Google DeepMindのプッシュミート・コリ (Pushmeet Kohli) 氏とバイオハブ (Biohub) のサル・カンディード (Sal Candido) 氏が、2026年10月10日(現地時間)に、AlphaFoldのブレークスルーはタンパク質フォールディング問題解決の始まりに過ぎず、AIが真に生物学を理解するために必要な要件について議論した。この議論は、計算能力とデータ量の単なるスケーリングでは生物学の全容解明には至らないという見解を示した。
この議論は、ブランドン・アンダーソン (Brandon Anderson) 氏がモデレーターを務めるパネルディスカッション形式で行われ、次世代のAIモデルがタンパク質、細胞、そしてヒトの疾患に対する理解を変革し得る可能性についても探求された。
コリ氏は、AlphaFoldの開発を通じて得られた教訓や、人間によるAIシステムの解釈能力の限界、さらに将来のフロンティアAIモデルが他のAIシステムを人間よりも深く理解する可能性について言及した。カンディード氏は、タンパク質言語モデル (protein language models) が未だ解明されていない科学的知識を内包している可能性や、生物学的モデリングが個々のタンパク質に留まらず、より広範なシステム全体を対象とすべき理由を説明した。同氏の所属するバイオハブの目標である「あらゆる病気の治療」には、漸進的な改善ではなく、10倍規模のブレークスルー思考が不可欠であるとの見方を示した。
議論の中では、生物学におけるビターレッスン (The Bitter Lesson for biology)として、計算能力とデータの単なるスケーリングでは不十分であること、適切なスケーリング法則を見つけることの重要性が強調された。また、低品質なメタゲノムデータ (metagenomic data) がタンパク質言語モデルの性能向上に寄与し得る具体的な例も挙げられた。
AI研究者が最も重要な科学的問題ではなく、利用可能なデータの最適化に傾倒する傾向があることや、モデル構築、データ生成、科学的専門知識のバランスに関するDeepMindの教訓も共有された。仮想細胞 (virtual cell) の構築には根本的に異なるデータセットが必要であること、AlphaFoldの手作業で設計されたアーキテクチャと科学的直感の役割、そしてデータ量よりも「良質なデータ」の重要性が指摘された。
さらに、誘導バイアス (inductive biases)、スケーリング法則、特殊化されたAIアーキテクチャの未来について議論が及び、現在はTransformer以降の世界ではないものの、アーキテクチャ自体は進化を続けているという見解が示された。AlphaFoldがタンパク質フォールディングの全てを解決していない理由として、タンパク質の動態 (protein dynamics) や無秩序性 (disorder)、静的構造予測の限界が挙げられた。クライオ電顕画像 (cryo-EM micrographs) がより豊かな生物学的表現を可能にする可能性も示唆された。
個々のタンパク質のモデルから生物学的システム全体への移行が展望され、リチャード・ファインマン (Richard Feynman) の有名な原理が引用され、AIが人間には理解できないものを創造する可能性が示唆された。タンパク質言語モデルの内部に隠された生物学的知識の存在も指摘された。完全な解釈可能性よりも、信頼性 (trustworthiness) と不確実性較正 (uncertainty calibration) が重要であること、フロンティアAIモデルが人間よりも他のAIモデルを解釈できる可能性も議論された。AIが創薬において10〜100倍の加速をもたらし得る時期について予測がなされ、あらゆる病気の治療には10%の改善ではなく、10倍のブレークスルー思考が求められると結論付けられた。
参考: Latent Space — 2026年10月10日 09:31 (JST)