直近のAIブレークスルーの波を支えてきた未活用データの泉が枯渇しつつあり、AIモデルは行き詰まっています。
モデルを学習させるための新たなデータやデータセットを作成する手段は私たちの手元にありますが、障壁は依然として残っています。
新たなデータの創出に対する障壁を取り除く企業や経済圏は、競争優位を獲得するでしょう。
一世代前、ワールド・ワイド・ウェブの台頭によりビッグデータの時代が幕を開け、今日私たちが目にしているAI革命を推進する一助となりました。当初は、データが増えるほど深い洞察が得られ、リスクモデリング、ターゲティング広告、ビジネスインテリジェンスなど、データ駆動型のイノベーションが進展しました。しかし、世界のデータは3～4年ごとに倍増しているにもかかわらず、専門家は現在、AIモデルがデータ不足に陥りつつあり、そのことがAIの成長と有効性を大きく阻害すると指摘しています。
現実として、AIは、これまで見たことのない「新しい」データを生成するよりも速いペースでデータを取り込み、統合することができます。例えば、AIが科学の教科書に書かれた知識をすべて吸収してしまうと、新版が出版されるまで新たな知見は得られません。しかも、その新版でも主題はほぼ同じであるため、AIの知識の拡大は漸進的なものにとどまります。データ量は増えても、多様性と新規性の欠如こそがAIの足かせとなっているのです。
技術の進歩にかかわらず、同じ既存データで学習させた大規模言語モデル（LLM）は、いずれ同じような汎用的な出力を生成するようになります。新たなデータがなければ、AIがより高度なビジネス、科学、社会の課題を解決する助けにはなりません。
これは、医薬品、金融サービス、化学品といった定量的な産業において特に顕著です。これらの分野では、薬剤の組み合わせ、市場状況、原子構造など、無数の組み合わせが存在し、それらをモデル化して新たなデータや洞察を抽出する能力を大きく上回っています。過去にこれを実現する唯一の方法は、組み合わせごとに物理的な実験を行うことでしたが、それは途方もなく時間がかかり、法外に高価であるか、そもそも実行不可能なプロセスでした。
直近のAIブレークスルーの波を支えてきた未活用データの泉が枯渇しつつあり、これほど強力になったAIモデルは行き詰まっています。AIの真の可能性を引き出すには、過去を分析するだけでなく、未来をモデル化して探究することを可能にする、新たな定量データの供給源が必要です。
677
新たなデータを生成する方法
複雑なAIシステム向けの新たなデータセットを迅速に生成するには、自動化と計算という2つのアプローチがあります。
自動化は、ロボティクスと高度なセンサーを活用して、24時間体制で物理的な実験を実施します。これにより生産量は増えますが、数千台の実験用ロボットを導入することは費用対効果が低く、また、実験を通じて科学者が得る重要な実践的学習や知識の獲得の機会を奪ってしまいます。
計算は、多様なデータセット、物理法則、高度な計算モデルを組み合わせ、生化学反応から機械的応力の方程式に至るまで、複雑なシステムをより正確に、迅速に、安全に、かつ費用対効果高くデジタルでシミュレートします。
計算は大規模定量モデル（LQM）の基盤を成しています。偏り、誤り、誤情報に満ちた過去のテキストから推論するLLMとは異なり、LQMは物理学、化学、生物学、その他の定量的領域を支配する基本原理の方程式によって学習されます。これらのモデルは、結果をシミュレートするだけでなく、監査可能な因果的説明や、現存する文献には存在しない新たなデータを生成します。
その影響は産業全体に及び、非常に大きなものとなります。例えば、新薬の開発に何十年もの費用のかかる実験室での研究が必要となる代わりに、LQMは、実験室での実験が始まる前に、数千の候補物質について薬剤相互作用、作用機序の可能性、毒性を同時かつ迅速にモデル化できます。こうした仮想実験により、物理的な研究をはるかに的を絞った効率的なものにし、長期間にわたる費用のかかる試行錯誤型の創薬手法を最小限に抑えることができます。また、研究者がまだカタログ化されていない化学空間を探索したり、新たなデータの不足により進展が停滞している、複雑な「創薬困難な」疾患に取り組んだりすることも可能になります。
新たなイノベーション・エコシステムのための合成データ
合成データを生成するこの能力は変革をもたらしますが、その影響力は、より広範なイノベーション・エコシステムにかかっています。今日、医療や産業における画期的な進歩に必要な重要なデータセットは、アクセスが困難な場合があります。これがAIイノベーションの障壁となっています。しかし、状況は変わりつつあります。
基盤モデル向けのデータは、そのデータにアクセスするためのプラットフォームや特定のプログラムを通じて提供することができます。これにより、知的財産、データのプライバシー、ガバナンス、セキュリティ基準を損なうことなく、画期的なAI機能をより幅広く利用できるようになります。これらのモデルの構築に必要なコストと専門知識は依然として少なくありませんが、プラットフォームを基盤としたアクセスは参加の機会を民主化し、集合知の発展を可能にします。
例えば、仮想患者集団やタンパク質－リガンドの組み合わせといったデータリソースを共有すれば、研究者は、より広範な遺伝的背景を持つ仮想治験において、新規療法を探究できるようになる可能性があります。このアプローチは、がん、世界的なパンデミック向けワクチン、個別化医療といった困難な疾患に対する治療法の進展につながる可能性があります。同様のモデルは、金融、材料科学、エネルギーの分野でも出現しており、それぞれが民主化されたアクセスを活用して、大規模な問題解決を加速させています。
競争優位のためのデータ生成
データを生成する能力は、単なる技術的優位性ではなく、戦略的優位性です。遅くて高価な「設計・構築・テスト」サイクルから、迅速で反復的な「シミュレート・改良・検証」ワークフローへと転換できる企業や政府が、自国の産業や国を変革する主導権を握るでしょう。世界最大級の産業において、それは次のようなかたちをとる可能性があります。
ライフサイエンス：合成患者データや仮想細胞モデルは、新薬開発の期間とコストを大幅に削減し、患者の登録前に臨床試験の結果を予測するのに役立ちます。
金融：複雑な市場シナリオをシミュレートすることで、ポートフォリオの堅牢なストレステストが可能になり、過去の危機にとどまらず、真に新しいリスクへの備えを深めることができます。
製造業：原子構造や物理的特性をデジタルでモデル化することで、新規の化合物、化学品、触媒、合金をより迅速に特定し、厳密な性能基準を満たす優れた製品を生み出すことができます。
エネルギー：回収された炭素、廃棄物、低価値の副産物を高価値の製品へと転換することは、持続可能性を高め、新たな収益源を生み出します。先進的な電池の研究開発を加速させることは、世界的な電化の取り組みを後押しします。
今後訪れるAIを活用した経済的・科学的リーダーシップの波は、過去のデータセットを蓄積する者ではなく、データ生成手法を習得した者によって決まるでしょう。因果的で信頼できるデータを生成することが、あらゆる分野でイノベーションを加速させる鍵となります。
データ優先の未来を設計する
私たちは今、転換点に立っています。有限の過去のデータへの依存を選ぶのか、それとも生成されたデータがもたらす機会を取り入れるのかという選択です。ビジネスと政府のリーダーは、より革新的で、競争力があり、回復力のあるAIと産業のエコシステムを創出するため、新たなデータ生成手法への投資を優先しなければなりません。データ優先のアーキテクチャを導入することは、集合的なAIの知能の力を引き出し、将来のブレークスルーを推進するために不可欠です。
リーダーは、この転換を主導し、組織を新時代へと導くための人材、パートナーシップ、枠組みを育成しなければなりません。その新時代では、イノベーションは過去に観察されたものの希少性ではなく、未来にあり得るものの豊かさによって推進されます。
