EP 114
逃げる隙もない
Navier–Stokes方程式の解決に関するニュース 00:00
ロ・ジョンソク 収録をしている今日は2026年9月9日、水曜日の夜です。私たちは久しぶりに夜の収録をしているのですが、本当にニュースが途切れません。とはいえ、このNavier–Stokes方程式を解いた、厳密に解いたということが何を意味するのかについては、私も正確には分かっていませんが、スンジュンさん、これに関するお話を聞かせてください。
チェ・スンジュン はい、私も今日、大急ぎで少し調べてみたのですが。まずOpenAIのページにこういうものが掲載されました。このように一通りの説明と、簡単な模式図、グラフがあり、どのようにそれを成し遂げたのかが紹介されていて、また、詳細は論文として公開されていますが、公開されたからといって私に理解できるようなものではないので、さっさと閉じます。
流体シミュレーションとNavier–Stokesの歴史 00:51
チェ・スンジュン Navier–Stokesとは何か、私が知っている範囲で簡単に申し上げると、おそらく理工系を学んだ方々は、多変数微積分学や微分方程式などを学んだとき、あるいは流体力学を学んだときに触れたものです。メディアアートの分野でもかなりよく使われる手法です。これは解析的にではなく、数値的に扱うことができるため、ある種の流体に関するシミュレーションなのですが、Eulerが1700年代に作ったものがあり、1800年代のNavierとStokesも人名なんです。1800年代に作られた方程式のうち、先行するEuler方程式は粘性がない場合、Navier–Stokes方程式は粘性がある場合の流体シミュレーションに関するものです。そのため、これは解析的には解けないのですが、2000年にミレニアム問題に含まれました。
それで今回、ミレニアム問題が解かれたことが世間の話題になっているわけです。資料をご覧いただくと、連続して展開されるシミュレーションのようなものも扱われています。
ミレニアム問題の意味と残された課題 01:50
チェ・スンジュン ただ、内容が難しいので、まずミレニアム問題とは何かを簡単に確認してみましょう。先月、8月末ごろに、今回のような出来事を予見したかのような洞察を含む文章を、Harvard Universityのある応用数学の教授が「ミレニアム問題についての省察」という題のpreprintとして公開していたんです。ミレニアム問題とは、Clay Mathematics Instituteが2000年に選定して公開した7つの問題です。そのうち、ポアンカレ予想というものは現在、解決済みで、リーマン予想やP vs NP、そしてNavier–Stokesがよく知られている代表的な問題です。
ただ、この文章で興味深い部分は、これが2000年に発表された当時は非常に大きな意義があり、それから約26年が経過した現在までに多くの挑戦が行われ、副産物が生まれたという点です。そうした事情から、
問題解決が実用技術に与える影響 02:48
チェ・スンジュン 実際にその問題が解かれたとしても、どれほどの影響力があるのかを指摘していました。リーマン予想が実際には解かれなくても、すでに予想が成立する零点を12兆個も確認しているため、解かれるかどうかにかかわらず、実用上は大きな問題がない可能性がある。次に、P vs NPについても似た話をしていました。Navier–Stokes方程式も、現在、blow-upと呼ばれる特異点が生じる問題がこれに関連していますが、それが解明され、そのような現象が数学的に証明されたとしても、実際の川の流れや風で目にすることはない。
したがって、実用的な側面で直ちに工学上の問題へ大きな影響を与えたり、これまで作られてきたアルゴリズムが突然破綻したりすることは決してないということです。非常に形式的な問題なので、Navier–Stokes問題が解けたらしい、では台風の予測や乱流に関する流体力学、飛行機や自動車に関する問題に大きな変化があるのか？そうではないということです。これは非常に形式的な数学上の問題なのです。
OpenAIの物量攻勢と内部モデル 03:56
チェ・スンジュン ただ、私がもう少し注目したのは、これを解く過程で相当な物量攻勢をかけたという点です。非常に興味深いので、その部分をきちんと取り上げてみようと思います。
興味深いのは、7～8月にそういう話があったじゃないですか。RLを2週間かける。そして、ある、つまりAstraモデルではなく、Astraの次のモデルにRLを2週間かける。それでSam Altmanがマーケティングするかのように話していたものがありましたが、そのモデルです。そのモデルが8月28日からpost-trainingを再開したんです。そして9月1日から昨日まで、そのモデルの中間checkpointを使って、このNavier–Stokesに関する成果が出たんです。どのように行ったのかを見てみると、まずOpenAI側の人たちがこのグラフについて盛んに話していました。
Test-time compute scalingと性能向上 04:48
チェ・スンジュン 今、ここがlog scaleで表示されたtest-time computeで、この線がAstraです。そして、これが今回使われたinternalモデルですが、test-time compute scalingが機能していることが分かります。ここにOpen Math Problemsとありますが、数学の未解決問題のようなものを選別して解かせたとき、現在、成果がここまで上がっているということですが、今まさに
ロ・ジョンソク x軸がlogですね。これは1目盛り進むたびに10倍ずつ増えるということですね。
チェ・スンジュン はい。これは実際には線形ではなく、x軸がlogなので、このような形になるんです。だから、投資した分だけ一気に上がるわけではありません。でも、いずれにせよ桁が少し違う感じで大きく、0.1から0.5までではありますが、ここが差の開いた部分です。格が違うモデルのようだという感じはしますよね。
パク・ジョンヒョン はい、おそらく次のモデルだと推定されるわけですね。Baileyと呼ばれていましたか？Twitterでそういうのを見た気がします。
チェ・スンジュン そうです。それは別のpre-training runだそうで、Dougというものもあり、どれもBで始まる名前だったものもありますが、今年末のリリースを目標にすると宣言しました。
ロ・ジョンソク Sam Altmanが話していたmuch, much, much betterモデルということですね。
チェ・スンジュン それで、そのモデルの中間checkpointを使って行ったものです。
数学的仮説を解くansatzとTerence Taoの洞察 06:11
チェ・スンジュン これは用語を知る必要があるのですが、私も馴染みのある用語ではありませんが、ansatzというものが数学にあるんです。仮説プールといって、解を見つけるためにおおよそこのような形になるだろうという形式を組み立てておき、それに合わせて残りの変数を調整する手法です。これを行うには、モデルに研究上の好みがあるとでも言えばいいでしょうか？いずれにせよ、今回私たちがAstrasystem cardを見たときも、pre-trainingでの向上もかなりあり、post-trainでの向上もありますよね。そういうことが上手であるほど、やはり仮説を立てること自体も上手なのでしょう。現在、数学にもansatzという手法がありますが、それを活用して進めたのだと思います。それに関連して、前回の収録でTerence Taoが、まだNavier–Stokesが解かれていなかった数日前のことでしたね。もしそのような問題に挑戦するなら、このようにするだろうと想像して話した内容にまさにそのような話があります。仮説的な形式から出発して、それが機能するのを妨げる障害を発見し、障害を部分的にでも取り除けるよう仮説を修正した後、このプロセスを繰り返すこと。このような方法で流体力学に関する洞察をほぼ確実に生み出すだろうと言っていましたが、まさにそのとおりに行ったわけです。もう少し見てみましょう。
1万のエージェントによる同時協働 07:37
チェ・スンジュン それで、ここでRLを行う際に1万個ほどのagentが同時に、concurrentlyと書かれていたんです。同時に活動するのですが、OpenAIのHugging Faceハッキング事件やDSE Wiki事件のようなものを見たとき、そこでも人間が監督していなかったにもかかわらず、モデルたちが継続的に痕跡を残しながら大規模に協力した事例を見ましたよね。RL環境でそのように協力すること自体を学んだのではないかという推測がありますが、二つのことを言いたいんです。一つはモデル自体の能力が向上したこと、そしてもう一つは、モデルがagentとして大規模な協力を行えるようになったことがかみ合って機能したのが今回の出来事だと思います。ここは飛ばします。
RLVR環境で登場したエージェント協働 08:28
パク・ジョンヒョン はい、最初にGPT-5.1が登場したとき、reasoningモデルが登場したときにRLVRをさせてみたところ、自らtest-time computeを増やして長時間考えながら正解を見つけていく様子を見せた、こういうことをDeepSeekが登場したときに知ったのですが、少し似たような感じがします。目標だけ与えて自分たちでやるようにしたところ、自分たちで協力する方法を見つけ、前に進んでいくように感じられるので、また何かが繰り返されているような感じがしますね。
チェ・スンジュン はい。OpenAIのHugging Faceハッキング事件では、人間がそのように協力するよう指示したわけではないのに、共有する何かを残せる記録用の空間さえあれば、協力が起きたわけで、今回は具体的にorchestrationをどう行うべきかというガイドを人間がagentたちに与えたようではあります。それでagentたちが同時に1万個活動したそうですが、1万個すべてが同時にリアルタイムでやり取りしたわけではなく、複数のグループがあり、グループ内で密接にやり取りし、記録を残していたようです。
グループ間のcross-pollinationと段階的な証明 09:30
チェ・スンジュン Group Aで何らかの候補をansatzのようなもので作り、別の候補を扱うGroup Bでは異なるアプローチを取り、そうしているうちにAは行き詰まったものの、Bで補題、lemmaのようなものが見つかると、公式文書にもcross-pollinationという用語が出てくるんです。他家受粉といいます。関連する発見をまとめて、lemmaの仮定をAは満たしているのか？これを活用できるのか？別のグループのアイデアを取り入れると、Aがadjustされて、新たな発見を適用できるように修正し、全体の条件を改めて検証するという、これはRLVR、つまりverifiableだからこそ可能なのだと思います。再び行き詰まったら、その原因を反映して、指数関数の形だろう、あるいは別の形だろう、そうした仮説を立てた後、それを当てはめる作業をさまざまなグループが行い、何であれ部分的にlemmaのようなものが出てくれば、そのアイデアをcross-pollinationして、継続的かつ段階的に改善していく感じのようです。障害に遭遇すると、それらを部分的に克服できる方法をどうにかして取り入れ、続けていくのですが、何が良いのかを見極めることもモデルの能力だということです。そうしたことを今や実現できる水準になったようです。他者の発見によって、自分の次の試みが変わった。このような形でモデルを活用したわけですね。
Anthropicの先行研究とOpenAIの追撃 10:51
チェ・スンジュン 実は、人間とAIが何らかのブレークスルーを生み出したことがありました。ここに登場するAlpögeという人物とBuckmasterという人が1年ほどの間一緒に共同研究をしていたのですが、このLevent Alpögeという人はAnthropicにいる数学者です。ところで、その人と元々このPDE問題を解いていたこの人は数論を研究していた人で、この人はPDE分野の数学者なのですが、2人は1年間共同研究を続けてきました。そして、噂の発信源はここなのです。AlpögeのXタイムラインでは8月に、まったく別の、つまり今回の件ではない別の数学的ブレークスルーをClaudeとおそらくClaudeのinternal modelを使って何か成し遂げたという投稿をタイムラインにたくさん上げていたんです。それで噂が広まったわけです。Anthropicではミレニアム問題を2つほど解いているらしい、と。そういう話が一つあります。
それで、この人たちはほとんど、先ほど私がシミュレーションをお見せしたときの非粘性Euler問題をほぼ解いていました。Lean formalizationを行う前まで、つまりLeanを走らせる前までにほぼすべて解いていたことが今回明らかになった状況ではあります。それで、そのアイデアを見てOpenAIが物量を投入したのです。大量に投入したのだろうと推測されています。
パク・ジョンヒョン いや、Anthropicが何かを解こうとしているのを見てOpenAIが「私たちも解いてみようか」と、そういう流れになったということですよね？
チェ・スンジュン そうです。タイムラインから読み取れる状況はそうです。というのも、これはとてつもない競争が繰り広げられている中でのマーケティング上のアピールポイントですよね。誰が最初にミレニアム問題に挑戦して成果を出したかというのは非常に大きなことなので、そこに躍起になっていた可能性もあると思います。
Codexオーケストレーションと1万エージェント実験 12:33
チェ・スンジュン もう少しdeliberateなバージョンですが、そこで人間がある程度問題を選び、予算を配分したうえで、Eulerで何か成果が出たとなれば、そうすれば、どう見てもNavier–Stokesにつながるだろうと推測しながらエージェントたちを投入したわけです。そして、それをCodexに統合させて後続のプロンプトを作成させ、それを繰り返し続ける形で実際に挑戦したことがOpenAIの公式ブログに書かれています。ところが、1万のエージェントが88時間でそれを成し遂げたそうですが、全体のトークン量ではなく、Navier–Stokesだけに1,300億トークンを使ったそうです。ただ、これが全体ではないのは、ミレニアム問題自体もすべて同時に走らせていたようだからです。
そうですね。Noam Brownがそういう話を何度かしていたんです。新しいモデルが出るたびに、まだ私たちには解けていないと話していたのですが、これは新しいモデルが出るたびに定期的に行っていたことだったようです。それで、ここから少し話を進めて
1,300億トークンと100億ウォン台の計算コスト 13:37
チェ・スンジュン 費用を一度考えてみると、1Mトークン当たりAstraは50ドルですよね。ところが、Astraがlong-contextの場合は75ドルになります。私もこれは知りませんでした。ただ、こうしたものはすべてlong-contextで動作していたはずですよね。そこで1,300億トークンを使ったとすると、50ドルの場合でも出力だけで650万ドルです。しかも、50ドルより高かったはずですよね？そうすると1,000万ドル、韓国ウォンで約130億ウォンになります。
ロ・ジョンソク ざっと10億円程度ということですね。
チェ・スンジュン そうです。つまり10億円以上使っただろうと推測できるわけです。これ一つだけにです。
パク・ジョンヒョン あのトークンがすべてoutput tokenだとして計算されたということですよね？
チェ・スンジュン そうです。単純計算です。
ロ・ジョンソク でも、もしこれが解けた場合に得られる宣伝効果を考えれば、安いですね。
チェ・スンジュン そうですね。ただし、ミレニアム・プライズの賞金よりははるかに多く使いましたね。ミレニアム・プライズは100万ドルですから。ただ、1万のエージェントを同時に運用するというのは、もちろん先ほど私がモデルと試した仮説のようなものを見た限りでは、一度にすべてが通信するわけではありませんが、グループごとに通信するとしても、これを今orchestrationできる状況だということです。恐ろしいことだと思います。見込みのある問題だとなれば、そこにこれほどのお金を使うということです。
パク・ジョンヒョン そうですよね。トークン価格を考えてみると納得できますが、あれほど使ったということですよね。このときが最初の試みだったわけではないでしょうし。あれこれ試して、N回の試行錯誤の末に出てきたのがあの程度なので、もちろん利益分もあるでしょうが、とにかく規模が想像できませんね。人間の数学研究者にもあれほどの支援をするのでしょうか？
チェ・スンジュン しませんね。私の知る限りでは。そうですよね。ですから、これは簡単にできたわけではありません。
ロ・ジョンソク あらゆる問題に無限のcomputeを投入すればすべて解けるという、そういう例ですね。
チェ・スンジュン RLVRが可能な領域に限られるでしょうが、それでも、その強力さを示しました。
数学研究コミュニティとAIの貢献問題 15:32
チェ・スンジュン そのため、人間の研究コミュニティでも似たようなアプローチを使ってはいますが、エージェントswarmでははるかに大きくscalingして、お金をかけてそれを実行できるわけです。これはすべて似たような様相だと感じたんです。ハッキング事件から今に至るまで、何か一脈通じる文脈があるように思います。
ところで、Terence TaoがこれについてMastodonで多くの論評をしていました。これが数学コミュニティにとって何の役に立つのか、ただ問題を解決しただけではないか、とそこで私たちはどのような洞察を得たのか、そういったことを話していたんです。果たしてこれは人類の数学にどんな貢献をしたのか？ただ、私が序盤に話していたのは、このミレニアム問題の位置づけが、最初に設定された当時と現在の状況では少し違うということです。そのため、実際にはこれがそれほど大きなimpactを与えなかった可能性もありますが、数学界で本当に数学のエコシステムのためにこれを成し遂げるということではなく、今回モデルが解き明かしたものは、Lean formalizationだけでも膨大な量なのですが、それを数学者たちが検証するにもおそらくかなり時間がかかるでしょう。ですから、まだClay側ではこれが解決されたと公式には発表していません。その条件を満たしているにもかかわらずです。ですから、そういったものを読み解き、そこから洞察を得る作業については、もう少し様子を見る必要がありそうです。
ひとまず、ここまでが私が一通り調べてみた内容です。
Navier–StokesをめぐるAI研究スキャンダル 16:55
チェ・スンジュン ところが、スキャンダルのような話が一つあるんです。これはもう、ほとんどドラマです。これは本当に、私も調べながら興味深いと思う一方で、とんでもないドロドロのドラマを見ているような気分にもなりました。
パク・ジョンヒョン 最近は研究界隈が、芸能界のゴシップ記事を見ているようなそんな感覚になることが多いです。
ロ・ジョンソク では、AI界のディスパッチをお願いします。
チェ・スンジュン それで、先ほど触れた人物たちが登場するのですが、Tristan Buckmasterという人はNYUの数学者です。この問題を深く掘り下げていた方で、Levent AlpögeはAnthropicにいる数学者です。そして今回、Xにヒントを投稿した人物でもあります。Sébastien Bubeckは、私たちが何度も取り上げた方ですね。「Sparks of AGI」の筆頭著者で、数学者ではありますが、machine learning分野の数学的基礎を扱い、さらにPhysics of AIのようなものを研究しているため、私たちのチャンネルでも何度かご紹介したSébastien Bubeckに関係する出来事がありました。それ以外の人物については少し割愛します。
ここに登場する人物たちは、先ほどのLevent AlpögeとBuckmasterがアイデアを得た先行研究を行った数学者たちです。そしてこちらは完全に第三の勢力で、同じような時期に別のアプローチで問題の解決に迫っていた人たちです。
AlpögeとBuckmasterの研究タイムライン 18:20
チェ・スンジュン まず、このタイムラインだけ確認すると、Anthropicにいる数学者Alpögeが8月にこうした内容を紹介していました。これらがすべて証明されたわけではなく、ほかの難しい数学問題に自ら挑戦して成果があったという話をしながら、どういうことかというと、「奇跡の年」という表現がありますよね。NewtonやEinsteinのようにです。そこで「奇跡の8月」という表現まで使いながら、少し話題をあおってはいました。そして、これはこの人がAnthropicの公式プロジェクトとして行ったのではなく、Buckmasterと1年ほど、この数学問題をAIでずっと探究していました。それでClaudeも使い、最近ではAstraも使いながらアイデアを得て、Euler問題を解けそうだと言っていたものの、1年ほど進展が鈍かったところ、最近になって何かを成し遂げたわけです。ところが、このとき何らかのやり取りが発生します。こうしたことが起きているのを見て、BuckmasterがOpenAIに連絡したこともあり、その結果、OpenAIチームにはBubeck以外にも別の数学者がいたのですが、その数学者がメールを交わすうちに何かヒントを得たのか、OpenAIでもmulti-agentを同時に投入することにしたのが、9月1日だったんです。今回はinternal modelを使ってやってみよう、と。
ロ・ジョンソク わずか8日前ですね。
チェ・スンジュン そうです。それから一気に走り出しました。そして、これを発表することになったのですが、そうなるとcreditの問題について、私たちはあなた方にもcreditを与えたい、と。しかしAlpögeがAnthropicにいるので、それがBubeckには少し引っかかったようです。そこで、これをAlpögeにメールで送ったとき、Alpögeは返信せず、直接話したいと言ったものの、通話はしませんでした。ただしBuckmasterとは通話し、Alpögeはそれを望んでおらず、ともかく、こうして電話で話す中で物議を醸す出来事があり、声を荒らげることもあったようです。それで、なぜキャリアを無駄にするのかというようなことをBubeckがBuckmasterに言い、後になって、あれは失言だった、撤回すると複雑な話になっていたんです。
研究データ流出と学習への貢献をめぐる論争 20:34
チェ・スンジュン OpenAIの公式投稿にも、そういった話があります。どういうことかというと、trainingに匿名化されたデータが流れ込む可能性は0ではないかもしれないと述べています。噂を聞いて投入したという面もありますが、こうした疑惑のようなものを提起したわけです。もしかして、私たちが入力したものからモデルが何らかのヒントを得て、それを利用したんじゃないか？ これがスキャンダルになるわけです。
ロ・ジョンソク Codexと交わした会話が次世代モデルのtraining dataに含まれ、何らかのtriggerになったのではないか、という疑問を提起したわけですね。
チェ・スンジュン そうです。ただ、それはまだ結論が出たわけではありません。むしろAnthropicのSholto Douglasが少し擁護する形で、そんなことは絶対にあり得ないと言いました。ところがOpenAI公式ブログではその可能性がまったくないわけではないとしていて、どうやら調査のようなものが行われる可能性があると思います。もしそうなら、かなり大きなスキャンダルです。誰がそこのフロンティアAIに自分の中核研究を投入するでしょうか？
パク・ジョンヒョン そうですよね。OpenAIでも、それでresearcherたちを手厚く支援する、募集するとして、あの時もresearcherたちの何らかのtrajectoryを得たがっているようだ、という話をしていましたが、結局、それがここまで流れ着いたようです。
チェ・スンジュン そうですね。それで今、複雑な様相になっています。お互いに暴露し合うように、暴露とまでは言いませんが、Sébastien BubeckとAlpögeが交わしたメッセージがスクリーンショットで公開され、メールも公開されて、それでスキャンダルになっている状況です。
OpenAIとAnthropicの研究クレジット対立 22:17
チェ・スンジュン ただ、結局のところ今、それでも急いで多少調整されているのは、一緒に研究していたなら、とても美しくもあり、興味深い出来事になっていただろうという方向にGwern Branwenらが間に入って、何かこう、少し丸く収めようとしているようではあります。
ロ・ジョンソク compromiseを図ろうとしているわけですが、いや、でもAnthropicとOpenAIは何しろ互いを激しく嫌っていますからね。
チェ・スンジュン DarioとSam Altmanは握手すらしないじゃないですか。ただ重要なのは、結局これを成し遂げる何らかの端緒となったもの、それを長い間掘り下げてきた数学者たちがいて、AlpögeらはそれにAIを活用して、そこからアイデアを得て、ChatGPTを個人的に、Anthropicとは関係なく個人的に使っていたのですが、ところが、ある噂が立ったのを見て、OpenAIでは物量によってそれを成し遂げたことが数学界では非常に大きな話題となっていて、これは数学界だけでなく、研究コミュニティそのものに大きな問いを投げかけている状況だと思います。ただ、今日出たばかりの話なので、今後の展開はもう少し見守る必要がありそうです。
ロ・ジョンソク 数学という問題自体は、まず解くのは難しいですが、解かれた後はverifyするのが容易な分野なので、最初に攻略されていると見るべきでしょうね。
超知能競争とAI安全性の危機 23:38
チェ・スンジュン ただ、これが数学だけの問題ではないことは明らかです。もう一つ興味深いタイムライン上の出来事として、Anthropicでpre-trainingをしていた、そしてOpenAIからAnthropicに移ってpre-trainingを続けていた方が退社したのですが、非常に深刻なトーンでTwitterに投稿したことがあります。それでJacob Coxonという方が、この二社はどちらも責任ある行動を取らず、自己改善する超知能に向かって突き進み、私たちの命を懸けて賭けをしていると言って、そのまま退社してしまいました。それについて面白いと言うのは少し難しいのですが、Evan Hubingerがalignment scienceのleadなんです。Anthropicのこの方が、Jacobの言っていることは正しいと擁護しました。
だからマーケティング用の誇張ではない。今の状況は本当に深刻だ。では、なぜ私たちは止められないのか？これは二社のSlackの中だけで議論するような話ではない。endgameに向かっているとして、そうしたことについてEvan Hubingerが、Jacobの言うことは正しい、だから10年以内にAIがすべての人間を殺す可能性もあるというそのdoomer的な確率が10％を超えると考えている。ただ、この方の背景を見ると、典型的な効果的利他主義、それからMIRI系出身のAIsafetyに携わる系統ではあります。そちらでは、こうした話が以前からよく出ていました。ただ、そういう話をしながら、これは深刻な問題だと。
John SchulmanもOpenAIでpost-trainingをしてからAnthropicに少しいて、今はThinking Machines Labに移ったじゃないですか。それで、この方もそこに意見を加えたのですが、実際、このように話すだけではなく、本当にpacing proposalを一緒に作るべきだ。ただ、これに政府を関与させると、事態がさらに難しくなるため、何かを考えなければならない、そうした共同提案書よりももっと拘束力のある合意をしよう、というニュアンスの発言もしています。それで、このalignment問題は私たちも時々取り上げていますが、今年は本当に先鋭化してきていると感じます。これはもう冗談を言っていられる状況ではないように思うんです。
ロ・ジョンソク 私たちが感じるところでも、体感品質が上がっているのが分かりますからね。今、Astraが登場して以降、体験談が相次いでいるじゃないですか。私はこれをやった、あれをやった、と。
チェ・スンジュン そうですね。それで、このRSIが結局は問題なんです。今年はまだそれ自体が問題ではありませんが、RSIへ向かう軌道上でさまざまな出来事が起きていて、Millennium Prize Problemへの挑戦で成果が現れたことも同じ流れとして捉えられますし、それから莫大なcomputeを保有しており、今後さらに保有する予定の二社へ中央集権化することに対する懸念が数多く噴出している状況ですが、ここでpacingを調整できない理由としていつも挙げられるのは中国です。
パク・ジョンヒョン まさに小説や映画で見てきたあの話がそのまま今、現実になっているようですし、すべての人がそうしたことにまず数学の問題が解けることから始まって誰もが恐怖を感じてもおかしくない状況だと思います。
ロ・ジョンソク それでも、こうしたトレンドを追っているこのコミュニティはそれほど広くはないようにも思います。この世界には、AIの世界で何が起きようともまた美しく順調に回り、沈む夕日を眺めながら写真を撮ってInstagramに投稿し旅行に行き、おいしいものを食べたりするそんな世界も依然として大きく存在しているので少し二分されているように感じました。
チェ・スンジュン 深くのめり込んでいる人ならこれを把握していますが、普通はなかなか分からないですよね。
中国の追撃とDeepSeek V5のうわさ 27:14
チェ・スンジュン ところで、中国の反応についても中国語圏の情報をモデルに調べさせてみたところ中国の反応は、追いつけるというものだったんです。今またフロンティアが先へ突き進んでいますが、そこで「大変なことになった」というよりは、うまくやっているし追いつけるという趣旨の投稿がかなり多く、そして国、つまり政府もalignmentの作業を北京のほうで非常に力を入れて進めているということを私も今回初めて知りましたし、意気消沈しているような雰囲気でもありませんでした。今のところ明らかになったことは何もありませんが噂ではDeepSeek V5も出るだろう、という話もありました。これはまったく根拠のない話かもしれませんが。
ロ・ジョンソク そうですね。誰かができるということを示したというのは自分が愚かでないかぎり自分にもできるという目標が与えられるわけですから。
チェ・スンジュン それで今、改めて繰り返し立ち返るのはpre-trainingとpost-trainingが依然として機能していて、それらが成果を生み出している、機能する領域があるということがもう一度、大きく確認されたようには感じます。
パク・ジョンヒョン 止まることなく進み続けているようですし、ますます人間の領域の外へ進んでいるようですし、そうしたことを感じているようですね。
AIによる数学的発見における反例と新たな洞察 28:27
パク・ジョンヒョン 私も数学に関連して一つお聞きしたいことがあるのですが、私はこれまでの数学的発見についてよく理解しているわけではありませんが、そのほとんどが、何らかの反例を見つけ出すような発見だった気がします。人間は反例さえ見つけられないものなのでしょうか？何かを探索の問題へと置き換えて、物量で一気に攻め反例を見つけた場合には単に「反例が見つかったから、それは違う」と明確に証明されて終わるじゃないですか。だから、こうしたことは十分に起こり得ることだと思います。だから、反例を見つける発見ではなくまったく新しい仮説を論理的に証明するとか、そうしたものが出てきたときには本当に違うと感じる気がしますが、今回の出来事もそういう部類ではないようですね。
チェ・スンジュン ただ、もう少し様子を見る必要があるのは、Terence Taoが話していたことですが、Millennium Prize Problemのようなものを扱う際、実際にMillennium Prize Problemそのものについてはproxyという表現を使っていました。それを解こうと挑戦する過程で興味深い数学が生まれるというそうした副産物が非常に重要であり続けてきました。ただ、今回も同じようにそうしたものがある可能性はありますが、まだ人間が気づける形になっていないということです。ですから、これは早計に今すぐ「そうしたものはない」と言うのはまだ難しく、以前、Sébastien Bubeckがしていたそういう話があったんです。ある問題を解く際、そのtranscriptから学べることが非常に多かったという話です。ただ、今回Alpögeらが話していたことを見ると初期にモデルが出した仮説は、機能はするものの、あまりにも雑然と書かれていたといった表現をしていたんです。そのため、それを人間が整理するのに非常に力を注いだ。だから私たちはゆっくり進めた、ということなのですが、OpenAIがこのように物量攻勢をかけたものがもちろん論文として発表されはしましたが、そこからどの程度の水準で私たちが数学的な洞察を、私たちではありませんね。数学者たちが得られるのかは、まだ未知数だと思います。
研究成果をめぐる暗い森の問題 30:32
ロ・ジョンソク ただ、ここから私たちに見えてくるのは皆さんがどれほど独創的な何かを作ったり何かをしたりしても、それが完全に自分のものとなってこのように公開できる水準に達するまでは公開してはいけないということです。これは『三体』の暗黒森林問題ですよね。座標が明確に示された瞬間、より多くの資本とより多くのcomputeを持つ人がやって来てそれを奪っていく可能性がある。
チェ・スンジュン それで私はこのニュースを見ながら研究者たちがToSを改めて読み直しているだろうなと思いました。Terms of Service上、自分が今入力するものがどの程度trainingに反映されるのか、そうしたことを気にし始めると思います。
パク・ジョンヒョン 今のお話を聞いて思い浮かんだのですが、もし研究していく過程をOpenAIの何らかのモデルがtrajectoryを見て学習したり参考にしたりして解いたのなら、いずれにせよ、人間がもともと研究していたものを受け継いで進んだわけですが、もしそうではなく、「あの問題を解いているらしい」という噂だけを聞いて取り組み、解いたのなら純粋にモデルが解いたということですよね。だとすれば、そのほうが恐ろしいのではないかと思います。
チェ・スンジュン そうですね。だからSébastienBubeckらの主張は異なる。なぜなら、Alpögeらが行ったのは外力のない形で問題を扱ったもので、OpenAIは外力のある形で扱ったためアプローチが異なるとは話しているんです。また、モデルに多くを自律的に任せた、といった話もしていましたが、詳しく見てみると、それでもヒントやガイドのようなものは人間が多少与えたようだ、と、こうして議論が巻き起こっています。でも、もっと恐ろしいのは、ジョンヒョンさんがおっしゃったようなことが実はもっと恐ろしいことなんですよね。
ロ・ジョンソク その2社の間で交わされているやり取りがまるで政治の世界で見かけるような、政治的な論争に近くなっていますね。
パク・ジョンヒョン はい、そうですね。
チェ・スンジュン これは出たばかりの話なので、もう少し推移を見守る必要はありそうですが、とにかく面白い一方で、気が重くなるところでもあります。
AlphaGoから10年とAGI論争 32:36
チェ・スンジュン 2016年はAlphaGoでしたよね。3月でしたが、今ちょうど10年が経って、2026年は何か不思議な年だという感じがします。今まさに何かが切り替わる時期のような気がするんですよ。
ロ・ジョンソク TwitterでJensが言っていましたよね。AGIが達成された、OpenAI、おめでとう、といったことを書いていましたが、もちろん、そのAGI達成については人によって基準が違いますけど、これがAGIなのか、そうでないのかと議論することに何の意味があるのかとは少し思います。
パク・ジョンヒョン はい。いずれにせよ、さまざまな面で人間の水準を超えつつある過程にいることは間違いないと思います。
チェ・スンジュン とにかく、私が調べたのはこのくらいです。でも、ニュースはこれで終わりじゃないですよね。今週はまだ何曜日でしたっけ？私たちは日曜日に収録して、水曜日に
ロ・ジョンソク 日曜日に収録して水曜日ですから、まだ3日ほどしか経っていませんね。
チェ・スンジュン ほかにもありますよね？
ロ・ジョンソク はい、それでは次に行ってみましょうか？
GPT Image 2.5のリリースとAstraの視覚能力 33:29
ロ・ジョンソク またGPTの画像モデルが出ましたね。これもなかなか見応えがありました。
チェ・スンジュン 面白いことに、全部うわさがあったんですよ。出るって。でも、うわさされていたことが全部そのとおりになっています。
パク・ジョンヒョン そうですね。とにかく今日、ChatGPT画像モデルの次のバージョンが出ました。短い時間ではありますが、一度テストしてみました。これを始める前に一つ話しておきたいのは、image generationモデルが出た。それは単に時間の問題で、いずれ出続けるものでしたよね。そうした中で今回Astraが出て、すぐ続けて一緒に出たわけですよね。ところで、Astraへの評価には、そういう評価がものすごく多いんです。おそらく今ごろは皆さんもたくさん使ってみたと思いますが、computer useがものすごく上手い。コンピューターの画面をvisionで見ながらcontrolするのが上手い。私も今日、そういうことをいろいろやらせていたんですが、仕事ができるんですよ。YouTubeのウェブページを開いておいて、そこで自分で分析するように言うと、自分で中にある分析タブに入って、確認したりしていました。それだけでなく、ロボットの分野でもAstraにそのままロボットの制御権限を与えて、自分でカメラを見ながらcontrolするように指示したところ、何らかのaction modelを作ったわけでもないのに、そのまますぐに上手くcontrolできた事例が非常にたくさん出てきています。
そういうものを見ながら、目で見る能力のようなものが確実に大きく向上したんだなと思いました。
画像編集の一貫性とストリーミング生成 34:50
パク・ジョンヒョン そこで、これらを組み合わせて使ってみることにしました。簡単に言うと、Images 2.5モデルが出ました。何が向上したのか、順に見ていきます。現在、一般的な画像モデルが最も苦手としていることの一つがこれなんです。consistencyをうまく維持できません。編集を重ねれば重ねるほど、少しずつ良くなってはいますが、修正を続けるとあまりうまく維持できないんです。
チェ・スンジュン ざらざらした感じになることも増えていました。GPT Image 2あたりでは。
パク・ジョンヒョン はい、これはまさに一つの画像を表示したまま、続けてcontrolするものです。前のバージョンと今回のバージョンですが、服を着せてみると、少しずつ維持できなくなるんですよ。似たようなものにはなりますけど。でも今回は、明らかにconsistencyがはるかにうまく維持される。だから編集において、編集がうまくできる。これをアピールしたかったようです。
それから、streamingにも対応していました。画像の作業を指示すると、途中で描いている様子が表示されるんです。ここから推測できることは、研究の分野でもこうした研究が数多く発表されていましたが、画像も何らかの形でオートリグレッシブになっているようだということです。
チェ・スンジュン そうですね。
パク・ジョンヒョン 前回の画像モデルの発表でも、そういう内容がありました。単純にdiffusion modelで一度にぱっと出てくるのではなく、オートリグレッシブにtransformerのように動作して、最後にdiffusionを細部の調整に使っているようだ。そういう話がたくさんありましたが、それらをもう一度裏付けるような仕組みだと思います。ですから、いずれにせよimage generationの分野でも何らかの変化が起きているようです。
これに関連する研究もかなりあります。そこで学術界では、これをどのように活用できるかと検討していましたが、
ストップモーションとVFXへ広がる画像生成 36:29
パク・ジョンヒョン 面白い例が一つありました。これをまさにストップモーションに使っていたんです。これを実現するには、動く部分以外の残りのすべての領域が正確にconsistencyを維持したまま、画像が生成されなければなりません。こうしたことから推測すると、うまくできているんだなと。それをある程度証明する例なのではないか、そう考えることができました。このほかにもGIFを作ることや、何らかのアニメーションでキャラクターのconsistencyを維持しながら動きを作ること、表情を作ることなど、こうしたことを実際にCGなどでVFXなどに活用する際、非常に重要だそうですが、とにかく、そういった部分の性能が大幅に向上したそうです。
チェ・スンジュン そうですね。GPTの画像が登場してから1年経ちましたか？ほぼ去年の今頃じゃなかったですか？ジブリ。
パク・ジョンヒョン 去年でしたか？なんだかずいぶん昔のことのように感じますが、時間の感覚が、すべてがあまりにも早く登場するからなのかいまひとつ実感が湧きませんね。
ロ・ジョンソク 1年前ですね。
パク・ジョンヒョン そう考えると、こんなに早く変わったのかと改めて思いますね。
チェ・スンジュン ちょっと常軌を逸している気はします。
ビジネスパーソンに必要なAI技術の継続的な追跡 37:37
ロ・ジョンソク 今は変化し続けている時期ですから、最近、経営者の方々によくお会いするんですが、技術を継続的にfollow-upしている方でなければ、これを途切れ途切れにやるじゃないですか。ところが、途切れ途切れに進めていて、ある程度できあがったと思うと、そこで技術を取り入れるのをやめて、そのまま使うんですよ。そうして3〜4か月ほど経つと、世の中は自分が使っているものよりはるかに進歩していて、こうした過程を目の当たりにしながら、少し不思議に思われるようです。それで私がお話ししたのが、今は全力でこれをfollow-upすることが正解だと思う、というお話をした記憶があります。私たちはこれを毎日見ていますから、1年前の話はもちろん、1か月前の話でさえ、なんだか今さらな感じがするじゃないですか。
チェ・スンジュン そうですね。
ロ・ジョンソク Astraをずいぶん長く使った気がしたのに、まだ2日でした。
パク・ジョンヒョン そうですね。私も全部使い切って、resetを1回、いや2回使ったかな？
チェ・スンジュン 2回使ったと思います。
私も昨夜、仕掛けてから寝たものが解決しました。
パク・ジョンヒョン おめでとうございます。
ロ・ジョンソク これは私たちが仕事をしているわけですが、前回のエピソードでもそんな話をしましたけど、モデルが仕事をしているとはいえ、結果的には私たちがその成果を享受するわけですから、あまり悲しんではいけません。
GPT Image 2.5の価格とサムネイル性能 38:52
チェ・スンジュン SunburstとFlareは、なんだか名前が格好いいですね。
パク・ジョンヒョン はい、今回は名前が2つ出ましたが、高速モデルと標準モデルとでも言えばいいでしょうか？このように2つのバージョンで登場しました。ただ、価格は同じでした。なので、品質と速度、そういった点だけを変えて出したようです。これまでにあったモデルを一通り使いながら、費用を比較してみたんです。というのも、この画像も費用がトークン当たりの価格で書かれているんですが、このトークン当たりというのが、画像ではいまひとつピンときません。解像度もあれば品質もあり、そういった要素があるので、実際に作って体感的に比較してみたところ、驚いたことに、価格がさらに安いんです。今回のモデルは。私もこういうことを一度試していたんです。image generationを何に使おうか？YouTubeのサムネイル作りに一度使ってみよう。そう考えていたんですが、少し高くて、使いづらかったんです。自分でお金を払って使う分には使えますが、これをサービス化して事業にできるかというと、それは少し難しそうだ。そう思っていたんですが、ある時ふと見ると、Codexのサブスクリプションでこの画像モデルを使えるようになっていました。そして今回また確認してみると、APIも安い価格で提供されていました。それで、こうしたものを一通り使ってみました。なので、1枚当たりの価格は大した額ではありません。10円。そのくらいだと思います。
チェ・スンジュン APIで使った場合ですよね？
パク・ジョンヒョン はい、APIで使った場合です。
チェ・スンジュン サブスクリプションでも、かなりたくさん生成できそうですね。
パク・ジョンヒョン はい、サブスクリプションの場合は、体感としては、ほぼProプランを使えば、大量に作っても全部できる。そのくらいのレベルだと思います。
それで、品質も一度比較してみました。同じpromptを与えて、AI Frontierチャンネルにあった以前のサムネイルを渡して、特定の回のものを作ってみるよう指示しました。特定のチャンネルのサムネイルのスタイルを見て、それをまねて大まかに作ってみるよう指示したんですが、GPT Image 1が昔のスタイルですね。こんなふうに出ていたものが、2.5 Sunburstが今回のモデルですが、
ロ・ジョンソク ここまで向上した。
パク・ジョンヒョン ですから、このチャンネルをご覧の方々は、こういう感じなんだな、と判断していただけると思います。次に、ここにCTと書かれているものですが、これはCodexにやらせたものです。これはAPI callをしているわけではないので、どのように動作しているのかはよく分かりませんが、少し違う方式で動作しているようです。スタイルが違うところを見ると。とにかく、こうして一つひとつ見ると、ものすごく良くなったのかという気もしますが、1年前のものと比べると、それでも多少は差があると感じます。
チェ・スンジュン ネーミングもすべてSunburstなら、黒点爆発のFlareも太陽に関するそういう系統ですね。
ロ・ジョンソク つまり、全部宇宙系にしてネーミングしているんですね。Astra、Sol。
パク・ジョンヒョン そうですね。ずっとそういうネーミングを推しているようです。
ロ・ジョンソク そういうネーミングは、SpaceXやxAIが使うべきなのに、OpenAIがその用語を全部持っていって枯渇させているということですね。私は最近、Grokbotを使ってみるようにという勧めをあちこちでよく聞いているんですよ。そうですね。Grokの最新モデルなどを使ってみるようにという勧めをたくさん受けています。
Grokと消費者向けエージェントパッケージ 42:03
パク・ジョンヒョン はい。Grokはかなり使ってみました。最近Astraが出るまではGrokをものすごく使っていたのですが、私個人の感想としては、Grokは本当にかなり優秀です。今はAstraが出てしまったのであれですが、出るまではGrokは本当にSolやFableと比べてもそれほど引けを取らないくらい優秀で、ものすごく速いですし、Grokbotも使ってみましたが、それは個人的には、すでに自分のagent設定をほかですべて済ませているので、あまり大きな意味はなかったんですよね。でも、そこまで時間をかけて設定していない方や、HermesやOpenClawなどを自分に合うよう設定してみたことがない方には、そのように使えばとても便利で良いだろうと思いました。
ロ・ジョンソク どのブランドも、GoogleもMetaもそうですが、みんなOpenClawのようなエージェントパッケージを作って、消費者に提供するようになると思います。エンタープライズはまずすぐにお金を払うので、そちらではすでにかなり収益を上げているようですし、その次に消費者向けサービスも出始めると思います。
Astraのコンピューター操作と旅行の自動予約 43:02
ロ・ジョンソク 私も明日出張に行くのに、出張の準備をまったくしていなくて、そんな有様です。Astraに全部やらせたんですよ。Fast modeで動かして、High modeが出てからは、もう私のすべてを差し出した状態で、すべて予約するように言ったところ、本当に8時間ほど動き続けて、全部終わらせてくれました。
チェ・スンジュン computer useでですか？
パク・ジョンヒョン 8時間？
ロ・ジョンソク 8時間ずっと放っておいたわけではなくて、なぜなら、私が仕事をしている途中で、私の意思決定を求めてくるもののせいで、保留になったものがあったので、一日中そばに置いて、裏で動かしておいて、聞いてくることには、「知らない。自分で地図を見て、自分で動線を組んで、良さそうなものですべてやって」と言ったら、どんどん進めていきました。
チェ・スンジュン 列車の予約とか、そういうものですか？
ロ・ジョンソク 全部やりますよ。それも私がこうしてちらっと見ていたのですが、イタリア語のページを読みながら、これを押したり、あれを押したりして、「これは高いけれど、この料金にするとずっと良さそうなので、これにします」と言いながら進めていました。それからレストランも全部予約して、ほかに何をしていましたっけ？
パク・ジョンヒョン 宿泊先です。
ロ・ジョンソク ホテルの予約はもちろんです。ホテルも何か所も見て回りながら価格を比較して、直接予約するところが一番安そうだから、「ここで予約します」と言いながら進めていました。
チェ・スンジュン トークンをどれくらい使ったかは見ていませんよね？
ロ・ジョンソク はい。Fast modeにしておいて、マルチモデルAPIがあるサイトではないので、すべて普通にブラウザを開いて、computer useでやるじゃないですか。どんどん減ります。目に見えるほどどんどん減っていくのが感じられるのですが、それをじっと見ているとですね。
少し前にGreg Brockmanが来て、「Codexはスーパーアプリだ」と表現していたじゃないですか。その間、私はどのサイトにも一度もアクセスしていません。MyRealTripにまで行って、念のためガイドの人たちに、私が初めて行く地域でもあるから、連絡してみるように言ったら、メッセージまですべて送ります。そして、その人たちとのやり取りまで全部終えて戻ってきます。
パク・ジョンヒョン では、気に入りましたか？Astraが選んだ宿泊先や交通手段などは。
ロ・ジョンソク 実際に行って確認します。今は分かりません。
チェ・スンジュン では、決済もそのまま任せたんですか？
ロ・ジョンソク カード番号は私が入力して、その過程のうちいくつかだけ私がやりましたが、いくつかはそのまま試してみたところ、拒否するものもあったんですよ。これは自分にはできない、と。私はAstraがとても気に入って、自分のパソコンにあるものをすべて開放し始めたんですよ。クレジットカード番号も、もうすぐ渡してしまいそうです。
チェ・スンジュン それはダメですよ。
ロ・ジョンソク そうなんですよ。エージェントにすべてを任せてしまいそうです。どうせ私の個人情報やそういうものは全部中国のハッカーに流出しているのだから、OpenAIがもう一つ持ったところで何だというのか、という韓国的な心構えですね。
パク・ジョンヒョン では、利用限度額を設定してある状態で、決済が止められたら、電話して限度額も解除し、もう一度決済したりすることもできるんですか？
ロ・ジョンソク ヨーロッパなどでは、そういうことが多いようです。私がアメリカのサイトで決済するときは、そういうものもなく、普通に簡単にできるのですが、ヨーロッパで決済するときは、あれがあるじゃないですか。韓国のPG会社、例えば、私は韓国のカードを使っているので、韓国のカード会社がいくつか表示されて、その会社のPGを通して、もう一度確認するものがあります。SMS認証などをするものです。それが強制的にかかるケースが、70～80％くらいあります。何もせず、そのまま通過することもありますし。
でも、ヨーロッパではそういうケースがかなり多いようです。韓国のPG会社が非常に厳格にそういうものを設定しているのを見ると、危険な国に行くのだなとは少し思います。アメリカに行くときは、こんなことはしなかったんですよ。
パク・ジョンヒョン では、Astraに話を戻しましょう。
AstraとGPT Image 2.5のエージェント統合 46:53
パク・ジョンヒョン Astraについてうまくお話しいただきましたが、同じです。このChatGPT Imagesというのは単にAPIで画像を生成するツールの一つじゃないですか。でも、先ほどお話しいただいたものも結局computer useというツールを使うわけですが、今回の発表の公式ドキュメントに、AstraにChatGPT Images 2.5モデルをツールとして与えて画像を作る例が載っていたんです。それで、それとまったく同じことを一度やってみました。私たちのAI Frontier KRチャンネルのロゴのようなものを作るのですが、ただ一つだけ作るのではなく、自分でN個作ったうえで、その中からAstra自身が見て選ぶように、好みに基づく選択のようなことも求めたわけです。これはエージェント方式で、とにかく目で見て選ぶわけですから。Astraがcomputer useも得意なのは、このvision能力が向上したからですが、こういうことも得意なのかと思って、ロゴを選んでブランドキットを作り、グッズもいろいろ作って、ロゴも入れて自分でやってみるよう指示しました。すると、まずこのようにロゴを1、2、3、4番まで作ったんです。
どれが一番気に入りましたか？
チェ・スンジュン Aです。
パク・ジョンヒョン Aですか？ はい。AstraもAを選びました。Aを選んだ判断過程も、トークンを出力しながら見せてくれるので、いろいろと話していますね。その後、太さなども少し調整したようです。それから、これをもとにカラーパレットや生地、フォントなど、こうしたものを一通り選び、その後これで作ったわけです。ただ、もう見てみると、一貫性がよく保たれているとは言いましたが、ロゴの間隔などはきちんと合っていませんでした。雰囲気は似ていますが、完全に同じではないようですし、ここには、このようにロゴのにじみのようなものが残っていたり、また、マークも少し変わっていますね。
ロ・ジョンソク 変形が生じていますね。
パク・ジョンヒョン それから、これをTシャツに入れて、帽子にも入れるよう指示したところ、色もだいたいうまく合わせて、似た感じにはなりましたが、ステッカーやキーリング、キーキャップなどを作らせたところ、このロゴがどれも少しずつ変わり続けていて、こうしたものはまだ完璧ではないようです。それにキーボードも、ここを見ると、右端は普通このような形ではありませんよね。ですから、こうした点も少し残念ではありますが、この程度まではできるんだなと。ただ一度のプロンプトでAstraに画像生成APIを与えて、ツールとして使わせると、このくらいの水準になるわけです。
ロ・ジョンソク ああいう問題はharnessをかけて、3回繰り返させれば、すぐに全部よくなります。
パク・ジョンヒョン そうですね。それで、自分で修正する、これが今おっしゃった繰り返しを行った部分なんです。最初はこのように作ったものの、自分で見ておかしいので、このようにやり直せと指示するところまでAstraがおそらくすべて判断して行ったようです。それでも、その目は人間の目のように完璧ではありませんでした。果たして、すべての人間にこうしたことを任せたとき、ああいった細部まできちんと捉えられる人がどれほどいるのでしょうか？ただ目で見て似ていれば、大丈夫だと言って済ませる人も多いのではないか、という気もしたんです。私自身、デザインについてそれほど造詣が深いわけではないので、だいたい雰囲気さえ似ていれば、大丈夫そうだと言って済ませることが多いのですが、これは私の目にもつくほど間違ってはいましたが、おそらく、すべての人がこれをよくないと思うわけではないでしょう。
ロ・ジョンソク 人も常にそうですが、最後に完成度を突き詰める、その執念によって品質が分かれるわけですから。
パク・ジョンヒョン それで、このくらいまでやらせたところ、APIを何度も呼び出し、確認し、画像を生成するといったことをする中で、かかった費用は2ドルほどだったと思います。APIで使ったとすれば、ですが。もちろん私はサブスクリプションプランを使ったので、これほどの費用を支払ったわけではありませんが、それで、任せる価値があるかと聞かれれば、あるようにも思います。この程度なら。
Astraのレンダリング反復最適化実験 50:45
チェ・スンジュン 私が昨日、GPT Image 2.5が出る前に繰り返し試したものが一つあるんですが、お見せしましょうか？画像です。一番左にあるものがGPT Image 2.0で生成した絵です。これはレンダリングしたものです。
ロ・ジョンソク 誰がですか？
チェ・スンジュン Astraです。
パク・ジョンヒョン AstraがBlenderのようなもので作ったんですか？
チェ・スンジュン Blenderでもできますし、私はMitsubaという、ここにPythonを直接インストールして使用する微分可能なrendererを使ったんです。そのときsamplingを少し増やしたところ、だいたいこのような結果になりました。ただ、これは簡単にできたわけではなく、何度も繰り返したものでした。
そして、これをreal-timeにしてみるよう指示したところ、このようにanimationも行いました。それで、よく見るように指示して、まず画像をよく見て違いを比較させた後、繰り返させると、最適化、つまりhill climbingをしていました。もちろん完璧ではありませんが、だいたい似たものにできることが確認できました。それで、少し驚きました。
ロ・ジョンソク でも、先ほどおっしゃったMitsubaなどを使うとき、ローカルのcomputeを使ったのではなく、単にOpenAIが提供しているクラウドを使ったんですか？
チェ・スンジュン そうです。Blenderもインストールできます。それでBlenderも動かしてみました。
ロ・ジョンソク でもBlenderのようなものを動かすと、実際、computeをかなり使うじゃないですか。
チェ・スンジュン そうですね。
ロ・ジョンソク そういったものの料金はどうなっていますか？
チェ・スンジュン 追加料金はなく、容量は100GBもらえるんです。それで、そこではbinaryを長期間保管してくれるわけではなく、ファイルに移しておいたものは保管してくれるのですが、私がずっと使っていたら、すでに100GBのうち2GBほど使っていたんですよ。ただ、Chat modeでは仮想CPUを4つ提供して、Work modeでは8つ提供しますが、GPUは提供されません。どちらもです。
ロ・ジョンソク では、BlenderでレンダリングするのもすべてCPUコンピューティングで動くわけですね。
チェ・スンジュン ただ、マルチスレッドを使えるようにすることがMitsubaや、こうした微分可能レンダラーではできるので、その辺りを少し知っている人なら面白く試せる実験でした。沼ではありましたが。
ロ・ジョンソク わかりました。
チェ・スンジュン でも、もう一つありますよね。
ロ・ジョンソク もう一つありますよね？
AlphaGenome Atlasとゲノム変異解析 52:53
ロ・ジョンソク これは昨日、突然出てきたニュースですよね。GoogleがAlphaGenome Atlasというものを発表して、90億個すべての変異についてこれからは照会するだけでよくなりました。そういう話が出たのですが、これだけでは、すぐにはピンときません。なので、AlphaFoldとAlphaGenomeが何なのかを多少は知っておく必要があるのですが、
AlphaFoldが変えたタンパク質構造研究 53:17
ロ・ジョンソク AlphaFoldについては、私たちはもうある程度なじみがありますよね。アミノ酸配列を入力すると、それをリボソームが一気に作り、その後、それが水中のような細胞質へスッと出てくると、その糸状のものが互いにこのように絡み合いながらある3D構造体を形成するのですが、それがprotein folding problemと呼ばれるものです。これも、ほんの5年、6年ほど前までは解けない問題だったのですが、DeepMindが取り組んで、すべて解いてしまいました。
それで、以前からいわゆるPDBというサイトがあるのですが、PDBにアクセスすると、掲載されているタンパク質の構造やその他のさまざまな情報がすべて登録されているデータベースで、20万件ほどあります。そしてAlphaFoldは、そのデータベースをもとにあらゆるタンパク質の構造を予測できるように作られたのですが、AlphaFoldをある程度完成させた後、そのままシミュレーターを動かして、約2億個と推定されるタンパク質についてすべての3D構造を作り、AlphaFoldデータベースを構築しました。
ですから以前であれば、私たちががんを治療するような場合でも、アミノ酸配列がわかっていたとしても、そのタンパク質がどのような構造になるのかわからないため、それらを一つひとつ研究したり、あるいはX線検査をして突き止めたりして、その後、構造が明らかになれば、それに合う抗体をさらに探すといったことをするのが従来の創薬プロセスでした。ところがAlphaFoldが登場してからは、問題となるタンパク質が標的に決まったら、その3D構造をそのまま作ってしまい、その後、そこに結合しそうなものを探すゲーム、in silicoで抗体を探す問題へと変わったわけです。
チェ・スンジュン こういうことです。結合するものとは何でしょう？
ロ・ジョンソク そこに、そのタンパク質に結合する形があるじゃないですか。その形に、まるで鍵と錠前のように結合できるものを設計するわけです。抗体と抗原、そのような関係だと考えればよく、リガンドもそれを行う方法の一種です。そこまでは詳しく踏み込まないことにして、これでAlphaFoldが何なのかはわかりました。
AlphaGenomeと非タンパク質コード領域 55:32
ロ・ジョンソク ところがGoogle DeepMindは、AlphaGenomeというものを昨年ごろ発表したんです。まだ1年も経っていないと思います。ただ、そのAlphaGenomeが何なのかについては、しばらくYouTubeでも取り上げられ、論文も出たりしていたのですが、これを理解するには、生命工学の基礎をあまりにも多く知っておく必要があります。
そのため、人々は「そういうものが出たんだな」とそのまま流してしまったのですが、このAlphaGenomeを最も簡単に説明すると、私たちは中学校や高校の生物の授業で、あれを習いますよね。人間には23対の染色体があり、母親からそれぞれ23本、父親から23本を受け継ぎ、その一対の遺伝子のうち、優性のものは発現し、そうでないものはオフになる、そういう仕組みがあり、さらにその一組には31億個の塩基対がある、そう習いましたよね。そして、その塩基対はA、G、T、C、こういったものでずらっと構成されていますが、その全体を100としたとき、タンパク質をコードするのは約2%のエクソン領域だけで、残りの98%が何をしているのかは、ほんの10～15年前まではほとんどわかっていなかった、という表現は少し言い過ぎかもしれませんが、深い霧の中にありました。まさに生命の神秘でした。
ところがmachine learningが登場し、観測機器も登場し、さらに米国政府が莫大な資金を投入してENCODEのようなプロジェクトを実施したことで、これらの領域が一体何をしているのかについて、非常に大規模な実験が進められてきました。Human Genome Projectも2000年代初頭には、莫大な費用がかかり、これが果たして終わるのかと思われていたプロジェクトでしたが終わってしまったじゃないですか。そして今では、ヒトゲノムを読むのにshort-readで読めば、7万5千～8万6千円ほどで読めますし、long-readで読む場合でも21万～32万円ほどあれば自分の遺伝子データをすべて読み取れる時代になったんです。
では、遺伝子を読み取ったとして、ここから重要なことをどう説明すれば一番分かりやすいでしょうか？ここまでは分かりますよね？
チェ・スンジュン だいたいは。生物学は苦手でした。学生の頃は。
ロ・ジョンソク はい、そうですよね。でも実際、私たちは生物学は暗記が好きな人が行くところで、数学のようなものが好きな人は数学科や物理学科へ行き、その中間くらいが化学で、一番人文学に近いのが生命工学だ、という感じでしたよね。そうだったのに、生命工学の時代が一気に到来しつつあります。ところが、この遺伝子がいったいどのような役割を果たすのかについて私たちはかなり多くのことを知るようになりました。つまり、タンパク質をコードするのはわずか2％で、では残りの98％はこのプログラム領域なのですが、そのプログラム領域で何が起きているのかをみんな知りたがっていたじゃないですか。そして、それらもかなり多く突き止められました。enhancer、promoter、それから内部にはexon、intronのような領域があり、それらがどのように働くのかをどうやって突き止めるのかというと、例えば、肝細胞があるとしましょう。その肝細胞には遺伝子がありますよね。でも、その遺伝子が、すべて一斉に発現してタンパク質を作っていたら、おかしいじゃないですか。脳細胞や肝細胞、筋細胞などは作っているタンパク質の種類がそれぞれ異なる必要があります。
では、どうやって違いを生み出すのか？
エピジェネティクスとpartial reprogramming 59:14
ロ・ジョンソク この遺伝子のどの領域を発現させ、どの領域を発現させないのかという部分、いわゆるepigeneticsが関わる領域なのですが、遺伝子内部の構造を見ると、塩基対がただすべて広がっていてそこに何らかの酵素がくっつき、タンパク質をすべて転写しているわけではなく、細胞ごとに、ある部分は巻かれていて、ヒストンというタンパク質にぎっしりと巻きつき、ある部分はほどけているなど、すべて異なります。しかも、これは無作為に起きるのではなく、最初の胚の段階から発生していく過程で環境の影響を受けながら絶えず分化し、それぞれの位置に落ち着いていくんです。ある科学者の表現を借りると、谷でビー玉を一斉に転がすとビー玉が転がりながら、それぞれの場所へ行きますよね。そして、それぞれの場所に落ち着くと二度と戻れない、という比喩を使うのですが、これを解決するのが、最近longevity分野などで盛んに行われているpartial reprogrammingです。聞いたことはありますか？
つまり、体細胞になってこれは何をする細胞なのかが一つに決まると、その役割だけを果たさなければならないのですが、Shinya Yamanakaという日本の教授がYamanaka factorというものを発見しました。OSKMという4つの遺伝子からタンパク質を発現させ、それが発現すると、何らかの機構が働いて細胞が自らのアイデンティティーをすべて失い、まるで最初に生まれたときのようなpluripotent stem cellと呼ばれる、何にでもなれるstem cellへと戻ります。幹細胞、つまり幹細胞に戻るわけです。そうなると、幹細胞へ戻る過程ですでに年齢と関係しているあちこちに付着した無数のアセチル基などをすべて取り除き、完全にリセットされて、もともと精子と卵子が結合したときの状態に戻るんです。
それなら、この方法で人間を全員reprogrammingすれば若返るのではないか？これは確かにそのとおりなのですが、無条件に若返らせてしまうと筋肉があるべき場所で髪の毛になったり、脳があるべきところで肝細胞になったりと、勝手に分化してしまう過程を経るため、がんになるんです。そこで、OSKM factorから、記憶が確かではないのですが、OSK factorだけを取り出し、4つのfactorのうち3つだけを使うと適度な段階までstem cellへと戻るんです。最近はそれらを利用してpartial reprogrammingを行う形で実験が進められています。
例えばDavid Sinclair教授は目にあるretina細胞を再生させ、もともと目が見えなかったマウスが再び見えるようにする、といったことを行いました。それからNewLimitは、CoinbaseのCEOが投資して有名になった会社ですが、そのような会社では、肝細胞を再生させて老いたマウスの肝臓を再び若いマウスの肝臓のようにし、若い肝細胞にすれば好きなだけ酒を飲める、というような宣伝をしていたんです。
チェ・スンジュン 何か代償はないんですか？では、リセットする際の危険性などは…
ロ・ジョンソク 危険性はあります。危険性があるので非常に制御された環境で作動させるためのさまざまなスイッチを使います。そこに使われる機構があって、私も一度すべて読んだ記憶がありますが、今は思い出せません。それで、OSKMというreprogrammingを可能にするfactorをまず目に入れて、目に入れて薬物がある状態である特定のトリガーとなる、スイッチの役割をする薬を再び飲むとそれがそれを活性化し、それがなくなると不活性化され、このようなスイッチを付けてそれを操作できるようにする方法を使います。
チェ・スンジュン では、これはepigeneticsとは少し違う話なんですよね？epigeneticsがスイッチのようなものだと私は思っていましたが、これは完全にreprogrammingする何かなようですね。
ロ・ジョンソク そうです。そこにその細胞を作るのではなく、その隣に、完全に再びpluripotentに戻ったstem cellを入れて、それが隣の体細胞の影響を受けて今度はそれに変わるようにする、そういうものを…
チェ・スンジュン まったく知らない分野の話なので。
ロ・ジョンソク はい、そういう分野です。これは方向性が非常に多岐にわたると思います。それで、完全なstem cellを入れてそれがそちらへ向かうようにする方向性もあり、それから、その体細胞でepigenetic clockを少しリセットして元のアイデンティティはそのまま維持しつつ、そこに付いているメチル基やアセチル基をすべてリセットして、まるでその細胞が若返った状態で機能するようにするそういうものもあるようです。ただ、そちらの話に入ると複雑すぎますし、私がすべて正確に理解しているという保証はできません。
チェ・スンジュン それで、これは何と関係があるんですか？
SNPと個人ごとのゲノム差異 1:04:26
ロ・ジョンソク ところで、AlphaGenomeの話をしていてここまで来たのですが、この人たちの遺伝子にはA, G, T, Cがこのように並んでいるものがあって、それがタンパク質をコーディングする領域で少しエラーが起きたりすると、それがどんな問題になるのかをはっきり知ることができますが、プログラミングする領域でエラーが起きると何がエラーなのか分からない状況に直面するじゃないですか。ただ、これをさらに説明するにはSNPというものの概念について少し説明する必要がありますが、私たちの遺伝子には、先ほど30億ペアがあると言いましたよね。すると、それは人によって異なります。
チェ・スンジュン 何の累乗が30億くらいになるんですか？ コドンの
ロ・ジョンソク 累乗？
ロ・ジョンソク 二乗とか、そういうものですか？
いいえ、そうではありません。単純に30億個のA, G, T, Cという配列があるじゃないですか。それで、A, G, T, Cのうち一つがあれば、それとペアになる別のものが、アデニン、グアニン、
チェ・スンジュン シトシン。
ロ・ジョンソク そういうものがありますよね。シトシン、チミンなどがありますよね。すると、一つが決まればその反対側のペアは自動的に決まります。ただ、Aがあるとそれとペアになる一つの情報単位が生まれるじゃないですか。まるでビットのように。それを単純に一つのペアと見なすわけです。そのペアがA, G, T, Cとしてずっと連なっていて、私たち人間の遺伝子は30億個のペアを持っています。正確には31億ですが、31億個のペアを持っていて、理論上、それを母親から受け継いだものが一組、父親から受け継いだものがもう一組あるので、30億個のものを母親から一つ受け継いだなら、父親から受け継いだものも30億個あるわけです。ですから理論上、私たちには60億個ほどあるわけで、ただ、そのA, G, T, Cがこのようにまたペアを成しているため、その中で厳密に言えば、A, G, T, Cという文字が人間の遺伝子の中に全部でいくつあるかといえば、120億個です。お分かりになりますよね？
チェ・スンジュン 120億個。
パク・ジョンヒョン これをデータだと考えると、一つにつきいずれにせよ四通りの可能性があり、それがその個数だけあるわけですから、4の60億乗、そのように考えられますよね。もちろん、母親から受け継いだ情報と父親から受け継いだ情報には重複するものが非常に多いため、その情報をすべて独立して持つことはできないでしょうけど。
ロ・ジョンソク ですから、実際には60億ですが、30億だけを見るわけです。なぜなら、ほとんどは似ていて、場合によっては異なるものでは優性遺伝子が発現し、そうでないものはオフになり、ただ、私たちが遺伝子と呼んでいるものの大半はこれも実験的に見つけたものですが、ある領域が何らかの役割を果たすと分かれば、そこを私たちは遺伝子と呼ぶんです。その遺伝子の中にはタンパク質コーディング領域とその他の調節領域がすべて混在しているわけです。ただ、これらの機能は母親から受け継いだものと父親から受け継いだものが、私たちの配列のインデックス上でまったく一致するほど、ほぼ同じです。ですから私たちは便宜上、30億塩基対だけで何かを論じ、残りの半分は捨てるわけです。そのようにしています。ただ、これについて話していると際限なく深く入っていきます。SNP、singlenucleotide polymorphismと呼ばれるものですが、この文字が30億個あるじゃないですか。ただ、その30億個は、スンジュンさんと私でほとんど同じです。実は人間や
チェ・スンジュン 人間ですからね。
ロ・ジョンソク 確かにそうです。人間と犬でさえ、ほぼ80%は同じで、その次に、人間同士はほとんど同じで、その30億個のうち異なるのは、ごくわずかな400万～500万個程度です。ところが、途中でプログラムの一つが異なるというのは、G, T, Cブロックがまったく異なるということではなく、ずっとたどっていくと、スンジュンさんはGと書かれている箇所に私はAと書かれていて、本当に一文字ずつしか違いません。非常にsparseにです。ですから、たった一文字だけ異なるものが、私たちの違いなんです。
私たちがゲノム解析を依頼すると、ゲノムデータについてすべて分かるじゃないですか。それをどうやるのかというと、
ショートリード・ロングリードシーケンシングとゲノムマッピング 1:08:34
ロ・ジョンソク 人間の遺伝子をすべて読むのではなく、私たちが血液を送ったりすると、それをミキサーですべてすり潰して、DNAをすべて切断したあと、つまり、一本の糸からいくつかの断片を切り出すわけです。切断されたDNAをすべて読み取ります。統計的にです。
チェ・スンジュン ナノポアシーケンサーのようなものに入れて？
ロ・ジョンソク そうです。穴に入れて、ずらっと読み取るんです。その糸を短く切ればショートリードで、糸を長く切ればロングリードです。それでショートリードに切ると、その切断されたものからデータがずらっと全部送られてくるじゃないですか。そうしたら、それをコンピューターに投入して、リファレンスゲノムというものがあるんです。最も標準的な人間について、人間のゲノムはこのような形をしているというHuman Genome Projectから生まれたもので、何度かのrevisionを経て、現在使われているリファレンスがあります。そのリファレンスデータに自分の短くなった糸をすべて照合してみます。すると、このsequenceはほとんど似ているので、一つひとつmappingしていくと、どこかの位置にくっつくんです。統計的にくっついていく中で、「ここはこの一文字が違うな」というその部分を置き換えるんです。そのリファレンスデータと自分のsequenceデータから得られたものを使って、ずっとこのようにすべてつなぎ合わせてみるわけです。
HLA領域とロングリードシーケンシングの必要性 1:10:02
ロ・ジョンソク はい、そうです。ロングリードが重要な理由は、ほとんどはショートリードでも読み取れますが、私たちの第6染色体には、人々の免疫マーカーの役割をするHLAという独特なものがあるんです。細胞内で作られるタンパク質の塊があるのですが、「私はこのようなタンパク質を作っている」ということが、その細胞がどのような働きをしているのかを外に示すことになるんです。それで、HLAという仕組みは、内部で作られたタンパク質の塊の断片を細胞表面に提示する役割を果たします。表面に提示されたそのタンパク質を読み取るのがT cellです。T cellがやって来ます。免疫細胞ですね。免疫細胞がやって来て確認し、「これはきちんと働いていて、これは自分だ。自己細胞だ」と判断すれば、それは生かしておき、これが異種タンパク質を作っていれば、「これは外から来たものだ」と判断して、それを食べてしまいます。これが私たちの免疫システムの最も中核的な部分です。ところが、そのHLAの役割を担う部分は人によって大きく異なります。そして、人によって異なるというよりは、人種によって大きく異なります。韓国人と白人では大きく異なり、黒人も異なるので、その部分に違いがあるのですが、ここは変異が最も激しい領域なんです。そのため、それはショートリードsequenceで読み取ると、うまくmappingすることができません。非常によく似た鎖が多いため、ショートリードでは第6染色体の解像度が非常に低くなります。ロングリードで読み取ると、一つの遺伝子を非常に長い範囲で読み取るため、第6染色体の位置に置いても、「これはここがこのように違うな」とmappingしてみることができます。それがロングリード方式の利点ですが、
ところで、私はSNPの話をしましたが、ずっとたどっていって一文字だけ異なる場合、その一文字の違いがいったいどのような問題を引き起こすのかが、当然、重要になりますよね。そうですね。ある変異はdeleteriousで悪影響を及ぼし、ある変異は違っていても、それほど悪影響はありません。ところが、その一、二文字の違いによって、人々の人生が変わるんです。遺伝病は、統計的にそのとおりです。遺伝病のようなものが、まさにそれです。
AlphaGenomeによる遺伝子変異の影響予測 1:12:25
ロ・ジョンソク ついにAlphaGenomeの話が出てきます。AlphaGenomeが突き止めてくれるのは、その一文字が変わったとき、それがどの細胞でどのような問題を引き起こすのかについての実験結果を予測してくれます。AlphaFoldはinputがアミノ酸sequenceの塊で、outputはその3D structureです。ところが、AlphaGenomeはまったく異なります。100万ペアの遺伝子、つまり、100万インデックスということです。100万個の遺伝子配列を入力すると、11種類の実験結果を予測してくれます。では、その実験結果とは何かというと、過去20年間、ENCODE Projectでは、どの遺伝子がどのような働きをするのかを実験を通じて継続的に発見してきたんです。例えば、肝細胞のある部分ではhistoneが巻き付いていて、ある部分ではほどけていますが、そうすると開いている部分だけDNAをsequencingし、それに対応して発現しているRNA配列をそのままsequencingすれば、開いている部分からどのようなものがRNAとして発現したのかを予測することができます。それで、そのようなものをデータセットとして蓄積し続けてきたんです。ですから、細胞ごとに、これは脳細胞だ、これは肝細胞だ、これは筋肉細胞だと分類しながら、細胞ごとにそのような実験をすべて行います。
チェ・スンジュン どうやって、人を対象にするんですか？オルガノイドで行うんですか？
ロ・ジョンソク いいえ。人を対象にします。簡単です。どうやるかというと、これが面白いんですが、肝細胞をそのまま引き剥がします。引き剥がして、例えば発現している遺伝子、私たちが euchromatin、heterochromatinと呼んでいるものですが、開いている chromatinの部分だけを読み取る必要があるとすれば、histoneに巻き付いているものには触れず、ほどけているものだけDNAを読み取れるように処理します。すると、ほどけている部分だけが発現したと仮定して、その隣にある RNAへ転写された領域をすべて読み取ります。それも同じように RNA sequencingを行います。すると DNA sequenceがあり、RNA sequenceがあり、こうなるので、先ほど Human Genomeでreference genomeに合わせてみたように、はるかに簡単な問題です。単に噛み合わせを確認すればいいんです。「この RNAはここから来た、この RNAはここから来た」というものを基に探します。
チェ・スンジュン インフラのときと同じくらい難易度が上がっている感じはします。
ロ・ジョンソク そうですね。ただ、ここでビジネスの話を少しすると、私も話しながら大変ではあるんですよ。この modelや AIなどが機能する世界で、いったい私たちはどこへ逃げるのかというのが私たちの最初のテーマだったじゃないですか。そこで私は、ビジネスで AIをうまく活用してビジネス面で何ができるかと考え、見つけたのが、これは control planeをうまく作ることにあるということで、そのシステムを一つ作って懸命に取り組んだわけです。
それ以外に、ドメインでは何を押さえるべきかと考えたとき、私は生物学がAIによって革新される、その部分で生物学のドメインをできる限り理解し、逆に AIを知らない生物学者と、生物学を知らない AI科学者の間に立とうというのが私の考えです。そして、こうした考えを持った人たちがシリコンバレーにいて、AI for Scienceに取り組む、特に生物学に取り組む数多くの会社があるわけです。ですから、私も今すぐ何かをしようとしているわけではありませんが、この領域を理解しようとする中で出てくるものや、システムをすべて調べているうちに、こうしたことが分かってくるんです。それで、スンジュンさんが質問されたように、どの DNAが発現し、どのようなものが実質的な役割を果たすのか、そうしたことを一つ一つ手作業で実験したんです。
チェ・スンジュン Atlasが出てきたわけですね。非常に多くのことができる。
ロ・ジョンソク そうです。それで AlphaGenomeは、そうした実験結果が20年間蓄積されているんですが、その実験結果を予測してくれます。AlphaGenomeは100万 base pairを入力すると、それがすっと入って、これは脳細胞ではこうなり、肝細胞ではこうなり、ある細胞ではこうなる、といったことに対する予測値を出してくれます。array形式でずらっとすべて出してくれるんですが、それが良いのか悪いのかをどう判断するかというと、正常な referenceがあるじゃないですか。正常な人間が持つ sequenceがあり、私たちが100万 base pairを入力するときは、その100万 base pairの中に自分の変異がある部分を入れるわけですよね。すると、最終的に outputとして出てくる実験結果のdiffを取ってみれば、自分のこの遺伝子変異一つによって肝臓のどの部分に問題が起こりそうかをこのように予測できます。ただ、これを私たちがプログラミングできれば、それをあたかもlog probabilityを比較するようにvector単位で比較できますが、Googleが親切にもそこに indexをすべて作ってくれました。それが AlphaGenomeの役割であり、
AlphaGenome Atlasの事前計算データベース 1:17:47
ロ・ジョンソク では、AlphaGenome Atlasは何をしたのか？考えてみてください。先ほど、30億塩基対があると言いましたよね。30億個です。すると理論上、その30億個では塩基が一つずつ何かに変わる可能性がありますよね。では reference genomeにあるその30億個のそれぞれについて、この位置には今 Aが入っていますが、referenceで、もしそれが AではなくG、C、Tだったら何が起こるのかをすべて計算し、その計算結果をデータベースにすべて用意しておいたんです。ですから研究者の立場では、もしこの Atlasがなければ、自分で実行してみなければならないわけです。
ちょうど AlphaFold Protein Structure Databaseがなければ、自分が新たに発見したアミノ酸配列を使ってタンパク質構造を予測するには AlphaFoldを実行する必要がありますが、あらかじめ Googleがすべて実行してデータをすべて持っていれば、そこにアミノ酸配列を入力すると、3Dデータがすぐに出てくるわけです。これとまったく同じです。ですから AlphaGenomeに入力するように、100万 base pairの遺伝子 sequenceを入力すると、AlphaGenomeは実験結果をすべて返してくれますが、Atlasに入力すると、こちらは「このような結果値では、これが変わります。あれが変わります」といったものを出してくれるわけです。
ですから私たちは、それがデータベースに保存した結果値を使ってdiffさえ取れば、これはどの細胞のどこに問題が起こりそうか、これは問題にならなさそうだということを予測できます。
パク・ジョンヒョン でも、それなら結局、予測された実験結果がどれほど正確なのかが気になりますが、それは実際に実験してから比較するしかないじゃないですか。まだ試していない領域については。
AIツールが変える生命科学研究の方法 1:19:37
ロ・ジョンソク つまり、こうしたツールが登場することで科学が変わるんです。例えばAlphaFoldはタンパク質の構造をすべて予測しますが、そうなるとPDBのようなデータベースは役に立たなくなるのではないか、もうX線回折をしたりこうしたことを試したりする必要がないのではないかと考えるかもしれませんが、実際には、そのプロセスが飛躍的に短縮されたんです。研究者は、ある標的タンパク質を研究する前にAlphaFoldを実行して、まるで衛星写真を撮ってみて作戦を実行するかどうか決めるように、これはできそうだ、これは無理そうだという候補を選び、実際にその選んだものをもとにはるかに戦略的に実験できるようになったんです。それで研究がずっと楽になりました。
AlphaGenomeも同じです。AlphaFoldもPDBにあるすでに知られている20万個の人々が実験した結果をもとに残りの2億個を予測したんです。そして、その精度が非常に高いことが示されたわけです。このAlphaGenomeにも、過去20年間に遺伝子変異が生じたとき、エクソンや調節領域でどのような変化が起きるのかについて実験して得られた結果がすべてあります。LLMよりはるかに小さなdatasetです。人間が実験したといっても、どれほどできたでしょうか？
チェ・スンジュン ふと気になったんですが、先ほどの数学の例のようにAnsatzや仮説を立てるようなとき、これはLLMが使えるツールなんですか？
ロ・ジョンソク LLMが使えるツールです。LLMが自分でAstraを呼んだり、人を呼んだりするでしょうね。
チェ・スンジュン AtlasやAlphaGenomeのようなものがLLMが使えるツールになるということなのかとふと疑問に思いました。
ゲノム解析と個別化治療 1:21:26
ロ・ジョンソク 私はCodexから呼び出しています。
チェ・スンジュン そうなんですね。
ロ・ジョンソク 今日も私自身、AlphaGenome Atlasを、私は自分のlong-read sequencingをすべて済ませているんです。私ががんになったら何が起こるかについてあらかじめすべて備えておこうと思って、自分の遺伝子sequenceをすべて受け取ったうえで、どの薬が私にどのような肝疾患を引き起こす可能性があるのかもほぼすべて把握しています。そして、私がreference genomeと比べてどこにSNPがあるのかも、すでにすべて把握しています。それなら、そのsequenceを切り分けて、すでに知られているものだけでなく、SNPがどのような問題を引き起こすかということも、全体を100とすれば、知られているものはまだ非常に少ないんです。数字は忘れてしまいましたが、未知の領域がまだ非常に多いんです。
しかし、そうした未知の領域を、まるでAlphaFoldが20万個をもとに2億個を予測したように、今のところ未知の領域で判明しているものは非常に少ないのですが、まだ知られていないものはAlphaGenomeを使っておおよそこのようになるだろうと予測し、それをもとに実験を再構成します。「ああ、合っていた」そうなれば、検証する速度がはるかに速くなります。
チェ・スンジュン これは一般的な新薬開発につながるんですか？それとも個別化治療へ向かうんですか？ 両方です。
ロ・ジョンソク 一般的な新薬開発と個別化された新薬開発の両方です。
パク・ジョンヒョン そうですよね。結局、AlphaGenomeというものが登場して、それが社会にどのような影響を与えるのか、そういったことが気になるのですが、おそらくどれも寿命延長への道のりで役割を果たすのだと思います。ただ、それによってどれほど多くのことが前倒しされたのか、すぐには実感できないので、そういったことが気になります。
希少遺伝性疾患とがん治療標的の探索 1:23:07
ロ・ジョンソク 遺伝子変異や希少遺伝病の場合、なぜこのような現象が起きるのか、今はまったく分かりませんが、AlphaGenomeを実行してみると、これはあそこでプロモーターと何かの3D構造に異常がある、あそこのSNP indexが一つずれている、といった形で予測してくれるので、以前なら、あの遺伝子が違うとして、その異なる遺伝子がいったい、いわゆる私たちの表現型、タンパク質として発現する過程のどの部分に問題を引き起こすのかを予測できます。それが一つで、がんも同じです。
例えば、がんが発生してがん遺伝子に変異が生じたとします。そのため、これが異常な挙動をします。そうしたら、それを治療しなければならないですよね。ところが治療しようとしたとき、もし変異が生じた部分が明らかにタンパク質コーディング領域だったりするなら、これが生成するタンパク質に違いがあると分かるので、それをもとにAlphaFoldを実行し、そこで標的に結合できる物質を探して、薬を作ろうということができます。しかし、タンパク質コーディング領域ではなく、別の調節領域にそうした問題が生じた場合、その調節領域が重層的に影響を及ぼし、あるタンパク質を生成する過程が変化しているんです。
しかし、そうした部分でこの問題がどこで生じているのかをはるかに精密に予測できます。そうしたことがAlphaGenomeによって私たちが予測できる部分です。ですから、これが正常で健康なときは問題ありませんが、がんになったりこうしたことが起きたりしたとき、このがん細胞と私の正常細胞との間で何に注目して調べるべきか、どこに問題がありそうか、複数の可能性を見つけ出すうえでとてつもない助けになり得るツールというわけです。
チェ・スンジュン 感覚的には、それが分かったからといって処置するのは費用も相当なものになり得る気はしますね。
ロ・ジョンソク でも前回も、ギルラボのCEOが自分のがんを治療した際に用いたプロセスは、AlphaGenomeやこういうものが存在した時代ではなかったのですが、幸い、自分のがん遺伝子と正常な遺伝子のdiffを取ってみたところ、がんでのみ発現するタンパク質を一つ見つけたんです。そして、そのタンパク質に結合する物質を探し求めて世界中を回り、そうしてドイツのどこかで見つけ、それを使って自分だけの個別化医薬品を作ったんです。
バイオテクノロジーの計算科学への転換 1:25:45
ロ・ジョンソク でも、その価格は下がり続けると考えるべきです。少し前にMerckとModernaがmRNAワクチンを作ったと言っていましたが、それもこれとまったく同じロジックなんです。ですから、生命工学というものは次第に、以前なら実験室でwet labを動かしながら、顕微鏡をのぞいて行っていた退屈な実験の領域だったものが、まるで今日話したNavier–Stokes方程式も、数学者たちの紙の上だけで行われていたものが、今ではあるLLMのtokenへとすべて変わってしまったようなものですよね。生命工学でも同じことが起きたんです。それまでにあった実験結果でsupervised learningを行い、そのsupervised learning済みのものが、あるモデルになり、そのモデルが次の実験を飛躍的に促進します。容易にし、従来はできなかった実験が設計できるようにするんです。すると、そこからまたデータセットが生まれ、データセットは増え続けるでしょう。そして今はsupervised learningですが、そのデータがある程度増え始めると、ある時点ではまた、そのデータセットを使って単にself-supervised learningを回せば、それが何らかの一般的な法則を見いだすそういうレベルになるはずです。
Evo 2と合成生物学の言語モデル 1:27:05
ロ・ジョンソク AlphaGenomeと似ていますが少し違うものに、Arc Instituteが作ったEvo 2というモデルがありますが、Evo 2というモデルに対して、AlphaGenomeは非常に複雑です。完全なsupervised learningなんです。実験結果のinputを遺伝子sequenceとして、実験結果をmappingしてsupervised setを作り、その間にconvolutional neural network、Transformerを入れて、これを学習させたものなんです。一方、Evoのようなモデルは、既知のあらゆる種の塩基配列をすべて集めて、LLM級のデータセットを作ったあと、それをそのままTransformerに入れて、sequenceを学習させたものなんです。だから、これはシンプルですね。
チェ・スンジュン データが多いだけで。
ロ・ジョンソク これは単にAGTC sequenceを入れると、LLMがするように、その後に続くGTC sequenceをそのまま吐き出します。ただ、その吐き出されたものを見ても、私たちには分かりませんが、遺伝子から何かを学んだそのsequenceを吐き出しているわけです。それで、それが吐き出したsequenceを使って作ってみたら、ある細菌が一つ誕生したということで、それを新たな発見だと言っているわけで、そうした領域を扱うのがsynthetic biology、合成生物学です。
でもLLMでも、私たちはそういうことを予測できますよね。私たちは文章を自己回帰的に吐き出し続けるわけですが、以前、ソンヒョンさんと話した際に、ある特定のtokenには、非常に高いentropyを持つそういうtokenがあると言いましたよね。それで、これにも何ができるかというと、referenceから得たgenomeデータを切り出して入力し、次に自分のもの、変異のあるデータを切り出して入力し、そうしたら最後に、その前半部分をそのままプリフィルするようにして、モデルへ入力してしまいます。すると、後ろからoutput値が出てくるじゃないですか。そのlog値を単純に互いに引いてみて、これがマイナスになれば、この変異が危険である確率が高いということで、プラスになれば、これは危険でない確率が高いという、そういう使い方もできます。そうすることで、おおよそ、まだ知られていない変異についても、その危険度を大まかに計算できますが、危険度を計算したとしても、それがどのような危険につながるのかは分かりません。でも、これががんであれ何であれ、genomicsそのものも、次第にデータベースが蓄積され、computationの側へ移行するにつれて、この分野の発展が続いているわけです。
チェ・スンジュン あまり理解できませんでしたが、感覚的には、計算の対象になったという感じですね。
ゲノムデータとバイオAIのスケール爆発 1:29:43
ロ・ジョンソク そうです。そして、これがwet labでもverifierが回り続け、またデータセットが継続的に補強され始めれば、これもいつか、LLMが迎えたあのようなscale爆発の時代が訪れる可能性が非常に高いということです。
パク・ジョンヒョン 私は話をずっと聞きながら、完璧にすべてを理解できたわけではありませんが、最初に私たちはこんな話をしましたよね。やや文系的な傾向が強いのが生命分野だと。理系ではそうおっしゃっていましたが、それはなぜだろうと考えてみると、私たちが原理を理解できていないことが非常に多く、何らかの実験と、外部に現れた結果を見て、「これはこうだった」と、そういうものを暗記する部分が多かったからですが、学問そのものが今では、その出発点、DNAレベルから始まってそれが最終的にどのような現象となり、タンパク質がどのように作られて最終的に私たちの体にどのような影響を及ぼすのか、その間をつなぐ過程にある研究だと思うんです。つまり、こちらもAIが何らかの説明可能な形に変えていき、私たちが内部の動作メカニズムを理解できるようになるので研究の観点から私たちはより多くのことを解明できるようになると思いますし、それらは人間に当てはめればやはりlongevityが最大のニーズなのでまずはその方向へ進むと思いますし、それ以外の方向にも大きく広がっていく可能性があると思いますね。
ロ・ジョンソク とても面白くて、私は最近この分野のものを読む楽しみで日々を過ごしています。
チェ・スンジュン でも最近出ているレポートを見ると必ずcybersecurity, biosecurityが入っているんですよ。大規模モデルが出たときには。もちろん良い面もありますが、怖い面もあるだろうと。
パク・ジョンヒョン どう使われるのか、こういうものが。そうですよね。
チェ・スンジュン 化学と生物学は、それぞれにまた怖いですからね。
ロ・ジョンソク そうですね。でも、いずれにせよ私たちが長く学び続ける人生を送ると決めたのなら一つずつ専門分野を持たなければならないじゃないですか。それで一つを選んでずっと掘り下げているところだと理解していただければと思います。
チェ・スンジュン それが何というか、ロさんがここに注いでいるエネルギーの気配として表れている気がします。
ロ・ジョンソク 人間も、あまりにも複雑な機械だからそう見えるだけで、プログラムなんです。
パク・ジョンヒョン そうですね。
チェ・スンジュン 再び徹底的な還元主義へ。
ロ・ジョンソク だからgeneレベルの秘密が明らかになればそれがどうやってタンパク質になるのか分かるでしょうし、次にタンパク質の秘密が明らかになれば母親と父親の精子と卵子が出会い、人間としてこのように分化するまでの過程は私たちにとって謎ですが、カエノラブディティス・エレガンスをはじめとして複雑性の低い生物については、その発生過程もどの遺伝子がどこで発現し、何がどうなって頭、胸、腹に分かれ、何が脊椎になり、何が心臓になるのか、そのレベルまではほぼ解明されているんですよ。
チェ・スンジュン そうですね。それがどの程度加速するのか、どうしても相対的には少し遅いでしょうが、それでも明らかに加速は感じられていますし。
AIが加速する生命科学の未来 1:32:39
チェ・スンジュン 今日、私たちはミレニアム懸賞問題の話をしましたが、o1が登場したのが
ロ・ジョンソク 2024年9月。つまり、ちょうど2年です。2年が経ちましたが、私たちが話していることもものすごくおかしいですよね。わずか2年で今、
チェ・スンジュン SFに出てくるような話をしたんですよ。2026年に。
ロ・ジョンソク 追いかけるのが大変で死にそうです。本当に。
チェ・スンジュン 生物学もまだ、数学者たちが今年AlphaGo momentを迎え始めたのだとすれば、生物学はまだそこまでではなく、新しい道具を手に入れてただ夢中になっている段階なのかもしれませんが、分かりませんね。
ロ・ジョンソク でも、これについても私は前回、アメリカに行ってきてお話ししましたが、優秀なAI博士たちが夜に何を勉強しているのか見てみたらみんなこういうことを勉強していたというのも、私には大きな発見だったので、あそこには何かあるんだろうという思いは私も確かに持っています。だからAlphaFold、AlphaGenomeはどちらも本当に偉大な成果ですし、LLMより面白いのはAlphaFoldもAlphaGenomeも、私たちが現代の最新LLMを学習させるために投入するデータ量やcomputeの規模と比べればそれほど大きくないと思うんです。総量を比較したわけではありませんが、データセットの大きさや計算量から見れば非常に小さい。だから最新LLMに、どれほど天文学的なデータセットと天文学的なcomputeが投入されているのかを私たちは今よく分かっていないためこうして驚いているのだと思います。
3日間のAIニュースrecap 1:34:10
チェ・スンジュン とにかく、つい前回の収録から3日が経ちました。話すことがたくさんありました。
ロ・ジョンソク ある程度、この3日間のrecapを手短にしてみた形になりました。そうですね。ほぼ2時間しゃべりましたね。
チェ・スンジュン それでは、出張から戻られたら。
ロ・ジョンソク 今日はこの辺りで締めくくりたいと思います。
チェ・スンジュン ありがとうございました。
チェ・スンジュン お疲れさまでした。
ロ・ジョンソク お気をつけて。