4,601 文字
おはようございます。今日は人工超知能のお話なんですけど、これって今の時点ではかなり遠い未来の夢みたいに思えるかもしれませんね。でも実際のところ、そんなに遠くないかもしれない証拠がいくつかあるんです。
最近MITから出た研究では、人工知能による科学的発見と製品イノベーションについて議論されてました。この論文では、科学的発見の加速において人工知能がいかに驚くべき能力を持っているかについて詳しく述べられてるんです。
皆さんも覚えてはるかと思いますが、Sam Altmanも言うてましたよね。科学的発見のレベルが驚異的になった時、社会は完全に変わるって。彼はこう言うてました。「もしOpenAIのAIシステムが、AIの研究においてOpenAIの現在の能力を大きく上回るようになったら、それは重要な転換点になる。単純な指数曲線の延長線上にあるかもしれないけど、重要なマイルストーンになるはず」って。
これがOpenAIにとって重要な理由は、エージェントの次のレベル（来年にも実現するかもしれない）が、彼らが「SFみたいな話」と呼んでるAI発明家やイノベーターだからなんです。このMITの論文は、先端技術が社会をどう変えていくかの未来像を示してくれてます。特に、技術進歩の中でも最も重要な要素の一つである科学的発見のスピードアップについてですね。
レベル4のイノベーターの段階に到達したら、それはもう完全に凄いことになります。全てが変わってしまうんです。この論文では発明のプロセス全体について説明されてて、まず最初にアイデア生成があります。これは科学者が新しい材料のアイデアを考え出す段階です。例えば、強度や柔軟性、導電性といった特定のニーズや望ましい特性を持つ材料についてですね。
次に候補となる材料があって、これは科学者が可能性のある材料設計を作り出す段階です。そして優先順位付けがあります。どの設計を最初にテストすべきか決めるのはかなりコストがかかるので、この段階は特に難しいんです。実際に機能する材料を見極める必要があり、多くの偽陽性が出てしまいます。
その後、テスト段階に移って、実行可能な材料をテストし、特許を申請して、製品の改良を行い、最後に商業化します。このプロセス全体はかなり長くて、アイデアから市場投入までに10年から20年くらいかかるんです。
でも、AIがゲームチェンジャーになってる状況を見ると、これは私たちにとって驚くべきことです。なぜなら、製品や発明をもっと短いサイクルで生み出せるようになるからです。アイデアから市場投入までの時間がかなり短縮されることになります。
これが、多くのAI研究者やフロンティアラボの人々が「圧縮された21世紀」について語る理由なんです。AnthropicのCOOであるDario Amodeの記事でも触れられてましたが、強力なAIが開発された後、生物学や医学の分野で21世紀全体で達成されるはずだった進歩が、わずか数年で実現されるだろうという考え方です。
考えてみてください。これは基本的に、5年から10年の間に75年分の進歩が起こるということです。まさに狂気の沙汰ですよね。つまり、短期間で2、3回分の人生を生きるようなものなんです。
これが可能になるのは、自動化されたAI研究と発見をマスターできれば、科学全般で驚くべきブレークスルーが起こり、それが一般の人々の生活様式を劇的に変えることになるからです。
具体的には、ほとんどのがんの排除、ほぼ全ての感染症の予防、人間の寿命を2倍にするといった驚くべきことが実現し、「圧縮された21世紀」でさらに150歳まで延びる可能性があるんです。150歳まで生きられるというのは信じられないような話ですよね。もちろん、ピークの身体状態を保てることが前提ですけど。生きてるだけじゃなく、良い人生を送れることが大切ですからね。
ここで、材料科学における深層学習の発展についても見てみましょう。過去10年間で、材料科学における深層学習の使用が大きく進歩したことが示されてます。この論文のグラフでは、2015年以降、材料科学が深層学習などのAI技術をどう取り入れてきたかが分かります。
グラフには2つの要素があって、青い丸は材料科学の出版物を示してます。この線は、深層学習に言及した材料科学の出版物の累積増加率を表してます。2015年以降、急激な増加が見られ、これは研究とイノベーションにおけるAIの影響力の高まりを反映してます。この上昇は、AIの技術的進歩とも一致してるんです。
AGIが登場してこの発展をさらに加速させるようになったら、どれだけ凄いことになるか想像できますよね。これは、材料科学の出版物やその他の発見が年々増加していることを示してます。
そして、グラフニューラルネットワークについても触れられてます。これらのネットワークは、物質の原子や結合の超詳細な3Dマップを作るように、材料を非常に詳細なレベルで理解するように設計されてます。科学者が求める特定の特性に基づいて、新しい構造を予測するように訓練されてるんです。
最初のステップの一つが逆材料設計です。ここでの目標は、特定の要件を満たす新しい材料を見つけることです。科学者がAIに強度や柔軟性といった目標とする特徴を入力し、そしてGNN（グラフニューラルネットワーク）のレイヤーがこの情報を処理して、可能性のある材料構造を生成します。
例えるなら、望む料理を入力すると、AIがそれを作るための材料の組み合わせを提案してくれるような高度なレシピのようなものです。
それから3段階の訓練プロセスがあります。皆さんの中には、これらのステップをご存じの方もおられるかもしれませんね。まず事前訓練があります。これは、AIが既知の材料の大規模なコレクションから学習する段階です。学生が自分で作る前に既存の例を勉強するように、さまざまな種類の構造を理解します。
次に微調整があります。AIは特定の種類の材料に対して学習を調整し、特定の用途に対する材料の予測能力を向上させます。
最後に強化学習です。AIの予測した材料を科学者が合成してテストし、予測の結果に基づいてAIは学習を継続して改善していきます。
そして、グラフト拡散アーキテクチャがあります。AIはグラフト拡散プロセスと呼ばれるものを使って新しい材料を作り出します。既知の化合物から始めて、ノイズを少し加えるように、ランダム性を加えて新しいバージョンの材料を考え出します。
そしてAIは、これらのノイズの多いバージョンを実用的な新材料に精製するために後ろ向きに作業し、ランダム性を取り除いて安定した実用的な新材料にたどり着こうとします。これは画像の拡散モデルに少し似てます。
これが論文の中でどう位置づけられているかというと、材料発見のプロセスを大幅に改善するという点で重要なんです。科学者が試行錯誤で異なる組み合わせを試すのではなく（これには多くの時間がかかります）、AIツールが成功する可能性の高い提案を素早く生成できます。
このプロセスにより、科学者はアイデアをゼロから生み出すのではなく、AIが生成した有望なアイデアを評価することに集中できるようになり、より効率的に作業できるようになります。
面白いのは、このグラフがあるんですけど、最初のグラフでは新材料というラベルが付いていて、AIツール導入前後で新材料の発見数がどう変化したかを示してます。AIツール導入前は、材料発見の速度は比較的安定していました。
でもAIが導入された後は、明確な上昇傾向が見られ、科学者がより多くの新材料を発見し始めたことを示してます。基本的に、AIツールは科学者がより革新的な材料を生み出すのを助け、生産性を大幅に向上させ、アイデアを考え出す面倒な部分を自動化することで、研究者が評価とテストのプロセスに集中できるようになったんです。
特許出願でも同じような傾向が見られ、AI統合後に増加が見られます。製品プロトタイプでも同じ傾向が見られます。これは今はGNNを使用しているだけですが、AGIや even ASIレベルのAIが登場して発見のスピードを上げられるようになったら、どうなるか想像してみてください。かなり凄いことになりそうです。
この研究で最も興味深かったのは、ASIとは直接関係ないんですが、経済に関連する部分で、このAIツールを使用した後の個人の態度の変化です。これはAIの影響に対する楽観論と懸念の両方を浮き彫りにしています。
1から10のスケールで測定された複数の声明に対する同意レベルを追跡しています。最初、科学者たちは「AIは私の分野の科学者の生産性を向上させる」という考えに同意していました。そしてAIツールを使用した後、この信念はさらに強くなりました。
しかし、AIが科学者を代替するという懸念もツール使用後に高まり、AIとの直接的な経験がその破壊的な可能性への認識を高めたことを示唆しています。「AIは成功に必要なスキルを変える」という同意も高まり、科学者たちはAIと協働するために新しい能力が必要だと認識するようになりました。
もちろん、一部の科学者はAIと効果的に協働するためにスキルの再開発を計画しています。興味深いことに、AIツール使用後、自分の分野の選択に対する満足度が低下しました。これは創造性の低下と役割の自動化の増加に対する懸念を反映しています。
結果として、スキルの再開発を計画する研究者の数が大幅に増加しました。最後に、科学者たちは前のセクションでの仕事の満足度の低下と一致して、自分の分野の選択に対する満足度がわずかに低下したと報告しています。
これらの結果は、AIとの実践的な経験がテクノロジーに対する見方を劇的に変える可能性があることを示しています。さらに、回答は重要な事実を明らかにしています。科学者たちはこの論文で記録された効果を予想していませんでした。これは、各分野の専門家がAIの能力を過小評価するという繰り返しのパターンに適合しています。
基本的に、AIツールを使用するまでは、その能力を過小評価する傾向があるということです。面白いのは、研究者の一人がこう言っています。「AIツールのパフォーマンスには感銘を受けましたが、自分の教育の多くが今は無意味になってしまったという気持ちを抱かずにはいられませんでした。これは私が訓練を受けたことではありません」
また、Rune Honssholdt（誰なのかはっきりしませんが、OpenAIの従業員という説や、AIの内部関係者という説があります）はこう述べています。「もちろん経済研究を額面通りに受け取るべきではありませんが、これは超知能を発見したときの様子です。研究者たちはアイデア生成タスクをアウトソースし、実験自体を広範に行っており、事実上、自分たちをラボのロボット化しています」
これは基本的に、私たちが見たMITの研究に対する挑発的な解釈です。本質的に、これは超知能の初期の兆候を示しています。そしてこれは確かに驚くべき主張ですが、本質的に、これこそが超知能が使用される目的なのです。税金の申告やエッセイの作成、映画制作のためではなく、科学的発見のために使用されるのです。
コメント