生成ではなく「発見」を掲げるFRONTEOのAI「KIBIT」は何をしているのか

明日を作るビジネスアスリートへ送る、時代の羅針盤、MAKE IT NEXT。ナビゲーターのショーンです。

さて、今日のテーマは「未来を推論する知能、生成AIの限界を超える非連続的発見。独自の方程式が解き明かす生命の地図」という、大変壮大なテーマでお送りします。

今日は新しい技術についてのお話となります。今、本当に世の中は生成AIブームですよね。もう本当に誤解を恐れずに言えば、私たちが日常的に触れているAIというのは、過去の情報のまとめ直しに近いのかなといつも感じてます。なんだか高性能なバックミラーを見ているというような比喩もあったんですけども、いわゆる膨大な過去のデータから、もっともらしい答えを導き出す。

だけど今回は、そこには誰もまだ知らない答えが存在するのではないかという問いを立てて、それを可能にしたという技術。それがKIBIT。この企業はキビットというふうに呼んでらっしゃいます。このAI、KIBITがやっているのは情報の整理ではなくて未知の推論。これはなかなか面白いのではないかと思います。例えば人間が2年かけてたどり着けなかった、がん細胞を止める鍵、これをわずか2日で特定したということもレポートに書かれています。

どういうことなのか。今日はかなり挑戦的な番組になるのかなと思います。1つは非エンジニアの方にとっては、何の話なんだろうということになるのかなと。エンジニアの方にとっては、もっと聞けよという話になってしまって、どちらに転んでもいけないなと思いながらも、ちょっと頑張っていきたいと思います。

今日お迎えするのは、株式会社FRONTEOからお2人お招きしております。お1人は、この開発に直接関わられた株式会社FRONTEO取締役兼CSO、チーフサイエンスオフィサー、豊柴博義さん。よろしくお願いします。

よろしくお願いします。

そして、この分野において、株式会社FRONTEO執行役員、DX事業担当、この技術を事業に持っていくという事業開発担当、渡邉輝明さん、お2人お招きしております。

よろしくお願いします。

今日は豊柴さんの方で技術的なお話を、なるべく分かりやすく噛み砕いて教えていただくということと、これは1つは渡邉さんにもお力を借りなければいけない。技術的な優位性の話を豊柴さんから、それから事業としての可能性、応用の可能性みたいなところを渡邉さんに伺っていきたいと思うんですが、まず株式会社FRONTEOの話を伺おうかと思ってるんですけれども、これは渡邉さんに伺った方がいいのかな。

はい。

これはどういう会社か、簡単にご紹介いただけますか？

そうですね。FRONTEOという会社は、4つですかね、業界を分けると事業セクションがあるんですけど、元々リーガルテックをやっていて、訴訟だったりだとか、そういったものを大量の文章とかから見つけてくるというところっていうのが、人力でやってたわけですけど、それが、これAIを使わないといけないよねと言って。それがビジネスインテリジェンスみたいなビジネスになり、経済安全保障になり、それこそ豊柴が今やっている創薬のビジネスみたいなところに派生していって。今、伸びしろと言いますか、期待してるところは、この創薬の部分なのかなというふうに思います。

なるほど。これは今、東京証券取引所グロース市場に上場しておられます。今、渡邉さんからお話があった通り、独自のAIエンジンを使ってライフサイエンス事業をやられたり、これまたリーガルテックと言われて、聞いてらっしゃる皆さんが「へえ」とはならないかも、なかなか難しいところですけども。法務、法律の分野において不正検出をするフォレンジックというあたりも、これが使える応用のフィールドがあって、まさにそれもこれは渡邉さんの担当になるんでしょうか。開発中ということになるんでしょうかね。

まずはこのKIBIT、キビットというふうに呼んでらっしゃいますけど、多分、見て聞いてらっしゃる方、聞いたことないなと思って。まずここからスタートだと思うんですけども、これなかなか今日、本当に非エンジニアとエンジニアが両方聞いてるっていう難しいところがあるんですけども、まずこのKIBITとは何かというやつを、豊柴さんから、これ一体何者なのかっていうのをちょっと教えていただけますか？

そうですね。元々リーガルテックという分野からできてるっていうところもあって、何か見つけるっていうところが非常に得意と言いますか、バックグラウンドにあるものなんですね。そういう意味では、技術的なところで言うと、今、自然言語処理、よく使われてる、LLMもそうだと思うんですけれども、それが今みたいに非常にアドバンスしたと言いますか、良くなってきたっていうのは、実はベクトル化っていう技術が元にあってですね。

待ってください。まずベクトル化っていうのは、ちょっと教えていただけますか？ 大丈夫です、教えてください。多分、聞いてらっしゃる方も皆さん興味があると思うので、まずベクトル化というのが普通じゃないっていう言い方でいいんでしょうか？

そうですね。我々が話してる言葉っていうのは、割と離散的と言いますか、連続的なものではなくて、画像とか写真みたいなものではなくて、どっちかというと単語で表現されるような、ぶつ切りのものなんですけれども。それを数値に変換するっていう方法がありまして、それをベクトルに変換するんですけれども、ベクトルに変換する時に数百次元のベクトルに変換するって形になりますので。例えばお水とかっていう、通常は単語なんですけれども、これが数百要素を持った数字のベクトルに置き換わるっていうことになります。

座標という言い方でいいですかね？

そうですね。はい。

でも、そのお水と言った場合は、普通はコンピューター言語っていう世界で言うと全部0、1で表されていくっていう世界観と、あれとはベクトルっていうのは違って。X軸、Y軸のような、まずこれは2軸ですけども、座標を取って。これ多分XとYじゃ済まないんですよね、きっと。このXとYのような軸がどんどん無尽蔵に増えていって、人間ではもうとてもじゃないけども認識できないようなところまで特定できるという座標を立てていくっていう。

そうすると、例えばリンゴとゴリラっていう類似性を見つけようとすると、普通はどうなる？ 今まではどうなるんですかね、今までのAIだと。

基本的には別々のものとして、しかも別の空間にも何も置かれるものもなく、単に言葉としてリンゴとゴリラって形になるんですけれども。今、我々はベクトル化することによって、同じ空間内に、例えば先ほどのXとY空間内に、リンゴがここら辺でゴリラがこの辺っていう位置関係が分かる形になります。

なるほど。今までだと語っていう、この1つの言葉で1つずつ粉砕されていくわけですね。粉になって、その粉同士を比べていくっていう言い方でいいのかな？

そうですね。以前は別々なものになってるので、比べようにも比べることも難しかったんですけれども、今、先ほどのXY平面で言うと、リンゴがどの辺にあって、ゴリラがどの辺にいるっていうのが視覚的にも見えるし。

そうすると、このKIBITっていうのは独自のベクトル化の方法を持っているっていうことでいいんですね。

そうですね。はい。

それがあって、次にそれがあるとどうなっていくんですか？

それがあると、様々なものが一旦数値に置き換わりますので、これまでは使えなかったような解析手法って言うんですかね、そういうものが使えるようになって。それが使えるようになるので、これまでなかなか扱うことができなかったような分析とか、それから先ほどの同じ空間内にリンゴとゴリラがあるので、それが遠いとか近いとかっていうのが数字で表されるっていうような形になります。

これ渡邉さん、このKIBITの解説を私もちょっと拝見した時に、必ずゴシック体で書いてある部分っていうのが「非連続」っていう部分と、あとはKIBITっていうのは言葉の機微を捉えるという、機微だというふうに書いてあったんですけども。少量のデータでも捉えることができるAIだと。この辺り、ちょっと非エンジニア向けに、その連続してるものを、本来ならば連続している関係性がある、ここに紐づく言葉たちの線形だとか確率統計的とかいう相関を、普通、連続してるというふうに私たち感じると思うんですよ、直感的に。連続してないものを見つけてこれるっていうことなんですよね。この辺り、ちょっと渡邉さんなりにと言いますか。

ありがとうございます。間違ってたら、間違ってるよって言っていただいてあれなんですけど、個別具体のどういうふうに使われてるっていうのは、豊柴さんから聞いた方がいいかなと思うんですけど。この非連続というのは、まず連続って何なんだっけっていう話をちょっとだけお話しさせていただくと、今の生成というかLLM自体っていうのは全て、前の言語の次に何が来るのかというのを想定してやっていますと。

それこそ最近はGPTだのClaudeだのみたいな話になってきてますけど、一番最初の時、これすごいよみたいになったのって、やっぱり将棋とかだと思うんですよね。あれってもう本当に完全にルールが出来上がってる中で、AIがどういう確率論で次の一手が、みたいなのっていうのを大量学習させてというのが、AIの走りだったかなというふうに思います。

この非連続に関して言うと、これ私も最初聞いた時にちょっと衝撃を受けて、なんかちょっとよく分かんない、これはまことかみたいな感じだったんですけど、私の理解でいくと、このベクトル空間というのは先ほど豊柴さんから説明がありましたけど、私は円みたいなものだというふうに認識をしています。このベクトル空間というものが、2つ円があるような状態のもので、1個のベクトル空間ともう1個のベクトル空間がそれぞれあるものを比較できます。

Aというベクトル空間とBというベクトル空間に、同じ言葉がたまたまありましたみたいな状態になった時に、その近くに出現してくるものというのは、Aのベクトル空間とBのベクトル空間では違うものが出てくるわけですね。なので、私が一番最初、今ちょっとやろうかなと思ってるプロジェクトでいくと、人事系のデータベースみたいなものっていうのは、これ使えるんじゃないかなというふうに思っていて。

これというのが、例えば1つのAという会社の中でベクトル空間を作って、Bという会社の中でベクトル空間を作って、それぞれの関係性ってあんまりないわけですよね。1個が例えば不動産屋さんで、1個がIT会社さんでみたいなことになった時に、Aっていう会社で、不動産屋さんですごい活躍している人が、もしかしたらITの会社のエンジニアと同じような素養を持ってる可能性があるっていうのは、これって絶対に人では導き出せないし、LLMでも導き出せないんですよね。

これが、ちょっと今、大きく話しましたけど、1個の会社になってきたら、例えばマーケティングをやってる人が辞めちゃいました。でも、その素養を持っている人は、もしかすると営業の何々さんに、それにプラスして誰かというのをくっつけると、その辞めちゃった人になるよっていうのを導き出せる可能性があるんですね。

なるほど。

これは2週間前ぐらいに豊柴さんに説明してもらったやつですけど。

これ、創薬なんかだと、その薬を発見する場合に、どんなタンパク質が影響してるのか、過去のデータを見ればって言ってやるのが従来で、それが飛び地のところで、もしかするとこの薬も使えるのかもしれないとか、全く違うものを見つけてくる可能性があるっていう。この文脈を引き継ぐと、例えば企業で言うと、富士フイルムという会社がフィルムを作っていました。なかなかフィルムも使わなくなってきました。我が社、これからどうしようと。

我が社の強みというものをベクトル化した時に、当時、その抗酸化技術だとかタンパク質の使い方みたいなものを、ちょっと待って、これ化粧品に使えるんじゃないか。抗酸化作用っていうのは、アスタリフトはなかったと思うんですよね。ああいうことが、企業の自分の、本来うちの会社っていうのはどういう強みを持ってるのかっていうのをベクトル化すると、全く違ったところのベクトル領域において、相関、連続してるって言っちゃいけないのかな、関係があるというふうに見つけることができれば、いわゆるピボットがしやすくなる。人間で言うとキャリアチェンジ、あるいは企業で言うと新たな事業領域に出ていくみたいなことまで使えそうじゃないですかね。

そういうことが非常に得意なエンジンにはなってますね。

そういうことなんですね。これ、もう1回ちょっとKIBITっていう、その強みということを。ちょっと非エンジニア言語なので、これを聞いてらっしゃるエンジニアの方々は、もうちょっと聞けよって怒られそうなんですけども、とにかく非連続の相関を見つけてくるっていう。非連続の相関っていうのもおかしな言葉かもしれませんが、一見今までの考え方からは考えられなかった相関を見つけてくるってことですもんね。

そうですね。もう1つよく我々が例で言うのは、アナロジーみたいな。よく今、皆さんスマホを使われると思うんですけど、スマホの画面って指でタッチすると思うんですけど、あれって水面の上に石を投げたのを見て、エンジニアが、水面をスマホの画面に置き換えて、その石を投げたところがこの手になってっていうふうに。全く別の状況なんですけれども、似たようなシチュエーションっていうのがそこにあると、それって関係することになりますよね。こういう関係を見つけるのが得意なエンジン。

なるほど。過去の歴史的には相関を見いだせなかったところに相関を見いだす。これを世の中では発見って言うんですよね。発見というのは、ある種、ひらめき的に「あ、これって抗酸化作用だから使えるかもしれませんよ、社長」「大丈夫か？ うち、そんな化粧品やったことないぞ」っていう、こういうドラマチックな企業の歴史になっちゃうんだけど、これを見つけることができるとしたら、すごいことですよね。

これ、もう本当にすごいことだと思うんですよね。それこそ僕が一番衝撃を受けたところでいくと、本来、コロンブスの卵じゃないですけど、方法が分かってしまえば、なんだ、こんなことかみたいなものって。でも、その気づくというか、見えてない部分が見えた時の衝撃感、とんでもないですよね。

そうですね。そうですよね。もう1つのこの強みっていうところで言うと、例えば豊柴さん、今までのAIに円を与えて、円の面積を出せというと、おそらくですけども、あれをものすごく細かく正方形なりにして、その正方形の粒度を高くして、1個ずつしらみつぶしに計算すると。つまり、しらみつぶしっていうのが今までのAIだと思うんですけど、豊柴さんのものは円の公式というもの、例えば円であればπr²っていう公式を与えているので、計算量が少なくて済む。もっと言うと半導体への負荷が下がる。これは正しい認識でいいんですか？

正しいですね。

なるほど。これをその他にも利用するんですけど、その公式がものすごい価値があるっていうのを、プレゼンテーションの資料の中で拝見したんですけど、これどういう意味なんですか？ 円だったら分かりやすいんですけど、全てに当てはまる公式っていうのはあるんですか？

全てに当てはまるわけではないんですけれども、通常は、先ほど説明があったように最適化って言いまして、小さな四角であったり区間であったりっていうので、値を求めていくってことであるんですけども。

正解が当たるまで、しらみつぶしに計算していくっていうのが今のAIですね。

そうですね。一方で我々は方程式を持ってますので、そういうふうにしらみつぶしに大量のコンピューターを使って計算しなくても、その式にさえ入れてしまえば、一気に求まるってことになりますので。そういう意味では、今まで例えば1か月計算にかかってたというようなものでも、我々のこの公式を使うと1日でできるとか、そういうふうに。

そうすると、まとめると、非連続型の発見を可能にするのは、その計算式なんですか、根本の部分は。

そうですね。計算式があるから、それが可能になるっていう。

これはもっと言うと、計算式というのは誰でも真似できるものではないんですね。

ではない。はい。我々しか持ってない。

そうなんですよね。これ、ちょっとその辺り、渡邉さん。この技術というのは特許にはもちろん、2018年になってると。この技術とほぼ等しいものを持っているところっていうのは、世界でどういう企業があるんですか？

これ、4つしかないですね、世界で。4社なのかな、団体なのかっていう感じですけど。もちろん当社と、あとはGoogleと、あとMetaと、大学どこでしたっけ？

スタンフォードでした。

スタンフォードか。スタンフォードじゃないですか。なので、うち以外でいくと3つですね。MetaとGoogleとスタンフォード。

豊柴さん、そことの技術優位性っていう意味ではどうなんですか？ もう相当な資本力のあるところが寄ってたかって作られたら、一気に持っていかれるみたいな構図には。

そうですね。他の3者さんっていうのは、先ほどの説明であった、その計算するのに大量の正方形みたいなもので計算してる。

しらみつぶし計算。

しらみつぶし計算。我々は方程式を唯一使ってるっていう方式になりますので、圧倒的に計算量が少ないっていうのが1つと。しらみつぶしにやると、そのやり方によって毎回若干答えが変わるんですよね。我々は式を使ってるので、そういうことがないっていう、そういう2つの利点もあります。

もう1つ、聞いてらっしゃる非エンジニアの経営者向けに、ちょっと整理をしておきたいんですけども。いつも私が、AIの業界って広いわけですけども、NVIDIAのジェンセンが言っている4つのレイヤーの話をいつもするんですけども。1つは一番、インフラ、ハードのところがあります。GPUとか使ってるところですね。まさにNVIDIAとかAWSの世界で、第2階層がソフトの階層ですね。これはOS部分になってくるんですかね。

それからもう1つ、その上がモデルっていう、LLMのモデルを、OpenAIだったり、GoogleだったりMetaだったり。その上にアプリケーションって、それを使って何すんねんっていう領域があって、ここには例えばSalesforceだとか、こんなところがあって。さて、そのインフラ、ハード、ソフト、基盤モデル、知能、アプリケーション、どこにこれ、KIBITっていうのは入る？ モデルですか？

そうですね、モデルのちょっと手前。

モデル、どっちの手前なんですか？

ソフトウェア。

ソフトウェア側の手前に入るんですね。ここにあると多分モデル的な要素も兼ねて。

ソフトウェアっていうかアプリケーションかな。アプリケーションとモデルの間にあるってことですね。

4層あった時のモデルとアプリケーションの間にある。ここを攻めてる会社っていうのはないわけですね。

ないですね。さっきのその他の3者さんは、それこそベクトル化の技術を持っている3者さんで、やっぱりちょっとうちとやってることが違うかなという。

ベクトル、つまり座標作りって言ったらいいのかな。この、認識をする力。ベクトル化、ベクトル化っていう言葉が独り歩きしてるんですけど、私もパッと、あんまり業界に詳しくない方に聞かれると、いつも言葉がバラバラしちゃうんですけど、何かいい説明ないですか？

要は言語の数値化ですかね。

でも、言語の数値化っていうと今までもやってたわけですよね。言葉をサブワード化っていうことで言葉をバラバラにして、粉々にして認識はしていたわけですよね。

連続な数値って言ったらいいんじゃないですかね。先ほどので言うと座標の、離れた点ではなくて、連続的な点に置き換えるって言ったらいいですかね。

なるほどね。多分、聞いてらっしゃるエンジニア系、AIのエンジニア系の方は、すんなりと、そういうことかって分かってらっしゃるんだとは思うんですけども。これ、産業構造上のポジション、分かりました？ そのモデルとちょうどアプリケーションの間にある。これ、全く新しい非連続発見を可能にする、本当は何とかって言いたかったんですけど、これはモデル＆アプリケーションってことですか？

そうですね。非常に基礎的なところに当たるかなと思ってますので、モデルと、もう少し、何て言ったらいいんですか、そこから目的に合わせて何か作り込んだものになるんですけど。

なるほど。汎用性が高いんですね。

そうです。はい。

そうか。アプリケーションに行くと、もっと目的がはっきりしますもんね。モデルとちょうど中間になるってことですね。なるほど。これ、技術的な背景知識がない人は、これ以上聞いても技術的な優位性は多分分からないと思うので、そのすごさについて、応用の優位性みたいなところを聞いていくと、何となく分かってくるのかなっていう気はしますけども。渡邉さん、どうですか？ 応用、いろんな応用の仕方があると思うんですけども。

そうですね。1つは。

例えば具体的な話ですよね。

これ、さっき話した人事の話もそうですけど、実際問題、お客様に提供させていただいた事例とかを少しお話しすると、人事関連でいくと、採用のところで1回エンジンを作らせていただいて、やったことがあるんですけど。これは何を発見したくてやったのかというところでいくと、大手様だったので、何万人とエントリーとか来るわけですよね。その大量に来るエントリーシートから、その後自分の会社に就職をして活躍してくれる人っていうのを、やりたいですと。

なった時に、その活躍している人のエントリーシートを元々学習させている状態とかのものをぶつけに行くと、似てる人っていう、近い人ですかね、ベクトル空間上で近い人っていうのが出てきて。なので、このものっていうのは、やっぱり生成AIとかでも難しいことっていうのが1個、すごく分かりやすいかな。

なるほどね。あくまでも生成だと、過去に事例が募っていることが前提にあるわけで、これからどうかっていうのは育ててみなければ分からないとか、例えば配置を変えてみないと分からないと。それを未知なる可能性って言ってたわけですけども、未知なる可能性の部分に科学が入っていったっていう考え方なんでしょうね、今回のね。応用分野としては、まずはそういう人事、人材開発の部分で、やっぱり大きいのは創薬ですか？

そうなると思いますね。

そうですか。この辺り、具体的にどこでどのようにその技術が使われて、発揮されてるのかという辺りを伺えますか？

はい。創薬の現場では、やはり標的分子がありまして、この標的分子に、例えば今皆さんがお飲みのお薬が働きかけて、病気を治したりっていう形になるんですね。そういう意味では、この標的分子が見つかって初めて、その分子にくっつく化合物であったり抗体であったり、皆さんが飲んでらっしゃるお薬のようなものっていうのを見つけて、病気を治すっていう形になるんですね。

私もちょっと皆さんのために整理をしておきたいんですけど、お薬を見つける時っていうのは、豊柴さんがおっしゃったように見つけるって、これは何でこの病気が起きたのか、原因となってるようなタンパク質だったり遺伝子を見つけるという、まずディスカバリー、発見のプロセスがあります。1、2に、ここに効きそうな薬の種、ロングリストを作りますというプロセスがありますよね。もう1つが3、これを絞り込むっていう作業がありますね。そして試す、許可を取るっていって、やっと薬が売られる。

試すっていう部分においては臨床というところがありますので、実際に動物を使ったり人を使ったりという、この6つのプロセスがある中の上流側の方で、見つける作業で一番パワーを発揮するっていうところですね。

そうですね。

なるほど。そうすると、今までだったら普通はこのタンパク質が原因だよね、ものやないタンパク質や、その遺伝子みたいなものを見つけることができる。

そうですね。そういう意味では今までは、まずは文献を調べたり、あるいは患者様からデータ、サンプルをいただいて、それを分析して、その疾患に関連のありそうな分子、タンパク質を見つけたりっていうのをやってたんですけれども。そうすると、どうしても文献の中に書いてあるものは見つけられるんですけれども、それって世界中の皆さんやってらっしゃるので、自分たちだけが見つけたい、もしくは知ってるものって、なかなか見いだせないですよね。

そうですよね。こうなってくると、ほにゃらら医学研究所とか、膨大な資本力を持っている、ほぼ非営利団体に近いところが寄ってたかって見つけるような化合物や遺伝子やとかっていう話になってきて、一般の企業や、ましてや個人ができる話じゃなかったわけですよね。これができるようになるってことですか？

そうですね。我々のエンジンは、文献にはまだ書かれてないけれども、過去の文献を読み込むと、その標的分子とその疾患との間に関連がありそうなものを見つけることができるっていうエンジン。

これ、具体的に、特定の疾患に効く可能性のある標的をわずか2日で抽出っていう話もあったんですが、具体的に何か事例とかあれば。

そうですね。1つは膵臓がんの例がありまして、膵臓がん、ご存じかもしれませんけれども、非常に予後が悪くて、今なかなか薬がない状態なんですけれども。それに対して我々のエンジンを使って見つけたところ、2日で17個見つけてきて、その中の6個については実際に細胞を使って、がん細胞が増殖するのを抑えられるかどうかっていうのを確認してまして。その6つの中の4つについては、膵臓がんとその分子との関連を報告したものが1報もないっていう、そういうものを見つける。

ちなみに豊柴さんは医学博士ではないわけですね。理学博士ですよね。

そうですね。私は数学が専門ですので。

でも、渡邉さん、この理学博士っていうか、このAIの領域が、当然ご知見は一定程度おありだと思うんですけど、専門領域ではないところでも活躍できるんですよ、これね。

そうなりますね。

ですよね。これはすごいことじゃないですか、豊柴さん。

そうですね。そういう意味では、他の会社さんでは決して探索できない領域っていうのを、我々のエンジンは探索することができると思ってますので。そういう意味では、他の会社さんが決して見つけることができないような新しい標的分子を見つけることができますし、今までお薬がなかったような病気についても、もしかしたら見つけることができるかもしれない。

お薬がなかったような領域、もしくはよくドラッグリポジショニングという、他の病気に効いていたこの薬がこちらでも使えるのではないかっていう、これこそ発見の部分だと。皆さんよくご存じのミノキシジルとか、ああいうのもそうだと思うんですけども、ああいうこともより可能になってくる。棚ぼたじゃなくなるっていう。

そうですね。

研究してたら「先生、これ見つかりましたよ」ではない。もっと効率的に、偶然を起こせるってことですね。

まさにその通りですね。

これは、私はある意味、このお話を聞いた時に一大事だと思って、今日お2人をお呼びしたっていうのもあるんですけども。今日たまたま、私が好きな中島さんって、アメリカで元々マイクロソフトの本社に勤務しておられて、アメリカ、シアトルで活躍されてらっしゃる。ブログが非常に面白くて。今、「FDA未承認のペプチド治療がアメリカで流行り始めてる」っていうタイトルのコラムがあったんですね。

彼いわく、アミノ酸っていうのはアルファベットだと、ペプチドというのは単語だと、タンパク質というのは関数だと、あとプロテオームっていうのはプログラムである。つまりAIっていうのは、そのプログラムを読んでバグを見つけてパッチを当てる開発環境になりつつあるっていうのを、なるほどなと思って、ここってKIBITの領域なんじゃないかって思ったんですけど。

はい。まさにその通りですね。

ですよね。ここに対して、関数、プログラムに対して、そのプログラムがきちっと機能してるかどうかっていうことをベクトル化するみたいなことになるのかな。

そうですね。要するに、そのプログラムしてるタンパク質の部分が、どんな特徴を持ってるかっていうのを見てるっていう。

中島さん、続けてらっしゃって、昨今のLLM、大規模言語モデルというのはコード生成が飛躍的に上手になっているので、GitHubだとかCopilot、いろんなClaude、GPTがありますけども、AIがソフトウェアのコードを書く能力っていうのは、この2、3年でとてつもないレベルにいったと。生物学の文脈では、そのペプチド配列もアミノ酸の文字列でしかない。

プロテオームの相互作用も関数の呼び出しっていう表現をされてらっしゃって、そうすると、この辺りにこのKIBITっていうモデルが動き出した時に、今までの過去の関数やプログラムではないものを発見して。

そうですね。

ここに相関ですよね、関係性を見つけてきて、とてつもない発見を見いだすことが。発見っていうのって、渡邉さんもおっしゃってらっしゃいましたけども、なんかセレンディピティみたいなのがあるんですけど。発見っていうのは、一生懸命頑張った人、人事を尽くした人に与えられる最後のお土産と言いますかね。なんかそんな感じがするんじゃないですか？

しますね。僕、稲盛さんの本とか結構好きで読んでたんですけど、苦難にも絶対答えはあると。むちゃくちゃやったら降りてくるみたいな表現だったんですけど、本来そういうものだと思う。

ジェームズ・ダイソンとロングインタビューをしたことがありまして、その時に成功、発見についてお話を。小型モーターをどうやって。「簡単だ」と。「ひたすら、そもそも皆さんは僕と同じ回数だけ失敗してない。1万回失敗すれば、必ず1個発見が見つかるんで」って、これ衝撃的だったんですけど。

「どうやって見つけたんですか」って我々が質問する時に、その人だけに与えられた発見という、才能やバックグラウンド、ありとあらゆるものが集結した先に、選ばれし者に降りてくる専売特許のように感じるんですけど、「何を言ってるんだ。同じことを1万回やって失敗すれば必ず発見がある」って言ったのは今でも覚えてるんですけど、今の話、KIBITの方は多分1万回失敗いらなそうですね。

それをむしろ体系的にと言いますか、効率的に、その偶然みたいなセレンディピティみたいなところを起こさせるっていう、そういうアプローチ。

ジェンセン・ファンさん、出てこない日がないぐらい、アルゴリズムがもうそっち寄りに私もなってまして。今回のKIBITが掲げる、その方程式による計算量の削減、これは間違いないですね。まさに資本力に頼らない、知恵の逆転なのかなというふうにも感じます。

見えてないものをお見せできますよって、すっごい説明が難しいんです。

そうですよね。

そうなんです。世界を変えるモデルじゃない、モデルとアプリケーションの間です。これ、ネイチャーから論文を全部読むことを許可されてるってことですか？ それはなぜですか？ なぜ御社はそんなことができてるんですか？

我々だけですね。はい。

これ、ごめんなさい。そのことを最初に僕が言うべきでしたよ。愛を込めてですけど、やっぱりちょっと豊柴さん、変わってる。でも、世界を変える人って大概変わってますよね。

NEXT。