OpenAIをターゲットに！元Google CEOがAI+サイエンスのムーンショット計画を発表

元 Google CEO のエリック・シュミット氏は、AI を活用して科学研究の課題に取り組むことを目指す大規模な AI+Science 非営利スタートアップ企業を立ち上げています。

写真

彼はこの非営利の取り組みを率いるために 2 人の著名な科学者を雇いました。

フランシス・クリック研究所応用バイオテクノロジー研究所の創設者サミュエル・ロドリゲス氏と、ロチェスター大学教授であり化学分野における AI 利用の先駆者であるアンドリュー・ホワイト氏。彼らは皆比較的若いですが、それぞれの分野ですでに優れた学問のスターです。

シュミット氏、ロドリゲス氏、ホワイト氏はいずれも、AI が将来科学研究を変革すると信じています。

先月、シュミット氏はMITテクノロジーレビューに掲載された「AIは科学のやり方をどう変えるのか」と題する記事で自身のビジョンを明らかにした。

「AIの出現により、科学はさらに刺激的なものとなり、ある意味では認識できないものになるでしょう。この変革の影響は研究室をはるかに超えて広がり、私たち全員に影響を与えるでしょう。」

写真

一方、ロドリゲス氏とホワイト氏は、実験的なウェブサイトや公のスピーチで、AI が科学にどのような革命を起こすかについて予測や仮説を立てました。

「最先端の技術を活用し、科学者に真の価値をもたらすツールを構築するには、中核となるAI研究者と中核となる科学者のチームが協力し、迅速な反復サイクルを活用する必要がある」とロドリゲス氏は述べた。

ジム・ファン氏は、同社には大きな可能性があると考えています。LLMとインテリジェントロボットが将来の科学研究の基盤となれば、LK-99のような実験はもはや手作業による錬金術のレベルにとどまることはなくなるでしょう。

写真

しかし、事情に詳しい関係者は、シュミット氏が行っている研究はOpenAIに基づいているが、資金はシュミット氏が妻のウェンディ氏と共同設立したSchmidt Futuresから提供されているとも明らかにした。基本的に、シュミット氏はイベントの費用を自ら支払った。

ジム氏はまた、シュミット氏の組織の持続可能性についても懸念を表明した。

AI+サイエンスムーンショット

科学的な洞察と理論を形成する基礎は、データがどのように収集され、変換され、理解されるかによって決まります。

その中で、データの収集と分析は科学的理解と発見の基盤となります。

1950 年代のデジタル化の導入により、科学研究におけるコンピューティングの広範な使用への道が開かれました。

2010 年以降、ディープラーニングの台頭により、AI は大規模なデータセットから科学的に関連するパターンを識別し、貴重なガイダンスを提供できるようになっています。これにより、科学的発見プロセスの範囲と野心が大幅に拡大しました。

科学的発見は、仮説の策定、実験設計、データ収集、分析など、相互に関連するいくつかの段階を含む多面的なプロセスです。

科学的な実践と手順は科学研究のあらゆる段階で異なりますが、AI アルゴリズムは従来サイロ化されていた分野にまたがることができます。

AI は、分野や分野を超えて膨大なデータセットを統合し、測定を改良し、実験をガイドし、データと互換性のある理論空間を探索し、自律的な発見のために科学的ワークフローと統合された実用的な信頼性の高いモデルを提供するためにますます使用されています。

AI は科学研究の設計と実行を強化できます。自動化された手順では、パラメータと関数を最適化し、多数の候補仮説を探索して理論的ポイントを形成し、仮説を生成してその不確実性を推定し、関連する実験を提案することによって、データを収集、視覚化、処理します。

写真

AI時代の科学

しかし、科学研究に AI を使用するのは簡単なことではありません。

最大の課題の 1 つは、科学的問題における仮説空間の広大さにより、体系的な探索が不可能になることです。

たとえば、生化学では、探索する必要がある薬物分子は 10^60 個あると推定されています。

AI システムは、プロセスを高速化し、実験に近い精度で予測を提供することで、科学的なワークフローに革命を起こす可能性を秘めています。

しかし、AI モデル用の信頼性の高い注釈付きデータセットを取得することは、膨大な時間とリソースを消費する実験やシミュレーションを伴う大規模な作業です。

しかし最近では、Google DeepMind が開発した AlphaFold が、50 年もの間問題となっていたタンパク質の折り畳み問題を解決することに成功しました。

AlphaFold の AI を活用した数百万個の粒子からなる分子システムのシミュレーション16 は、困難な科学的問題を解決する人工知能の可能性を示しています。

もうひとつの問題は、AI の内部動作がブラックボックスであるため、予測に対する信頼性が低下し、一部の領域では適用範囲が限られてしまうことです。

たとえば、モデルの出力は、人間の宇宙探査などの実際の状況に対応するものでなければならず、予測は気候科学などの政策に情報を提供する必要があります。

将来の科学研究

今後、AI の専門知識に対する需要は 2 つの力によって影響を受けるでしょう。

1つ目は、自動運転など、AIの応用によって恩恵を受けようとしている分野です。第二に、AIインテリジェントツールの導入により、最先端の技術が向上し、AIを使用して核融合反応を研究するなど、生物学的、化学的、または物理的なプロセスなどの新しい機会が生まれます。

これら 2 つの力に基づいて、AI の専門家、ソフトウェアおよびハードウェアのエンジニア、そしてあらゆるレベルの政府、教育機関、企業が関与する新しい形のコラボレーションなど、将来の研究チームの構成は変化します。

たとえば、最先端のモデルのサイズは増加し続けており、その結果、エネルギー消費量と計算コストが高くなります。その結果、大手テクノロジー企業はコンピューティング インフラストラクチャとクラウド サービスに多額の投資を行っており、規模と効率の限界に常に挑戦しています。

これは、営利組織や非学術組織が大規模なコンピューティング インフラストラクチャを使用していることを意味します。

しかし、高等教育機関は複数の分野をよりうまく統合することができます。さらに、学術機関には、他の場所には存在しないが、Al+Science には必要な独自の歴史的データベースや測定技術が備わっていることがよくあります。

これらの補完的な資産は、産学連携の新しいモデルを促進し、研究課題の選択に影響を与えます。

参照: https://www.semafor.com/article/08/16/2023/ex-google-ceo-eric-schmidt-to-launch-ai-science-moonshot