Google DeepMind：ノーベル賞受賞者ジョン・ジャンパー氏 AIと生物学の未来を語る（10/22）
2024年10月22日、ノーベル化学賞を受賞したGoogle DeepMindのディレクターであり、AlphaFoldチームを率いるジョン・ジャンパー氏が、ロンドンで開催されたBloomberg Tech London 2024において、AIの未来と科学への影響についてBloombergのインタビューを受けました。この投稿は、同インタビューを参考訳で紹介するものです。
このインタビューでは、ジョン・ジャンパー氏とそのチームが、AlphaFoldを通じてAIがどのようにタンパク質の3D構造を予測し、これまで数十万ドルと年単位の時間がかかっていた実験を短期間で予測可能にしたかを紹介しています。また、AIが創薬に与える影響についても触れ、今後5年から7年で市場に新薬が登場する可能性について言及しています。
AIには、科学の進歩を大きく加速させる力があるとしながらも、その進化には未知の要素は多く、慎重なアプローチが必要であり、特にAIの信頼性については、重要なテーマであるとしています。ご参考ください。
［主なサブテーマ］
ノーベル化学賞受賞と研究チームについて
AIが創薬や構造生物学にもたらすもの
AIの進化と未来、信頼性
1. インタビュー
［レイチェル・メッツ］（Bloomberg）
まずは、本当におめでとうございます。ジョンさんが2024年のノーベル化学賞をAlphaFoldに関する研究で共同受賞されました。AlphaFoldは、AIを使ってアミノ酸の配列からタンパク質の3D構造を予測する技術です。素晴らしい成果です。
では、今回の受賞についてお話しいただけますか？先ほど伺ったのは、受賞が伝えられた際のちょっとしたエピソードでしたが、ご自身では10%くらいの確率だと思っていたとおっしゃっていましたね。それがどういう意味だったのか、そしてその時の感情について教えていただけますか。
［ジョン・ジャンパー］（Google DeepMind）
そうですね、かなり前のことですが、私が学部生や大学院生だった頃に、リチャード・ハミングという素晴らしいコンピュータ科学者のスピーチを読んだことを覚えています。彼は研究について「ノーベル賞に値する研究を目指すべきだ」と話していました。つまり、科学に対する考え方を根本的に変えるような、あるいは私たちに新たなことを可能にするような研究をすべきだ、ということです。ノーベル賞は毎年ひとつの発見にしか贈られませんし、いつ自分にそのチャンスが来るかなんて分かりません。たくさんの素晴らしい科学的発見が毎年出てきますからね。私たちも、自分たちの研究が科学者にとって重要なものだということは、しばらく前から感じていました。というのも、約3万本もの論文で私たちの研究が引用され、実際にその成果を使って多くの科学者が研究を進めていたからです。私たちは他の人が科学を進めるためのツールを作っているわけですが、それでもスウェーデンからこういう電話がかかってくることは、なかなか現実的に思えなかったんです。だから、受賞の可能性は1割くらいかなと考えていました。周りでもその話は少しずつ出始めていましたが、私は本気ではないだろうと思っていました。
実際、ノーベル賞の記者会見の1時間前に電話が来るということを知っていたのですが、会見の30分前になっても電話がなくて、妻に「今年はないみたいだね」と言ったんです。ところが、30秒もしないうちにスウェーデンの市外局番の電話がかかってきて、「悪質なイタズラじゃなくて本当で良かった」とホッとしました。私たちの研究をこのような名誉ある賞で認めていただけたこと、そしてAIが科学者の役に立っていることを評価していただけたことは、本当に信じられないほど素晴らしい経験です。
［レイチェル・メッツ］（Bloomberg）
AIが非常に重視された研究でノーベル化学賞と物理学賞が授与されたことに驚いた方もいるようです。このことについて、どうお考えですか？新しいノーベル賞のカテゴリーが必要だと思いますか？それとも、AIが様々な研究分野に統合されてきたことを示しているのでしょうか。
［ジョン・ジャンパー］（Google DeepMind）
私は、今回のノーベル賞には2つの異なる側面があると思います。まず、物理学賞は、学習が物理システムからどのように生じるのか、統計力学や物理の法則の中でどう説明されるのかを研究した科学者を称えるものです。私もかつては物理学者でしたので、あまり専門的にならないようにしますが、この研究は「学習が初期の段階でどう生まれるか」ということに関わっています。若い頃、この研究は私にとても大きな影響を与えました。そして、化学賞は計算科学によって、これまで解決できなかった問題を解決する力を認めるものです。私たちが取り組んだAlphaFoldのようなAIのプログラムが、その問題を解決する方法を提供しています。これは、AIやテクノロジーに興味がない科学者にとっても重要なことで、自分の研究対象について質問があるときに私たちのツールを使って答えを得ることができるのです。つまり、これは科学者にとってどれだけ大きな意味を持つかが評価されたものだと思っています。
［レイチェル・メッツ］（Bloomberg）
次に、AlphaFoldの進展についてですが、これまでの進展についてどのように感じていますか？
［ジョン・ジャンパー］（Google DeepMind）
私たちが取り組んでいる問題は、科学実験の結果を予測することです。つまり、コンピュータを使って「この実験をしたらこういう結果が出るだろう」と予測するわけです。例えば、予測する実験の一つにX線結晶解析があります。これは、タンパク質の写真を撮る実験です。タンパク質は細胞のナノマシンのようなもので、DNAが生命の設計図だと言われますが、それはタンパク質を作るための設計図なんです。タンパク質は数千個の原子から成り立っていて、光の波長よりも小さい。これが、物理の法則によって自動的に折りたたまれ、複雑な3D構造を形成します。この構造がタンパク質の機能を生み出しているんです。例えば、筋肉の収縮はタンパク質によって引き起こされています。科学者たちは長い間、DNAの情報からタンパク質の形を理解しようと試みてきましたが、1つの答えを得るのに1年かかることもあります。本当に難しい実験なんです。経済的に言えば、1つの構造を解明するのに平均10万ドルほどの投資が必要です。さらに重要なのは、こうした研究が進まないと他の研究も進まないことです。例えば、アルツハイマー病の研究や受精に関する研究など、科学者たちはそのプロセスを研究したいのですが、この実験に1年もかかってしまいます。私たちは、非常に正確な予測を提供し、さらにその予測に対する信頼度も示すAIシステムを開発しました。それが5分から10分程度で結果を出すことができるんです。つまり、1年かかる作業を5分に短縮したというわけです。
［レイチェル・メッツ］（Bloomberg）
AlphaFoldがタイムラインを短縮するということですが、その後はどうなるのでしょうか？AlphaFoldが具体的に薬の発見に繋がった事例や、他に何か目立った成果があれば教えてください。
［ジョン・ジャンパー］（Google DeepMind）
AlphaFoldの成果は、構造生物学や薬の発見の分野で素晴らしい応用が見られています。特に、科学者たちがこのツールを使って新しい仮説を立て、それを実験室で検証している例が増えています。例えば、MITのフェン・ジャンの研究室では、ある特定のシステムを研究していました。それは、おそらくバクテリアか何かの中に見られるもので、特定のタンパク質を細胞に極めて的確に注入する仕組みです。AlphaFoldを使ってこの構造を調べ、その中の「収縮注射システム」（contractile injection system）と呼ばれる部分を特定しました。そして、その部分を新しい設計に置き換え、マウスの脳の特定の細胞にターゲットを絞ってタンパク質を注入できることを示しました。このことは、最終的な目標として新たな薬物送達システムの開発に繋がっています。また、最新バージョンのAlphaFoldを使うと、薬がタンパク質にどのように結合するかを予測できるようになってきており、「合理的な薬の設計をさらに早く実現できる」という声も上がり始めています。薬の設計自体はまだ初期段階ですが、薬の開発において実験を省略できるステップが増えてきているのは確かです。
［レイチェル・メッツ］（Bloomberg）
今後の展望についてですが、AlphaFoldを使って最初に製薬された薬が市場に出る時期はいつ頃でしょうか？
［ジョン・ジャンパー］（Google DeepMind）
すでに薬の初期段階の設計にAlphaFoldが影響を与えていると思います。しかし、もちろん臨床試験は避けられません。臨床試験を省略することはできませんから、最初の薬が市場に出るまでには、やはり5年から7年以上かかるでしょう。ただ、今後は本当に加速が見られると思います。AlphaFold以外にも多くのツールが出てきて、初期段階の薬の発見プロセスが劇的に短縮されると思います。とはいえ、最初に市場に出る薬については、臨床試験のタイムラインを考慮すると、やはり5年から7年後になるでしょう。
［レイチェル・メッツ］（Bloomberg）
Anthropic社のCEOであるダリオ・アモデイ氏が最近発表したエッセイの中で、AlphaFoldを称賛しており、AIが生物学者のあらゆる作業を実行し、指揮し、改善する未来の姿について書いています。彼は、AlphaFoldなどのAIツールの利用が、今後50～100年かかる生物学の進歩を5～10年に短縮する可能性があると述べていますが、このことについてはどう思われますか？
［ジョン・ジャンパー］（Google DeepMind）
その一部は十分に現実的だと思います。ただ、そのタイムフレームが5年以内に実現するかどうかは分かりません。AIの進歩に依存する部分が大きいと思いますが、特定の分野において非常に強力なツールが出てくるのは確実です。すでに、DNAを読むことに非常に優れたツールがあり、それを活かした実験が多数行われています。今後もそういった分野が増えると思います。ただ、一般的な推論システムがどこまで進むかによって、さらなる進展が見られるかどうかは変わるでしょう。AlphaFoldは、科学における特定の狭い問題、例えばゲームの狭い問題のように、AIシステムが他のどんな技術よりも圧倒的に優れていることを示しています。タンパク質の構造を予測する分野で人間より優れた者はいませんからね。もし運が良ければ、AIの進化が大きく加速するでしょう。100年後を予測するのは難しいですが、大きな変革が起こると信じています。
［レイチェル・メッツ］（Bloomberg）
AlphaFoldは、人間ができるけれど非常に時間がかかり、費用も高く、短期間で一人ではできないような作業を扱っていますよね。現在、多くのAIシステムは、比較的短時間で人間ができるタスクを自動化することを目指しているように見えます。そういった短期的な作業に集中しすぎているのでしょうか？もっと長期的な視点に持つべきだと思いますか？
［ジョン・ジャンパー］（Google DeepMind）
私はバランスが大事だと思います。短期的なタスクの中で、劇的な進歩が見られる場所もあるでしょうが、特に科学分野では、より狭い範囲での成果が出てくるかもしれません。私たちは、データから学ぶための非常に汎用的な新しい技術を手に入れました。人間ができることを模倣するような問題でも進歩していますし、より汎用的な学習システムに向かっていますが、すでに科学などの特定分野ではその成果が現れ始めていると思います。これはとてもエキサイティングなことです。GPUやTPU、学習のためのアイデアやアルゴリズムへの投資も、科学的な分野や他の分野で大きな成果を上げるでしょう。ただ、人間のタスクを速くするだけではなく、もっと広い意味での成果も期待できると思います。AIの分野で何かが不足しているとは言い難いですが、これからは非常にエキサイティングな時期を迎えると思います。
［レイチェル・メッツ］（Bloomberg）
AlphaFoldの開発に取り組んでいた当時、数年前の話になりますが、Googleで最先端のAIに携わる経験は、過去5年間でどのように変わりましたか？AIの進化は目覚ましいですが、今でも5年前と同じようなチームで同じようなことができると思いますか？
［ジョン・ジャンパー］（Google DeepMind）
そう思います。いろいろな意味で、今のほうがやりやすくなった面もあります。それはAIが本当に変革的なものであることが証明されたからです。DeepMindの内部、今ではGoogle DeepMindですが、DeepMindは常に科学への応用に信念を持っていましたが、今ではAIがあらゆる分野で必ず変革をもたらすであろうという考えが確立されています。その点では、以前よりものごとが簡単になっています。また、計算能力も向上していますし、改善されたことは多いです。もし難しくなったことがあるとすれば、それは今や多くの人がAIに取り組んでいるため、適切なニッチを見つける必要がある点です。でも、DeepMindにはやはり優れたチームがあり、常に焦点を絞ってきたので、そこが強みでもあります。AIの分野で働く人間にとって本当に面白いことの一つは、少人数のチームでも、適切な問題に取り組めば大きな影響を与えられるということです。素晴らしいものを作るのは、実は非常に小さなチームです。
［レイチェル・メッツ］（Bloomberg）
先日お話を伺った際、AlphaFoldの開発チームは最初の頃はかなり少人数だったとおっしゃっていましたが、何人くらいだったのですか？
［ジョン・ジャンパー］（Google DeepMind）
フルタイムで取り組んでいたのは約15人です。Google DeepMind全体からのサポートは多少ありましたが、コアチームはそのくらいでした。そして、実際には、生物学の経験があるメンバーはほとんどいませんでした。私は博士課程で生物物理学を専攻していましたが、チームの中で一番できの悪い生物学者でした。でも、AlphaFoldチーム内では2番目くらいでしたね。ですから、少人数のチームでも、正しい問題を見つければ大きな変化を起こせるのです。
［レイチェル・メッツ］（Bloomberg）
リチャード・ハミングのことを、今回のお話でも受賞の際の電話でも触れられましたね。ノーベル賞を受賞すると、その後は大きな問題に取り組むことに集中し、小さなことを育てる余裕がなくなることもありますが、その点についてどうお考えですか？今、取り組んでいる小さなことの中で、将来的に大きな成果になると期待しているものは何ですか？
［ジョン・ジャンパー］（Google DeepMind）
あまり深くは話しませんが、常に正しい問題を見つけようとしています。私にとって少し不思議なのは、今が2つの大きな瞬間の交差点にいるように感じることです。一つは、ダリオ（Anthropic社のCEO）のエッセイにもあったように、AIが科学に大きな変革をもたらすという考えです。私もそれを信じています。ですから、「科学が変わろうとしている今、大きな課題に取り組むべきだ」と思う一方で、少しずつ進歩していく必要もあるんです。AlphaFoldの経験から学んだことの一つは、大きなブレークスルーがあっても、実際には1％ずつ進歩してきたということです。私たちのリーダーボードでは、どんなアイデアも100点満点のスコアで1ポイントしか進まないんです。だから、少しずつ進んで今に至っています。今興味があるのは、タンパク質や原子という狭い世界を越えて、もう少し広い視点を持つことです。細胞、タンパク質同士の相互作用、細胞に関するデータ、そしてナノスケールの予測をミクロスケールにどのように繋げるか、そういったことに取り組んでいます。ただ、将来どうなるかはわかりません。そしてもう一つ、次に何をするかを話したくない理由は、自由に方向転換できるようにしたいからです。技術の進化が早いので、昨日正しかったことが明日には正しくなくなるかもしれません。だからこそ、柔軟に対応することが重要だと思います。
［レイチェル・メッツ］（Bloomberg）
今度から私も編集者にこう言います。「次に何をするか言いたくないのは、方向転換の自由を持ちたいからです」って。
［ジョン・ジャンパー］（Google DeepMind）
そうそう、みんなに「これをやる」と言ってしまうと、1年後には「で、できましたか？」って聞かれますからね。
［レイチェル・メッツ］（Bloomberg）
確かにその通りで、「タイムラインはどこにあるの？」と聞かれますね。
このカンファレンスのテーマの一つは「信頼」です。AIが日常生活にますます取り入れられている中で、信頼が重要な話題になってきています。以前から機械学習はさまざまな形で使われてきましたが、多くの人にとってそれが明確に意識されるようになったのはここ数年のことだと思います。AIで生成された情報を信頼できるかどうかについて、何か一般的に適用できる教訓はありますか？
［ジョン・ジャンパー］（Google DeepMind）
これはAlphaFoldのリリースを計画していたときに非常に心配していたことの一つです。私が気にしていたのは、博士課程の時に実験者と計算科学者が混在するラボで働いていた経験から、私たちの予測を見て間違った方向に進んでしまうことでした。それで、リリースする際に「正しいかどうかをどう判断するか」を考えました。そこで驚くほどシンプルな方法を考え出しました。アルゴリズムに答えを出させ、その答えが正しい場合にどれだけの誤差が出るかも予測させるようにしたんです。まるでテストの点数を予測するようにです。これが非常にうまく機能しました。実際、非常に「キャリブレーションされた」、つまり非常に明確な答えを返すことができました。「答えは出すけれど、この部分は信じられる、この部分は信じられない、またはこれらがどう組み合わさるかは信じられないかもしれない」といった具合にです。科学者たちはこのシステムをうまく取り入れてくれました。科学者はもともと不確実な情報に慣れていて、他のラボの実験結果すら信じきれないことがあります。AIシステムが生み出す信頼度をうまく統合して、実践的に利用しているのを見ています。これが、科学的AIシステムにとって非常に重要になると思います。
［レイチェル・メッツ］（Bloomberg）
消費者向けのシステムにも、こういったものがもっと必要だと思いますか？例えば、チャットボットからの回答に自信度のスコアが含まれるべきだと思いますか？
［ジョン・ジャンパー］（Google DeepMind）
そういったものが開発されることを期待しています。ただ、複雑な問題もあります。科学の良いところは、最終的には正しい答えに合意できる点です。実際に測定を行い、その結果で論争を解決できるわけです。しかし、このようなシステムを統合する必要があると思います。インターネットの情報源と同様に、AIも自信がある時とない時があることを認め、それをどう表現するかを考える必要があります。機械がどれだけ確信を持って答えを出しているかを評価する方法を見つけることが課題ですね。
［レイチェル・メッツ］（Bloomberg）
本当にありがとうございました。お話できてとても楽しかったですし、改めておめでとうございます。
［ジョン・ジャンパー］（Google DeepMind）
ありがとうございました。
2. オリジナル・コンテンツ
オリジナル・コンテンツは、以下リンクからご視聴になれます。
尚、本投稿の内容は、参考訳です。また、意訳や省略、情報を補足したコンテンツを含んでいます。
Bloomberg Televisionより
（Original Published date : 2024/10/23 EST）
［出演］
Google DeepMind
ジョン・ジャンパー（John Jumper）
ディレクター兼AlphaFoldチームリーダー
ノーベル化学賞受賞者
Bloomberg
レイチェル・メッツ（Rachel Metz）
＜御礼＞
最後までお読み頂きまして誠に有難うございます。
役に立ちましたら、スキ、フォロー頂けると大変喜び、モチベーションにもつながりますので、是非よろしくお願いいたします。
だうじょん
＜免責事項＞
本執筆内容は、執筆者個人の備忘録を情報提供のみを目的として公開するものであり、いかなる金融商品や個別株への投資勧誘や投資手法を推奨するものではありません。また、本執筆によって提供される情報は、個々の読者の方々にとって適切であるとは限らず、またその真実性、完全性、正確性、いかなる特定の目的への適時性について保証されるものではありません。 投資を行う際は、株式への投資は大きなリスクを伴うものであることをご認識の上、読者の皆様ご自身の判断と責任で投資なされるようお願い申し上げます。
この記事が参加している募集
この記事が気に入ったらサポートをしてみませんか？