純粋数学という、人間の思考の最も深遠な領域。そこにAIが足を踏み入れたら何が起こるのか？約5年前、ある数学者が、純粋にその可能性を探るため、人工知能の基礎であるニューラルネットワークの構築を独学で始めました。彼は当初、純粋数学が問いかける極めて複雑な問題は、AIの情報処理能力の範囲外だろうと懐疑的だったと認めています。しかし今日、彼はもはや懐疑論者ではありません。
「純粋数学の研究者というと、屋根裏部屋に座って、他の人間にはおろか、機械には到底理解できないような難解な定理を証明している人物を思い浮かべがちです」と語るのは、カリフォルニア工科大学（Caltech）の理論物理学・数学のジョン・D・マッカーサー教授であるセルゲイ・グコフ氏（Sergei Gukov）です。彼は、AIが自身の研究分野には無関係であることを示すつもりでニューラルネットワークを学び始めましたが、その過程で全く逆の結論にたどり着いたのです。
AIは数学というゲームをどうプレイするか
なぜAIが純粋数学の役に立つのかを理解するには、難解な数学問題を解くことを一種のゲームと捉えることが重要だとグコフ氏は言います。これらの問題には、数学者が真実であるべきだと信じる主張が含まれており、彼らの挑戦はその主張が真実であることを証明することです。つまり、これらの問題は本質的にA地点からB地点への道筋を探す探索なのです。「私たちは仮説を知っていて、ゴールもわかっています。しかし、それらをつなぐものが欠けているのです」と彼は言います。
これらの問題を非常に難しくしているのは、AからBへのステップ数です。平均的なチェスの試合が30〜40手で終わるのに対し、これらの問題の解決には100万以上のステップ、つまり「手」が必要となる場合があります。ニューラルネットワークを研究した後、グコフ氏は、AIが自身と対戦する中でゲームの腕を上げ、特定の問題をよりうまく解くことを学習するアルゴリズムを構築できることに気づきました。プログラムは、既存の条件、実行可能な手に関するルール、そして勝利の定義についての知識からスタートします。そして、人間が犬に「お座り」を教えるのと同様に、コンピュータが一手試してみて、ゴールに近づいたかどうかフィードバックを得る「強化学習」と呼ばれる機械学習技術を使用します。
グコフ氏と同僚たちは最近、このアプローチを「アンドリュース・カーティス予想」として知られる数十年来の問題に適用しました。彼らはその問題を実際に解決したわけではありませんが、もし真実であればアンドリュース・カーティス予想を反証することになったであろう、2組の潜在的な反例を論破することに成功しました。これらの数学問題の多くは今でこそ手に負えないように見えますが、10年後には、かつては不可能とさえ考えられていたコンピュータがチェスで勝利するのと同じくらい、AからBへの道筋を見つけることは単純なことに思えるかもしれないとグコフ氏は言います。「AIがそのような問題をマスターする可能性は間違いなくあります。それは人間ができることよりも優れた新しい戦略を開発するのです。」
Caltech全体に広がるAI革命
Caltech全体で、研究者たちはAIがより大きな視野で考え、より多くのことを成し遂げる助けになることを学んでいます。彼らは、膨大なデータを結晶化させて新たな知見を得たり、人間には気づけないほど微細なデータのパターンを発見したり、あるいは実験を効率化し、新しい知識を生み出したりと、この技術が科学研究で果たしうる多様な役割に自信を持っています。
Caltechの計算機科学・数理科学のブレン教授であるアニマ・アナンドクマール氏（Anima Anandkumar）は、CaltechがAIの新たな活用法を構想し、実行する上で主導的な役割を果たしてきたと述べています。「2017年にCaltechに来て以来、学内の学際的な共同研究を含め、非常に多くのコラボレーションを行ってきました」と彼女は言います。「Caltechの小規模さとオープンな精神が、他の大規模な大学よりもこれを可能にしました。」
その支援体制として、アナンドクマール氏と計算機科学・数理科学教授のイソン・ユエ氏（Yisong Yue）は、2018年に発足したイニシアチブ「AI4Science」を運営しています。このプログラムは、学内の科学者が自身の研究を進める上でどのAIツールやリソースが役立つかを発見するのを助けています。「根本的に、AIはすでに科学的手法全体を変革しつつあります」とアナンドクマール氏は言います。ユエ氏は、博士課程の学生にAIの基礎と研究への応用方法を教える授業で、質の高いデータの重要性を強調します。「データはAIの燃料です。AIはそのデータを知識を抽出できるモデルに変換するのです」とユエ氏は語ります。
AIが物理世界をモデル化する
アナンドクマール氏と同僚たちは、よりタイムリーな気象予報を作成し、将来の自然災害で人命を救う可能性のあるAI技術に取り組んでいます。既存の気象予報モデルは、地球の大気や海洋の挙動を支配する物理プロセスを記述した複雑な数式に基づいていますが、アナンドクマール氏のAIは、過去の気象予報の履歴データからパターンを学習し、新しい気象測定値にそのパターンを適用して予測を行います。彼女のAIは家庭用ゲーミングPCのような単一のGPUで動作可能でありながら、スーパーコンピュータが生み出すものと同等の精度を誇ります。
このシステムは、極端な気象現象に対して、標準的な予報よりも数日早く正確な予測を行うことができます。例えば、2023年9月にハリケーン・リーが発生した際、彼女のテストモデルは、嵐がノバスコシア州に上陸する時期を10日前に予測しました。
一方、Caltechの環境科学・工学のセオドア・Y・ウー教授であるタピオ・シュナイダー氏（Tapio Schneider）は、数世紀にわたる気候モデリングにAIを活用しています。現在の気候モデルでは正確に捉えきれない雲の内部の乱流などの小規模なプロセスについて、シュナイダー氏のチームは物理法則に基づいたシミュレーションデータでAIを事前訓練し、実際の観測データで微調整することで、より正確なモデルを構築しています。
地震学者のザカリー・ロス氏（Zachary Ross）も、カリフォルニア中に設置された何百ものセンサーから毎秒送られてくる膨大なデータをAIで解析しています。「人間がこの種の作業を完全に手作業で行うのは到底不可能です」とロス氏は言います。彼の研究は、地下の断層ネットワークを可視化し、建築基準法の改善にも貢献しています。
分子レベルでのAI活用
2018年にノーベル化学賞を受賞した、化学工学・生化学・生物工学のライナス・ポーリング教授であるフランシス・アーノルド博士（Frances Arnold）は、現在、彼女の研究分野である「指向性進化法」にニューラルネットワークを利用しています。指向性進化法は、望ましい特性を持つ酵素（タンパク質）を「育種」するプロセスです。
最近では、アナンドクマール氏と協力し、アーノルド博士は生成AIを用いて新しい遺伝子配列を考案しています。ChatGPTを動かす大規模言語モデル（LLMs: large language models）が、テキストだけでなくDNA配列にも応用できることがわかったのです。「大規模言語モデルは、DNAデータベースに収集された進化のライブラリ、つまり全ての配列が与えられれば、非常に明白に利用できます」とアーノルド博士は言います。彼女は、ボタン一つでコンピュータが望みの機能を持つ酵素の遺伝子配列を生成する日が来ることを思い描いています。
同様のアプローチは製薬業界にも関連します。化学教授のホセア・ネルソン氏（Hosea Nelson）は、AIを用いて想像しうるあらゆる化学物質の合成方法を解明し、新薬発見にかかる莫大な費用を削減することを目指しています。
がん研究においてもAIは役立ちます。計算生物学教授のマット・トムソン氏（Matt Thomson）は、「Morpheus」と名付けた深層学習ニューラルネットワークを用いて、免疫療法が効きやすくなるように腫瘍を改変する方法を予測しています。このAIは、どの遺伝子のタンパク質発現量を調整すれば、免疫細胞がこれまで侵入できなかった腫瘍に侵入できるようになるかを特定しました。「AIシステムは人間の腫瘍サンプルの大量のデータを見て、それらの情報を統合し、治療法について首尾一貫した非常に具体的な予測をすることができるのです」とトムソン氏は語ります。
AIで脳を理解する
行動経済学のロバート・カービー教授であるコリン・カメラ―氏（Colin Camerer）は、人々がどのように意思決定を行い、習慣を形成・打破するかについての洞察を得るためにAIを使用しています。彼は、被験者が特定の選択に集中する際に脳のどの部分が活動するかを可視化する機能的磁気共鳴画像法などの客観的な測定値とAIを組み合わせています。「機械学習が本当に得意なのは、多くの予測因子候補を取り込み、本当に確実なものだけを選び出して良い予測を行うことです」とカメラ―氏は言います。
次に来るものは？
Caltechの科学者たちは、AIが研究の進め方や答えられる問いを再構築する可能性を認識していますが、研究室を単にコンピュータに明け渡しているわけではないと注意を促します。AIの可能性を最大限に活用するには、何が機能し、何が機能しないかを探求する意欲と能力を持つ研究者と学生が必要だとネルソン氏は言います。「私たちが行うことには、多くの問題解決能力と技術的スキルが関わっています。それは非常に物理的な作業なのです。」
アーノルド博士は、AIの主な利点は、研究者に探求し想像する自由を与えることだと付け加えます。「それは私たちの仕事の多くを容易にする新しいツールです。そして将来的には、進化が気にかけてこなかったけれど、私たちにとって有用な新しい触媒の設計を非常に簡単にしてくれることを願っています。」
この記事は、ニール・サベージ氏が執筆したリリースに基づいています。
写真：カリフォルニア工科大学（Caltech）の化学工学者でノーベル賞受賞者のフランシス・アーノルド氏は、研究室で開発する酵素の新たな遺伝子配列を創出するために、生成型AIを活用しています。
