How AI Is Saving Billions of Years of Human Research Time | Max Jaderberg | TED

翻訳: Eriko Tsukamoto 校正: Masaki Yanagishita

So a while ago now, I did a PhD,

私は少し前に博士号を取ったのですが

and I actually thought it would be quite easy to do research.

実は研究は簡単にできるものだと 思っていました

Turns out it was really hard.

でも 本当に大変でした

My PhD was spent coding up neural network layers

私の博士号は ニューラルネットワーク層の コーディングと

and writing CUDA kernels,

CUDAカーネルの作成に費やされました

very much computer-based science.

ほぼコンピューター科学です

And at that time,

当時

I had a friend who worked in a lab doing real messy science.

研究室で働いていた友人がいて 本当に厄介な科学を研究していました

He was trying to work out the structure of proteins experimentally.

彼はタンパク質の構造を 実験的に解明しようとしていました

And this is a really difficult thing to do.

これは本当に難しいことです

It can take a whole PhD's worth of work

たった一つの新しいタンパク質系の 構造を解明するだけでも

just to work out the structure of a single new protein system.

博士号に相当する研究が 必要になりかねません

And then 10 years later, the field that I was in,

そして10年後 私が携わっていた

machine learning,

機械学習の分野は

revolutionized his world of protein structure.

タンパク質構造研究の世界に 革命をもたらしました

A neural network called AlphaFold was created by DeepMind

タンパク質の構造を非常に正確に 予測できるAlphaFoldと呼ばれる

that can very accurately predict the structure of proteins

ニューラルネットワークが DeepMindによって作成され

and solved this 50-year challenge of trying to do protein folding.

タンパク質の折り畳みを解明するという 50年間にわたる課題が解決されました

And just two weeks ago,

そしてちょうど２週間前

this won the Nobel Prize in chemistry.

これがノーベル化学賞を受賞しました

And it's estimated that since the release of this model,

そしてこのモデルが リリースされて以来

we've saved over a billion years of research time.

私たちは10億年以上分もの研究時間を 節約できたと推定されています

(Applause)

(拍手)

A billion years.

10億年です

(Applause)

(拍手)

A whole PhD's worth of work is now approximated

今では博士号にかかっていた研究時間は

by a couple of seconds of neural network time.

ニューラルネットワークが走る 数秒と同等となり

And to my friend, this might sound a bit depressing,

私の友人には 残念ながら 少々気が滅入る

and I'm sorry about that,

話かもしれません

but to me, this is just really an incredible thing.

でも私には 本当に信じられないほど 素晴らしいことです

The sheer scale of new knowledge about our protein universe

タンパク質の世界に関する 膨大な量の新しい知識を

that we now have access to,

私たちが利用できるようになったのは

due to an AI model that's able to replace the need

現実世界の実験作業に代わる

for real-world experimental lab work.

AIモデルのおかげです

And that frees up our precious human time

これにより 貴重な時間が自由になり

to begin probing the next frontiers of science.

次の科学のフロンティアの探求を 始めることができるでしょう

Now some people say that this is a one-time-only event,

さて これは一度きりの出来事であり

that we can't expect to see these sort of breakthroughs in science

人工知能を使った科学における このようなブレークスルーが

with AI to be repeated.

再現できるとは 期待できないと言う人もいます

And I disagree.

私はそうは思いません

We will continue to see breakthroughs in understanding our real messy world

AIを使って現実の乱雑な世界を 理解していく中で

with AI.

今後もブレークスルーが見られるでしょう

Why?

その理由は？

Because we now have the neural network architectures

今やニューラル・ネットワーク・ アーキテクチャは

that can eat up any data modality that you throw at them.

どのようなデータモダリティ（データの形）も 処理できてしまうからです

And we have tried and tested recipes

そして 世界中で起こり得る あらゆるシグナルを

of incorporating any possible signal in the world

これらの学習アルゴリズムに 組み込むレシピを

into these learning algorithms.

試し、実験してきました

And then we have the engineering and infrastructure

そして 必要な規模に モデルをスケールするための

to scale these models to whatever size is needed

エンジニアリングと インフラストラクチャーを備えており

to take advantage of the massive amounts of compute power that we can create.

大量のコンピューティングパワーを 活用することができます

And finally, we're always creating new ways to record and measure

そして 私たちは常に 現実の乱雑な世界のあらゆる詳細を

every detail of our real messy world

記録して 測定する新しい方法を生み出し

that then creates even bigger data sets

より詳細なモデルの トレーニングに役立つ

that help us train even richer models.

さらに大きなデータセットを作成します

And so this is a new paradigm in front of us,

これが私たちの目の前にある 新しいパラダイムです

that of creating AI analogs of our real messy world.

現実の乱雑な世界の AI アナログを作成するということです

This new AI paradigm takes our real, messy, natural world

この新しいAIパラダイムは 現実の乱雑な自然界を情報として取り入れ

and learns to recreate the elements of it with neural networks.

ニューラルネットワークを使って その要素を再現する方法を学びます

And why these AI analogs are so powerful is that it's not just about understanding,

これらの AIアナログがこれほど パワフルな理由は 単に世界を理解したり

approximating or simulating the world for the sake of understanding,

その姿に近づいたり シミュレートしたりするだけではなく

but this actually gives us a little virtual world

実際に小さな仮想世界を実現し

that we can experiment in at scale

私たちがその規模での実験をして

to ultimately create new knowledge.

最終的に新しい知識を 生み出せるからです

And you can imagine that this experimentation against our AI analogs,

そして AIアナログで行うこの実験は

this can also happen in silico, in a computer with other agents,

コンピューター上で 他の要素を加えたり

in a loop of in silico, open-ended discovery,

コンピュータ内で反復実験をさせて 結果を制限しない発見や

ultimately to create new knowledge that we can take back out

究極的には新しい知識を生み出して 私たちの世界を変えられる

and change the world around us.

可能性があります

And this isn't science fiction.

これはSF小説ではなく現実です

Right now, we have thousands of graphics cards burning,

現在 私たちは何千枚もの グラフィックスカードを使って

training foundational models of our own micro-biological world,

自分たちの微生物学の世界の 基礎モデルを学習させています

and then agents that are probing these AI analogs

そして自律的エージェントが これらのAIアナログを調べ

to design new molecules that could be potential new drugs.

潜在的な新薬になりそうな 新分子を設計するべく動いています

And I want to show you exactly how this process works for us,

このプロセスが私たちにとって どう機能するかお見せしたいと思います

because I believe it can serve as a blueprint

なぜなら このプロセスは

to bring about a whole new wave

AI主導の科学技術の進歩という

of the future of AI-driven scientific

まったく新しい波をもたらすための

and technological progress.

青写真として役立つと信じているからです

Now drug design is such an important area to focus on

現在 医薬品設計は注力すべき 重要な分野です

because it's actually becoming harder and harder to design new drugs.

実際 新薬を設計することはますます 難しくなっているからです

This is a graph of the number of new drugs created

[イールームの法則] これは10億ドルの研究開発費あたりの

per billion dollars of R and D spent over time.

[イールームの法則] 新薬開発の数を時系列で示したグラフです

And what you can see is that the number of new drugs

そして新薬の数が指数関数的に

is exponentially decreasing.

減少しているということが分かります

It's becoming more and more expensive to create a new drug.

新薬を作るのにかかる費用は ますます高くなってきています

Now during this same time period,

この同じ時期に

we've had a huge amount of advancement in the capabilities of AI,

数々のアルゴリズムの 飛躍的な進歩に後押しされ

driven by a whole host of algorithmic breakthroughs.

AIの機能は大幅に進歩しました

But one of the secret sources of this advancement in AI

[ムーアの法則] この AI の進歩の秘訣の１つに

has also been that of Moore's Law,

[ムーアの法則] ムーアの法則があります

that the amount of computing power

これは 計算能力の量が

has just been exponentially increasing over time.

時間とともに指数関数的に 増加するというものです

And these days, it perhaps isn't Moore's Law

そして最近では もはやムーアの法則ではなく

that we should care about, but Jensen's law.

ジェンセンの法則が 取って代わっています

Jensen Huang, being the CEO of Nvidia,

ジェンセン・ファンが CEO を務める Nvidia 社は

for the exponential increase in GPU FLOPS

現在ニューラルネットワークを 支えている GPUの処理速度が

that are now powering our neural networks.

急激に増加していることで知られています

So really the question is,

そこで本当に問題となるのは

how do we bring this world of AI and machine learning

医薬品設計の世界に この AIと機械学習の世界をどうやって

to that of drug design?

取り入れるかということです

Can we think about using our AI analogs to reverse this curse of Eroom’s law

イールームの法則のこの呪いを逆転させ ニューラル・ネットワークを駆動する

and jump on this exponential wave of GPU FLOPS powering our neural networks?

GPU処理能力の指数関数的な波を起こし AIアナログを活用できないでしょうか？

Actually bringing these worlds together and driving this change

これらの世界を統合し この変化を推進することが

is the day-to-day responsibility that I feel.

私が果たすべき責任だと 日々感じています

So how can we go about modeling biology?

では どうすれば生物学の モデル化ができるかを説明します

Well if we were in the world of physics, for example, modeling the universe,

もし私たちが物理学の世界で 例えば宇宙をモデル化していたとしたら

then we can actually write down a lot of the theory by hand with maths

数学を使って多くの理論を手で記述します

and very accurately predict, for example, the unfolding of the universe,

例えば何百万光年も離れた宇宙が展開するのを

even millions of light years away.

非常に正確に予測することができます

But we can't do that for the incredibly complex dynamics within ourselves.

でも私たちの体内の複雑な ダイナミクスにはそれができません

We can't just write down some equations for ourselves.

ただ単に方程式を書くだけでは駄目なんです

We can perhaps write down the theory of how atoms interact.

原子がどのように相互作用するかについての 理論は書けるかもしれない

That's physics.

それは物理学です

But then simulating these interactions

しかし これらの相互作用を

on the scale of trillions of atoms within our cells

細胞内の何兆もの原子規模で シミュレートすることは

is just completely unfeasible.

まったく不可能です

And then we haven't worked out how to describe these complex dynamics

そして これらの複雑なダイナミクスを 大まかで簡単な言語で

in coarser and simpler terms that we could write down with maths.

表現する方法がまだ分かっていません 数学とは違います

It’s just crazy to think that we can model the universe so far away

遠く離れた宇宙はモデル化できるのに

but not the cells at our fingertips.

指先にある細胞はモデル化 できないなんてクレイジーです

But AI and machine learning can be the perfect abstraction

ですが AI と機械学習は生物学の世界を

for a biological world.

完璧に抽象化し 表現することができます

Using the snippets of data that we can record from our cells,

細胞から 記録できる データの断片を使って

we can then learn the equations and theories and abstractions implicitly

ニューラルネットワークの機能で

within the activations of our neural networks.

方程式、理論、抽象化を 暗示的に学習できます

In fact, our company is called Isomorphic Labs.

実際 私たちの会社は アイソモーフィック・ラボと言います

Isomorphic because we believe there is an isomorphism,

「アイソモーフィック」 というのは

a fundamental symmetry, that we can create

生物学の世界と

between the biological world and the world of information science,

情報科学、機械学習とAIの 世界との間に

machine learning and AI.

基本的な対称性があると 信じているからです

So to see how we are using these AI analogs today,

では こんにち私たちが これらのAIアナログを

I want to dive into the body and have a look into cells

どのように使っているかを説明するために 細胞の中のタンパク質について

and think about proteins.

考えてみたいと思います

Now proteins are one of the fundamental building blocks of life.

タンパク質は生命の基本的な 構成要素の１つで

And these proteins carry different functions in the body.

体内でさまざまな機能を果たします

And if we can modulate the function of a protein,

タンパク質の機能を操作できれば

then we are well on our way to creating a new drug.

新薬の開発が うまくできることになります

Proteins are made up of a sequence of amino acids,

タンパク質はアミノ酸の配列からできていて

and there are about 20 different amino acids,

約20種類のアミノ酸があり

each one here depicted by a different letter.

スライドでは それぞれ異なる文字で表されています

An amino acid is a collection of atoms, a molecule,

アミノ酸は分子 すなわち原子の集まりで

and these molecules are joined together into a linear sequence.

これらの分子は結合して 線状の配列を成しています

And the function of a protein is not just due to the sequence of these proteins,

タンパク質の機能は そのアミノ酸配列だけでなく

but also due to the three-dimensional shape that these proteins fold up into.

それが折りたたまれて３次元的な形を していることも関係します

And there are thousands of proteins inside of us,

私たちの体には 何千ものタンパク質があり

each with their own unique sequences and their own unique 3D shape.

それぞれが独自のアミノ酸配列と 独自の3D形状を持っています

And remember,

そして 冒頭で述べたように

trying to work out experimentally that 3D shape

3D形状を実験的に解明しようとすると

can take months or even years of lab work.

数ヶ月、場合によっては 数年の研究が必要になります

But with the breakthrough of AlphaFold and AlphaFold 2 in 2020,

しかし 2020年にAlphaFoldとAlphaFold2が 飛躍的に進化したことで

we now have a model that can take the sequence of amino acids as input

アミノ酸の配列を入力すると

and then very accurately predict the 3D structure of a protein

タンパク質の3D構造を 非常に正確に予測できる

as the output.

新しいモデルができました

And this allows us to actually fill in the gaps

これにより 既知のタンパク質界の

of our known protein universe.

空白を埋めることができます

It's our AI analog of proteins.

これは私たちのタンパク質の AI アナログです

So proteins carry their function.

タンパク質はそれぞれ機能を担っています

But these proteins, they don't actually act in isolation.

しかし タンパク質は 実際には単独では作用しません

They're part of bigger molecular machines

それらはより大きな分子機械の一部であり

with these proteins interacting with other proteins

他のタンパク質だけでなく

as well as other biomolecules like DNA,

DNAやRNA、小分子などの

RNA and small molecules.

他の生体分子とも相互作用します

For example,

例えば

let's zoom in and have a look at this protein.

このタンパク質を拡大して見てみましょう

This is a protein that repairs DNA,

これはDNAを修復するタンパク質で

and it interacts with DNA

DNAと相互作用して

clamping down on it,

DNAに結合し

helping facilitate repair

修復を容易にし

and then the repaired DNA is released back out to the cell.

修復されたDNAは 細胞内に放出されます

Now in drug design what we want to do

医薬品設計で私たちがやりたいことは

is either make molecular machines work better

分子マシンをより良く機能させる

or actually stop them from working.

あるいはその機能を停止させることです

And in this case, for cancer,

そして がんの場合

we actually want to stop this particular DNA repair protein from working,

私たちはこの特定のDNA修復タンパク質の 働きを止めたいのです

because in cancerous cells

なぜなら がん細胞には

there is no backup DNA repair mechanism.

DNA修復機構が無いからです

And so if we stop this one working, then cancerous cells will die,

この働きを止めれば がん細胞は死に

leaving just healthy cells remaining.

健康な細胞だけが残ります

So what would a drug actually look like for this protein?

では このタンパク質に作用する薬とは 実際にどんなものなのでしょう？

Well a drug is something that comes in and modulates a molecular machine.

薬物というのは 分子機械に入り それを操作するものです

And this could be a drug molecule that goes into the body,

この薬物分子は体内に入って

goes into the cell and then sticks to this protein just over here.

細胞に入り このタンパク質に くっつきます

And this drug molecule actually glues the DNA repair proteins clamp shut,

そして この薬物分子は DNA修復タンパク質に付いて離れず

so it can't do effective DNA repair causing cancerous cells to die

効果的なDNA修復を妨げ がん細胞は死に

and leaving just healthy cells remaining.

健康な細胞だけが残ります

Now to design such an amazing drug molecule completely rationally,

さて このような驚くべき薬物分子を 完全に論理的に設計するには

we'd have to understand

これらすべての生体分子要素が

how all of these biomolecular elements come together.

どのように組み合わされるかを 理解する必要があります

We would need an AI analog of all and any biomolecular systems.

それにはあらゆる生体分子システムの AI アナログが必要です

Earlier this year, we had a breakthrough.

2024年初旬にブレイクスルーがありました

We developed a new version of AlphaFold, called AlphaFold 3,

私たちはAlphaFold 3と呼ばれる 新しいバージョンを開発しました

that can model the structure

このバージョンでは

of almost all biomolecules coming together

ほぼすべての生体分子の構造を

with unprecedented accuracy.

これまでに類を見ない精度でモデル化できます

This model takes as input the protein sequence,

このモデルでは タンパク質配列

the DNA sequence

DNA 配列

and the molecule atoms.

分子原子を入力し

And these inputs are fed to a neural network

そして これらの情報は トランスフォーマーを基盤とした

that has a large processing trunk based on transformers.

大規模な処理トランクを持つ ニューラルネットワークへ送られます

Now unlike a large language model

アミノ酸の一次構造を処理する

that operates on one- dimensional sequences,

大規模言語モデルとは異なり

instead, our model uses what’s called a “pairformer”

私たちのモデルは「ペアフォーマー」と呼ばれるもので

and operates on a 2D interaction grid of the input sequence.

入力シーケンスの 二次元相互作用グリッド上で走ります

And this allows our model to explicitly reason about every pairwise interaction

このモデルは 生体分子システムで可能な すべてのペア形成的相互作用を

that could occur in this biomolecular system.

明示的に推論することを可能にします

And so we can use the features of this processing trunk

この処理トランクの特徴を利用して

to condition a diffusion model.

拡散モデル（生成モデルの一種）に 学習させることができます

Now you might know diffusion models

皆さんは拡散モデルを

as these amazing image generative models.

驚異的な画像生成モデルとして ご存知かもしれません

Now just like diffusing the pixels in an image,

画像内のピクセルを 拡散させるのと同じように

instead, our diffusion model diffuses

私たちの拡散モデルは

the 3D atom coordinates of our biomolecular system.

生体分子系の3D原子座標を拡散させます

So now this gives us a completely malleable virtual biomolecular world.

これで 完全に順応性のある 仮想生体分子の世界ができあがりました

It’s our AI analog that we can probe as if it’s the real world.

このAI アナログをあたかも現実世界で あるかのように探査することができます

We can make changes to the inputs,

入力データを変更したり

changes to the molecule designs

分子設計を変更したりして

and see how that changes the output structure.

出力構造がどのように変化するかを 見ることができます

So let's use this model to design a new drug

それでは このモデルを使って DNA修復タンパク質の

for our DNA repair protein.

新薬設計をしてみましょう

We can take a small molecule that's been recorded to stick to this protein

このタンパク質に結合すると 知られている小分子を取り出し

and make changes to its design.

その設計に変更を加えます

We want to change the molecule design

分子のデザインを

so that this molecule makes more interactions with the protein,

タンパク質とより多くの 相互作用をするように変えて

and that will make it stick to this protein stronger.

このタンパク質により強く 結合するようにしたいとします

And so you can imagine that this gives a human drug designer

こうすれば 人間の新薬設計士にとって

a perfect game to play.

完璧なゲームの対戦相手です

How do I change the design of this molecule

この分子の設計を変えて

to create more interactions?

相互作用を増やすには どうすればいいでしょう？

Now normally,

通常 今までならば

a drug designer would have to wait months

新薬設計士は

to get results back from a real lab at each step of this design game.

設計の各段階で研究室から結果が出るまで 何ヶ月も待たなければなりませんでした

But for us, using this AI analog, this takes just seconds.

でも 私たちがこのAIアナログを使えば それがほんの数秒で完了します

And this is the reality

そしてこれが

of what our drug designers back in London are doing right now.

ロンドンにいる新薬設計士が 現在やっていることなんです

So we have this beautiful game that's being played by our drug designers,

私たちの新薬設計士は この生体分子システムのAIアナログを使って

who are using this AI analog of biomolecular systems

潜在的な新薬分子を 合理的に設計するという

to rationally design potential new drug molecules.

クールなゲームをしています

But you can imagine

しかし

that we don't have to just limit this game

このゲームを 人間の新薬設計士だけに

to human drug designers

限定しないことは 想像できますね

Earlier in my career,

私が駆け出しの頃

I worked on training agents

私は「スタークラフト」というゲームで

to beat the top human professionals at the game of StarCraft.

人間のプロゲーマーを倒すことを目的とした エージェントの訓練に取り組んでいました。

And we created game-playing agents for the games of Go and Capture the Flag.

そして囲碁やキャプチャー・ザ・フラッグなどの ゲームのエージェントも作りました

So why can't we create agents that instead play the game

では 人間の新薬設計士が プレイしているゲームを

that our human drug designers are playing?

プレイするエージェントを 作れないか考えました

So now our AI analog becomes the game environment,

AIアナログ がゲーム環境になり

and we can train agents against that.

それに対してエージェントを訓練します

And we already have some incredibly powerful agents

そして こんにち すでにこれを実現している

that are already doing this today.

非常に強力なエージェントが 幾つか存在します

Now in this setup,

このセットアップでは

all of the drug design is happening on a computer.

すべての新薬設計が コンピューター上で行われています

So what happens if we have access to many, many computers?

では もしもっとたくさんのコンピューターが 使えたとしたらどうなるでしょうか？

Well instead of having one human drug designer

１人の人間の新薬設計士が

working on some new molecule designs,

新しい分子設計に取り組む代わりに

instead, we can have thousands of agents doing molecule design in parallel.

数千のエージェントに同時に 分子設計を行わせることができるのです

Just imagine what impact that could have

それが希少種のがんに苦しむ患者に

on patients suffering from a rare type of cancer,

どのような影響をもたらすか

the speed that we could get to a potential new molecule

こうした医療ニーズに対応する

to address this medical need

新しい分子候補にどれだけ早く辿り着けるか

or the ability to go after many diseases in parallel.

あるいは どれほど多くの疾患の 新薬設計を同時に行えるか想像してください

Cancer is often caused by mutations of proteins,

がんはタンパク質の突然変異が 原因であることが多く

and even within the same type of cancer,

同じ種類のがんであっても

each patient can have different mutations.

患者ごとに変異が異なることがあります

And that means that one drug molecule won't work for all patients.

つまり ある１つの薬物分子が すべての患者に効くわけではありません

But what if we could go in

しかし

and measure each individual patient's protein mutations,

もし 患者一人ひとりの タンパク質変異を測定し

and then have a whole team of molecule-design agents

分子設計担当者のチーム全体で

working on that individual's protein mutations?

その個人のタンパク質変異に 取り組めたらどうでしょう

Then we could create a molecule tailored for each individual patient.

そうすれば個々の患者に合わせた 分子を作ることができます

I'm showing just this.

これだけお見せします

Here the protein is randomly mutating,

このタンパク質はランダムに変異していて

and each mutation in red

赤色に表示している 突然変異が起こるたびに

subtly changes the 3D shape of this protein.

このタンパク質の立体形状が微妙に変化します

And we're able to generate molecules that should stick to this protein

私たちは これらの変化に反応して このタンパク質に結合する分子を

in response to these changes.

生成できるようになりました

Now this is still far away from patients,

これはまだ実用段階からは 遠く離れていて

and there's a huge amount of complexity in drug design left to tackle,

医薬品設計にはまだまだ取り組むべき 非常に複雑な課題が残っていますが

but this really does give us a glimpse at the future that is to come.

これはまさにこれからの未来を 垣間見せてくれます

So we've seen how this new AI paradigm is driving our progression in drug design.

この新しいAIパラダイムが私たちの 医薬品設計の進歩を促す様をお見せしましたが

And you can also see this paradigm being played out in material science,

このパラダイムは材料科学や

in creating new forms of energy

新しい形のエネルギーの創出

and in chemistry.

化学の分野でも活用されています

The ability to take our real messy world

現実の乱雑な世界を

and then create our own AI analogs

独自の人工知能アナログを創ることで

to then on a computer do open-ended scientific discovery

コンピューター上での 自由な科学的発見を推進し

to create new knowledge that we can take back out

私たちの周りの世界を変えることができる

and change the world around us.

新しい知識を生み出す能力

This is an incredibly powerful paradigm,

これは信じられないほど 強力なパラダイムであり

and one that will bring about a whole new wave of scientific

まったく新しい科学と技術の

and technological advancements.

進歩の波をもたらすものです

And we’re going to need as many people as possible,

そして この新しい進歩の波を 推進するために

especially those working in machine learning,

できるだけ多くの人々 特に機械学習や

AI and technology,

AIや

to help drive this new wave of progression.

テクノロジーの分野で働く人々が 必要になります

Thank you.

ありがとうございました

(Applause)

(拍手)