この動画では、DeepMindのプシュミート・コーリ氏が、AIによる科学革命の現状と未来について詳細に語っている。特に同社の最新システムAlpha Evolveに焦点を当て、これまで人間の専門家が何十年もかけて取り組んできた数学問題を解決し、全く新しいアルゴリズムを発見する能力について説明している。AlphaFoldがタンパク質構造予測で革命を起こしたように、Alpha EvolveはAIが単に質問に答えるだけでなく、自ら質問を投げかけ、科学的発見を行う新たな時代の到来を示している。コーリ氏は、言語モデルと評価器を組み合わせることで生まれる前例のない能力について語り、AIが隠された数学的真理を発見し、人間が理解できるコードを生成して専門家が設計した解決策を上回る性能を示す具体例を紹介している。さらに、AIが科学的発見を加速させるだけでなく、これまで挑戦することすら不可能だった問題に取り組むことを可能にする新しい科学手法の出現について論じている。
DeepMindのプシュミート・コーリが語るAIの科学革命
私は生物学の会議に参加しました。そして私が講演を終えた後、ある生物学者が私のところにやってきてこう言いました。「プシュ、私はこのタンパク質について過去10年間研究してきました。このタンパク質の特性を解析し、その構造を解明するために非常に多くの実験データを収集してきました。しかし、これまでのあらゆる調査方法を試しても、構造の解明には至りませんでした。
しかし、私たちにはすべてのデータがありました。もし構造が分かれば、非常に迅速に検証することができます。私はAlphaFold 2を実行しました。すると構造が示されました。それは完璧に答えと一致していました。私は10年間これに取り組んできたのに。すごいですね。次に何をすればいいのでしょうか？」
AIが単に質問に答えるだけでなく、質問を投げかけるようになったとき、何が起こるのでしょうか？今回のエピソードでは、プシュミート・コーリがDeepMindのAlpha Evolveについて議論します。これは全く新しいアルゴリズムを発見する画期的な進化型AIシステムです。
プシュミートは、言語モデルと評価器を組み合わせることで、これまでにない何かが生まれることを明らかにします。それは数十年来の数学問題に取り組み、専門家が設計した解決策を上回る性能を持つ、人間が理解できるコードを生成するAIです。プシュは、AIが隠された数学的真理を発見する驚くべき例を共有し、なぜ私たちが新しい科学手法の出現を目撃しているのかを説明します。それは、AIが発見を加速させるだけでなく、これまで挑戦することすら不可能だった問題を変革する手法です。
ショーをお楽しみください。
プシュミート、本日はご参加いただきありがとうございます。私たちは皆、AIが新しい科学的発見を行う能力を持つ瞬間を心待ちにしています。Alpha Evolveがその分水嶺となる瞬間だと思いますか？
はい、確かにそれは重要な節目の一つです。私たちが示したのは、AIモデル、つまり大規模言語モデルが、ハーネスと組み合わされたときに新しいアルゴリズムを発見できるということです。そしてそれだけでなく、基本的に長年にわたって研究されてきた新しい数学的結果を証明することもできるのです。
あなたは「ハーネスと組み合わされたとき」という言葉を使いましたね。そのハーネスについて詳しく教えていただけますか？
はい。AIモデルの歴史を振り返ってみると、科学のためのAIの歴史は非常に長いものです。私たちは科学的発見を試みるさまざまなモデルを持っています。このカテゴリーの重要なモデルの一つがAlphaFoldです。これは科学におけるAIで達成可能なことの典型的な例です。
私たちは2021年末にAlphaFold 2をリリースし、昨年ノーベル賞を受賞しました。科学におけるAIの影響は非常によく理解されています。今の問題は、大規模言語モデルや基盤モデルがどのように科学に影響を与えることができるかということです。
約2年前、私たちにはFunSearchと呼ばれるエージェントがありました。そこでは大規模言語モデルを評価器と組み合わせ、その評価器により大規模言語モデルが新しい推測を立てたり、問題を解決するための新しいアイデアを思いついたりするときに、それらが幻覚なのか、それとも優れた洞察なのかを判断できるようにしました。
この特定のケースでは、幻覚は素晴らしいものでした。なぜなら、それらの幻覚の一部は、実際には誰も考えたことがない優れた新しい洞察だったからです。ここでハーネスが登場します。評価関数と、大規模言語モデルに関連する検索プロトコルがあり、それらが一緒になって、本当にインパクトのある全く新しい発見をもたらすことができるのです。
あなたはFunSearchについて言及されました。FunSearchで達成した結果とAlpha Evolveの違いについて一言いただけますか？
はい、FunSearchは大規模言語モデルを取り、それが新しいアルゴリズムを発見できるかどうかを確認する私たちの最初の実装でした。当時のモデルはより弱いものでした。そして私たちが試みていた検索の種類は、私たちがまだそれほど詳しく探求していなかったものでした。
私たちが大規模言語モデルに求めたのは、基本的に小さな関数を完成させ、それをはるかによく行うことができるかどうかを確認することでした。驚くべきことに、数学者が長い間研究しようとしてきた全く新しいアルゴリズムを発見することができました。しかし、制限があったのは、数学者や研究者がテンプレートを提供しなければならず、そのテンプレートの中でアルゴリズムが発見される必要があったことです。
Alpha Evolveでは、その制限を取り除きました。Alpha Evolveは数行を検索するだけでなく、基本的にアルゴリズム全体そのものを見ているのです。非常に大きなコードの断片を、長期間にわたって最適化しています。そして第二に、FunSearch、私たちの元のモデルは、これらの新しい発見を行うために多くの関数評価を使用していました。
Alpha Evolveは、はるかに少ない関数呼び出しで動作でき、基本的により少ない提案を見ることで、はるかに迅速に新しいアルゴリズムを発見することができます。
Geminiモデルの役割
進化するGeminiモデルがAlpha Evolveの能力において果たす役割について教えていただけますか？そして、あなたのブログ投稿で、ハーネスにGemini FlashとProの両方が関わっているのを見ました。それぞれは何を担当しているのでしょうか？
はい。私たちはGeminiが改善され、さまざまな世代を経るにつれて、コードの理解においてはるかに優れたものになっていることを評価してきました。コードをより効果的に理解できる提案生成器があれば、構文的に正しいだけでなく、意味的にもタスクを解決しようとする提案を生成し、タスクを解決できるさまざまな方法をサンプリングします。
ベースラインモデルとして、Geminiのコーディング実行能力が向上するにつれて、これらの非常に困難な数学および計算問題において正しい解決策を検索する際のサンプル効率がはるかに良くなります。
大きな空間で検索したい場合、2つの要素があります。1つは、これらの提案をどれだけ速く生成できるかという速度です。そして次に、それらの提案をどれだけ速く評価できるかという速度です。まず、新しい候補アルゴリズムをどれだけ速く提供できるか、そして次に、そのアルゴリズムが良いかどうかをどれだけ速く評価できるかということです。両方のことが本当に重要であり、Gemini Flashのような、これを非常に効率的かつ迅速に実行できるGeminiの変種があるという事実は、本当に重要です。
Alpha Evolveは前身のいくつかよりも幅広いドメインモデルだと分かっています。どれくらい幅広いのでしょうか？何が範囲内で、何が範囲外なのでしょうか？
はい。Alpha Evolveは基本的に、検索できるもののサイズに関してだけでなく、つまり全く新しいアルゴリズム全体を発見できるようになっただけでなく、さまざまな言語でアルゴリズムについて考える能力においても極めて一般的です。
C++で検索できるだけでなく、Pythonでも実行できます。また、チップ設計におけるチップを記述するための言語であるVerilogでも実行できます。Alpha Evolveの一般性は、これらの大きなアルゴリズム空間を検索する能力だけでなく、異なる構文的および意味的表現においても発揮されます。
Pythonのような特定の言語に制限されることなく、多くの異なるタイプの言語と多くの異なるタイプのタスクでその検索を実行できます。唯一の期待は、関数評価器があることです。つまり、提案があれば迅速に評価し、それがどれほど良いかを言うことができることです。
科学的手法との類似性
アルゴリズム候補を大量に生成し、それらを評価し、そして進化的にどれを保持するかを決定して前進するという、いわば大まかな認知アーキテクチャのようなものですね。これは科学的手法を大まかに反映しているように思えます。これは意図的なものでしょうか？
はい。実際、今年初めにリリースした別のエージェントがありました。それはCo-Scientistと呼ばれるものです。Co-Scientistでは、基本的にGeminiが科学的アカデミック・プロセス全体の役割を果たしていました。つまり、Geminiが仮説生成器の役割を果たし、Geminiが批評の役割を果たし、Geminiがさまざまなアイデアをランク付けし、レビューし、それらのアイデアを編集する役割を果たしていました。
つまり、Geminiがマルチエージェント設定でこれらすべての役割を果たし、これらはすべて異なる役割を果たすよう異なってプロンプトされたGeminiモデルでした。非常に興味深いことに、この結合されたマルチエージェントシステムは、単一のGeminiモデルの答えをはるかに超える行動を示しました。単一のモデルと比較して、はるかに優れた提案と新しいアイデアを提供することができました。
なぜそれが機能するのかという直感は何でしょうか？
これはまだ研究されていることですが、魅力的なことです。特にCo-Scientistに関して私が実際に気づいたことの一つは、特定の問題でCo-Scientistを実行すると、最初に得られる答えはベースラインのGeminiモデルとそれほど違わないかもしれないということです。
しかし、数分や数時間だけでなく、数日間にわたって計算量を増やしていくと、マルチエージェントシステム全体が解決策を見て、それらを洗練し、ランク付けしようとするにつれて、はるかに良くなります。
なぜそうなるのでしょうか？それは、分布の末尾に深い洞察や直感が埋もれているからかもしれません。そして、どの提案、どのアイデアが良いかを評価するGeminiの能力は、新しいアイデアを思いつく能力よりもはるかに優れているのです。
これは計算機科学でも同じことです。時には、特定の解決策が正しいかどうかを見つけることができても、解決策を思いつくのは非常に困難な場合があります。このマルチエージェント設定でも同じことが起こっており、エージェントたちが協力することで、はるかにインパクトのある結果をより多く抽出できるのです。
生成器と検証器のアーキテクチャ
生成器と検証器のアーキテクチャは、非常に一般的なモデルから非常に特定のアプリケーション向けのAIシステムまで、幅広いAI分野でエコーされているパラダイムのようですね。これが現在のコンセンサス・アーキテクチャであり、人々が今後も推進し、スケールし続けるものだと考えるのは妥当でしょうか？
はい。エージェントにおいてより多くの作業が行われると思います。私たちが見ているのは、基本的にエージェントに関する研究の始まりです。Alpha Evolveでは、生成器と評価器が組み合わされていました。
生成器はニューラルネットワーク、基盤モデル、大規模言語モデルであり、評価器は手作りのものでもありました。しかし、進化的検索スキームと組み合わせることで、これらのはるかに効果的な結果を得ることができました。Co-Scientistでは、1つのエージェントだけでなく、共有メモリで作業する複数のエージェントがありました。
最適なエージェント構成とは何か？これはまだ未解決の研究問題です。
人間とは異なる発見方法
あなたが得ている結果は、人間が導き出す方法とは異なるものでしょうか？私はAlphaGoの第37手のようなことを考えています。方法は異なるのでしょうか？結果は人間がそれらについて考える方法と比較してどうでしょうか？
アルゴリズム発見のために大規模言語モデルを使用する最初の実装であるFunSearchでの作業を開始した元々の動機に戻りましょう。
数年前、ご存知のように、DeepMindは大きな空間での検索にAIシステムを使用する多くの作業を行ってきました。私たちは、囲碁のゲームからStarcraftのプレイまで、多くの複雑な課題に対処できる強化学習を使用して訓練されたエージェントの構築において多くの作業を行ってきました。これらは非常に複雑な課題です。
私たちは自分たちに挑戦を課しました。AlphaGoで行ったことの拡張である、AlphaZeroファミリーのモデルのような同じ種類のモデルを、新しいアルゴリズムの発見に使用できるでしょうか？私たちは、行列乗算問題の解決策を見つけることに特に焦点を当てたAlphaTensorと呼ばれる新しいエージェントを考案しました。
このエージェントが50年間立っていた過去の既知の結果を改善できることを発見しました。しかし、重要な問題が残っていました。それは、より良いことができるかということと、より解釈可能な解決策を思いつくことができるかということでした。同時に、Googleの実用的な問題、例えばデータセンターでのジョブのスケジューリング方法を見ていました。
新しいアルゴリズムを思いつく多くの作業があり、これらのヒューリスティックはGoogleの最高の研究者とエンジニアによって設計されています。なぜなら、それらは計算利用率において大きな影響を与えるからです。この種の問題で典型的な強化学習エージェントを使用すれば、より良い結果が得られるかもしれませんが、解釈可能性を犠牲にする可能性があります。なぜなら、今度はニューラルネットワークがどのワークロードをどのコンピューターに送るかを決定し、何かが壊れた場合、これをどうデバッグするかわからないからです。
エンジニアが本当に好むのは、ニューラルネットワークを与える代わりに、解釈でき、実行できるコードの断片を与えることです。これが基本的な動機でした。大規模言語モデルを使用できるでしょうか？
AlphaTensorで行った行列乗算アルゴリズムのような特定のアルゴリズムの空間での検索や、問題を直接解決するニューラルネットワーク・ポリシーの思考の代わりに、プログラムの空間で検索し、この困難な問題を解決するプログラムを思いつくことができるエージェントを思いつくことができるでしょうか？
もちろん利点は解釈可能性です。コードを見ることができ、その特性などを見ることができます。そして、それが起こったのです。効果的であるだけでなく、専門家が実際にそれらのプログラムを見たときに洞察を回復できるプログラムを発見しました。
数学者との協力
例えば、FunSearchで取り組んだ数学問題の一つにcapset問題と呼ばれるものがありました。これは有名な数学者の一人であるテレンス・タオが非常に興味を持っている問題であり、私たちはNYUの数学者ジョーダン・エレンバーグと協力しました。FunSearchが生成したプログラムを見たとき、彼は問題の中に以前認識されていなかった特定の対称性があることを発見しました。
何らかの形で、プログラム、FunSearchエージェントがそれらを発見し、より良い解決策を得るためにそれらを利用していたのです。
テレンス・タオや他の有名な数学者との協力について言及されました。数学は、これらのモデルが新しい科学的結果を生成しているかどうかをテストし、ベンチマークするためのゴールドスタンダードと考えられているのでしょうか？
はい。数学には確かに非常に興味深い特性があります。それは非常に正確だということです。探している特性を見つけたかどうかを知ることができます。行列乗算では、4×4行列に必要な乗算数がわかります。既知だったのは49回の乗算でできるということで、これはStrassenによるものでしたが、私たちは48回でできることを示しました。これは非常に正確な結果です。それについて議論の余地はありません。
これによって、どれだけうまくやったかを評価する非常に明確な方法が得られます。これが良い結果だったか、良い出力だったかについて人間のフィードバックのようなRLHFは必要ありませんし、LMSスコアに依存する必要もありません。より良いということがわかるだけです。
実世界への応用
数学という美しく純粋な環境から実世界に移ると、データセンターやVerilogの世界で多くの実世界の応用を見つけられたようですね。Alpha Evolveがどの応用で最もインパクトがあると予想されるかについて少し教えていただけますか？
良い関数評価器を見つけることができる場所であればどこでも、プログラムを与えればどれだけ良いかを非常に具体的に教えてくれるこの評価スキームを本当に信頼できる評価器を見つけることができれば、その問題がその設定を満たすなら、Alpha Evolveを使用できます。なぜなら、Alpha Evolveは人間のプログラマーとは異なり、人間のプログラマーは10のこと、100のこと、または1000のことを試すことができますが、Alpha Evolveはそれを続けることができるからです。その問題を解決するために、あなたが想像したことがないような非常に直感に反する戦略を思いつくことができます。
人間を関数評価器にすることはできますか？それとも機能しないでしょうか？
人間は関数評価器になることができます。それは規模の問題です。どれだけ評価でき、プログラムの特性を効果的に評価できるかということです。規模に応じて、適切なレベルの精度で評価できるかということです。
それをどのように行うのでしょうか？アプリケーション自体に組み込んで、進行中に人間がループで評価するようにするのでしょうか？アプリケーションが作成される前に、オフラインで別々に行うのでしょうか？どのように行うのか、または人々がどのように行うと想像するのでしょうか？
つまり、Alpha Evolveでは人間をループに入れて使用していません。私たちの評価器のほとんどはプログラムによる評価器でした。しかし、Alpha Evolveがこの数学問題を解決し、この問題を解決する新しいアルゴリズムを思いつくように言われた仮想的なシナリオを想像してください。そして、すべて性能において同等である多くの異なるタイプの問題、多くの異なる種類の解決策を思いついたとします。
では、どれが最良でしょうか？最良のものは、問題に対して非常に効果的であるだけでなく、数学者にとって最もエレガントであったり、理解するのが最も簡単だったりするものです。これは非常に主観的な人間的なことです。シンプルさや解釈可能性のような、私たちには明確な定義がありません。それは人間の観察者に根ざしたものに依存します。
物理世界とのつながり
デジタル世界で起こっていることを何らかの物理世界の要素と組み合わせる必要がある点はいつでしょうか？あなたのブログ投稿で、Alpha Evolveが例えば材料科学に有用であると考えられると言及していたと思います。実際の実世界の研究室につながって、そのフィードバックを得る必要があるのでしょうか？それとも、これはすべてアルゴリズムドメインで起こることだと思いますか？
それは非常に良い質問で、評価器をどれだけ信頼するかに戻ります。評価が計算手法に基づいており、計算手法が完璧で、それを完全に信頼していれば、Alpha Evolveが思いついた解決策がこれらの特性を満たすと計算モデルが言っているので、仕事は完了だと思うでしょう。
しかし、計算モデルが現実の完璧な特性化であると信じていなければ、実世界でその結果を検証し、評価器の評価が実際に正しかったかどうかを確認したいと思うでしょう。
人間の科学者・エンジニアへの影響
Alpha Evolveがますます成功し、Geminiがますます強力になるにつれて、これらの分野に何が起こると思いますか？そして、それらで働く人間の科学者やエンジニアはどのように適応するでしょうか？例えば、チップ設計を例に取ると、これらのモデルがVerilogの生成、新しいチップ設計の作成において非常に優れてきていると言及されました。それは、チップデザイナーの役割がなくなる、変わるということでしょうか？これが世界をどのように変えると思いますか？
それは再び非常に興味深い質問です。AlphaFoldで何が起こったかの例をお話ししましょう。
私たちはタンパク質構造予測の問題に取り組み始めました。ご存知でない方のために説明すると、タンパク質は生命の構成要素です。生命のレゴブロックです。そして何十年もの間、科学者たちはタンパク質の形を理解しようとしてきました。なぜなら、タンパク質の形を理解すれば、それがどのように機能するかを理解でき、それを使って地球上で最も困難な病気を治療する新しい薬を開発したり、より良い酵素などを開発したりできるからです。
2021年に、私が言及したように、AlphaFold 2をリリースしました。それ以前は、単一のタンパク質でも構造を見つけるのに1年から5年かかることがあり、100万ドルかかることもありました。そして、あまりにも悪名高く困難で、人々が1、2十年間研究しようとしても解決策を見つけられないタンパク質もありました。
だからこそ、人間のタンパク質のうち約37％の構造しか知られていませんでした。私たちがAlphaFold 2をリリースした後、AlphaFold 2では人間のタンパク質だけでなく、地球上のすべてのタンパク質の構造を見つけることができ、その構造を地球上のすべての人に利用可能にしました。
私は生物学の会議に行き、私が講演を終えた後、ある生物学者が私のところにやってきて言いました。「プシュ、私はこのタンパク質について過去10年間研究してきました。このタンパク質の特性を解析し、その構造を解明するために非常に多くの実験データを収集してきました。しかし、これまでのあらゆる調査を逃れ、私たちはまだ構造を知りませんでした。
しかし、私たちにはすべてのデータがありました。構造がわかれば、非常に迅速に検証できます。私はAlphaFold 2を実行しました。それが構造を与えてくれました。それは完璧に答えと合致しました。私は10年間これに取り組んできたのに。次に何をすればいいのでしょうか？」
AlphaFold 2の後に何が起こったかというと、基本的に突然3つのことが起こりました。まず、構造生物学を前進させました。以前は不可能だったこと、シンクロトロンと6ヶ月と100万ドルを必要としていたことが、今では1秒で行われます。つまり、可能なことを本当に前進させました。
第二に、それを加速させました。そして第三に、それを民主化しました。ラテンアメリカや南アジア、アフリカで何らかの顧みられない熱帯病に取り組んでいる特定の科学者は、彼らのタンパク質の構造を解明する機会がありませんでした。彼らには構造を見つける資金や機器へのアクセスがありませんでした。今では、彼らが研究している寄生虫のようなものに、それらのものへのアクセスがあります。
では、彼らは何をするのでしょうか？彼らは今、タンパク質の構造を得ることが困難でない新しいモデルで働いています。構造はどこにでもあります。そして彼らは次の一連のこと、つまりその知識をどのように使って病気を治療し、より良い薬を設計するかに取り組んでいます。
Alpha Evolveでも同じことが起こると思います。これらの問題を解決する人間の能力を超えるエージェントがあるとき、問題はどの問題を解決するかということになります。改善する必要があるチップの重要な特性は何でしょうか？はるかに効率的にし、冷却をあまり必要とせず、より安価な建設メカニズムを必要とし、より障害に強くする。
今では、それらを最適化するより洗練されたシステムがあるので、問題をますます洗練されたものにすることができます。
AlphaFoldの薬物発見への影響
あなたがいらっしゃる間に、いつも疑問に思っていたことがあります。AlphaFoldの結果は驚異的で、あなたが私たちと共有してくださった話は本当にインパクトがあります。これが新薬の利用可能性において変曲点を引き起こしたと思いますか？それとも、他にボトルネックがあり、私たちは一つの部分では速くなったが、残念ながら他のすべてが困難なので、全体的にはまだ遅いのでしょうか？
いえ、それは物事を速くしましたが、薬物発見は長いプロセスであることを理解しなければならないと思います。薬物発見のロードブロックは何でしょうか？まず、標的を理解しなければなりません。ここに、私が結合する必要がある体内のタンパク質があり、このタンパク質が何らかの形で病気に関わっているということを理解しなければなりません。
もし私がこのタンパク質に何かを結合させ、その機能を変えることができれば、病気を治療する効果をもたらすでしょう。まず、その推測を思いつかなければなりません。次に、わかりました、標的タンパク質があります。どのように薬を開発するか、それに結合する小分子や別のタンパク質をどのように開発するかと言わなければなりません。
そのためには、タンパク質の構造、それが相互作用する他のタンパク質、この分子とどのように相互作用するかを理解する必要がありました。これには、時には2年という相当な時間がかかっていました。今、そのプロセスは劇的に加速されています。
数年かかっていたものが、数週間、1ヶ月、数ヶ月でできるようになりました。しかし、それで話は終わりではありません。その後、臨床的に検証する必要があります。フェーズ1試験、フェーズ2試験、フェーズ3試験を通過し、毒性や他のすべてのことについて考えなければなりません。
AlphaFoldが行ったのは、1つの障害を取り除き、全体的なタイムラインを速くしたことですが、私たちの生物学のための新世代のAIモデルが加速し、はるかに速くすることを期待している他の障害があります。私たちは大きな一歩を踏み出しましたが、さらに数歩の大きな歩みを踏む必要があります。
最も有望な分野
このモデルファミリーにとって最も有利になると思われる分野はどこでしょうか？
質問への答えは、基本的に社会にとって重要だと思われる分野はどこかということです。なぜなら、AIはすべてを加速するからです。ヘルスケアを加速し、ヘルスケアから材料科学まで、より賢いシステムを開発する能力を加速するでしょう。
私たちの文明の歴史について考えてみてください。私たちの文明を説明する際に、最初は洞窟住人で、次に石器時代に入り、そして鉄器時代、青銅器時代に入ったと言います。今では、話す相手によって、シリコン時代にいるか、楽観的であれば、少し悲しい気持ちであればプラスチック時代にいます。
しかし、一歩下がって人類が達成したことについて考えてみると、他の種と比較して人類が達成したのは、エネルギーを変換し、エネルギーを活用する能力です。私たちはエネルギーを活用し、その力で大きなことを成し遂げることができました。
例えば、新しい室温超伝導体を思いついたとしましょう。それはエネルギーを扱う能力を完全に変革します。それが社会にもたらす変化を予測するのは困難です。エネルギーをそのように扱うことができれば、核融合を解き放ち、エネルギーが非常に安価になったとしたら、地政学について、経済について考えてみてください。その多くはエネルギーについてです。突然エネルギーがゼロに下がったら、経済全体への影響はどうなるでしょうか。
同様に、コーディングについて考えてみましょう。コードを書くことができるこれらのエージェントがあったら、それは何を意味するでしょうか？誰もがコードを書くことができるようになり、知能が完全に遍在するようになったら、誰もがこれらすべての異なるものにアクセスできるようになります。劇的な変化があり、すべてが影響を受けるでしょう。
材料からエネルギーからコーディングからヘルスケアまで、本当にクールです。
科学的発見の急速な進歩
科学的発見について急速な進歩の瞬間があると思いますか？その上り坂にいると思いますか？すでにそこにいると思いますか？
私たちはその真ん中に生きていると思います。真ん中にいるときは実際には見えませんが、私たちはすでにAIによって加速された科学的発見の時代にいると思います。
今後の最大のボトルネックは何だと思いますか？
2つの要素があると思います。1つは検証です。デジタルと現実世界の間のギャップを埋めることです。その一部をどのように検証するかということです。これが1つの重要なアイデアです。そして、問題にとって重要なことを本当に捉えることです。
2つ目は、この技術をどのようにアクセス可能にするかという他のボトルネックです。最も洗練された技術を構築できます。人々がそれをどのように使うかを知らなければ、望む影響を得ることはできません。
AlphaFold 2は、非常に高い精度を持っていたからだけでなく、インパクトがあり変革的でした。たとえそれが非常に正確だったとしても、完璧ではありませんでした。そして、それが予測したもののうち99％で正確だったとしましょう。確実に99％ではなく、おそらく90％または95％の段階ですが、たとえ99％で正確だったとしても、自分の予測で運が悪く、次の1、2年を間違った予測を追いかけて過ごすことになった1人の人は、私はそれを使うべきではない、予測を使うべきではないと言うでしょう。
なぜ誰もがAlphaFoldを使っているのでしょうか？AlphaFoldは正確な予測を行うことが得意であるだけでなく、その予測の限界を理解することも非常に得意だからです。
間違いを犯すとき、基本的に手を上げて「間違いを犯しました」と言います。予測を行って「私は非常に自信がある」と言っているなら、ほとんどの場合それは正しく、それは素晴らしいことです。今日の要素にはないものがあります。それらには較正された不確実性がありません。
急速な質問
いくつかの急速な質問で締めくくりましょうか？
はい、もちろんです。
今年の必読論文は？
今年の必読論文は、ええと、Alpha EvolveかCo-Scientistと言いたいです。
誰も語らない好きなアルゴリズムは？
ああ、wake-sleepアルゴリズムです。それについて知っている人はほとんどいませんが、基本的にはそのアイデアは、MITのケビン・エリスとジョシュ・テネンバウムによる論文で、探索を行い、その要点を何らかの形で構築する訓練方法です。
ライブラリ構築のようなものです。類推として、ライブラリ構築があります。プログラムを書きたいだけでなく、将来のすべてのプログラムをはるかに書きやすくする共通モジュールを持つライブラリも作成したいのです。
とてもクールです。同意するか反対するか？推論時間計算が計算スケーリングの次の主要な段階になるでしょう。
ええと、ある程度同意します。
詳しく教えてください。
推論時間計算は非常に重要になると思います。テスト時間、訓練時間計算も同様に重要だと思います。蒸留の強力さを見てください。蒸留がどれほど強力だったかです。
これらのモデルが、これらのモデルが何をできるかを理解し、概念化し、より良い固有の表現を思いつく能力があれば、予測を行う際にはるかに効果的になります。おそらく不確実性が改善し、さらに効率的にもなるでしょう。
ロボティクスについて強気か弱気か？
私はすべてについて強気です。だから強気と言わなければなりません。すべてがインパクトを持つと思います。問題は基本的に短期か長期かということです。短期的には、ロボティクスを機能させるのは困難ですが、中期から長期的には強気だと思います。
ヒューマノイドロボットについて強気か弱気か？
私たちは人間のために世界を構築しました。人間の形を好みます。私たちの周りの非自然世界の多くは、建築の観点から、人間のために、人間のために設計されています。ヒューマノイドは人間と同じ形をしています。
だから、私たちが構築したこれらすべての異なるアーキテクチャに適合するでしょう。それらが最も最適なものかどうかは明確ではありませんが、確実に私たちが人間の形のためにすべてを設計し、ヒューマノイドが同じ形を持っているという利点があります。
科学における将来のノーベル賞は、すべてAIと協力するチームによって獲得されるでしょうか？
いいえ、私たちはそこに向かっていると思いますが、人間はまだ科学でノーベル賞を獲得していると思います。
AIが不可欠になる点が来ると思います。つまり、これらの素晴らしい突破口を達成するために、人間とAIのチームが一緒に働くことになるでしょう。
プシュミート、本日はご参加いただき、ありがとうございました。これらは本当に基本的で非常に一般的な結果であり、あなたがDeep Mindで推進されているものです。これまでにどのようにこれらすべてを成し遂げ、今後何が待っているかについて詳しく共有していただき、感謝いたします。
ありがとうございます。ありがとうございました。
コメント