5,983 文字
私たちは、私が「デジタル生物学」と呼ぶ新しい時代に突入しつつあるかもしれません。DeepMindの創設者であり、人工知能分野で最も著名な知性の一人であるデミス・ハサビスは、私たちがデジタル生物学の時代に突入しつつあると予測しています。では、デジタル生物学とは何であり、それは科学的発見をどのように変えていくのでしょうか。未来は明るく見えており、デミスがそのすべてを解説してくれます。
まず最初にお見せしたいのは、人工知能に適した問題とは何かについての彼のコメントです。すべての問題が人工知能に適しているわけではありませんが、人工知能に本当に適した問題には特定の基準があります。
では、これらのAIの手法に取り組むのに適した問題とは何でしょうか。私たちは問題が適切かどうかを判断する3つの基準を設けています。第一に、膨大な組み合わせ的な探索空間の中で経路を見つけることができるか、問題をそのような観点で捉えることができるかどうかです。第二に、明確な目的関数や最適化のための指標を指定できるかどうかです。ゲームの場合、これは簡単で、ゲームに勝つことやスコアを最大化することが該当します。第三に、ニューラルネットワークモデルを学習させるための大量のデータが利用可能か、理想的には分布内でより多くの合成データを生成できる正確で効率的なシミュレータがあるかどうかです。
DeepMindが有名な、数年前に地球上で最強の人間を打ち負かした囲碁を考えてみましょう。囲碁はこれら3つの基準の完璧な例です。まず、膨大な組み合わせ的な探索空間があります。囲碁の探索空間がどれほど大きいか、つまり可能な局面の数がどれほどあるかということについて、彼は数スライド前で説明しています。可能な局面の数は10の170乗で、これは宇宙全体の原子の数よりも多いのです。そのため、従来のコンピューティングでは単純な総当たり的な手法は使えず、AIが完璧なツールとなるわけです。
第二に、明確な目的関数があります。何を最適化すべきか、AIモデルに対してこれは良い、これは悪いということをどのように伝えるかということですが、囲碁の場合は完璧です。勝つか負けるかのどちらかしかありません。
第三に、大量のデータ、あるいは合成データを作成する能力があります。これが彼が言う正確で効率的なシミュレータの意味です。囲碁の場合、コンピュータを使って多くのゲームをプレイすることができ、オンライン上にも既に大量のゲームデータが存在しています。
次に彼は、タンパク質折りたたみについて、なぜそれが人工知能にとって完璧な問題であるのか、そもそもそれが何であるのか、そしてどのように解決したのかについて話します。これは、将来のAIが科学的発見のための完璧なツールとなる理由を理解する上で非常に重要です。
先ほど聞いたように、タンパク質は生命の構成要素です。筋繊維の収縮からニューロンの発火まで、あらゆる生物のほぼすべての生物学的プロセスがタンパク質に依存しています。本質的に、タンパク質は精巧なナノスケールの生体機械と考えることができ、もちろん非常に美しいものでもあります。
タンパク質は、先ほど説明があったように、アミノ酸配列によって指定されます。左側にその例が見えますが、これらの配列は複雑な3D構造に折りたたまれます。例えば、このタンパク質は右側のこの美しい構造に折りたたまれています。ビーズの紐が丸まって玉になるようなものと考えることができます。タンパク質の3D構造を知ることは、その機能について多くのことを教えてくれ、もちろん病気の理解や創薬の加速化にとって重要です。
これがタンパク質折りたたみが重要である理由の基礎です。そして、囲碁と同様に、タンパク質を折りたたむ方法は本質的に無限にあり、それぞれが異なることを行います。これは50年来の問題で、タンパク質の折りたたみが何をするのか、どのように見えるのか、どのように振る舞うのかを予測しようとしてきました。長い間、従来の総当たり的な技術が使われており、Folding@homeという小さなソフトウェアがありました。これをコンピュータにインストールすると、家庭用コンピュータの計算能力の一部を提供することができ、世界中の多くの人々がこれを行い、そのようにして多くのタンパク質を発見することができました。
しかし、AlphaFoldは本質的にこの問題を解決し、信じられないほどの精度でタンパク質の構造を予測することができるようになりました。
このビデオでパートナーシップを組んでくれたEmergence AIに感謝します。このチャンネルをご覧になっている方なら、私がエージェント、特に実世界のタスクを遂行できるエージェントに強気であることをご存知でしょう。だからこそ、Emergence AIについてお話しできることを嬉しく思います。
Emergence AIは最近、エンタープライズグレードのマルチエージェントオーケストレーターを立ち上げ、これらのエージェントが実際にあなたに代わってウェブを閲覧できる実世界のユースケースの最初のデモを披露しました。これは強化されたウェブ自動化です。つまり、複数のエージェントが賢明なオーケストレーションのもと、ウェブ上の異なる要素と動的に対話し、人間のような対話とナビゲーションを機械レベルのスケールで実現できるのです。
特に素晴らしいのは、これらのエージェントが以前は人間を必要とした複雑で高度なウェブ上の対話を実際に実行できることです。動的に読み込まれるメニューのナビゲーション、フォームの入力、設定の調整、埋め込みファイルの処理、PDFやHTMLからの関連データの抽出などが可能です。
Emergence AIのオーケストレーターは、設計時の柔軟性と実行時の決定論性を組み合わせています。これは基本的に、これらのエージェントが自己修復できることを意味します。途中で間違いを犯しても、それを理解し、次の試行で成功することができるのです。
Emergence AIはプライバシーとセキュリティに大きな重点を置いています。APIを通じてアクセスできる完全にホストされたソリューションを提供するか、または独自の仮想プライベートクラウドでホストすることができます。
エンタープライズビジネスで多くのプロセスを自動化したいと考えている場合、Emergence AIは素晴らしいソリューションです。彼らのエージェントAPIを統合し、複数のエージェントをシームレスにオーケストレーションして、あなたとあなたのビジネスのためのタスクを遂行させることができます。これには、最新のエンタープライズアプリケーションとレガシーなエンタープライズアプリケーションの両方との対話が含まれます。
Emergence AIは開発者向けのプラットフォームの試用招待を開始したばかりです。ぜひチェックしてみてください。私からの紹介だとお伝えください。彼らのウェブサイトemergence.aiにアクセスするか、メールでcontact@emergence.aiまでご連絡ください。すべてのリンクは説明欄に記載しておきます。
このビデオでパートナーシップを組んでくれたEmergence AIに改めて感謝します。それでは、ビデオに戻りましょう。
このバーチャートの進捗を見ると、これは基本的にCASPの各回での上位チームの優勝スコアを示しています。地上真理と比較した予測の精度を示す距離の測定値として表されています。ご覧のように、それ以前の約10年間は、これらの予測の精度を向上させることにほとんど進展がありませんでした。
これは基本的に2000年から2016年まで、前の10年間はほとんど、あるいはまったく進展がなかったことを示しています。そしてAIが登場し、地上真理、つまりタンパク質の実際の姿と比較した精度が劇的に向上しているのを見ることができます。そしてここでAlphaFoldは実際に90%のマークを超えており、これは信じられないほどの素晴らしい成果です。
では次に、人工知能の助けを借りた将来の科学と科学的発見がどのようになるかについて見ていきましょう。彼が何を言うか見てみましょう。
私たちは、私が「デジタル生物学」と呼びたい新しい時代に突入しつつあるかもしれません。私は常々、生物学はその最も基本的なレベルでは情報処理システムとして考えることができると思っています。もちろん、非常に複雑で創発的なシステムではありますが。私は、それがとても複雑なシステムだと思います。生物学の働きを数個の数学的方程式に還元するのは難しいでしょう。
数学は物理現象、物理学を記述するための素晴らしいツール、記述言語であり、同じようにAIは生物学にとって完璧な記述言語となる可能性があると思います。そして私たちは、AlphaFoldがその証明点となり、10年後か20年後に振り返ったとき、このデジタル生物学の新時代の幕開けを助けたと言えるのではないかと期待しています。
私たちはそれに貢献しようとしています。数年前に私たちはIsomorphic Labsというスピンオフ企業を設立し、AlphaFoldを基盤として、AIを用いて創薬プロセスを一から再構想しようとしています。そして、非常に困難で時間のかかる高価なプロセスである創薬を、年単位から月単位、そして将来的には週単位にまで短縮できるかもしれません。
私たちは時々、AlphaFoldとタンパク質構造に関して私が今お見せしたこの加速されたプロセスについて考えます。彼は、その後も完全に信じられない発言を続けます。私たちは潜在的に創薬、つまりがん治療薬から風邪の治療薬まで、あらゆるものを、年単位と何百万何十億ドルのコストから、月単位、そして潜在的には週単位にまで短縮できる可能性があるということです。これは未来のための本当に素晴らしいビジョンであり、おそらくいつの日か創薬で実現するでしょう。
これはデジタルスピードでの科学の実践のようなものです。実際、私には長年の夢があります。いつの日か完全な仮想細胞をシミュレートできるようになるかもしれないということです。タンパク質一つや複数のタンパク質が相互作用するだけでなく、細胞全体をシミュレートするのです。そしてそれらの予測が実験科学者にとって有用なものとなるでしょう。
数ヶ月前に私が作ったシミュレートされた線虫のビデオを覚えていますか？人工知能を使って線虫が何をするかをシミュレートしました。この線虫は非常に単純で、記憶が正しければわずか数十個のニューロンしかありませんでした。もちろん人間の細胞ははるかに複雑ですが、実際に人間の細胞とその異なる薬物やウイルスなど、あらゆるものとの相互作用をシミュレートできるかもしれないという考えは、将来の人工知能が私たちにできることのもう一つの層なのです。
次に彼は量子コンピューティングについて話しますが、まず古典的なコンピューティングの限界について話します。古典的なコンピューティングと言えば、それは皆さんが携帯電話やデスクトップコンピュータで使用しているもの、基本的に私たちが知っているビット、1と0のすべてのことです。量子コンピューティングはそれを変えようとしています。
量子コンピューティングと言えば、DeepMindを所有するGoogleは数週間前にWillowをリリースしました。これは、量子システムのキュービット数を増やすと実際にエラー率が指数関数的に減少した最初の事例であり、非常に興味深いものでした。そしてついに、本番環境での量子コンピューティングの使用が可能になりました。
それでは、これがノーベル講演なので、クリスチャン・アンフィンセンの1972年の講演の精神に則って、おそらく少し刺激的な新しいアイデアをいくつか提示して締めくくりたいと思います。
実は、AlphaGoを開発して以来、古典的なシステム、つまり古典的なコンピューティングシステムの限界について多く考えてきました。現在、コンピューティングの世界では、量子コンピュータと古典的なシステムについて大きな議論が行われています。私は、現代のコンピュータの基礎となっている古典的なチューリングマシンは、おそらく私たちが以前考えていたよりもはるかに多くのことができると考えています。
では、それらはどのようにしてそれを実現できるのでしょうか？それは、おそらく事前に大量の事前計算を行い、それを使って環境の良好なモデル、解決しようとしている問題の良好なモデルを開発し、そしてこのモデルを使って多項式時間で（複雑性理論では多項式時間と呼ばれます）効率的に解空間を探索することによって実現できます。
私が考えている緩やかな仮説を提案すると、自然界で生成または発見できるパターンや構造は、古典的な学習アルゴリズムによって効率的に発見およびモデル化できるかもしれないということです。これはすべてのことに当てはまるわけではありません。量子システムのすべてに当てはまるわけではありません。なぜなら、学習すべきパターンや基礎となる構造を持たない、自然界には存在しない多くのものがあるからです。例えば、大きな数の因数分解や、そのような抽象的な問題などです。
しかし、タンパク質や、おそらく材料のような自然界のシステムは、私が今日概説したようなプロセスによって学習できる構造を潜在的に持っているのではないかと思います。そして、もし古典的なシステムが結果的にある種の量子システムをモデル化できることが判明すれば、P=NPを含む複雑性理論の分野や、情報理論のような基礎物理学の一部の側面にも大きな影響を与える可能性があると思います。
従来の総当たり的な方法では、彼が説明しているような複雑な問題の多くを解決することができませんでした。しかし、この予測モデルAIを作成するために事前に計算能力を使用することで、従来は不可能だと思われていたことを従来のコンピューティング、古典的なコンピューティングで実現することができるのです。
私が考えていた以上に速いペースで、本当にエキサイティングな未来がやってきています。個人用エージェント、科学的発見、地球上のどの数学者よりも優れた数学を解くことができるAI、新しいタイプのビデオゲーム、新しいタイプのコンテンツなど、すべてが非常にエキサイティングで、これから何が起こるのか本当に楽しみです。
このビデオを楽しんでいただけたなら、ぜひ「いいね」とチャンネル登録をお願いします。また次の動画でお会いしましょう。
コメント