なぜ生物学はこれほど難しいのか。これは実に興味深い問いであり、容易な分析を拒む問いでもある。ただし、この問いは、大規模言語モデル(LLM)、いわばデジタルな意識と、人間の脳との極めて奇妙な関係に深く関わっている。人間の脳は、深く不可解で、極めて予測不能であり、組織と衝動から成る。一言で言えば、生物学的な存在である。
ニューラルネットワークという代替物が立ち上がりつつあるいま、私たちは生物学的な脳の性質を定義することにさえ苦労している。初期の機械学習では、こうしたデジタルネットワークは生物学とはまったく異なるものとして捉えられていた。だが2026年のいま、私たちはそれほど確信を持てなくなっている。
いずれにせよ、「AIの観点から見て、生物学はどれほど難しいのか」という問いは残り続ける。
今年9月14〜15日にカリフォルニア州マウンテンビューで開催されたイベント「Next Endeavor」で筆者が耳にした会話の一部を紹介したい。このイベントはImagination in Actionとそのパートナー各社(開示事項:筆者はこれらのイベント運営に携わっている)が主催したもので、こうした課題を巡り多角的な議論が展開された。筆者の同僚でリンク・ベンチャーズ(Link Ventures)のリサ・ドーラン氏(もう1つの開示事項:筆者も同社に所属している)が、生物学分野へのAI応用について、スーリヤ・ガングリ氏、クリシク・ラメシュ氏、アリ・カラトプール氏の3人にインタビューを行った。
背景
議論の冒頭、ラメシュ氏は自身がこの分野に入った理由について、単に金融業界に進まなかったからだと語った。
彼は、生物学が例えば言語などとどのように異なるのかについて話した。
「生物学では、これほどの進歩を遂げてきたにもかかわらず、タンパク質で事前学習を行っても、必ずしも配列をうまく特徴づけられるわけではないことがわかっています」とラメシュ氏は述べた。「そのため、私たちの研究の多くは、『何をうまくスケールできるのか。生物学的に忠実なスケーリングの優れたパラダイムとは何か』を問うことにあります」
プロセスに関して、ドーラン氏がハルシネーション(幻覚)とその他のエラーの違いについて尋ねると、ラメシュ氏は治療薬開発における複数回の研究サイクルについて語った。
「生物学はまさに『論より証拠』というべき分野です」とラメシュ氏は述べた。「実際にバイオ医薬品を発現させ、それに付随するあらゆる実用上の障害を理解することに対して、真の謙虚さが求められる分野なのです」
生物学が直面する課題
ガングリ氏は、生物学が他の学問分野と比べてどのような立ち位置にあるのかを、聴衆にわかりやすく説明した。
「かつては数学こそが本当に難しいもので、数学が苦手な学部生は生物学に進んでいました」と彼は語った。「彼らは数学を避けようとしていたのです。しかし実際には、数学はかなり簡単です。いまではAIが数学をこなせます。本当に難しいのは生物学です。データの問題、データの不足、システムを完全に観察できないこと、データのノイズの多さ、そして理論的フレームワークの欠如があるからこそ難しいのです」
この一節は、記事の一部に過ぎないように見えるかもしれない。だが、改めて読み返し、ガングリ氏の言葉を反芻すると、現在のテクノロジーがどこにあるのかを実に見事に説明していることがわかる。これは数学ではない。数学よりも難しく、複雑なのだ。
では、ガングリ氏が進行中の実際の研究について説明した内容に目を向けてみよう。
「生物学向けAIで成功を収める企業は、データへのアクセスやデータ収集に関する一種の参入障壁(モート)を構築し、それとAIを独自の方法で組み合わせて重要な問題を解決する必要があります」と彼は語った。「例えば私たちは、脳からの磁場を集める新技術を用い、磁場を集束させるマイクロアレイディッシュに加え、AIと信号処理を組み合わせてS/N比(信号対雑音比)を高める非侵襲型ブレイン・マシン・インターフェース(BMI)を手がける企業に注目してきました。これは実に刺激的な提案です」
意識の疾患
ガングリ氏が語ったもう一つの要素も、詳しく検証する価値がある。
「人間の脳は、存在する生物システムの中で最も複雑でありながら、私たちが最もアクセスしにくい領域です」と彼は述べた。「しかし、それが変わりつつあります」
ここで彼は「意識の疾患」について、またマウスやサルを用いた現在の研究、統合失調症に伴う幻覚の診断、ケタミン投与下での幽体離脱体験のような現象におけるブレイクスルーについて語った。
「私たちはAIを使って脳のモデルを構築しました」と彼は説明した。「そのAIシステムに摂動(揺らぎ)を与えて制御を試み、特定の振る舞いをさせようとしました。そのうえで、脳を刺激して同様の振る舞いを引き出し、意識の障害、幻覚、幽体離脱体験、てんかんなどを再現し、さらには制御することさえできたのです」
最終的には、彼の言葉を借りれば「私たちの自己意識そのものを変えてしまう」ような疾患を治療できるようになるかもしれないという。
考えてもみてほしい。
宇宙空間のレーザー
その後、会話は別の展開を見せた。カラトプール氏はマサチューセッツ工科大学(MIT)での新しいレーザーの開発プロセスと、米航空宇宙局(NASA)から2000万ドル（約31億6000万円）の資金援助を受けたことについて語った。
「ハードウェア開発における最初の現実確認は、基本的に『それを実現するのに十分なリソースがあるか』ということでした。そして2つ目は……これらのレーザーは宇宙空間に投入されるため、100倍優れ、より効率的なコンポーネントを開発する必要があったという点です。宇宙では物を冷却することが極めて困難なので、可能な限り効率を高める必要があるのです」
彼は電力、計算能力、冷却の問題、そしてシステムレベルの課題に言及し、次のように語った。
「イノベーションが生き残るためには、それを実用的なシステムに組み込まなければなりません。それが、私を科学的プロセスからスタートアップへと導いた理由です」
彼はワールドカップの例えを用いて、GPUを介したデータ移動について語った。
「最大の課題はデータの移動方法です。結局のところ、すべてのGPUはデータが引き渡されるのを待っているからです」と彼は語った。「私たちには、AIのための分散コンピューティングシステムがどうあるべきかについての明確なモデルが存在しません。データセンターに対する従来の考え方に囚われており、非常に時代遅れの階層構造で結合されているため、GPU間のデータ移動において多くのボトルネックが発生しています」
これもまた、非常に深い示唆を含んでいると感じる。実際、人々はハードウェアそのものについての議論に多くの時間を費やす一方で、データの移動処理そのものを無視しがちだ。
電子からアルゴリズムへ
この多岐にわたる会話には、探求心を持つ人が深く思索すべき内容がまだたくさんある。パネリストの1人が電力について次のように語ったときがまさにそうだ。
「人間の脳はわずか20ワットの電力で動作しています。白熱電球が100ワットで、単体のH100 GPUが約700ワットを消費することを考えると、これは驚異的です。それらをすべてまとめれば、数百万ワットにも達します。したがって、数百万ワットから20ワットへと移行するためには、電子からアルゴリズムに至るまで、テクノロジースタック全体を再構築する必要があるのです」
筆者はこの言葉が気に入った。
どこに賭けるか
締めくくりに、ドーラン氏は3人全員に次のように質問した。
「ここにいる投資家として、誰か別の創業者にしてほしいと願う賭けで、実際にはまだ見たことがないものは何ですか」
これに対しガングリ氏は、すでに多くの賭けがなされてきたと前置きした上で、次のような爆弾発言をした。「私たちがAIで行っていることは、すべて間違っている」
詳しく説明してほしい、とドーラン氏は求めた。
「マシンと比較したときの脳の驚異的なサンプル効率(データ処理効率)を見ると、AIの教え方において私たちが大きな間違いを犯しているように感じます」とガングリ氏は述べた。「そして、その領域にさらなる賭けがなされることを願っています」
「スタートアップは、特に生物学分野において、概して適度な謙虚さを持つことで恩恵を受けられると思います」とラメシュ氏は付け加えた。「私には派手なこだわりはありませんが、アイデアは耳ざわりの良い響きのものに集まりがちです。注目を十分に集められなかった結果、手つかずになっている課題が無数に存在します。非常に実用的かつ現実的な課題に取り組むことが、近いうちに大きな成果をもたらすと信じています。エコシステムの中でそうした動きが見られることを期待しています」
カラトプール氏の意見は以下の通りだ。
「継続的学習(コンティニュアス・ラーニング)は、現在のAIにおける最大の課題の一つです」と彼は語った。「現在、データセンターの運用を停止してモデルを学習させ、数カ月後にまた別のモデルを提示するということがよく行われていますが、これでは2つの間に何のつながりもないかのようです。そのため、ハードウェア側で継続的学習を行えるようにするために、ハードウェアとソフトウェアの両面でスタック全体を再検討する必要があると思います」
繰り返しになるが、これらの専門家はさらに多くの知見を語っていた。この分野で仕事をしている人、研究や教育に携わっている人、あるいはそれ以外の形で関わっている人であっても、この記事を読んだなら、ぜひもう一度映像を振り返って確認してみてほしい。こうしたアイデアは、今後数年間の私たちのAIとの向き合い方に影響を与えるはずだ。
