今年のノーベル賞では、AIの成果が物理学と化学の両方の分野で賞を受賞しましたが、これは何を意味し、どのような影響を与えるのでしょうか。デミス・ハサビスはこの独占インタビューで自身の意見を述べた。
10月、ディープマインドの共同創設者兼最高経営責任者（CEO）のデミス・ハサビス氏は、アルファフォールドによるノーベル化学賞の共同受賞者3人のうちの1人となった。
AlphaFold は、人工知能ソフトウェアとして、50 年前に生物学界が提起した問題、つまり既知のすべてのタンパク質の構造を予測する問題を解決します。
実際、この画期的なモデルである AlphaFold は、DeepMind の成果の一部にすぎません。設立以来 15 年間で、DeepMind は世界で最も重要な AI 研究所の 1 つになりました。
Google に買収され、Google Brain と合併した後、ビジネス上の考慮事項がいくつか追加されましたが、依然として科学と工学における最も複雑かつ基本的な問題に焦点を当てており、最終的には人間の認知能力を模倣したり、それを置き換えることができる強力な AI を設計しています。
ノーベル賞受賞から 24 時間も経たないうちに、デミス・ハサビス氏はフィナンシャル・タイムズの記者マドゥミタ・ムルジア氏とのインタビューに応じ、ディープマインドが次に解決する主要な問題、科学の進歩における AI の役割、AGI への道についての彼自身の考えについて語った。展望予想。
ロンドンの Google DeepMind 本社でのデミス・ハサビス氏
AI4Science の次の挑戦
AlphaFold 3 の関連する進歩は、生物学の分野における DeepMind の次のステップ、つまり生物体内の相互作用の理解、最終的には経路全体のモデル化、さらには仮想セルの構築をある程度示しています。
さらに、DeepMind の子会社である Isomorphic の取り組みを通じて、新しい化合物の設計、結合部位の発見、これらの物質の特性、吸収、毒性などの予測といった創薬の分野にも参入しています。
現在、Isomorphic はイーライリリーやノバルティスなどの企業と協力して 6 件の医薬品研究開発プロジェクトを実施しており、今後数年間で臨床上の進歩が期待されており、創薬に必要な時間を大幅に短縮することが期待されています。それによっていくつかの病気の治療に役立ちます。
ハサビス氏は、生物学の分野に加えて、材料設計の分野での研究にも非常に興奮していると述べた。
昨年、彼らは、AlphaFold 1 レベルの材料設計を達成するための GNoME と呼ばれる AI ツールを提案する論文を Nature に発表し、合計 220 万個の新しい結晶を発見しました。次のステップでは、AlphaFold 2 レベルに到達するために懸命に取り組む必要があります。
論文アドレス: https://www.nature.com/articles/s41586-023-06735-9
数学に関しては、AlphaProof と AlphaGeometry が今年 IMO 銀メダルのレベルに達しました。今後数年間で、DeepMind は AI の力を利用して重要な数学的推測を真に解決しようとします。
エネルギーと気候の分野では、昨年サイエンス誌に発表されたグラフキャスト モデルは、1 分以内に前例のない精度で今後 10 日間の天気を予測できます。
論文アドレス: https://www.science.org/token/author-tokens/ST-1550/full
関連するテクノロジーは、気候変動との闘いや送電網の最適化などの分野で非常に重要な気候モデリングに役立つ可能性があります。
DeepMind の将来の青写真は、純粋な基礎研究ではなく、テクノロジーを現実世界に影響を与える可能性のある研究にさらに変換することを目的とした、アプリケーションとエンジニアリングの実践により重点を置いていることがわかります。
この点に関して、ハサビス氏は、「タンパク質の折り畳み」は「予期せぬ」「挑戦」であり、すべての問題にそのような金の含有量を要求することはできないと述べた。
「タンパク質のフォールディング」の問題は、生物学の分野においてはフェルマーの最終定理に匹敵するほど核心的かつ重要であるが、残念ながら、「タンパク質のフォールディング」と呼べるほど重要で、長く研究されてきた問題は多くない。 "チャレンジ。"
ノーベル賞はAIにとっての転機となる
今年のノーベル物理学賞と化学賞がAI学者に相次いで授与されたことは興味深いが、なぜ授賞委員会がそのような決定を下したのかは誰にも分からない。
ハサビスはこれをどのように理解していますか？
同氏は、これは委員会が意図的に出した「声明」に非常によく似ており、AIにとっての転機にもなり、AIの技術的成熟度が科学的発見を支援するのに十分であると認識されていることを示すものになるだろうと述べた。
AlphaFold はその最良の例ですが、Hinton と Hopfield の賞は、より基本的で低レベルのアルゴリズム作業に対して与えられています。
ハサビス氏は、10年後に振り返ったときに、AlphaFoldがこれらすべてのさまざまな分野における科学的発見の新たな黄金時代の到来を告げることを期待していると語った。
これは興味深い疑問も生じます。AlphaFold のようなツールを使用すると、科学者は予測に多大な時間と労力を費やす必要がなくなりました。これは、新しい分野を探索する必要があることを意味しますか?それとも、科学概念の学習方法を変えることさえありますか?
AI システムは独自の新しいクラスのツールであり、いくつかの固有の機能を備えているため、従来のツールの分類には当てはまらないことに注意してください。
AlphaFoldなどのツールは現状では予測しかできませんが、ある意味予測も「理解」の一部です。予測できれば理解が得られます。
タンパク質の構造など、予測された出力が十分に重要である場合でも、それ自体に価値があります。
より広い観点から見ると、科学にはさまざまなレベルの「抽象化」が含まれています。
たとえば、化学の分野全体は物理学に基づいています。原子化合物について話し、化学をそれ自身の抽象レベルで理解するために、量子力学などの物理原理をすべて理解する必要はありません。
生物学の分野では、生命について学ぶことはできますが、生命がどのように進化、出現したのかはまだわかっておらず、「生命」という概念を正しく定義することさえできません。
同様に、AI は、プログラムやネットワークを構築する人々が物理レベルで理解する抽象化の層のようなものですが、その後、得られる予測は、科学レベルで独自に予測できる創発的な特性のようなものです。
AGI が近づいている、理解することが重要
自然科学でも人工知能システムでも、「理解する」ということはとても大切です。
人工知能は工学分野です。つまり、対象を研究して理解する前に、まずシステムを構築する必要があります。一方、自然科学の現象は人工的に作られる必要はなく、自然に存在します。
AI システムは人工的に作られたものではありますが、自然現象よりも研究が簡単であるというわけではなく、生物学的なニューラル ネットワークと同じくらい理解、分解、解体が難しいとさえ予想されます。
これは現在進行中ですが、たとえば、神経科学の概念とツールを使用して AI システムの「仮想脳」を分析する「機械的解釈」と呼ばれる専門分野があります。
ハサビス氏は AI の説明可能性について非常に楽観的であり、今後数年間で AI システムの理解が大きく進歩すると信じています。
もちろん、AI は自分自身を説明することも学習できます。 AlphaFold を言語熟練度システムと組み合わせて、何をしているのかを予測し、同時に説明できるようにすることを想像してください。
現在、多くの主要な研究室は調査の範囲を狭め、Transformer の拡張に重点を置いています。これが良い方向であり、最終的な AGI システムの重要なコンポーネントになることは否定できませんが、DeepMind は今後も探求と革新的な研究を続けていきます。
実際、DeepMind は、科学的遺産の一部として次世代のトランスフォーマーを発明するための、これまでで最も広範で深い研究プラットフォームを持っています。
これらの探索は、部分的には、どこまでできるかを確認し、何を探索する必要があるかを知るために必要です。
新しいアイデアを模索することと、刺激的なアイデアを最大限に活用することは両方とも重要です。現在のアイデアの絶対的な限界を理解していないと、どのようなブレークスルーが必要なのかもわかりません。
LLM の長いコンテキスト ウィンドウが良い例です。 Google Gemini 1.5 Pro によって作成された 2M トークン コンテキストは、まだ誰も真似できないクールなイノベーションです。
Google DeepMind ロンドン オフィス
AIを理解することによってのみ、安全なAGIを実現できる
ハサビス氏と多くの技術リーダーは、AGI の実現には 5 ～ 20 年かかると予測しています。
この目標を達成するために科学的手法を使用したい場合、AI の理解と分析ツール、ベンチマークと評価に重点を置き、より多くの時間、エネルギー、思考が必要となり、現在の 10 倍の投資が必要になります。
これらの情報はテクノロジー企業だけでなく、AI セキュリティ機関、学術界、市民社会からも提供される必要があります。私たちは、AI システムが何をしているのか、その限界、そしてこれらのシステムをどのように制御し保護するのかを理解する必要があります。
「理解」は科学的手法の重要な部分ですが、純粋な工学にはそれが欠けています。エンジニアリングはただ見守るだけです - このアプローチはうまくいきますか?うまくいかなかったらやり直して、試行錯誤の繰り返しです。
科学とは何かが起こる前に理解できるものです。理想的には、この理解によりエラーが少なくなります。 AI や AGI では、このような強力なテクノロジを適用する際には、間違いをできるだけ少なくする必要があるため、これは重要です。
おそらく数年後、私たちが AGI に近づくにつれ、これらのシステムにどのような価値を持たせたいのかという社会的な疑問が生じるでしょう。彼らのためにどのような目標を設定すべきでしょうか?
これは技術的な問題とは異なります。技術的な側面は、システムを軌道に乗せて設定された目標に向かってどのように進めるかに焦点を当てますが、目標が何であるべきかを決定するのには役立ちません。
安全な AGI システムのためには、技術的問題と社会的問題の両方が正しい必要がありますが、後者を達成するのはより難しいかもしれないとハサビス氏は考えています。
目標や価値観などの一連の問題には、より多くの国連や地政学、さらには社会科学や哲学も関与し、政府、学界、市民社会のあらゆるレベルでの広範な議論が必要となる。
たとえAGIが実現するのが10年先であっても、これらの問題を解決するにはあまり時間がないため、さまざまな情報源や視点からの声を集めて、この分野の議論を今すぐに開始する必要があります。