） | 約42,000人（うち研究開発 31,000人） |
| 本社 | 2788 San Tomas Expressway, Santa Clara, California（米国） |
| 上場 | The Nasdaq Global Select Market（NVDA） |
| 材料科学の記載 | 10-Kは、研究者や開発者が分子動力学から気候予測まで多様な用途に使うこと、6,000のアプリケーションをサポートし材料科学などの発見を支えることに、1か所だけ触れる。ALCHEMIの記載は確認できなかった |
上の数字は会社全体のものです。2026年1月期の売上のうち、データセンター向けが193,737百万ドルで、全体の約90%を占めます 本稿の計算（10-Kの市場別売上から）。材料・化学向けのソフトは、この中の小さな一部にすぎないとみられます。 研究開発費の約185億ドル（2026年1月期）のうち、ALCHEMIがいくらかは開示されていません。 会社の規模と、材料・化学向けにかけている規模は別物です。
5. マテリアルインフォマティクスにかけているリソース
金額や人数は非公表ですが、公式資料から確認できたこと・できなかったことを4つの観点で整理します。
| 観点 | 確認できた内容 | 区分 |
|---|---|---|
| 人 | ALCHEMIの公式ブログには、複数の執筆者（Wen Jie Ong、Justin S. Smith、Dallas Foster、Kelvin Leeら）が名前を出している。ALCHEMIに携わる人数の総数は非公表 | 事実／非公表 |
| 金 | ALCHEMI向けの研究開発費・設備投資の額は開示なし。10-Kにも記載なし | 確認できなかった |
| 外部への出資・買収・合弁・売却 | NVIDIAのベンチャー部門NVenturesが、(1) Orbital Materials（材料AI企業）に出資（Orbital Materialsが2024年10月22日に発表。金額は非公表）、(2) Lila Sciences（科学向けAI企業）の支援者として開示（Lilaが2025年10月のシリーズAのクローズで開示。NVenturesの金額は非公表）。材料AIに関する買収・合弁・売却は確認できなかった | 事実（出資先の発表）／金額は非公表 |
| 大学・研究機関・公的資金との連携 | (1) Brookhaven国立研究所（米国エネルギー省）：放射光施設NSLS-IIの画像処理にNVIDIA Holoscanを使用（実験データの高速処理。2025年11月のNVIDIAブログ）。(2) Carnegie Mellon大学Isayev研究室のAIMNet2を、ALCHEMIが対応モデルとして使用。(3) 企業の利用者：ENEOS、Universal Display、SES AI。公的な研究資金の受領は確認できなかった | 事実／確認できなかった |
主要な製品・ソフトの状況
| 名称 | 種別 | 主要な仕様・条件 | 公開の形とライセンス | 段階・日付 |
|---|---|---|---|---|
| ALCHEMI NIM：構造緩和（BGR） | クラウド向けマイクロサービス | 多数の構造の「安定な形への緩和」をまとめて計算。MACE・AIMNet2・TensorNetに対応。既定はMACE-MPA-0（第三者のモデル）。AIMNet2・TensorNetの重みは利用者が用意（1.0.0の制限事項） | NIMはNVIDIA AI Product Agreement、モデルはNVIDIA AI Foundation Models Community Licenseの記載。「商用・非商用で使える」と記載 | 提供（NGCで2026年3月12日に1.0.0、現在1.1.0） |
| ALCHEMI NIM：分子動力学（BMD） | クラウド向けマイクロサービス | NVE・NVT・NPTの分子動力学を、MLIPで実行。既定はMACE-MPA-0 | 同上 | 提供（2026年3月13日に1.0.0） |
| ALCHEMI NIM：配座探索（BCS） | クラウド向けマイクロサービス | 分子の低エネルギーな形の探索。AIMNet2を使用。1配座あたり10〜100ミリ秒（H100、会社の測定） | 確認できなかった | 2025年11月に発表。確認日の公式ダウンロード一覧にはBGR・BMDのみで、提供状況は確認できなかった |
| ALCHEMI Toolkit | シミュレーションの部品群（PyTorch） | 最適化・積分器・データ構造。MACE・TensorNet・AIMNet2のラッパー。複数GPU・複数ノードに対応 | オープンソース（Apache-2.0） | 提供（2026年4月14日に発表） |
| ALCHEMI Toolkit-Ops | GPU演算の部品群 | 近傍リスト、DFT-D3分散力補正、長距離静電（Ewald・PME）。NVIDIA Warpで実装 | オープンソース（Apache-2.0） | 提供（GitHubは2025年12月、ブログは2025年12月19日） |
| 材料向けの自前AIモデル | — | NVIDIA自身の材料向けモデルは、確認した公式資料に記載がなかった | — | 確認できなかった |
ALCHEMIは、候補が多いときの「下見の計算」を速くする道具です 事実。
(1) 精度は使うモデル次第。NIMの既定モデルのMACE-MPA-0は第三者のモデルです。自社の材料系が、そのモデルの訓練範囲に入るかを確かめる必要があります。第10章の通り、高速化で精度は変わりません。
(2) 多数をまとめて下見できる。数千〜数万の構造を同時に緩和できるため、候補を絞る前段に向きます。ただし、緩和後の重要な候補は、DFTや実験で確かめる前提が現実的です。
(3) 環境の前提。ToolkitはNVIDIA GPU（計算能力7.0以上）が前提です。NIMは、Dockerなどのコンテナで動かすクラウド向けの形です。
(4) 契約を確認。NIMのコンテナとモデルは、別々の契約（NVIDIA AI Product Agreement、Community License）に従います。企業で使うときは、原文を確認してください（法的助言ではありません）。
6. これまでの取り組み
| 時期 | できごと | 意味 |
|---|---|---|
| 2024年10月22日 | NVenturesがOrbital Materialsに出資（Orbital Materialsの発表） | 材料AI企業への出資 |
| 2024年11月18日 | ALCHEMIを発表。構造緩和NIMは「公開されたら通知を受け取る登録」の段階。H100で2,048個の結晶の緩和が約15分から9秒（約100倍）と測定 | 会社の測定。条件は第10章 |
| 2025年3月25日 | SES AIの事例を公開。SES AIがBGR（AIMNet2）とバッチDFTを使い、電池電解液の候補を探索 | 利用企業の事例（会社の紹介） |
| 2025年5月19日 | Microsoft Discoveryが、ALCHEMI NIMを統合する計画と発表 | 計画。実現は確認できなかった |
| 2025年10月 | Lila SciencesがシリーズAのクローズでNVenturesの支援を開示 | 科学向けAI企業への出資 |
| 2025年11月17〜18日 | SC25で、配座探索NIMと分子動力学NIMを発表。ENEOSとUniversal Displayが早期利用者 | 会社の発表。数字は利用企業との共同の主張 |
| 2025年12月 | Toolkit-Opsを公開（GitHub、ブログは12月19日）。TorchSim・MatGL・AIMNet Centralが採用中と紹介 | GPU演算部品のオープンソース化 |
| 2026年3月12〜13日 | 構造緩和NIM（3月12日）と分子動力学NIM（3月13日）の1.0.0をNGCで公開 | 発表から約1年4か月での提供開始（本稿の計算） |
| 2026年4月14日 | ALCHEMI Toolkitを発表。Orbital・MatGL・Matlantisとの統合 | 自作用の部品群をオープンソースで提供 |
7. 今後の計画
これらはすべて会社の計画・目標であり、達成された事実ではありません 未確定／将来。 Microsoft Discoveryへの統合は、2025年5月の発表で「統合する」とされました。確認日（2026年10月22日）に、公式資料で統合の完了を確認することはできませんでした。 Microsoft側の2026年6月の一般提供の発表ブログにも、NVIDIAやALCHEMIの記載は確認できませんでした。
次はいずれも公式資料に記載がありませんでした 未確定／将来。
ALCHEMIの売上・利用企業数／材料向けの自前モデルの有無／今後のNIMの公開時期／投資額・人員／Microsoft Discoveryへの統合の完了。
8. この会社はマテリアルインフォマティクスで何を目指しているか
ここは会社が直接には述べていない部分を含みます。一次情報から読み取れる範囲の推測として、根拠とともに書きます。
| 読み取れること | 根拠となる一次情報 | 区分 |
|---|---|---|
| 材料・化学を、GPUの新しい需要先として開拓している | ALCHEMIの対象を「NVIDIAのGPU上で速く動く」ことに置く。ToolkitはNVIDIA GPUが前提。顧客の事例は「GPUで大規模に回せた」ことを強調 | 推測 |
| モデルは作らず、他社・研究コミュニティのモデルを動かす土台になる方針 | 既定モデルは第三者のもの。MACE・AIMNet2・TensorNetに対応し、Orbital・MatGL・Matlantisなどと統合 | 推測 |
| 部品はオープンソースにして採用を広げ、NIMは商用の窓口にする二段構え | ToolkitとToolkit-OpsはApache-2.0。NIMは別の契約（NVIDIA AI Product Agreement） | 推測 |
| 投資（NVentures）で、材料AIのエコシステムに関わる | Orbital Materials、Lila Sciencesへの出資の開示 | 推測 |
ALCHEMIの製品ページは、NIMを「近量子化学の精度の原子シミュレーションを必要とする研究者向け」、ToolkitとToolkit-Opsを「コミュニティ、ISV（独立系ソフトウェア企業）、スタートアップの開発者向け」と説明しています 事実。 ここから、NVIDIAは、研究者にはすぐ使える形（NIM）を、ソフトウェア会社には部品（Toolkit）を提供し、どちらの経路でもGPU上で動く材料シミュレーションを増やす意図があると本稿は読みます 未確定／将来。
9. マテリアルインフォマティクス分野の提携マッピング
10. 提供している技術・製品・サービス
NVIDIAが材料向けに提供しているのは、ALCHEMIです。3つの層（NIM、Toolkit、Toolkit-Ops）で構成されます。 ここでは、構成、数字の条件、利用企業の主張を順に説明します。
ALCHEMIの構成（図解）
公式ページによれば、NIMは、近量子化学の精度の原子シミュレーションを必要とする研究者向けです。 ToolkitとToolkit-Opsは、機械学習原子間ポテンシャル（MLIP）を学習したり、速いシミュレーション用のソフトを作ったりする、コミュニティ・ISV・スタートアップの開発者向けです 事実。
数字の読み方：何を、どの条件で測った数字か
| 数字（会社・利用企業の主張） | 条件・定義 | 性格 |
|---|---|---|
| 構造緩和が約25倍（NIMをオン）、約100倍（バッチ128） | NVIDIA H100 80 GB 1枚、MACE-MP-0、ASEのFIRE最適化。2,048個の無機結晶（1セル20〜40原子）。NIMなしで874秒、NIMのバッチ1で36秒、バッチ128で9秒。速くなるのは計算で、予測の正確さは変わらない | 会社の測定（ソフトの比較） |
| 有機分子で約60倍、バッチ64で約800倍（AIMNet2） | GDB-17の851個の小さな有機分子（約20原子）。ブログは、100倍と800倍の違いは「モデルでなく、対象の系（結晶と分子）による」と説明 | 会社の測定（ソフトの比較） |
| 1配座あたり10〜100ミリ秒、350,000原子超の分子動力学 | 配座探索はH100、AIMNet2。分子動力学はHGX B200 1枚、TensorNet、1原子・1ステップあたり1.4マイクロ秒 | 会社の測定（速度） |
| Universal Display：OLEDの熱安定性の予測が、DFTより最大1万倍高速で「ほぼ同等の精度」 | 配座探索NIMと分子動力学NIMを使用。何をDFTと比べたかの詳細は、公式ブログの範囲では確認できなかった。独立の検証は確認できなかった | 利用企業と会社の主張 |
| ENEOS：非PFASの浸漬冷却液の有望候補が1,000超を3週間で発見 | 配座探索NIM・分子動力学NIM・バッチDFTを組み合わせた多段の計算。実験での確認の記載は、確認した範囲ではなかった。別の記述では「約1,000万の候補を数週間で評価、従来の10倍以上」 | 利用企業と会社の主張（計算上の候補） |
| SES AI：1日の半分で10万分子を評価 | AIMNet2のNIMで電解液の候補を評価（2024年11月時点の記述）。後の記事では、17の候補材料を見つけ、2つを合成・試験したと同社が記載 | 利用企業の主張 |
上の速度は、すべて計算にかかる時間です。予測が実験と合うかどうかは、モデルとデータで決まり、ALCHEMIは変えません 事実。 「DFTより1万倍速く、ほぼ同等の精度」という主張は、その精度の比較の対象・条件が公式の範囲では確認できないため、本稿では会社と利用企業の主張として扱います。 また、「候補を見つけた」という数は計算上の候補で、実験で作って確かめた数ではありません。
事例から、素材技術者に関わるのは次の3点です 事実。
(1) 「計算で絞り、実験は最後」という設計。NVIDIAのブログは、ENEOSが計算で候補を絞り、最も有望な材料だけを実際の実験で試す使い方をしていると説明しています。計算が実験の数を減らす使い方です。
(2) 計算の規模が変わると探索の仕方が変わる。ENEOS Holdingsの担当者は、1,000万〜1億件の規模で探索することは以前は考えていなかったと述べています。これは利用企業の発言で、成果の確認ではありません。
(3) 自社データでのモデル作りは別の仕事。ToolkitはMLIPの学習用の部品も含みますが、自社材料に合うモデルを作るには、DFTデータの準備と検証が必要です。
11. この企業が抱えるリスク
| リスク | 内容 | 区分 |
|---|---|---|
| 精度は第三者のモデル次第 | NIMの既定モデルはNVIDIAが所有・開発したものではない。モデルの限界は、ALCHEMIでは解決されない | 事実 |
| 速度の数字は条件つきの主張 | H100やB200、特定のモデル・系での測定。利用企業の1万倍などの主張は、比較の条件が公式の範囲では確認できず、独立の検証も確認できなかった | 事実 |
| 発表から提供までが長い | 2024年11月の発表から、NIMのNGC公開（2026年3月）まで約1年4か月。配座探索NIMの提供状況は確認できなかった | 事実／本稿の計算 |
| 統合計画の実現が未確認 | Microsoft Discoveryへの統合は2025年の計画。完了を公式資料で確認できなかった | 未確定／将来 |
| NVIDIA GPUへの依存 | ToolkitはNVIDIA GPUが前提。他社の計算機では使えない設計 | 事実 |
| 材料向けの事業規模が外から見えない | 10-Kに材料向けの記載がほぼなく、売上・人員・投資額は非公表 | 推測 |
| 計算の前提による限界 | 基準はDFTで学習したモデル。温度・欠陥・界面などの現実の複雑さは、使うモデルの訓練範囲に限られる | 事実 |
12. 用語集
- マテリアルインフォマティクス（MI）
- 材料のデータと計算・AIで、新しい材料を効率よく探す取り組み。
- ALCHEMI
- AI Lab for Chemistry and Materials Innovation。NVIDIAの材料・化学向けのソフト群の名前。
- NIM
- NVIDIAの推論用マイクロサービス。学習済みモデルをすぐ動かせる形にした部品。
- GPU
- 同じ計算を大量に並べて速く行う半導体。AIの計算に向く。
- バッチ処理
- 多数の構造を「まとめて」同時に計算して、1つずつより速くする方法。
- 機械学習原子間ポテンシャル（MLIP）
- 原子の間に働く力をAIで速く計算する方法。分子動力学や構造緩和に使う。
- 構造緩和
- 原子の位置を少しずつ動かして、エネルギーが最も低い安定な形を探す計算。
- 配座探索
- 分子がとりうる形（配座）の中から、エネルギーの低いものを探す計算。
- MACE・AIMNet2・TensorNet
- ALCHEMIが対応する第三者のMLIPの名前。NVIDIA製ではない。
- NVentures
- NVIDIAのベンチャー投資部門。
- Apache-2.0
- 商用を含めて自由に使える、緩やかなオープンソースライセンス。
- 10-K
- 米国上場企業がSECに提出する年次報告書。
13. 出典
- NVIDIA Form 10-K for the fiscal year ended January 25, 2026（米国SEC提出、2026年2月25日）。会社全体の売上・研究開発費・設備投資・従業員数、材料科学・分子動力学への言及（1か所）。 https://www.sec.gov/Archives/edgar/data/1045810/000104581026000021/nvda-20260125.htm
- NVIDIA Developer ALCHEMI: AI for Chemistry and Materials Science（公式製品ページ）。ALCHEMIの3層（NIM・Toolkit・Toolkit-Ops）、提供物の一覧、対象とする利用者。 https://developer.nvidia.com/cuda/cuda-x-libraries/alchemi
- NVIDIA Technical Blog Revolutionizing AI-Driven Material Discovery Using NVIDIA ALCHEMI（2024年11月18日）。ALCHEMIの発表、構造緩和NIMの速度測定の条件、SES AIの利用。 https://developer.nvidia.com/blog/revolutionizing-ai-driven-material-discovery-using-nvidia-alchemi/
- NVIDIA Technical Blog Accelerating the Future of Transportation with SES AI’s NVIDIA-Powered Innovation for Electric Vehicles（2025年3月25日）。SES AIによる利用と同社の成果の記述。 https://developer.nvidia.com/blog/accelerating-the-future-of-transportation-with-ses-ais-nvidia-powered-innovation-for-electric-vehicles/
- NVIDIA Technical Blog Faster Chemistry and Materials Discovery With AI-Powered Simulations Using NVIDIA ALCHEMI（2025年11月18日）。配座探索NIMと分子動力学NIMの発表、Universal Display・ENEOSの事例と主張。 https://developer.nvidia.com/blog/faster-chemistry-and-materials-discovery-with-ai-powered-simulations-using-nvidia-alchemi/
- NVIDIA Blog NVIDIA Accelerated Computing Enables Scientific Breakthroughs for Materials Discovery（2025年11月17日、SC25）。ENEOS・Universal Display・Brookhaven国立研究所の事例。 https://blogs.nvidia.com/blog/ai-science-materials-discovery-sc25/
- NVIDIA Technical Blog Accelerating AI-Powered Chemistry and Materials Science Simulations With NVIDIA ALCHEMI Toolkit-Ops（2025年12月19日）。GPU演算の部品群と、採用しているオープンソース。 https://developer.nvidia.com/blog/accelerating-ai-powered-chemistry-and-materials-science-simulations-with-nvidia-alchemi-toolkit-ops/
- NVIDIA Technical Blog Building Custom Atomistic Simulation Workflows for Chemistry and Materials Science with NVIDIA ALCHEMI Toolkit（2026年4月14日）。ALCHEMI Toolkitの発表と、Orbital・MatGL・Matlantisとの統合。 https://developer.nvidia.com/blog/building-custom-atomistic-simulation-workflows-for-chemistry-and-materials-science-with-nvidia-alchemi-toolkit/
- NVIDIA Docs NVIDIA NIM for ALCHEMI Batched Geometry Relaxation: Overview（AI透明性カード）。初回リリース日（2026年3月12日）、既定モデルが第三者のもの、ライセンス。 https://docs.nvidia.com/nim/alchemi/alchemi-bgr/latest/ai-transparency-card/overview.html
- NVIDIA Docs NVIDIA NIM for ALCHEMI Batched Geometry Relaxation: Release Notes。対応モデル、制限事項（モデルの重みの外部提供など）。 https://docs.nvidia.com/nim/alchemi/alchemi-bgr/latest/release-notes.html
- NVIDIA Docs NVIDIA NIM for ALCHEMI Batched Molecular Dynamics: Overview（AI透明性カード）。初回リリース日（2026年3月13日）、既定モデル、ライセンス。 https://docs.nvidia.com/nim/alchemi/alchemi-bmd/latest/ai-transparency-card/overview.html
- NVIDIA（GitHub） NVIDIA/nvalchemi-toolkit のREADME。ALCHEMI Toolkitのライセンス（Apache-2.0）。 https://github.com/NVIDIA/nvalchemi-toolkit
- NVIDIA（GitHub） NVIDIA/nvalchemi-toolkit-ops のREADME・LICENSE。Toolkit-Opsのライセンス（Apache-2.0）。 https://github.com/NVIDIA/nvalchemi-toolkit-ops
- NVIDIA Blog NVIDIA and Microsoft Accelerate Agentic AI Innovation, From Cloud to PC（2025年5月19日）。Microsoft DiscoveryへのALCHEMI NIM統合の計画。 https://blogs.nvidia.com/blog/microsoft-build-agentic-ai-innovation-cloud-pc
- GlobeNewswire（Orbital Materials） Orbital Materials to Advance Materials and Climate Technologies with AI, Using Investment from NVentures（Orbital Materialsのプレスリリース、2024年10月22日）。NVentures（NVIDIAのベンチャー部門）からの出資。金額は非公表。 https://www.globenewswire.com/news-release/2024/10/22/2966994/0/en/Orbital-Materials-to-Advance-Materials-and-Climate-Technologies-with-AI-Using-Investment-from-NVentures.html
- Lila Sciences Announcing Lila’s $350M Series A（Lila Sciencesの発表、2025年10月）。シリーズAの第2回クローズでNVentures等の支援を開示。 https://www.lila.ai/news/announcing-the-close-of-our-series-a
- NVIDIA NVIDIA公式サイトのロゴ・ブランド利用のページ（ロゴの取得元）。 https://www.nvidia.com/en-us/about-nvidia/legal-info/logo-brand-usage/
14. 主張と出典の対応表
最終更新：2026年10月22日／Troy Technical
本稿の数値は、NVIDIAがSEC（米国証券取引委員会）に提出した10-K、NVIDIAの公式ページ・ブログ・製品ドキュメント・GitHub、出資先の発表に基づきます。調査会社の推計値・報道ベースの数値は使用していません。「推測」と記した箇所は、一次情報から本稿が読み取った解釈であり、会社の公表内容ではありません。「○倍高速」などの数字は会社・利用企業の主張として書いており、計算の速度と予測の正確さ、計算上の候補と実験での確認を区別しています。ライセンスの説明は公式ページの記載の要約で、法的助言ではありません。株価・評価額・投資判断には触れていません。