23,780 文字
みなさん、こんにちは。私はアリスター・バリスフォードで、現在コンピュータ科学技術学部（別名コンピュータ研究所）の責任者を務めています。今日はデミスをケンブリッジに迎えられることを大変嬉しく思います。
デミスは1990年代にここケンブリッジでコンピュータサイエンスを学びました。当時、研究所はこの講堂のすぐ隣にあり、クイーンズカレッジでデミスの指導教官を務めたロビン・ウォーカーも本日ここに来ています。先ほどデミスと話していたのですが、ここがデミスの最初のケンブリッジでの講義、MIMAタームの最初の木曜日の朝9時から数学の講義を受けた場所だと思います。彼が戻ってくるのにふさわしい場所でしょう。
ケンブリッジに来る前にもデミスはすでに驚くべき功績をいくつも上げていました。彼はチェスマスターであり、14歳以下の世界ランキング2位の選手でした。学校を1年早く卒業した後、ヨーロッパをバックパックで旅するのではなく、コンピュータゲーム業界で働き、ゲーム「テーマパーク」の共同設計者兼リードプログラマーを務めました。
ケンブリッジを最優等で卒業した後、デミスはゲーム業界に戻り、最初はライオンヘッドスタジオで働き、その後自分の会社を設立しました。しかし彼の中には基礎科学研究への情熱があり、アカデミアに戻りました。今度はUCLで認知神経科学の博士号を取得し、2009年に卒業しました。2011年までUCLに在籍し、その後Google DeepMindを共同設立しました。この人工知能研究所は2014年にGoogleに買収されました。
デミスとGoogle DeepMindの同僚たちは、科学に対していくつもの画期的な貢献をしてきました。代表的なものとしては、プロの人間のプレイヤーを初めて打ち負かしたボードゲームのプログラム「AlphaGo」や、タンパク質構造を予測できるコンピュータプログラム「AlphaFold」があります。AlphaFoldへの貢献により、彼は2024年のノーベル化学賞を共同受賞しました。
彼の素晴らしい知的貢献に加えて、デミスは大学に対しても素晴らしい支援をしてきました。コンピュータ研究所とクイーンズカレッジの両方で、学術的なポジションへの資金提供や、過少代表のグループからの学生への重要な支援を行ってきました。次世代のコンピュータ科学者に対するデミスの情熱と支援が、今日の講演の動機となっています。彼はAIによる科学的発見の加速について私たちの理解を深めるだけでなく、会場の次世代の学生たちが世界を変えるインスピレーションを与えてくれることでしょう。
それでは、デミスをステージにお迎えしましょう。
ありがとう、アリスター。素晴らしい紹介をありがとう。ケンブリッジに戻ってこれてとても嬉しいです。ケンブリッジに戻ってくると、いつも温かい気持ちになります。特にこの講堂は、アリスターが思い出させてくれたように、私が最初に講義を受けた場所だと思います。いつも私のお気に入りの講堂でした。ケンブリッジ時代の古い友人たちも多くここに来ているのを見て、あるときアーロンに「いつか戻ってきてこの講堂で講演し、AGIの発表をして、ロボットが歩いてきて皆を驚かせるだろう」と話したことを覚えています。今日はそれをするつもりはありませんが、数年後にまた戻ってきてその講演をするかもしれません。
ここは素晴らしい場所で、とても刺激的な場所です。ケンブリッジが私のキャリア全体にどのようにインスピレーションを与えてきたかについて少しお話ししたいと思います。そして、会場の多くの学生の皆さんにも同じようなインスピレーションを与えることができればと思います。
私にとって、AIへの旅はゲーム、特にチェスから始まりました。アリスターが言及したように、私は4歳からチェスをプレイし、イングランドのジュニアチームなどで真剣に取り組んでいました。それが私に思考そのものについて考えるきっかけを与えました。私たちの心はどのようにしてこれらの計画やアイデアを思いつくのか、どうやって問題を解決するのか、そしてどうすれば向上できるのか。チェスを幼い頃からプレイし、競争的にプレイしようとすると、そのプロセスを向上させようとします。そのメンタルプロセス自体が、プレイしていたゲーム以上に私を魅了していました。
AIとコンピュータに初めて出会ったのはチェスの文脈においてでした。右にあるような初めてのチェスコンピュータを使おうとしたときです。これは駒を動かすために実際に盤面を押さなければならない物理的なボードでした。もちろん、私たちはこれらのチェスコンピュータを使って定石を学んだり、チェスについてもっと学ぶためのものだったのですが、誰かがこの無生物のプラスチックの塊をプログラムして、実際に良いチェスをプレイするようにしたという事実に魅了されていたことを覚えています。それがどのように行われたのか、どのようにプログラムされたのかに非常に興味がありました。
10代前半にAmiga 500というすばらしいホームコンピュータで実験を始め、セルのようなゲームをプレイするAIプログラムを自分で構築しました。これが私の最初のAIの味わいであり、それ以来魅了されてきました。早い段階から、この技術の最前線を押し進めることに生涯を捧げると決めました。
それからケンブリッジに進みました。ここでの3年間は私にとって非常に重要な形成期でした。私はロンドン北部の共学校に通っていて、そこからオックスブリッジに進学した人は生きた記憶の中では誰もいませんでした。ケンブリッジに来たかった理由は、ここで起こったことについての刺激的な話、伝記を読んでいた素晴らしい人々とその仕事についてでした。特にクリックとワトソンのような人々です。
80年代の素晴らしい映画「二重らせんへの競争」を特に覚えています。まだ見ていない人は、ジェフ・ゴールドブラムの初期の役の一つで、彼はいつもの熱意を持ってワトソンを演じています。彼らはケンブリッジを歩き回り、DNAのような発見に取り組んでいて、とても楽しそうでした。私はそれに興味を持ち、発見の最前線にいる感覚を味わいたいと思いました。それ以上にワクワクすることがあるでしょうか。その映画はそれがどのようなものであるかを本当に生き生きと表現していました。
もちろん、私のヒーロー、科学的ヒーローの多くはケンブリッジを通過した人々でした。アラン・チューリングやチャールズ・バベッジなど、今私たちが座っているこの講堂にいた人々です。クイーンズカレッジで学んでいる人は、最初の日のツアーの一つとして、イーグルパブに行き、DNAの構造について議論したとされるテーブルを見せてもらいます。それに触発されないわけにはいきません。キングスパレードを歩いていると、過去の知的巨人たちが石から語りかけてくるような感覚がありました。それが私の感じ方でした。ガーディナスでの深夜のハンバーガーを食べながら、何百年もの間同じ道を歩いてきたこれらの素晴らしい人々に触発されました。これがケンブリッジに比類のない歴史であり、今日でも私たちがインスピレーションを得ることができるものだと思います。
そこに私とアーロンの写真があります。クイーンズでの親友の一人で、数学の橋の上にいます。最後に、アリスターがノーベル賞について言及しましたが、12月にストックホルムでそれを受け取るのは生涯の栄誉でした。素晴らしい1週間の活動でしたが、私のお気に入りの活動は、ノーベル財団でノーベル賞の本に署名することでした。そこに本があり、私の写真の一つですが、本をめくり始めて、署名して戻ると、クリックがその中にいるかなと思い、もちろん彼はいます。さらに戻ると、アインシュタインの署名があり、それは本当に驚くべきことでした。1時間ほど本のすべてのページを写真に撮りました。私にとっては、その写真と80年代後半にその映画を見たことからの一周回りのような感覚です。
2010年、私たちはロンドンでDeepMindを設立しました。当時、それは人工知能を構築するためのアポロ計画のような取り組みでした。真に一般的な人工知能、つまり人間が持つあらゆる認知能力を実行できるAIシステムを構築することを目指していました。実際、その考えはチューリングとチューリングマシンから来ています。計算可能なものはすべて計算できるという、チューリングが示したチューリングマシンのようなものです。これは私にとっての基礎であり、ケンブリッジでの講義から持ち続けた主なものの一つでした。コンピュータサイエンスと計算理論の理論的基盤で、チューリングやシャノンが40年代と50年代に有名に行ったものです。
2010年に始めたのですが、15年前というのは驚くべきことです。ある意味ではそれほど長い時間ではありませんが、DeepMindを始めた当時、ほとんど誰もAIに取り組んでいませんでした。今日では、ほぼ全員がAIに取り組んでいることを考えると信じられないかもしれませんが、わずか10年余りでものごとは信じられないほど加速しています。もちろん、私たちはその非常にエキサイティングな旅の一部となってきました。
DeepMindでの私たちのミッションは最初から、「人類に利益をもたらすために責任を持ってAIを構築する」というものでしたが、始めた当初はそれを2段階のプロセスで説明していました。ステップ1：知性を解決する、ステップ2：それを使って他のすべてを解決する。2010年当時、これは非常に奇抜に聞こえました。このミッションに基づいてベンチャーキャピタリストにピッチするのがどれほど大変だったか想像できるでしょう。かなりクレイジーに聞こえたでしょうが、私は今でもそれを根本的に信じています。そして、このような形で構築されたAIがほぼあらゆる分野に深く変革的な影響を与える可能性があることを、ますます多くの人々が認識するようになっていると思います。これがそのミッション声明の2番目の部分です。私にとっては、科学的発見そのものの加速、医学の進歩、そして私たちの周囲の宇宙についての理解の向上が含まれます。
私たちが始めた当時、そして90年代にここで学んでいた頃には、基本的にAIを構築する方法は2つありました。一つはエキスパートシステムの方法で、解決策を直接エキスパートシステムにプログラムします。私がここで勉強していた90年代に、カスパロフに勝った「ディープブルー」のようなものが、おそらくエキスパートシステムの最高の例でしょう。しかし、これらのエキスパートシステムの問題点、そして完全な一般的知能にスケールしなかった理由は、予期しないことに対処できないということです。すでに対応していなかった予期しないことが起こった場合、それに対処するためのシステム内には何もありません。それらは論理システムにインスパイアされており、そのためにかなり硬直的で壊れやすいものでした。
一方、現代のアプローチは学習システムに基づいています。これらは自分自身で学習し、経験やデータから直接、第一原理からどのように学習するかを学ぶシステムです。これはより神経科学的なアイデアに触発されています。現在のシステムの可能性は、プログラマーやシステム設計者としての私たちがすでに解決方法を知っている知識を超えることができるということです。これはもちろん、科学的発見のような分野では非常に価値があります。
2010年代初頭、私たちはもちろんゲームから始めました。私は人生の中で何度もゲームを使ってきました。まず自分自身の心を鍛え、次にゲームを作り、コンピューターゲーム用のAIを構築し、最後に第三の方法としてAIシステムを訓練するためにゲームを使いました。ゲームはAIシステムにとって完璧な証明の場です。70年代のアタリゲームのような非常にシンプルなゲームから始めることができます。このDQNシステムは、生のデータから直接学習できるエンドツーエンドの学習システムを構築した最初の例でした。この場合、画面の生のピクセルから学習し、ゲームやコントロールしているものについては何も指示されず、このビデオストリーム入力、ピクセルストリーム入力に基づいてスコアを最大化するよう指示されただけです。2013年頃に、私たちはさまざまなアタリゲームをすべてマスターすることができました。
その後、これらのシステムを拡張して、ゲームAIの最大の課題と言えるものに取り組みました。それは囲碁の世界チャンピオンレベル、またはそれ以上にプレイできるシステムを作れるかということです。囲碁はおそらく人間が発明した最も複雑なゲームであり、数千年の歴史があります。また最も古いゲームであり、最も優雅なゲームの一つです。囲碁の複雑さを示す一つの方法は、囲碁には10の170乗の可能な局面があるということです。これは観測可能な宇宙の原子の数よりもはるかに多いです。重要な点は、力ずくの技術を使って囲碁の戦略を思いつくことは不可能であり、完全に扱いきれないということです。もっと賢いことをしなければなりません。
私たちは2016年に、10回の世界チャンピオンであり、ゲームの伝説の一人である韓国のグランドマスター、イ・セドルとの100万ドルのチャレンジマッチで有名に勝利しました。それは世界中で2億人に視聴されました。AlphaGoが勝っただけでなく、重要なのは新しいオリジナルの囲碁戦略を生み出したことです。私たちが何千年も囲碁をプレイし、何百年もプロとしてプレイしてきたにもかかわらず、それはまだ前例のない戦略を見つけることができました。最も有名なのは、ゲーム2の37手目のこの赤い手です。YouTubeにあるこのドキュメンタリーを見ると、ゲームを解説していた世界最高のプレイヤーたちがこの手にいかに驚いたかがわかります。それは考えられない手でしたが、それがゲーム2の勝敗を100手後にAlphaGoに有利に決定づけました。これは、新しい知識を発明し、発見するためのこれらのタイプのシステムの可能性について教えてくれました。ここではもちろん、ゲームの知識についてだけ話していますが、私の夢はこれを科学的発見のあらゆる分野に一般化することでした。
これらのシステムはどのように機能するのでしょうか？基本的に、自己対戦のシステムを通じてこれらのニューラルネットワークを訓練します。これは実際にはAlphaGoと、その後のAlphaGo ZeroやAlpha Zeroのようなシステムで、ゼロから任意の二人用ゲームをプレイするために私たちが行ったことを一般化したものです。最初はバージョン1のシステムから始め、これはゲームについてのルール以外はほとんど何も知りません。ランダムにプレイし、このシステムで自分自身と10万回ほどゲームをします。それにより、それらの10万ゲームからゲームの位置の新しいデータベースが作成されます。そこから、モデルのバージョン2という少し改良されたバージョンを訓練します。これは、任意の位置でどの手が打たれる可能性が高いか、そしてどちら側（黒か白）が勝つ可能性が高いか、また彼らが勝つ確率が何パーセントあるかを予測するよう訓練されます。そして、そのバージョン2を使って、バージョン1と100ゲームのマッチを行います。そして、もし有意な勝率（この場合は55%の勝率）で勝てば、バージョン1をバージョン2に置き換え、品質が少し高い新しいゲームのデータベースを作成します。その後、バージョン3のシステムを学習させ、これを17回か18回ほど繰り返すと、朝はランダムにプレイしていたものが、24時間以内にバージョン17か18で世界チャンピオンレベルより強くなります。これは本当に信じられないことで、非常に短い時間で行われるこの自己改善プロセスを見るのは素晴らしいことです。
これらのニューラルネットワークが行っていることを考えると、10の170乗の可能性という扱いきれない検索空間を、数分の計算時間で扱える程度まで削減しているのです。これは、ニューラルネットワークを使用して検索メカニズムを効率的に導くことで行われています。可能性のこの木を考えると、この木の各ノードは囲碁の局面です。すべての可能性を見る必要はなく、実際にはニューラルネットワークを使って、最も興味深く、最も有用なライン（この場合は青いもの）だけを調べるように導くことができます。そして、考える時間がなくなったら、あなたが見た中で最も有望なライン、この場合は紫のラインを選びます。
これは、囲碁だけでなく、完全情報の二人用ゲームなら何でもプレイできるようになり、チェスの新しい戦略や新しいプレイスタイルを発見できるようになりました。これは非常に特異なことですが、チェスコンピュータはすでにとても強かったので、Alpha Zeroはその当時、チェスでStockfishを打ち負かすことができました。これはほぼ不可能なことでした。Alpha Zeroが白でStockfishが黒をプレイしているこの特定の局面で、Alpha Zeroがプレイした最も有名なゲームの一つ、「不滅のツヴァング・ゲーム」と呼ばれるものです。この局面では白が勝っています。なぜなら、駒の価値よりも機動性を優先したからです。ほとんどのチェスコンピュータは駒の価値を優先しますが、チェスをプレイする人なら、黒はより多くの駒を持っていることがわかります。しかし実際には、その駒はどれも動かすことができず、すべて隅に閉じ込められています。これはAlpha Zeroが機動性のために駒を犠牲にしたことを示しています。人間のグランドマスターや一流のチェスプレイヤーにとって、これは非常に効果的なスタイルであるだけでなく、非常に美しく、美的なスタイルでチェスをプレイする方法です。
Alpha Zeroがこの新しい方法、この新しい動的なプレイ方法を発見できたことは素晴らしいことです。実際、世界の一流チェスプレイヤーたちがこれについてコメントしています。私の大好きなチェスプレイヤーであるガリー・カスパロフは、「プログラムは通常、プログラマーの優先事項や偏見を反映していますが、Alpha Zeroは自分自身で学習するため、そのスタイルは真実を反映していると言えます」と述べています。また、当時の世界チャンピオンのマグヌス・カールセンは、「最近、私のヒーローの一人に影響を受けました。その一人がAlpha Zeroです」と言っています。彼は実際にこれらのアイデアの多くを自分のゲームに取り入れ、ほぼ10年にわたってチェスシーンを支配しています。
ゲームAIでこれらの画期的な進歩をすべて行いましたが、もちろんこれらは私たちがやりたかったことの訓練場に過ぎませんでした。ゲームをプレイすることは目的そのものではなく、私がゲームを愛しているにもかかわらず、手段に過ぎませんでした。実世界の問題に取り組むために一般的に役立つこれらのアルゴリズムを作ることが目的でした。
実世界の問題、科学的問題だけでなく産業的問題も探し、これらのタイプのAIシステムで取り組むのに適した問題を選ぶために3つの異なる基準を見ています。ゲームをプレイするために開発したアイデアやアルゴリズムです。第一に、巨大な組み合わせ検索空間として説明できる問題を探します。通常、力ずくで解決策を見つけるには複雑すぎる、組み合わせが多すぎる問題ですが、ニューラルネットワークで学習できる何らかの構造があり、その検索を非常に効率的に導くことができる問題です。第二に、明確な目的関数や最適化できる何らかの指標で説明できる問題を探します。ゲームでは非常に簡単で、スコアを最大化したり、ゲームに勝ったりすることですが、実際には多くの実世界の問題を、最大化しようとするいくつかの指標や目的関数に要約することができます。そして最後に、もちろん、学習するためのかなりの量のデータや経験が必要です。または理想的には、より多くの合成データを生成して実データを補強できる正確で効率的なシミュレータです。
この角度から問題を見ると、これらの条件に適合する問題が多くあることがわかります。科学における多くの重要な問題を含め、私が常に念頭に置いていたのは、学部生としてケンブリッジで初めて出会ったタンパク質折りたたみ問題です。これについて、生物学とタンパク質を知らない人のために簡単に説明します。
タンパク質は非常に重要で、生命の構成要素です。生体内のほぼすべての機能はタンパク質に依存しています。ニューロンの発火から筋繊維の収縮まで、タンパク質が生命を可能にしています。タンパク質折りたたみ問題は、実は説明するのは簡単です。基本的に、タンパク質はその遺伝子配列によって定義され、それがアミノ酸配列を指定します。そのアミノ酸配列は自然界では自発的に、通常は非常に美しいタンパク質構造に折りたたまれます。つまり、遺伝子配列からタンパク質構造への変換です。3D構造が非常に重要なのは、それが体内でどのような機能を持つか、何をするかを大きく定義するからです。それは機能を完全に記述するわけではありませんが、実際に自然界で何をするかに大きな役割を果たします。
したがって、タンパク質折りたたみ問題とは、この一次元のアミノ酸配列から、計算的にその信じられない3D構造を予測できるかという問題です。なぜこれがそんなに難しい問題なのでしょうか？ランタルという60年代の有名なタンパク質研究者は、レバンタールのパラドックスとして知られるようになった仮説を述べました。彼は平均的なタンパク質が取り得る形状がおよそ10の300乗あると計算しました。しかし、自然界や体内では、これらのタンパク質はミリ秒単位で自発的に折りたたまれます。それがパラドックスです。可能性がそれほど多いのに、自然はどのようにしてこれを行うのでしょうか？基本的に、物理学はどのようにしてこれを達成するのでしょうか？
これは、計算的には何らかの合理的な時間内に解決可能でなければならないという希望を与えてくれます。なぜなら、物理学は体内でこの問題を1秒間に何十億回も解決しているからです。さらに、この問題に私の関心を引いたのは、CASPという二年に一度の競争があったことです。これはタンパク質折りたたみのオリンピックのようなものです。2年ごとに行われ、メリーランド大学のジョン・モルト教授が率いる素晴らしい人々によって運営されています。1994年から続いており、素晴らしい競争です。彼らは実験家と協力し、電子顕微鏡のような非常に特殊で高価な機器を使って苦労してこれらの構造を発見し、まだ発表されていない新しく発見された構造を競争に入れます。実際、競争の主催者は真実が何かを知っていますが、毎年数百のチームが参加し、彼らは自分たちの計算方法を使ってそれらの構造を予測しようとします。通常、競争には約100のタンパク質が含まれ、夏の終わりに真の構造が明らかにされ、予測されたものと実際の構造との誤差、距離を比較することができます。
私たちは2018年に実際にAlphaFold 1を初めて登場させました。AlphaFoldプロジェクトは2016年に始まり、ソウルでAlphaGoの試合から戻った翌日に始めました。私たちは技術が十分に成熟し、ゲーム以外の領域に適用する準備ができていると感じました。本当に意味のある問題に取り組むことにしました。私たちはそれらを「根本的な問題」と呼んでいます。なぜなら、それらが解決されれば、新しい発見の枝や道が開かれ、その上に構築できるからです。タンパク質折りたたみはその典型的な例でした。
2016年に取り組み始め、数年後のAlphaFold 1は、CASP13コンペティションに参加しました。前の10年間、これらの棒グラフは優勝チームのスコアを示しています。最も難しいカテゴリー、予測されていた最も難しいタンパク質についてのものです。これは、どれだけの原子、どれだけのアミノ酸が特定の許容範囲内で正しい位置にあるかという正確さの割合と考えることができます。ある許容範囲内、原子の幅の範囲内で予測する必要があります。10年間ほとんど進展がなく、この60ポイントのレベルで停滞していました。90に達すると、原子の幅の範囲内になり、原子レベルの精度になります。これが、実験方法と競争できるために達する必要がある精度だと実験家に言われました。実験家が必要な労力のかかる仕事をせずに、これらの予測に頼ることができるようになります。
経験則として、生物学者の友人はいつも、一つのタンパク質の構造を見つけるには博士課程の学生が博士課程全体、つまり4〜5年かかると言っていました。そして科学で知られているタンパク質は2億個あり、人間のプロテオームには20,000個のタンパク質があります。
AlphaFold 1で、私たちはこの競争に勝ち、次に優れたシステムよりもほぼ50%優れていました。AlphaFold 1は初めてシステムの主要な構成要素として機械学習技術を導入しましたが、この原子レベルの精度に達するには十分ではありませんでした。実際、学んだことをもとに白紙から再設計する必要がありました。AlphaFold 1からの学びをすべて使って、ゼロからAlphaFold 2を再構築し、最終的にこの原子レベルの精度に達しました。これにより、2020年末に主催者は問題が解決されたと宣言しました。
これはAlphaがどのように視覚的に機能するかの例です。左側は非常に複雑なタンパク質で、真実は緑色、予測された構造は青色で、青色が緑色にどれだけ密接に重なっているかがわかります。右側ではAlphaFold 2がどのように機能するかがわかります。それは反復プロセスでその構造を構築していきます。実際に192ステップにわたって自分自身をリサイクルしているような感じです。そして、アミノ酸の収縮したボールから始まり、より妥当な構造を構築していき、最後には最終的な予測ができるまで最後の部分を洗練させていきます。
AlphaFoldは非常に正確なだけでなく、非常に高速でもあります。平均的なタンパク質を数秒で折りたたむことができます。すぐに、科学で知られている2億個のタンパク質すべてを折りたたむことができると認識しました。1年かけて、Google Cloudの多くのコンピュータを使ってそれらすべてを折りたたみ、ケンブリッジ郊外のサンガーセンターにあるEMBL-EBIの同僚と一緒に、データベースに無料で公開しました。世界中の誰でも無制限に無料でアクセスできるようにしました。この2億個のタンパク質を実験的に見つけるのにかかる時間、4〜5年を考えると、1年で10億年分の博士の時間を行ったようなものです。
これにより、科学がどれだけ加速できるか、そして新しい探索の道がどれだけ開かれるかを考えるのは素晴らしいことです。これらの構造の多くは、特定の種類の植物のような、あまり研究されていない生物のためのものです。科学や農業、農業研究にとって非常に重要ですが、これらの構造はほとんど見つからず、利用できませんでした。今ではそれらすべてが利用可能です。また、2億個という数字を集合的なレベルで見ることで、種を超えた構造を見ることができ、進化を通じての共通点を見ることができます。構造生物学の新しい興味深い道筋、新しい分野が現在探索されています。
もちろん、私たちは最初から安全性について考えていました。AIの最前線として私たちの責任を非常に真剣に受け止めています。この場合、30人以上のバイオセキュリティとバイオエシックスの専門家に相談し、世界に提供するものの利益が、それに関連するリスクをはるかに上回ることを確認しました。現在、世界中のほぼすべての国から200万人以上の研究者がそれを使用していることを誇りに思っています。30,000回以上引用され、今では生物学研究の標準的なツールになっています。会場の多くの博士課程の学生の皆さんが、それを使用し、活用していることを願っています。それは今や生物学研究に使用される標準的な知識体系の一部になっています。
他の研究者たちがこのすべての技術とこれらの構造を使って何をしてきたかを見るのは素晴らしいことです。私のお気に入りの例を6つほど挙げました。ポーツマス大学の人々は、環境中のプラスチック汚染に取り組むためにそれを使用しています。研究グループはプラスチックを分解できる新しい酵素（タンパク質の一種）を設計しようとしています。私たちはフレミングセンターと抗生物質耐性について協力しています。世界の貧しい地域に影響を与える熱帯病のような顧みられない疾病についても、「顧みられない疾病のための薬」研究所と協力しています。これは、マラリア、リーシュマニア症、ジカウイルスなどの領域で研究を加速できる良い例です。それらの構造の多くは知られていませんでしたが、今やそれらのウイルスや細菌の構造について多くの情報を持っているので、直接薬の発見に進むことができます。
また、細胞の核孔からの栄養素の出入りを可能にする非常に重要なタンパク質であるナノポア複合体の構造を見つけるなど、基礎研究も多く行われています。ブロード研究所では薬物送達に関する素晴らしい研究が行われており、分子注射器の設計や、体の特定の部分に薬物を標的送達できるタンパク質の再設計などが行われています。さらに、生殖のメカニズムを調べるようなことにも使用されています。使用されている範囲は現在、生物学や医学研究のほぼすべての分野に及びます。
過去数年間、私たちはより多くの構造開発や、システムの改良を続けてきました。今年初め、AlphaFold 3を学術用にリリースしました。AlphaFold 3では、相互作用も扱えるように拡張しました。AlphaFold 2は静的なタンパク質構造の画像と考えることができますが、実際には生物学は動的なプロセスです。そのため、異なる生物学的要素が互いにどのように相互作用するかを理解する必要があります。もちろん、タンパク質と他のタンパク質だけでなく、タンパク質と他の生命に重要な分子、DNAやRNAなどとの相互作用、さらにはリガンドとの相互作用も重要です。リガンドは小分子で、薬物化合物のようなものです。タンパク質がその化合物とどのように結合するかということです。
また、AlphaProteoという別の研究も行っています。これはAlphaFoldの技術を活用しながら、AlphaFoldとは逆のことを行います。特定の仕事や機能のために、自然界に存在しない新しいタンパク質を設計したい場合、その構造を与えるアミノ酸配列と遺伝子配列は何かということです。つまり、逆方向に実行して、新しいことを行う新しい構造を設計しようとしているのです。これも、薬物や抗生物質、抗体などの設計に非常に役立つ可能性があります。
一歩引いて考えると、過去15年間で行った仕事のすべてが、科学と機械学習にどのような影響を与えるのでしょうか。まず私たちのゲームの仕事、そして現在取り組んでいる科学的な仕事、その中でAlphaFoldが最も良い例ですが、それはすべて検索を扱いやすくすることについてです。この非常に複雑な問題、問題に対する多くの可能な解決策があり、その巨大な組み合わせ検索空間の中から、干し草の山の中の針のような最適な解決策を見つけなければなりません。力ずくでは不可能なので、このニューラルネットワークモデルを学習させる必要があります。それにより、問題のトポロジーについて学習し、あなたが考える目的の最適な解決策を見つけるか最大化するために、検索を効率的に導くことができます。
これは非常に一般的な方法、非常に一般的な解決策、そして問題へのアプローチ方法であり、様々な問題に適用できると思います。囲碁の例に戻ると、これらのシステムを使って最良の囲碁の手を見つけようとしていますが、それらのノードを化学化合物に変えることもできます。そうすると、化学空間の中で最良の分子を見つけようとしていることになります。最良の分子は、あなたが興味を持っている標的に特異的に結合するが、他には結合しないものです。これにより、その化合物の副作用や毒性が減少します。私たちが今、薬物発見の次のステップに進むにつれて使用している技術は非常に似ています。
少なくとも生物学では、私はデジタル生物学と呼ぶ新しい時代に入りつつあると感じています。私は最も基本的なレベルでの生物学を、周囲のエントロピーに抵抗する情報処理システムと考えています。それが基本的に生命だと思います。もちろん、それは非常に複雑で創発的な情報処理システムであり、AIが登場するのはそこだと思います。数学、この部屋で私が学んだ数学が物理学、物理現象の完璧な記述言語であったように、AIは生物学の完璧な記述言語になる可能性があります。生物学のような動的システムで見られる複雑さ、創発的行動、相互作用に対処するのに完璧です。AlphaFoldはその証拠だと思います。10年後を振り返ると、これが孤立した画期的な発見ではなく、実際にはデジタル生物学の新しい時代、黄金時代の先駆けとなったと考えられるでしょう。
私たちはそれを進めようとしています。AlphaFold技術を基盤に、より化学空間に移行するための新しいスピンアウト企業、Isomorphic Labsを設立しました。実際にAIを使って第一原理から薬物発見を再考しています。現在、薬が開発されるのに平均10年かかります。これは非常に高価で、何十億ドルもかかります。なぜこれらの技術を使って、それを数年から数ヶ月、いつか数週間にまで短縮できないのかと考えています。それはちょうど、タンパク質構造の発見を数年から今では数分、数秒に短縮したのと同じようにです。私たちはこれをデジタルスピードで科学を行うと考えています。テクノロジー分野で行っている最良のものを自然科学に持ち込もうとしています。私の夢は、いつか仮想細胞、例えば酵母細胞のような非常にシンプルなものの計算細胞を創造することです。それにシリコン上で実験を行うことができ、仮想細胞から得られる予測が実際に実験室での実験を知らせてくれるようになるでしょう。ウェットラボで行われる多くの検索を減らし、ウェットラボを非常に高価で遅い検索プロセスよりも、検証ステップに使用できるようになります。
もちろん、AIは生物学だけでなく、科学、数学、医学全般にも使用されています。網膜スキャンからの眼疾患の特定、新しい材料の発見、プラズマ容器核融合炉の支援、より高速なアルゴリズム（AIが自分自身のためにより良いアルゴリズムを発見する）、より高速な行列乗算、天気予報、そして量子コンピュータと量子コンピューティングのエラー修正の支援など、生物科学だけでなく、様々な分野で画期的な成果を上げてきました。これは私たちが過去2〜3年間に行ってきた仕事のほんの一例に過ぎません。
AIはほぼすべての分野に適用可能だと思います。私はいつも大学に対して、特定の専門分野の適切な問題にAIを適用する学際的な仕事について真剣に考え始めることを奨励しています。そうすることで、今後5〜10年間に多くの進歩がもたらされると思います。
最後に、科学のためのAIだけでなく、AGIへの道とそれにどれだけ近づいているか、そして元々のAGIのミッションについての私たちのより一般的な仕事について少し考察して終わりたいと思います。私たちは世界の一般的理解、時には「世界モデル」と呼ぶものの全領域で多くの進歩を遂げています。特に誇りに思っているのは、昨年末にリリースされた新しいビデオモデル「V2」です。これは最先端のビデオ生成で、テキストの説明だけで、または単一の静止画像からこれらのビデオを生成することができます。
これらのビデオの中には印象的でないように見えるかもしれませんが、このトマトを切るビデオを考えてみると、これはビデオモデルのチューリングテストのようなものです。通常、トマトは魔法のように元に戻るか、指を切ってしまうか、ナイフがどこかに移動してしまいます。システムが世界の物理学を本当に理解するために何をしなければならなかったか、またはこのブルーベリーの周りの泡を考えてみてください。これはテキストだけから生成されています。「ブルーベリーが水のグラスに落ちる」というテキストから、正確な物理現象を再現しています。または、これらの小さな漫画のキャラクターや蜂の動きも同様です。本当に驚くべきことです。
5年前に、特別な物理学の理解を組み込まずにこれが可能だと言われていたら、それは可能性が低いように思えたでしょう。しかし、これらの学習システムは多くのYouTubeビデオを見るだけで、実世界の物理学について学ぶことができます。これが可能だということは非常に驚くべきことです。
さらに進んで、Genie2というものを開発しました。これは私のゲームの帽子を戻してきたような感じですが、これらのビデオモデルをさらに一歩進めています。テキスト指示で完全なゲームを生成できます。例えば、「未来都市のロボットとしてプレイ可能な世界を生成してください」と言うと、これが現れ、QWEキーや矢印キーで操作できます。現時点では数秒間しか一貫性が保たれませんが、ゲーム世界の一貫性が数分間続くように拡張しようとしています。そうすれば、本当の意味での世界モデル、つまり実世界と実世界での相互作用、そして実世界の物理学がどのように機能するかについての理解を得ることができます。
もちろん、最初から安全性の側面に非常に取り組んでいます。2010年にはほとんど誰もAIに取り組んでいなかった時からすでに、成功を計画していました。20年のミッションを想定していましたが、驚くべきことに15年経った今でも予定通りに進んでいます。これらの変革的なシステムや技術を構築できた場合、それらを安全で責任ある方法で展開することを確実にするために、多くの責任も伴うでしょう。
私たちが構築した技術の一つはSynthIDと呼ばれるもので、AIシステム、敵対的AIシステムを使用して、人間の耳や目には気づかれないように、ピクセルやテキスト、音声をわずかに調整し、これらが合成的に生成された画像であることを検出システムによって検出できるようにします。これらの技術が広く展開されるにつれて、合成的に生成された画像と実際の画像を簡単に区別できることがますます重要になるでしょう。
AIは気候や健康など私たちの最も大きな課題を助ける信じられない可能性を持っていますが、これは誰にでも影響するものです。そのため、技術者だけが決定するのではなく、社会のさまざまな利害関係者と関わることが本当に重要だと思います。過去数年間で、AIが主流になった結果として多くの政府がそれに興味を持ち、社会のあらゆる部分が関心を持つようになったことはとても嬉しいことです。これらの国際サミットが行われていることは素晴らしいことだと思います。英国は数年前にブレッチリーパークで最初のサミットを開催し、政府首脳をアカデミアや市民社会と集めて、これらの技術、適切な保護策の設置、機会を受け入れつつリスクを軽減する方法について議論しました。これらの技術の指数関数的な改善を考えると、これはますます重要になってくるでしょう。
私の簡潔な言い方は、シリコンバレーは「素早く動いて物事を壊す」という考え方が多いですが、これはもちろん多くの進歩、私たちが今日使用している多くの技術を生み出しましたが、この種の変革的な技術には適切ではないと思います。むしろ科学的方法を使用し、この種の技術にふさわしい謙虚さと敬意をもってアプローチすべきだと思います。この技術がどのように発展するか、多くのことがわからないまま、多くの未知があります。それはとても新しいものですが、例外的な注意と先見性があれば、私たちはすべての利益を得て、欠点を最小限に抑えることができると思います。しかし、今からその研究と議論を始めなければできないと思います。
最後に、私たちは今、これらの異なるモデルのすべての最良の部分を取り入れて一つのシステムにまとめた、独自の大規模なマルチモーダルモデルを構築しています。Geminiシリーズと呼んでいます。最新のものはGemini 2.0で、皆さんの一部は試したことがあるかもしれませんが、多くの主要なベンチマークで最先端の性能を発揮しています。次世代のアシスタント、ユニバーサルアシスタントを進めるのにそれを使用しています。プロジェクトAstraと呼んでいるもので、実際に電話やその他のデバイス、おそらくメガネなどに装着し、実世界で一緒に連れて行けるアシスタントとなり、日常生活で生活を豊かにしたり、より生産的になるのを助けたりします。
AIの次のステップは、AlphaGoで示したこれらのエージェントベースのモデルを組み合わせることです。これらは限られた領域内で、この場合はゲームで、問題の良い解決策を効率的に検索して見つけることができます。しかし、私たちはそれらの種類の検索システムや計画システムを、Geminiのようなより一般的なモデル、実世界がどのように機能するかを理解し、実世界で物事を計画し達成できる世界モデルの上に構築したいと考えています。そして、もちろんこれはロボット工学の鍵となるもので、次の2、3年で大きな進歩を遂げる巨大な分野になるだろうと思います。
最後に、これがすべて何を意味するのか、チューリングと彼がコンピュータサイエンスの基礎を築いたすべての仕事に立ち返ってみたいと思います。私たちが行ってきた仕事を見ると、私は自分をある意味でチューリングの擁護者のように考えています。チューリングマシンとこの古典的な計算のアイデアがどれだけ遠くまで行けるかを探っているのです。おそらくこの部屋で受けた講義の一つで私が最も考えるのが好きだったのは、P対NP問題です。これはコンピュータサイエンスにおける有名な問題で、古典的なシステム上でどのような種類の問題が扱いやすいかということです。
もちろん、量子コンピューティングシステムにおいても多くの素晴らしい研究が行われています。ケンブリッジでも、Googleでも行われており、Googleは世界有数の量子コンピューティンググループを持っています。量子コンピューティングが解決するために必要と考えられているものがたくさんあります。多くの実世界のシステムを理解し、モデル化したいと考えています。私の仮説は、実際には古典的なチューリングマシン、つまりこれらのタイプのAIシステムが構築されている古典的なマシンは、私たちが以前に考えていたよりもはるかに多くのことができるということです。
AlphaFoldとタンパク質折りたたみを考えると、タンパク質は量子システムです。それらは原子スケールで動作し、タンパク質の構造を見つけるには量子シミュレーションが必要だと思うかもしれません。しかし、私たちはニューラルネットワークを使ってこれらの解決策を近似することができました。一つの考え方は、自然界で生成されたり見つかったりするパターン、つまり実際の物理的構造を持つものは、AlphaFoldのような古典的な学習アルゴリズムによって効率的に発見され、モデル化されるということです。
これが真実であることが判明すれば、量子力学や基礎物理学にあらゆる種類の影響を与えることになると思います。これは私や多くの同僚が探求したいと思っていることであり、おそらくこれらの古典的なシステムの助けを借りて、現実の真の性質が何であるかを解明するのに役立つかもしれません。
これは、多年前にAIへの道を始めた全体的な理由に戻ります。私はいつも、このように構築されたAGIが、私たちの周りの宇宙と、その中での私たちの位置を理解するための究極の汎用ツールになり得ると信じていました。ありがとうございました。
[拍手]
さあ、質問の時間があります。もし質問がある人は最初に手を挙げてください。
こんにちは、素晴らしい講演をありがとうございます。あなたは神経科学のバックグラウンドをお持ちで、根本的な問題を考えるのが好きですが、生物学的知能と人工知能をさらによく理解するために取り組む価値があると思った神経科学の根本的な問題はありましたか？それは今でも取り組む価値があると思いますか？
はい、多くあります。実際、私が博士課程で研究したのは記憶と想像力、つまり未来を考える計画のようなものでした。私は脳がどのようにしてそれを行うかを理解したいと思っていました。そして海馬が両方に関わっていることがわかりました。そのため、これらのアルゴリズムでそれを模倣できるかもしれません。そこには多くの重要なことがあります。もちろん、創造性、夢、意識など、すべての大きな問題があります。AIを構築し、それを人間の心と比較することは、これらの種類の根本的な問題、例えば意識の性質とは何か、脳の基質の具現化には特別なものがあるのか、あるいはアルゴリズム的にシリコンでそれを模倣することには何か違いがあるのかというような問題の進展を促す最良の方法の一つだと思います。
では、こちらの質問をどうぞ。
こんにちは。実は2つ質問があります。DeepMindはディープラーニング革命の前に設立されましたが、もしディープラーニングが発展しなかったら、どのような心境だったでしょうか？どのように進めていくつもりだったのでしょうか？これが1つ目の質問です。2つ目の質問は、あなたはそのような難しい問題、非常に高次元の問題と密接に関わってきて、勾配降下法の変種が最適解ではなく局所的な最適解にしか収束できないことを知っていると思いますが、これらのシステムがあらゆる段階で何かしら機能することに驚きましたか？また、自然界のほとんどは最適ではなく、私たちはより最適な自然を構築できる可能性があると思いますか？
どちらも素晴らしい質問です。まず1つ目については、私たちが「Mind」という名前を付けた理由の一部は、「Deep」はディープラーニングを指しているからです。ディープラーニングはそれほど確立されてはいませんでしたが、初期の段階ではありました。当時はディープラーニングと呼ばれていませんでしたが、ジェフリー・ヒントンが2005年、2006年頃に発明したボルツマンマシンのようなものや、階層的ニューラルネットワークがありました。それは当時でも非常に有望なアイデアに思えました。私たちはアカデミアでそれに出会っていました。もう一つ私たちが賭けたのは強化学習であり、その組み合わせでした。これは今再び注目されていますが、AlphaGoのようなものを解決するためにも重要でした。その両方の部分が必要でした。環境や世界をモデル化するためのディープラーニングと、計画を立て、解決策を見つけ、世界で行動を起こすための強化学習が必要です。
私たちがそれに賭けた理由は、それがまだ始まったばかりの段階であっても、古典的な方法、これらのエキスパートシステムがスケールしないことを知っていたからです。これもケンブリッジやMITのポスドク時代に学んだことの一つです。古典的な方法、これらのエキスパートシステムの教会のようなものがありました。ここで学べることは、何をすべきかだけでなく、何をすべきでないか、そしてなぜそれがスケールしないかということです。私はそれについて考え、AIで解決したいと思っていた種類の問題にはスケールしないと感じていました。一方、学習システムは無限の可能性を持っているように思えました。しかし初期段階では何か意味のあることをさせることは非常に難しかったのです。これが問題で、十分にスケールアップされていなかったからです。
DeepMindを2010年に始めたもう一つの理由は、ハードウェア側でもコンピューティングのパラダイムが変化しつつあることが見えていたからです。GPUやその他のもの、これらもゲーム用に発明されたものですが、知能もゲームもコンピュータグラフィックスも、すべて行列の乗算であることが判明しました。これらのすべての異なる影響が集まり、神経科学の理解とFMマシン、そして神経科学も前の10年間でかなり進歩していたので、2010年にそれらすべてを一緒にまとめるのに完璧な時期だと感じました。それが機能するとわかっていたからではなく、他の方法が機能しないと確信していたからです。これがAIの冬が起きた理由です。基本的に人々はエキスパートシステムを押し進めようとしていました。
2つ目の質問については、私はこれらのものの一部が収束することは驚くべきことだと思います。実際、私たちは確信していませんでした。アタリのことを示しましたが、最初の数年間は何も機能しませんでした。パックマンのような、コンピュータゲームの一つである非常にシンプルなテニスのラケットとボールのゲームで、1ポイントも取れませんでした。私たちは、バベッジが彼の差分エンジンでそうだったように、10年、20年早すぎるのではないかと心配していました。素晴らしいアイデアで機能しましたが、結局彼は50年か100年早すぎました。私はいつも、自分の時代より5年先を行きたいが、50年先を行くと、バベッジのように多くの苦痛を味わうことになると言っています。そのことを心配していましたが、それは収束し、それが私たちにより難しい問題に取り組む自信を与えました。
あなたの質問の最後の部分、自然界のものについては、それらは最適ではなく、実際にはかなり最適だと思います。なぜなら、それらは進化的なプロセスを経てきたからです。生物学だけでなく、地質学的にも物理的にも、小惑星や物理現象が組み合わさって、ある程度の時間安定しているから生き残るのです。もし時間とともに安定しているならば、おそらく学習可能な何らかの構造があるというのが私の仮説です。
こちらの質問はどうぞ。
高帯域幅の脳機械インターフェースや植え込み可能なメモリと推論モジュールの構築について、あなたはどう思いますか？人間がさらに強化されて、クラウド上のAIに話しかけるだけでなく、発見ができるようになるために。
私はその分野が大好きで、注意深く追跡し、EEGキャップなどの構築を手伝ってきました。もちろん、問題は脳からの読み取りの解像度です。理想的には読み取りと書き込みの両方が必要です。Neuralinkのようなプロジェクトやブレイン・チップに非常に興味を持っています。現在はもちろん、退役軍人や体の機能を取り戻すための人々のためのものです。人々が背中を骨折しても再び歩けるようになるなど、医学の分野で驚くべき進歩があると思います。
そしてそれを超えて、もし手術が日常的になり、安全な方法があれば、これが私たちがテクノロジーに追いつくための一つの方法になるかもしれないと想像できます。ある意味では、私たちは既に今日、私たちの周りのテクノロジーとともに存在しています。私たちは皆、24時間、電話やコンピュータなどを持ち歩いています。私たちは既にテクノロジーとほぼ共生的です。もちろん、それがあなたに付着しているのと、ただあなたがいつも持ち歩いているものとの間に、どのような違いがあるのかについては、この部屋の哲学者たちが答えるべきかもしれません。
こちらの質問どうぞ。
人工知能が発展するスピードと、それが経済発展に与える影響についてどう思いますか？今キャリアを選択しようとしている多くの人がいますが、急速に変化する状況の中で、何を選ぶべきか予測するのが本当に難しくなっています。
これは非常に複雑な問題です。あなたが言うように、物事は光のような速さで変化しています。アリスターと議論していたのですが、コンピュータサイエンスの3年間のコースを設計するのも、基礎となる材料が3年未満で変化するため、非常に難しいです。唯一確かなことは、多くの変化があるということですが、それは混乱と機会の両方をもたらします。
コーディングを例に挙げると、コンピュータサイエンティストであるかどうかはわかりませんが、私はまだコーディングと数学に精通することをお勧めします。なぜなら、それらがどのように構築されているかを理解していれば、これらの新しいツールをより深く使用できると思うからです。一方で、コーディングは多くの種類の人々にとって、より利用しやすくなると思います。AIのおかげで、複雑なコンピュータ言語ではなく、自然言語でプログラミングできるようになるでしょう。それにより、クリエイティブな人々がゲームを作ったり、映画を作ったり、エンジニアリングよりもクリエイティブな側面にバランスが傾いたアプリケーションを構築する機会が開かれるでしょう。しかし、それはエンジニアが今日できることの10倍を実現できるようにもなると思います。
何に焦点を当てるべきかを知ることは難しいですが、空き時間にこれらのツールを受け入れ、新しい情報を非常に素早く取り入れる能力を訓練することを勧めます。それが次の10年間に起こることだと思います。
黄色と黒のトップを着ている方の質問ですね。
既存のディープラーニング技術ではモデル化できない生物学的プロセスや行動、パターンがあると思いますか？もっと計算能力を投入して解決するのではなく、より大きなモデルを作るだけでなく、現在のアーキテクチャーでは物理的にモデル化できないプロセスがあると思いますか？
確かに今日モデル化できない多くのプロセスがありますが、限界に達したときには、私はそのようなものがあるとは確信していません。結局、物理学がそれを解決でき、学ぶべき構造がそこにあれば、おそらく十分な例があれば、そのモデルを逆行分析することができ、古典的なシステム、非常に複雑なものであっても、その生物学的システムの予測やシミュレーションを行えない理論的な理由は見当たりません。限界において何が限界なのかは本当にわかりません。
大きな数の因数分解や暗号学のような抽象的なものがたくさんありますが、それらは人間が作ったシステムで、構造がないかもしれません。自然数には構造があるという多くの人の推測があって、もし構造があれば、それも学習可能です。もし構造がなく、一様分布のようなものであれば、暗号を解読するには量子コンピュータが必要になるでしょう。これらは開かれた仮説ですが、自然界のほとんどのものは、地質学的または生物学的な物理的時間を通じて進化してきたので、学ぶべき構造があることを示唆しています。それにより、検索や予測が潜在的に扱いやすくなると思います。
最後の質問はピンクの人から。
この質問はケンブリッジ大学ゲーム開発協会からのものです。あなたはGenie2モデルについて言及し、現在は数秒間の一貫性があり、最終的には数分間の一貫性を持つことを望んでいると言いました。しかし、私たちが実際にプレイするゲームには無期限の一貫性があります。マインクラフトをプレイしているとき、振り返ってもその村はまだそこにあると期待します。あなたは現在のモデルがワークフローに統合されることをどのように考えていますか？また、あなたのモデルや取り組んでいることが、今後数十年でゲーム開発にどのように統合されると思いますか？
AIがゲーム開発に取り入れられる方法はたくさんあります。一つは、ゲームに必要なアセット、3Dモデル、アニメーションを構築するためのツールです。それは今後数年で普及すると思います。AIはゲームバランスにも使えます。ゲームを設計し、一晩で100万回のプレイスルーを行い、翌朝にはゲームデザイナーとして、何がアンバランスか、このユニットのパワーを下げるべきかなどのレポートを得ることができます。
また、オープンワールドゲームのバグテストにも使えます。私はシミュレーションゲーム、オープンワールドゲームを作っていましたが、それらはバグテストが悪夢です。なぜなら、プレイヤーがほぼ何でもできて、ゲームがそれに反応するからです。1000万人が独自の旅をするゲームをどうやってテストしますか？リリース前にAIプレイヤーにプレイさせることで、多くのバグを解決するのに役立ちます。
そして最後に、ストーリーラインを進める、よりリアルな感じのAIキャラクターも魅力的です。大規模マルチプレイヤーの世界で、AIキャラクターが知的で、プレイヤーが何をしているかに基づいて信念やストーリーラインを更新するような世界を夢見ていました。そうすれば、より生き生きとした現実的な世界に感じられるでしょう。これらの種類のゲームを構築することが間近に迫っていると思います。
最後に、私たちが構築している世界モデルは、より一般的なAIに関するもので、世界をモデル化できるかというものです。あなたのモデルは世界を理解していますか？もしある程度の時間世界を生成できるならば、明らかに何らかの意味でそれを理解しているはずです。これは世界の基礎となる物理学について何かを理解しているという経験的証拠と呼べるでしょう。これはより一般的な知能のためのものであり、いつか「ホロデッキ」のようなものを持つことができるかもしれません。想像するだけですべてがあなたの周りに現れるようなものです。AGIがあれば、それは可能になるでしょうが、それはまだ先のことだと思います。
どうもありがとうございます。ゲームについての質問でゲームに戻ってきて、終わるのにちょうどいい場所のように思います。皆さん、参加してくださってありがとうございます。特に今日話をしに来てくれたデミスに特別な感謝を。
ありがとうございました。
コメント