検証レイヤーは次の市場になるか――Axiomatic AIが狙う「間違えられない領域」のAI基盤

皆さん、こんにちは。FoundXの田です。同じくFoundXの富田です。

今日の雑談ですが、ちょうど日経新聞でスタートアップの創業期の資金調達4割減というのが昨日ぐらいに出てまして、どうでしょうね。そこまで減ってる印象はないんですが、こんなに減ってるんですね。

そうですね。ごめんなさい、記事を見られてないですけど、どういうところで特に減ってるとか、差があったりするんですかね？

そこまでは深くはあの記事では書いてなかった記憶がありますが。元のソースを見てみないとわかんないですね。

そうですね。何か特徴が見えたらいいですけどね。

めっちゃ減ってますね。でも本当に。とはいえ、そこまで減ってるかって言うと、私たちのやってる領域はそんな感じもそこまでしないですけどね。

うん。そんなでもないですね。4割。元々難しいとこではありますけど。

そうですね。はい。業界を賑わすというニュースから入ってみました。

これはお際いですね。

というか、それはさておき、いいアイデアを作れば資金調達にはたどり着けると思ってるので、是非その支援をしていきたいと思ってます。はい、ではここからアイデアキャストのコーナーです。FoundX Review Startup IdeaCastでは、海外のスタートアップのアイデアをAIを使って分析して紹介していきます。これからアイデアを考える人たちの参考になればと思います。

最初にディスクレーマーですが、AIを活用して情報を整理しているので、一部情報が古かったり間違ってる可能性もあります。ファクトを重視される場合は必ずご自身で調べるようお願いいたします。本ポッドキャストはあくまでアイデアの参考情報や考え方を引き出すことを目的としています。

今日紹介するのはこのAxiomatic AIです。すみません、言い方があれですが、アクシオマティックとかアクシアマティック、公理のアクシオムのAIです。

これはどうして選んだんでしょうか？

そうですね、まさにこの生成AIの出力を、形式検証とか物理モデルとか測定装置とかとの接続によって検証可能にしていく。公理系と参照しながら検証をしていくことによって、半導体とかフォトニクスとか、あるいは先端製造といったような間違ってはいけない、AIの価値が生成の速さではない、いわゆる、なんでしょうね、難しい、間違ったらすごいコストがかかるようなところに応用していこうというところに対してのペインを解決しようとしている、すごく面白そうなスタートアップなので紹介したいなと思ったりです。

では早速全体像に入っていきたいと思います。このAxiomatic AIですが、AIが答えを出す時代から、AIの答えが正しいか確認できる、そうした検証の方に価値の一部が移ってきていることを示している、いい企業なのかなと。全体としては、生成AIはどうしても弱点としてハルシネーションがありますが、これを形式検証とか物理モデルとの接続によって抑え込んで、科学的あるいは工学的に信頼できるAIインフラを提供していく、そうしたことをしようとしている会社です。

まさにこのAxiomaticという名前自体が、数学の公理とか証明の世界を想起させるような名前で、いわゆる確率的にそれっぽい回答を返してくる生成AIではなくって、公理とか定理とか証明とかの厳密性をAIに持ち込もうとしている、そんな会社です。特に重要なのが、その対象の市場が一般的な文書生成とかチャットボットとかではなくって、半導体とかフォトニクスとか先端製造とか、先ほどあげましたけれども、こうした間違いのコストが高い領域において、生成AIをうまく使っていくためには検証が必要だよねというのを言おうとしている会社なのかなと思っています。

事業としてはAIモデルそのものというよりは、AIとか形式検証とか物理シミュレーション、そして測定装置をつなぐインフラ企業になっているのかなと。そして、まず入っていこうとしている半導体業界は、2032年までに16万人のエンジニア不足になっていくというところ、そうしたところも狙っているような印象です。本当にミスの許されないミッションクリティカルな領域での生産性向上をしていくための、ただ既存の生成AIは物理法則を無視するためにそこができなかったので、そこをやっていこうというようなスタートアップなのかなと思います。

うん。これってスタートアップになりうるようなアイデアなんですね。

そうですね。形式検証というようなところに関しては、非常にスタートアップとして、なんでしょう、まだ…。競合に関してはいくつかありますけども、あまり入ってきてませんし、加えてそこに対してはペインが非常に深いので、多くの需要があるんじゃないかなという風に思います。

検証を挟むとハルシネーションってなくなるんですか？

そうですね。検証を挟むことによって、完璧にっていうことはないかもしれませんが、ハルシネーションはなくなりやすくなる、もしくは特定の形式化可能な範囲で誤りを検出・修正しやすくなる、そんなところなのかなという風に思います。

なんか見つけやすくなるみたいなところですね。

そうですね。あとは、数学的な命題とか仕様とか制約とか物理モデルとか、検証可能な形に落とせるような範囲が重要なのかなという風に思ってますし、形式化できない判断に関しては人間がやっていく必要があるのかなという風には思います。

ちょっともう少し先だけお話しすると、このスタートアップに関しては大きく3つのレイヤーがあるのかなと思っています。1つがProbabilistic AIみたいな感じで、生成AIが確率的に答えを出していくようなレイヤーがあり、そこに対してVerification LayerみたいなところをこのAxiomatic AIが提供して、そしてDeterministic Engineeringという形で、決定論的な工学の世界みたいなレイヤーにつなげていく。この真ん中のレイヤーをAxiomatic AIがやっていくというのが、このスタートアップの位置付けなのかなという風に思います。

では、課題に入りたいと思います。この課題は先ほど少しお話ししましたが、半導体、フォトニクス、先端製造みたいなところになってきます。特にR&Dとか設計の検証とかラボのチームとか、そうしたところがターゲットです。これらの領域では、AIの誤回答というものが単に不便というわけではなくって、試作の失敗とか設計のやり直しとか装置の稼働率低下とか品質問題に直結してしまうので、非常にミスが高コストになってしまうと。わずかなエラーでも数億ドルあるいは数億円ぐらいの損失に直結するみたいなことが言われています。

一方で、専門人材は不足していて、そこに関しても何かやっていかなければいけないっていうのがあったりしますし、あとは複雑化する物理シミュレーションと測定のボトルネックというのもあると言われています。汎用LLMに関しては、説明がうまくても、物理法則とか寸法の整合性とか設計の制約とか、あるいは実測のデータとかと一致はしないみたいな感じなのかなという風に思いますと。一方で人間のレビューとかは重要ですが、属人的でスケールしづらくて時間がかかるというところで、AIがうまく使えるかもしれないが、AIは間違うかもしれない。信用できないのでなかなか導入できないみたいなところに対して、どうやっていくのかというところが、まさに大事なポイントになってきますと。

本当にこのAIスタートアップ全般にとって非常に参考になるなと思うのが、どこを課題にしていくのかっていうところで、彼らはAIに期待している自動化だけではなくて、レビューとか検証負荷をどのように下げていくのか、特にコストが高いところからどう下げていくのかというところが、非常にポイントになっているのかなと思いました。

あ、そう。その汎用LLMにデータを入れるだけだと、やっぱりそれだけではダメなんですかね。

そうですね。社内のデータを入れるだけだと、物理法則とかに対するみたいなところはなかなか保証されないですし、あとCOの準拠というところも保証されないかもしれないというのが問題としてあります。問題は知識不足というよりは検証ができないというところで、このAxiomatic AIはLLMを外部の検証器とか測定装置につないで、そこから検証していくみたいなことをして、正しさを保証するみたいな、そうしたことをやろうとしてるのかなと思います。

では、実際の解決策に移りたいと思います。このAxiomatic AIですが、LLMを単独で使うのではなくって、MCPというプロトコルを通じて、Leanと言われているような形式数学、Lean 4というバージョンの4ですけども、Leanという形式検証を行うようなツールとか、物理エンジンとか、測定装置とか、そうしたところに接続していくというような構造を取っている、そうしたソリューションになっています。

中心にあるのはAxiomatic Intelligenceということで、これはチャットAIではなくて、LLMを検証器とかシミュレーターとか測定装置と接続するための基盤ですと。LLMは推論とか仮説の生成を担当して、その先にLeanとかPhysics Engineみたいな感じで、シミュレーターとか実測機器とかで、いわゆる検証を担当していきますみたいな、そんな感じです。MCP、Model Context Protocolを通して、AIアプリと外部ツールとデータソースを接続する標準プロトコルを持って、これを工学ツール接続に使ってやっていく。なので重要なのは、AIに物理を全部覚えさせるのではなくって、AIが出したものを外部の信頼できる道具で確認するみたいな、そうした設計を取っているというところかなという風に思います。

そうですね。なので、この辺りをうまく作っていくというところと、あとは何がありますかね？新しいのは、本当にこのAIが設計や測定を考えて、実際の物理的な、あるいはシミュレーター、あるいは形式数学でいけば形式検証にかけて、その結果を使って次の判断をしていくみたいな、そこの設計を取ってるのは非常に面白いところかなと思います。

MCPというのが、なんか出力を変換するようなものになってくるんでしょうか？

変換というよりはプロトコルなので、インターフェースと言いますか、AIと外部、あるいはAI同士みたいなところをつなぐ共通規格になってます。Anthropicが作ってるプロトコルですけれども、これはオープンでやられていて、このオープンなプロトコルを使って、Leanとか別のソフトウェアであるとか、シミュレーターであるとか、測定装置と接続していくみたいなところのマネージをしてるのが、このAxiomatic Intelligenceというものですね。

現状のトラクションというか、今どこまでできてるとか評価されてるというのはなんでしょうか？

そうですね。MPI Corporationみたいなところとか、いわゆる半導体に近いところとかですね。あとはスイスの会社であるとか、そうしたところとの提携を行っていて、フォトニックデバイス向けの自律統合テストソリューションに関しての共同開発の覚書を持っていたりとかしますと。売上とか本格導入とは別物になってるのかなという風に思いますが、測定装置メーカーとかフォトニクスとかの企業を接点として持てていることが、初期の市場の検証としてはちょっと進んでいるというところなのかなと思います。

続いて市場です。TAMとかSAMとかSOMになりますけれども、まずTAMに関しては半導体製造装置市場ということで、2025年2351ドルという非常に大きなところをTAMとしてあげています。SEMIですね、業界団体によりますと、2025年の世界半導体製造装置売上がそれぐらいになっているということが言われています。AIデータセンター向けの高速トランシーバーとか、その辺りとかもあったりはしますが、その辺りに関しては、HBMとか先端パッケージの増加によって検査とか測定とか検証の負荷が増えてきていて、この辺りを少し狙っていこうとされている可能性もあるなという風に思います。

特にその成長ドライバーとして、あとはAxiomatic AIが最初から半導体装置市場全体を取りに行くというわけではなくって、フォトニクスの測定であるとかテストとか、いわゆる高コストでデータミスの影響が大きい領域に絞っていくみたいな、そんなところを見ているのかなという風に思います。本当にこのAIというもので需要が爆発的に伸びている業界と言いますか領域において、この技術変化とか需要の変化をうまく使って、テストとか検証負荷が増大しているところにうまく刺していくというような、そんな展開をしているのかなと思います。

最初にフォトニクス測定とかテストのところに入っていくのって、どういった理由があるんでしょう？

そうですね。一説によると、測定が複雑で手作業が多くて、かつミスや待ち時間のコストが高いというような領域だそうです。あとは実測が取りやすいというのもあるので、そうした意味で、AIの出力を検証するようなループ環境というのを作りやすいと言われています。

テスト装置の市場自体も増えてるんですかね。その中でどれぐらいの割合というか、どんな伸びなのかなというところなんですけど。

そうですね。SEMIの発表だと、テスト装置の売上は前年比55%増ということで、かなり爆発的に増えているということは言われていました。では続いてビジネスモデルです。このビジネスモデルに関しては、おそらくまだ模索中だという風には思いますけれども、今のところをご説明させていただきます。

支払いするのは、大手の半導体とかフォトニクス企業のR&Dやラボチームというところです。収益モデルとしては、エンタープライズSaaS、API課金、プロフェッショナルサービスの組み合わせだという風に言われています。なので、高単価なプロフェッショナルサービスも組み合わせていくと。典型的なセルフサーブのSaaSとはまた違って、ハイタッチ営業とかPoCとか現場統合が必要なので、そうしたプロフェッショナルサービスというのをやっているのかなと思います。もちろんそのためにCAC、カスタマーアクイジションコストは非常に高くなってしまいますが、一度ワークフローに入り込んだらなかなか解約しないと言いますか、実際に装置とかデータとか、あるいは運用プロセスとも結びつくので、LTVは高くなる可能性はあるのかなと思います。

このハードウェアツールとか、エンタープライズのR&DとかAIプラットフォームとか、これらをぐるぐると回していくような、検証という一番ボトルネックのところを取ることによって回せる環境を作って、そして使われるほど検証済みデータとかモデルが蓄積されて、データのフライホイール効果みたいなところが起こっていくんじゃないかみたいなことが言われていますね。あとは、初期はLLMのAPIのコストとか、証明探索の計算コストとか、あるいはインテグレーションの費用みたいなところが必要になってきますが、スケール後は実測データとか検証済みモデルが徐々に効きやすくなっていって、限界費用は低下して粗利率は改善するんじゃないかというのを狙っているようです。なので、高いCAC、カスタマーアクイジションコストでも、ミッションクリティカルで高単価で低解約、高い顧客生涯価値があるような、そうした領域を取ろうとしているのかなと思います。

うん。最初はちょっと個別に入っていって、だんだんスケールさせてSaaSに近くしていくような形を狙ってるところでしょうか。

そういうことなのかなと思いますね。最初はプロフェッショナルサービス、コンサルティングとかの色をかなり強くして、お客様先の装置とかデータとかワークフローを統合し、長期的にはそうした検証済みとか標準的なワークフローを自社でSaaSとかAPI化していくみたいな、そんな形になっていくのかなと思います。

限界費用をデータを貯めることで下げていくってことだったんですけど、それができるってことを検証するんだと思うんですけど、できないと結構、一件一件対応するっていうところに近くなってしまうんですかね、やっぱり。

まあ、そうですね。そこができないと受託開発に近いモデルになっちゃうかなと思います。実際に、あとは推論コストとか計算コストが高いままだったりすると粗利も出づらいというようになると思いますし、初期はコンサルティングサービスって形で人手が必要みたいな。ただ、それをどんどんと置き換えていくっていうようなモデルが成立すれば安くなるし、受託開発じゃなくってソフトウェアの会社になっていくというところかなと思いますね。

では戦略です。彼らの戦略としては、新しい作業環境を作っていくというのではなくって、既に使われているような開発環境や測定装置に、いかに埋め込んでいくのかというところなのかなという風に思います。既存のIDE、統合開発環境としてCursorとか、あるいはハードウェアツールとして、いろんなハードウェアツールとか測定ツールとかあったりしますが、そこにうまくこのAxiomaticのVerification LayerをMCPとして噛ませて、ユーザーは新しいUIを覚えるというよりは、既存のワークフローの裏側でこのAIが検証してくれて、信頼性を高めてくれますよという風な、そうした入り方をしているのかなという風に思います。独自UIでユーザーを囲い込むというよりは、本当にMCPを使って、その分乗り換えられやすくもなるかもしれないんですけれども、検証レイヤーとして入っていくというのが彼らのポイントですと。

LLMの基盤自体は外部のエコシステム、ClaudeとかChatGPTとかを使う想定だそうです。自社リソースに関しては、Leanとの接続であったりとか、物理モデルとの結合、シミュレーターとか、あるいは実測機器とかいうところとの、結構大変なリスクの高いところだと思うので、そこに注力していくみたいな、そうしたものを考えているみたいです。ただ公式の理想像としてはですね、ミッション30X30みたいなことを言っていて、いわゆる半導体とかフォトニックハードウェア開発のアクセス性とかコストとかスピードを2030年までに30倍にするみたいな、そうしたミッションを掲げて、科学的手法のAIパートナーになっていきますということを言っています。

LLMの基盤は外部のものを使うっていうのはちょっとなるほどと思ったんですけど、そこは別に差別化の要素としては彼らとしては考えてないということなんでしょうか？

そうみたいですね。LLM自体で差別化するんじゃなくって、検証レイヤーとか物理モデルとか測定装置の接続、あるいはドメインデータといったようなところで差別化をしていきますということだそうです。モデルが進化するほど検証レイヤーの価値も上がる可能性があると言いますか、検証がボトルネックになれば、検証の方が非常に価値を持っていくことになるので、そこに対して価値を出していこうと。ただもちろん、モデルの依存とかAPIコストとかデータ管理のリスクは残っていきますし、MCP接続を通じているので他社も参入しやすかったりしますし、なんでしょうね、難しいところはあると思いますね。

ではロードマップです。このAxiomatic AIですが、まずフェーズ1として学術的な信頼の確立ということをやっています。彼らのAx-ProverベースというものをOSSで公開していたりとか、Closed BetaのLemmaというものを研究者に渡してフィードバックを獲得したりとか、論文みたいなものを書いて発表していくみたいなことをして、まずは技術的な信頼を作っていくということをしていました。そしてフェーズ2に移って、現場の実装とコスト最適化ということで、特定のユースケース、特にフォトニクス測定ですね、での実績の構築をし、まさに今やろうとしてるところですが、このMPI社等の測定装置とかハードウェアとの連携によるクローズドループの実現というところをやっていきますと。そして、そうしたデータとかノウハウが溜まってきたら、次はフェーズ3、拡張とか標準化にしていくと。いろんな企業様に展開していったりとか、あるいは科学とか工学AIのデファクトの検証インフラ化というのを、彼らとしては狙っているようです。

ある意味、ディープテックの事業化として非常に良い形なのかなと。技術的な信頼を築いて、次に本当にペインの大きなところに関して初期のROIを証明して、それをさらに水平展開していくというような、そんなことをしようとしているというのが、このスタートアップの進み方かなと思います。

最初に技術的な信頼を築くというところだったんですけど、実際にそれってお客様の獲得であったり、導入につながるようなものなんでしょうか。

そうですね。特にこうした半導体とか先端製造とかの辺りに関しては、技術の信頼性って非常に大事になってくると思うので、その技術の信頼性が営業の前提になって入っていく可能性はあるのかなと。あとは、ユーザーがR&Dの人とかラボとかだったりするので、やっぱり技術者とか研究者がユーザーになってきますと。彼ら彼女らに対する信頼形成という観点だと、論文が出てますとか、OSSでありますとか、ベンチマークみたいなところは非常に大きなインパクトを持ってくるものなのかなと思います。

フェーズ2で実績を示すということだったんですけど、具体的にはどういう実績が考えられるんでしょうか？

そうですね。抽象的に言えば、検証できたかどうかっていうところだと思いますが、より具体に落としていくと、測定時間が短縮できたかとか、手作業とか再測定がどれだけ減ったかとか、試作とか測定ミスがどれだけ減ったか、あるいは装置稼働率の改善がどこまで行われたかといったようなところが、おそらくROIとかKPIとかになっていくのかなと思います。

では競合です。Axiomatic AIの競合はいくつか出てきていますというところです。まず二軸で整理すると、縦軸が非検証とか確率的生成から、形式検証あるいは決定論的証明みたいなところ。そして横軸が、一般的な数学やソフトウェアから、深い物理的なエンジニアリングみたいなところで、縦横というのを取った時に、まず形式検証でかつソフトというところに関しては、Harmonicとかスインクみたいなところが、形式証明とか数学AIの方向で近いですが、ハードウェアとの接続はやや弱いというのが、こうした競合の位置付けです。一方で、SynopsysとかAnsysとかに関しては、間接的かもしれませんけれども、EDAとかCAEとかシミュレーションで強いところですが、AIの検証レイヤーという形ではないみたいな、そんな形になっています。このAxiomatic AIは、ある意味誰も手を出してないと言いますか、形式検証とか測定とか物理への接続っていうのを同時に満たす領域でやろうとしているのが、彼らの位置付けになるのかなと思います。

差別化要素がいくつかあるとすると、まず1つ目が形式検証、Leanですね。これはFocused Research Organizationで得られている研究でもあります。最近も結構Leanの記事とかをよく見るようになったなと思うんですが、このLean前提のアーキテクチャーを形式検証では使いますと。もう1個がMCPによる既存のツールとのシームレスな統合。そして3つ目が測定装置との物理的な接続。ここをやってるところはまだ聞かないかなと。実験だったらあるかな、オートメーテッドラボだったらあるかもしれませんが、そこでありますと。そして、クローズドなドメイン知識と実験データの蓄積を4つ目の特徴としてあげていて、そして5つ目はチーム的なところで、MITとかICFOとかの研究者のネットワークがあるというところです。なので、この企業はある意味こうした差別化要素をいくつか持って、単一のモデル性能ではなくて、ワークフローとかデータとか、あるいは専門知識、装置の接続みたいな複合的なサービスを提供していくことで、ある意味モートというのを作ろうとしているのかなという風に思います。

モートの話で、なんかモデルだけではないっていうところだったんですけど、どういう組み合わせがやっぱり強くなるんですかね。

そうですね、最終的には検証済みデータとかドメイン知識とかがうまく自社のサービスとかAIに含み込まれていって、追いつけなくなっていくってのがあると思いますし、直近だと測定装置とか実験ワークフローとの深い統合をすることによって、ソフトウェア的な、数理的なものであればLean使えばいいっていうところは今後いくつか出てくると思いますが、物理的なところを先にやっておくことによって、そこでノウハウを貯めて、物理も関わるような、先端物理と先端的な形式みたいなところがかかってくるところに関しては、ここが強いよねみたいなところを取っていくというところかなと思います。ただ一方で、LeanとかMCPで接続できる分、他社も乗り換えやすいというところがあるので、ここを最終的にどう作っていくのかってのは、まだ課題なんだろうなと思いますね。

なるほど。よくあるやつですけど、SynopsysとかAnsysとかっていったような大手のところが同じことをやった時に、どういう風に勝つ、あるいは逃げ切るようなことを考えてるんでしょうか？

そうですね。Axiomatic AIに関しては、既存ツールを横断して検証レイヤーを用意するというところで、特定の会社の測定機器しか持ってない会社であれば、SynopsysとかAnsysとかが提供する検証レイヤーでいいかもしれませんが、それを横断するってなった瞬間に、多分大手のメーカーとかがちょっと手を出しづらいようになっていくのが1つ、直近見えるところかなと思いますと。あとは、いわゆるAxiomatic AIがやろうとしてるのは新しいところではあるので、そこでノウハウを持ってる研究者のネットワークをちゃんと先に作っていくみたいなところは1つレバレッジになるかもしれませんし、AIネイティブな設計みたいなところで先行していくっていうことはあり得るかもしれないなと。あとは、競合がいることは別に悪いことではない。特に大手に関しては、なぜかというとM&Aの出口というものにもなっていくと思うので、ここに関しては競合も来るかもしれませんが、買収もあるかもしれないというようなことであるかなと思います。

では参入戦略です。この会社ですが、まず初期市場に関してはフォトニクスですね、光集積回路及び半導体テストの現場という、非常にペインが大きくて、しかも市場も大きい、そして需要も広がっているというところにフォーカスをしています。特に測定の複雑性とか多大な手作業とか、試作ミスの非常に高いコストが起こってしまうような領域においてやっていくというのが、まず最初の参入ですと。MVPとしては、MPI社のプローバーを統合したこのスマートメジャメントシステムというものを使ってやったみたいですね。設計全体をAI化するのではなくて、測定点の選択とかデータ解釈といったような、少し課題としては小さいところに絞っていると。これは責任範囲が限定されて成果を測りやすいというようなメリットもあったみたいです。

そして初期の顧客獲得の方法ですが、学術コミュニティへの露出ですね。論文であるとか、あるいはGitHubとかを使いつつ、この測定器メーカーとのMOUを結んで、販売チャネルとか信頼性を担っていく、ハイタッチ営業をしていくみたいなことをやっていたそうです。そしてPMFではないですけれども、QuantumTheoremsみたいなベンチマークの達成率だけではなくて、提携先でのテストの短縮とか、実測の検証みたいなことをしている必要があるのかなという風に思います。

そのMVPをすごく絞ったっていうのは、なるほどなと思う反面、あんまり分かってないところもあって、どういう理由で絞ったんですかね。

そうですね。設計全体の自動化はやっぱり責任範囲が広すぎて、最初から全部やるのはなかなか難しいんじゃないかなという風に思います。一方、測定点の選択とかデータの解釈であれば改善効果を比較しやすいですし、実際人間の熟練者であってもボトルネックになりやすい工程だという風にも整理されていて、そうした意味で、非常にちょうどいい課題になったというところなのかなと思います。

ほう。PMFとか、どうちゃんとソリューションが伸びるかっていうところで、ベンチマークの達成率ってところだったんですけど、他にも何かあったりするんでしょうか？

まあ、実際にどれだけ測定サイクル時間が短縮されたかとか、測定ミスが削減されたかとか、さっき言ったようなところ、このKPIがちゃんと出たかどうかっていうところかなと思います。ちなみにQuantumTheoremsっていうベンチマークでは、Ax-Proverという彼らが出してるやつが、Axiomatic AI公式サイトだと96%をやっていて、DS-Proverという別のものが61%、Claude Sonnetが40%みたいな感じになっていて、かなり高い検証の数値になっているというのが今の現状だそうです。

強いですね。

そうですね。他にもAbstract Algebraみたいなところのベンチマークも測ってますが、それは全体的に低いんですけども、彼らは96%まではいかないですが、比較的高めの数値をやっていて、Mathematical Reasoningにおいても、そこそこいいベンチマークを出してるみたいですね。

では起業のプロセスです。まずこのチームがすごく強いチームになってます。まずCEOのジェイクさん、センジエクテラーさんは、元ホワイトハウス、NISTの高官ですというような形で、政策とか標準化とか大企業の信頼構築というのが非常にできる人がCEOですと。そして次に、Dirk EnglundさんのようなMITのEECSの教授とか、Marinさんのような人はMITのフィジクスの教授とか、そしてFrank KoppensさんはICFOの教授、Joyce Poonさんはトロント大学の教授みたいな感じで、本当に政策、ビジネス、政治に強い人をトップに置いて、横を本当に研究者で固めているみたいな、そうした研究者ネットワークを作っていますと。この研究者ネットワークが作れてるっていうところから、技術的な信用とか初期の採用とか研究者コミュニティへの浸透っていうのをやっていくというところかなと。

創業の経緯としては、単にAIが流行ってるから創業したというわけではなくて、生成AIはすごく可能性があるが、一方でやっぱり科学的厳密性を欠くので、そこに対してやはり深層学習と形式論理との統合を示していかないと、最終的に検証が難しいというか、生成だけだとやっぱりダメだよねっていう、そうした認識から始まったチームみたいです。本当にビジネスをやりつつ、学術的にも物理学、フォトニクス、量子情報といった先生方が集まって、ネットワークで基盤を形成しているというところかなと思いますね。

なんかめっちゃ強いんですけど、どういう風にしてこの方々は集まっていったんですかね？

そうですね。どうなんでしょうね。詳細は私も調べてもあまりわからなかったんですが、MITとかのトップの研究機関の共同研究のネットワークとかがあったんじゃないかなとか、あとは物理とかフォトニクスとか量子情報に関しては近接分野だったので、そこでコミュニティがあるみたいなところがあるのかなと。あとは、生成AIはすごいけれど科学的厳密性が足りないよねという、その共通の課題意識があったのかもしれないなという風に思います。

確かに厳密性は全然足りないなっていうのは使ってても思うところなので、そこはなんか皆さん感じるところがありそうですね。

そうですね。特にミスったら高コストの領域においては、そこが解決されないと、おもちゃで終わっちゃうのかなっていう風には思いますし。最近も、OpenAIにすごい有名なハーバードの物理学者が転職したんじゃないかみたいな噂が流れてましたが、まさにこうした物理とかフォトニクスとか、あるいは他の理論系の方々も、この辺りかなり生成AIをうまく使ってやっていこうみたいな動きが見えてきていて、その先鞭をつけるような会社なのかなと思いました。

では、この会社の初期の歩みというところですが、彼らは、LLM単体では工学的あるいは科学的な厳密性を担保できないということで、外部検証ツールとの接続が必須だという風な仮説を持ちましたと。そして検証結果としては、システムの開発を通じて、LLMにLeanの検証ツールのフィードバックを反復させることで、数学とか量子物理の証明ベンチマークにおいて自己修正が可能になり、そして大幅な性能向上を確認できたと。仮説通りでしたみたいな感じでした。LeanでVerificationのFailと言いますか、間違いがあったらそれをフィードバックして、さらに学習させていくと、うまく回っていったという風なことが言われています。

これは非常に重要で、失敗は単なるエラーではなくって、次の修正のためのフィードバックとして使っていると。エラーかどうかっていうところを物理とかLeanとかで検証して、それをフィードバックしていくっていう風なループを使っていますということでした。あと、Ax-Proverは、LLMにLeanツールをMCP経由で使わせて、証明の失敗をコンパイラーや検証器からフィードバックさせていたという風な、そういう設計をしていると。arXivに上がってる論文においても、LLMの推論とLeanの形式検証というのを組み合わせるという風に説明してる論文があったりします。

なので、本当にAIに完全に自動化させるという発想からですね、AIと専門家が協働しながら、あるいは検証するみたいな、エクスプローラーの設計思想を使って、そうした設計思想にして、研究者と協働して複雑な

証明を形式化したみたいな、そうした事例を作ったというところもあったりはする。

失敗してもフィードバックするといいってことなんですけど、性能が上がる理由ってどういうところなんですかね?

そうですね。その失敗情報をさらに読み込ませると言いますか、与えることによって修正ができるみたいな、そんなところみたいですね。LLMは自分の間違いに気づけないので、いや、間違ってるよっていうのを外部の情報から上げてあげることで、それを使ってさらに推論して、いい答えにたどり着いていくということなのかなと思います。

設計思想がコエクスプローラーになっていったってところなんですが、この設計思想自体はここで言うほどなので、きっとどうで重要になってくるのかなと思ったんですけど、何か大きな違いはあるんでしょうか。

そうですね、科学とか工学という領域、特に間違いがダメな、大きなコストになるような領域に関しては、まだAIだけに任せると言いますか、期待しづらいというところがあると思います。そうした意味ではやっぱり専門家が途中経過を見ながら介入して追跡できるというのが非常に重要で、完全自動化よりもその信頼できる共同作業者としてAIを設計した方が導入されやすいのではないかというのが、この設計思想なのかなと。自動化というよりはその検証可能なコラボレーションのエージェントと言いますか、コエージェントというものを売っていくみたいな考え方の方が売り方としても入りやすいんじゃないかというのが1つのポイントになってくる、発見というか、示唆なのかなと思います。

では、彼らがどのように進んできたのかに関して少し整理をさせていただこうと思います。まずですね、彼らは今現状18ミリオンのシード調達をしています。26年3月に18Mドルなので大体日本円だと30億円ぐらいですかね。調達していて累計の調達額は2500万ドルという風に言われています。リード投資家はThe Engine Venturesで、その他にKleiner Perkinsとかが入っていますという状況です。

彼らはこうした調達をしていく時に汎用のLLMというような激戦区を避けて、物理法則とか形式検証、ミッションクリティカルな領域に技術を作っていく、その物理法則と形式検証による産業インフラみたいなところ、未開拓の領域において、タマが非常に大きいというのを示せて、この調達はできたのかなという風に思いますと。で、KPIに関しても特定のベンチマーク、先ほど言ったクタムセルスみたいなところでも96%というような、そうしたベンチマークを達成していて、技術的にも強いというのを示すことができて、大きな企業とのMOUというところも入ってきているので、この資金調達があったのかなと思います。

いや、シードで1800万ドル調達するんですね。なんか大きいですね。

そうですね。とはいえLLMの、最近のシード調達とか見てるともっと大きいとこあったりするんで、それに比べるとまだまだちっちゃいのかもしれないなと思いつつ、大きめではありますかね。これだけ先生集めて18Mドルかっていうのは確かにもうちょっとあってもいいんじゃない。

あとは、とはいえディープテックとか、研究者チームとか計算コストとかのことを考えたらもうちょっと大きめの資金が必要、エンタープライズでセールスしていくとか考えたら、そこはもう少しあってもいいのかなとは少し思いましたし、一方でやっぱりこの投資家の皆さんが、この検証が必要な領域に関しては、デフォルトのLLMだとできないよねっていう風な、そうした考え方でちょっと張ってみるみたいなところもあったのかなと思います。

他にも評価されたようなポイントってあるんですかね?

そうですね。チームへの信頼性っていうところが1つあるのかなと思いますと。あとは、生成AIの弱点とよく言われているハルシネーションに関して、その形式検証だけではなくって物理モデルで解くと、その検証の方に色々やっていきますっていうところは、明確な差別化にはなってるなと。あとは、そのミスのコストが大きい領域、半導体とかフォトニクスとかを狙っていますっていうところは、リーズナブルですし、お金が調達できる感じもするなと思います。

では、日本で同じアイデアを起業するならというところでAIに出してもらいました。いくつか発想が出てくるのかなと思いましたと。案Aに関しては既存製造装置のMCP化ということで、国産の検査とか測定装置にMCPレイヤーを実装して、グローバルなAIエージェントが安全にその装置を呼び出せるようなレイヤーを作っていくというのが1つ。

そしてもう1つB案というものが匠の技の形式知化、形式知化エージェントということで、熟練技術者の設計とか目利きをAIが検証可能なルールベース、あるいは形式知に変換していくようなシステム、たまに聞くかもしれませんが、もうちょっとAIを使っていくみたいなところですかね。

そして3つ目のC案というところが実測データと形式検証を組み合わせたマテリアルズ・インフォマティクスということで、単なる候補探索ではなくって、物理制約とか実験ログを結びつけた材料探索をしていく、そんなラボというものを作っていくみたいな、オートノマスラボとかに近いのかもしれませんが、そうしたところのマテリアル版なのかなと思います。

日本は比較的この高精度な物理実験データとか品質管理とか、世界トップの半導体製造関連の産業を持ってるところなので、ここをうまく使っていくのがいいんじゃないかというのがAIからのレコメンドでした。

Axiomatic AIの話を踏まえると、日本で最初にどういうところを狙っていくのが良さそうなんでしょうか?

検査とか測定とか品質管理の辺りが1つかなと思います。また材料開発とかプロセス条件探索であるとか、半導体とか精密機器の設計の確認だったりとか、何かしら責任範囲がある程度限定できて実測データがあるような領域から始めていくっていうのは、1ついいのかなとは思いますね。

では、まとめに入りたいと思います。このAxiomatic AI、非常にいろんな参考になるところが多いのかなと思っています。1つはその検証ですね、確実性みたいなところに価値が出てくるんじゃないかというような、そうした1つ先を読んだ話を、今というか2、3年前から仕込んでいるというところですと。生成の速さだけではなくって、特に検証ができる検証可能性、そして物理法則とか数式ベースの信頼性、LLMで全部やるんじゃなくって、外部をうまく使って検証していくというのが1つ。

2つ目が埋め込みですと。独自UIで囲い込むのではなくってMCP等を活用して既存のIDEとか測定装置とかワークフローに1つレイヤーを挟む、そのレイヤーを取りに行きますというような考え方が、この2つ目の参考になるポイントかなと。

そして3つ目が、コエクスプローラーですね、共同検証者としてのAI。AIを単なるエージェントという、自動化していくパートナーとせずにですね、専門家があくまで寄り添って、専門家が介入とか追跡できるような共同探索者として設計していく、本当にコパイロット的にやっていくみたいな、そんな形で、AIを難しい分野、特に間違ってはいけない分野においては、そうした形にして設計していたというのが勉強になるところかなと思います。

本当にこの企業が示した1つの可能性としては、最もらしい、プロバビリスティックな答えではなくって、検証可能な答えを出すAIインフラをどのように作っていくのかという風なところですと。本当に自社の業務フローにおいてAIの出力が間違っていた場合に、どこで気づけるのかというような、そうしたところを取りに行こうとしている。そして、そこにもしかしたらビジネスチャンスがあるかもしれないということを知らせてくれる、医療とか法務とか金融とか製造とか、そうしたところにも広がっていくような考え方を提供してくれるスタートアップかなという風に思いました。

以上、今日はAxiomatic AIを紹介しました。どうでしたか?

なんか、ハルシネーション問題だよねとかっていうのは思いつくところであるんですけど、そこからさらに検証できるような形にすればいいよねっていうので、じゃあツールなんですかね、外部の測定のツールを接続すればいいよねっていう風に、どんどん具体化していって、じゃあ最初の顧客どうなんだっていうところまで設計デザインしていくところが参考になるなという風に思いました。

そうですね。そうした本当に次とか次の次とかをちゃんと読んで作っていきたいところですね。それでは今日はこちらで終了です。FoundX Review Startup IdeaCastでは今後も皆さんのアイデアのために最新のスタートアップを紹介していきます。ご興味の方は是非チャンネル登録やいいねをお願いします。またFoundXの各種プログラムでも募集していますので、周りに考えてる方がいらっしゃれば是非FoundXをご紹介いただければと思います。ではまた次回よろしくお願いします。

ありがとうございました。ありがとうございました。