Lila Sciencesは完全自動化研究所を運営し、24時間連続で実験を実行して10兆個以上の実験検証済み科学推論トークンを生成している。このデータ形式は公開インターネット上にはほぼ存在しないとLilaは主張する。同社の仮説は、研究所を無限トークン生成器として扱い、AIを大規模に適用すれば、生物学、化学、創薬、材料科学全体にわたるあらゆる科学的問題を解決できる汎用推論者が得られるというものだ。初期成果には、領域専門家の設計を上回るAI提案触媒と、非ヒト霊長類でのin vivo CAR-T検証が6ヶ月で達成されたことが含まれる。競合他社がこのマイルストーンに達するのに21億ドル（約3400億円）を費やしたことと比較すると注目に値する。
こういう要約が、毎朝あなたのメールに届きます。
無料で登録 →何が起きたか
Lila Sciencesが自動化研究所を運営している。AI制御のロボティクスと計測機器を備えた倉庫で継続的に実験を実行し、10兆個以上の実験検証済み科学推論トークンを生成している。計測機器をネットワークノードとして扱い、強化学習を用いて、生物学、化学、創薬、材料科学にまたがる新しい化学、材料、生物学的知見を同時に発見している。
なぜ重要か
Lilaの中核的な仮説は、AIを用いて大規模に実行された科学的手法が、未開拓のデータセット生成源であることだ。実験検証済みの推論であり、インターネット上にはほぼ存在しないとLilaは主張する。同社は純粋なスループットよりも広さと汎用性を優先し、小分子化学の知見が金属有機フレームワークに応用されるなど、領域間で知見を転移できるモデルを構築している。初期成果には、白金族非含有触媒に関するモデル提案があり、領域専門家は同研究所でこれまで製造した中で最高性能だと評価している。また、非ヒト霊長類でのin vivo CAR-T データまで6ヶ月で到達した（参考：AbbVieは先制的in vivo CAR-T データを根拠にCapstanを21億ドルで買収）。
注目点
Lilaは自動化企業ではなく、柔軟性と汎用性を優先し、自動化が利益をもたらさない場所には人間が関わったままになる。同社はガス吸着測定を再構築し、約2,500倍高速化を実現し、大規模並列スクリーンではなく反復速度の向上を実証した。重要な未解決課題は、特にモデルが物理的フィードバックに最適化されるにつれて、モデルの潜在推論と実験検証器のどちらをどの程度信頼すべきかである。
Lila Sciencesは、AI制御ロボティクス、計測機器、磁気浮上トラック沿いを移動する浮遊プレートで満ちた暗い倉庫を運営し、継続的に実験を実行している。この施設は1つの論拠を物理的に体現している。すなわち、科学を無限トークン生成源として扱い、強化学習と大規模な展開と組み合わせれば、創業者たちが科学的スーパーインテリジェンスと呼ぶものが得られるという論拠だ。
研究所は10兆個以上の実験検証済み科学推論トークンを生成している。これは、同社が公開インターネット上にはほぼ存在しないと主張するデータのカテゴリだ。テキスト配列ではなく、実験検証済み推論トレース、すなわちAI推論と湿式実験結果をペアにしたレコードだ。Lilaの最高技術責任者Andy Beamと物理科学の最高科学責任者Rafa Gómez-Bombarelliは、この形式の根拠付きデータが不可欠だと主張している。インターネットテキストと異なり、自然そのものによって検証されているからだ。研究所は生物学、化学、創薬、材料科学全体にわたって同時に運営され、同じAIと同じ物理的空間を使用している。Lilaはスループットよりも柔軟性と汎用性を優先しており、自動化が利益をもたらさない場所には人間が関わったままになるため、自動化企業ではないと主張している。
初期成果には、白金族非含有触媒に関するモデル提案が含まれている。40論文の背景知識を持つ領域専門家がそれが「バカげている」と最初に呼んだが、後に研究所が製造した中で最高性能の設計だと認識した。また、非ヒト霊長類でのin vivo CAR-T検証を6ヶ月以内に達成した。このマイルストーンは特に注目に値する。AbbVieが先制的in vivo CAR-T データを根拠にCapstanに21億ドル（約3400億円）を支払ったからだ。Lilaはガス吸着測定を約2,500倍高速化するために再構築し、大規模並列スクリーンよりもラウンドごとの高速反復を優先することで成果を実証した。同社の戦略は、複数領域を一緒に訓練することで、領域固有モデルよりもサンプル対サンプルで優れた転移学習が生まれるという仮説に基づいている。
重要な技術的問題が依然として未解決のままだ。モデルが実験を完全にスキップしながらも正しいままであることもあり、潜在推論と実験検証器のどちらをどの程度信頼すべきかという問題が生じる。物理的ループでの報酬ハッキングも危険である。思考の鎖が反復へと崩壊することもでき、プレートマップのやり直しを求めると、モデルがいらだつのが観察されている。Rafaは材料科学の苦い教訓を反転させる。AIではスケーリングはロードマップだが、材料ではスケーリングはフィルターである。物理世界で実際にスケールするもののみが最終的に重要になるからだ。同社の広い野心は、科学的スーパーインテリジェンスが湿式研究所に直接配線されることだ。これは、無限の実験検証済みデータがあれば、あらゆる科学的問題に対して汎用推論者を構築できるという仮説によって駆動されている。
Lila Sciencesは、この分野で「苦い教訓」と呼ばれる観察—スケーリングと単純な学習が手工芸的な領域知識を上回ることが多いという観察—に基づいた仮説に賭けている。科学に応用すれば、この論拠は、AIによって運営される物理的研究所が実験検証済みデータの無限生成源であり、そのようなデータで大規模に訓練されたモデルは、あらゆる科学領域にわたって推論できるようになるということを示唆している。創業者たちは、化学、生物学、材料科学、創薬を一緒に訓練することで、領域固有モデルよりもサンプル対サンプルで優れた転移が生まれると主張している。これは単一資産に焦点を当てるという従来のバイオテック戦略に反する。
Lilaが提供する具体的な証拠には、白金族非含有触媒に関するモデル提案があり、40論文の専門家がそれが「バカげている」と判断するまで、実験で成功し、研究所がこれまで製造した中で最高性能になった。同様に、非ヒト霊長類でのin vivo CAR-T検証までの6ヶ月の道筋は注目に値する。AbbVieのCapstan買収（21億ドル、約3400億円）が同じマイルストーンを根拠としていたからだ。Lilaのアーキテクチャ—計測機器をグラフノードとして、計測機器間の磁気浮上輸送層、自然を検証者とする強化学習—は、研究所をバイオテック施設ではなくデータセンターとして位置付ける。Rafa Gómez-Bombarelliは材料科学の苦い教訓を反転させる。AIではスケーリングはロードマップだが、材料ではスケーリングはフィルターである。物理世界で実際にスケールするもののみが重要だからだ。このフレーミングは、Lilaがボトルネックは発見ではなく製造性にあると考えていることを示唆している。
AIが要約して、あなたの選んだトピックだけを1日1通。LINE・Email・Slackで届きます。
登録無料・30秒で完了・いつでも解除できます
まだコメントがありません。最初のコメントを投稿しましょう！
ログインして議論に参加200以上のソースから厳選したAIニュースを毎日無料でお届けします。
無料で始める登録無料・30秒で完了・いつでも解除できます
毎朝1分、AIの要点だけ。
200媒体以上・Email/LINE/Slack 対応
