Lila Sciences、10兆個の検証済み推論トークンを生成するAI研究所を稼働

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。