Zハイライト

人生とは、自分自身の限界に到達するまで、より大きなレバレッジを探し続けるプロセスです。私にとって、ここ数年の最大の変化は二つあります。一つは思想家から実行者へと変わったこと。もう一つは、学術界への崇拝から、個人の実際の能力、実行の密度、結果を創出する能力へと目を向けるようになったことです。
現在のAI for Science業界は、本質的に将来の汎用AIのために科学的データ、実験フィードバック、現実世界の検証経路を生産していると考えています。3年後には、汎用AIが十分なデータと能力を蓄積し、より強力なscience-in-AIの能力を持ち始めている可能性があります。その時点で、AI for Science企業が独自のデータ生成能力、実験パイプライン能力、または実際のフィードバックループを持っていなければ、淘汰される可能性が高いでしょう。
OpenDDEは、私がAurekaで推進しているオープンソースの創薬エンジンです。私たちはこれが、AI for Drug Discoveryのための世界モデルであり、オールインワン（all-in-one）モデルになることを望んでいます。構造予測だけでなく、ポケットの特定、結合親和性、複合体モデリング、de novo設計など、より完全な創薬プロセスにも段階的にサービスを提供できることを目指しています。私たちがその一部をオープンソース化することを選んだのは、 AI for Scienceは一部の企業の閉鎖的な能力であるべきではなく、より大きな科学コミュニティと公共の利益（social good）に奉仕するべきだからです。
OpenDDE: https://github.com/aurekaresearch/OpenDDE
将来的には、「創薬モデル」にのみ特化する企業やモデル形態の一部は、徐々に消滅していくと考えています。なぜなら、私たちはすでに大規模モデルをエンジンにし、その埋め込み空間で薬分子を探索するという、より一般的な方法を見つけたからです。言い換えれば、創薬を単なる生成問題としてではなく、高次元の知的空間での探索問題として再定義しているのです。
Aurekaの最も特異な点は、データフライホイールの能力を持っていることです。Aurekaのテーマは「TechBioのためのAIインフラ」です。計算（compute）プラットフォーム、モデルプラットフォーム、ウェットラボ（wet-lab）プラットフォームを同時に持っています。計算、モデル、ウェットラボが三位一体となった総合能力こそが、化学、生物学、製薬業界の研究開発方法を真に変革する機会をもたらします。
AGIは終着点ではなく、文明の再起動の始まりです。Aurekaが目指すのは、pre-AGI時代にpost-AGI時代の生命科学エンジンをあらかじめ構築することです。
AIの発展は最終的には人類の発展と同様に、一種の進化のダイナミクス（evolutionary dynamics）として要約されると考えています。人類の進化のダイナミクスは生物学的な特性に由来していますが、AIも間もなく独自の進化のダイナミクスを持つでしょう。 AGIの実現は、一回限りのモデルの飛躍ではなく、自己進化（self-evolving）の方法で段階的に起こる可能性が高いです。人類の生物学から着想を得て、私はチームと共にpost-AGIのための自己進化システムの枠組みを構築しています。これにより、AIがデータ、実験、フィードバック、失敗、環境の変化から継続的に進化できるようにします。

01 グラフニューラルネットワークからAI for Scienceへ：彼は世界がモデル化できると信じている

ZP： Willさん、ようこそ。本日はお話できて非常に嬉しく思います。後でAGIや世界モデルについて重点的にお話ししますが、まずは簡単な質問から：LLM自体はAGIに至る道だと思いますか？

華辰清： LLMはAGIに至るための重要な道筋ですが、完全な枠組みではないと考えています。LLMは非常に重要な一歩を踏み出しました。それは言語、知識、推論、コード、ツールの呼び出し、エージェントのワークフローを一つの汎用インターフェースに統合したことです。ある意味で、LLMはAGIの80%を完了しました。AIに非常に強力なデータのラベ付け能力、タスクの分割能力、コードの実行能力、長期的なワークフローの構築能力を持たせたからです。しかし、残りの20%は、LLMをもう少し大きくすれば解決するものではないと思います。残された部分は必ず世界モデルへと向かうでしょう。現在、皆さんが世界モデルについて語っていますが、正直に言って、この分野にはまだTransformerがLLMに対して、あるいはViTが視覚モデルに対してそうであったような、明確なアーキテクチャのパラダイムが登場していません。将来の世界モデルが最終的にどのような姿になるかはまだ分かっていません。しかし、私の判断では、必ずよりオールインワンなモデルが登場し、現実世界の状態（state）、行動（action）、動態（dynamics）、フィードバック、そして因果関係を学習するようになるでしょう。

LLMは脳に近く、世界モデルは世界の運営法則の内面化に近いものです。システムがただ話し、書き、ツールを呼び出せるだけでは、AGIにはまだ十分に近づいていません。真のAGIは、複雑なシステムの状態を理解し、介入を提案し、結果を予測し、フィードバックを吸収して、自身の戦略を更新できるべきです。

これがpre-AGIとpost-AGIの最大の違いです。pre-AGI時代、AIは主にツールでした。人間がタスクを定義し、人間がデータを与え、人間が次のステップを決定します。post-AGI時代、AIは自ら仮説を立て、自らデータを生成し、自ら実験を実行し、自らシステムを更新するようになります。

したがって、今後1〜3年で最も重要なのは、世界モデルのアーキテクチャのパラダイムが定義できるか、スケールアップできるか、データフライホイールやエージェント的ワークフローと組み合わせられるかどうかです。もしこのループが本当に機能すれば、単により強力なLLMが見えるだけでなく、自己進化するAGIシステムが見えてくるでしょう。

ZP： まずは時系列で自己紹介をお願いします。どのような重要な転機が今日のあなたを形成したと思いますか？あなたの成長の背景について、AI for Biologyに興味を持った時期なども教えてください。

華辰清： 子どもの頃はかなりいたずらで遊ぶのが大好きで、traditionally刻苦勉強するタイプではありませんでした。私を変えたのは、高校時代におばが肺がんになり、その後亡くなったことです。その出来事は私に非常に大きな影響を与えました。その時から、創薬、薬の発見ということが私の心に刻まれました。

私は国内で育ち、大学から海外に行きました。2018年にマギル大学に入学しました。1年生の2学期にCOMP551 Machine Learningの授業を取りました。その授業はWill Hamiltonが教えていました。授業を受ける前は彼が誰だか知りませんでしたが、後に彼がグラフニューラルネットワークの分野で非常に重要な人物であることに気づきました。

その授業は私に大きな影響を与えました。Willは当時「graph can model everything（グラフはすべてをモデル化できる）」という観点を話しました。世界は本質的に関係性で成り立っているからです。人と人の間、分子と原子の間、タンパク質構造の残基と残基の間、さらには出来事と出来事の間にも関係があります。今振り返ると、私がグラフニューラルネットワークからAI for Biologyへ、そして世界モデルへと進んできたのは、実は一つの問題の裏返しです。世界はモデル化できるか？複雑なシステムは表現できるか？関係、因果、動態、フィードバックを一つのモデルで学習できるか？

当時はpost-AGIのような言葉を使っていませんでしたが、その種はすでに蒔かれていました。

ZP： 初期の頃、グラフニューラルネットワークに関する研究を多く行っていましたね。1年生にとって、グラフニューラルネットワークやグラフ理論に触れるのは簡単ではありません。「グラフ」に惹かれたのはなぜですか？

華辰清： ある意味で、学問が私を選んだのであって、私が学問を選んだのではないと思います。グラフが私を最も惹きつけたのは、非常に汎用的な世界の表現方法を提供してくれたことです。これは私が今日理解している世界モデルの方法と本当に通じています。分子システムはグラフと見なすことができ、タンパク質複合体はグラフと見なすことができ、細胞システムはグラフと見なすことができます。よりマクロに言えば、二つの出来事、二つの状態、二つの行動の間にも、隠れた関係構造として見ることができます。

後にAI for Biologyを行い、生体分子世界モデルを作る際も、本質的には同じことをしています。初期の頃はノードとエッジの表現を作っていましたが、今は状態、行動、機能、フィードバック、そしてシステムがどのように進化するかをより気にかけています。

これが、グラフニューラルネットワークが私にとって非常に重要である理由です。それは私に一つの研究方向を与えたのではなく、世界を見る一つの方法を与えてくれたのです。

ZP： 早くから世界の動く仕組みを解き明かしたいという欲求があったようですね。その探求心が、グラフ学習からAI for Biology、そして世界モデルへと駆り立ててきたのだと思います。どう捉えていますか？

華辰清： 最近、Demis Hassabisに関する本を読み、Hintonの観点が言及されていました。人間の研究への欲求は貪欲だというものです。非常に的確だと思います。人間はAGIにリスクがあること、量子コンピューティングにリスクがあること、核融合の制御にリスクがあることを知っていながら、なぜそれでもやろうとするのか？未知への探求心が貪欲だからです。少しでも分かると、さらに知りたくなる。一つのシステムを理解すると、さらに大きなシステムを理解したくなる。これは個人にも当てはまります。私が最初にグラフニューラルネットワークを始めたのは関係を理解したかったからです。AI for Biologyを始めたのは生命システムを理解したかったからです。そして現在、世界モデルをやっているのは、複雑なシステムがどのように機能し、どのように介入され、どのように進化するかを理解したいからです。私にとってこれらは決して分断された三つの方向ではなく、同じ線の上を絶えず上っているのです。

グラフ学習は世界が表現できることを信じさせてくれました。AI for Biologyは現実世界システムがいかに複雑であるかを示してくれました。そして、世界モデルは知的システムが単に世界を表現するだけでなく、世界を予測し、介入し、さらには世界と共に進化できるかどうかを考えさせてくれました。誰もに能力の帯域幅があり、ボトルネックもあります。少なくとも今のところ、私はまだボトルネックに達したと感じていません。まだ先へ進み続けたいと強く思っています。

ZP： 2020年から2024年までの初期の研究段階を振り返ってみて、今の自分に最も大きな影響を与えたのは何だと思いますか？アルゴリズムの訓練、エンジニアリングの応用、それとも学術体系に対する再認識ですか？

華辰清： この期間で最も私を変えたのは、思想家から実行者へと変わったことです。最初はアルゴリズム自体を行うことが多かったですが、徐々にアルゴリズムを実際の応用に落とし込むようになりました。私にとって、その応用とは創薬でした。AIというハンマーを生命科学と創薬に振り下ろしたのです。

AIは私に非常に重要なことを気づかせてくれました。AIは実験的な科学だということです。 どんなにアイデアが奇抜で、理論が美しくても、それが実装されず、GPU上で動かず、訓練を完了できず、現実のベンチマークや実際のタスクで機能しなければ、単なるアイデアに過ぎません。私はもう奇抜なアイデアに盲信していません。システムが実際に動くか、スケールできるか、結果を出せるかをより気にかけています。

もう一つの変化は、学術界への崇拝を徐々に手放したことです。2022年に学部を卒業して修士に入学するまでの間、私はYoshua Bengioのグループでインターンをしていました。その経験は私にとって重要でした。一流の研究者は確かに素晴らしいですし、Yoshua自身も非常に実践的で、定期的にグループ会議に現れ真面目に議論に参加していました。しかし、大層な肩書のある組織にも、内部には混乱やレベルのばらつき、非効率が多く存在することも見ました。

したがって、この期間は私を最も重要な二つの変化を形成したと思います。一つは思想家から実行者へ。もう一つは学術界への崇拝から、実際の能力を気にかけることへ。これら二つの変化は、私が後にAurekaに加わり、最先端のAI研究を行い、OpenDDEを行う上で非常に重要でした。

ZP： マギル大学/Milaから、その後ハーバードやMITへ、さらにイェール大学を経てAurekaに加わるまで、あなたの仕事哲学（work philosophy）は変化しましたか？

華辰清： 私は今、非常に確信している観点があります。人生とは、自分自身の帯域幅の限界に達するまで、自分にレバレッジをかけ続けるプロセスだということです。2023年以降、私はハーバードやMITに行き、異なる人たちとタンパク質設計やRNA進化に関わることを行いました。外界からは、これらの場所でビジターやリサーチ学生を務めれば、人生の傾きがたちまち指数関数的に上昇すると思うかもしれません。しかし、私自身の感覚では、その期間は蓄積の方が多く、質的な変化ではありませんでした。これにより、自分が何を求めているのかがより明確になりました。

だから、その後私がより関心を持ったのはどこが最大のレバレッジをくれるか？どこが過去の蓄積能力を真に解放してくれるか？どこが論文を書くだけでなく、真の大規模モデルを訓練し、真のシステムを構築し、真の実験フィードバックを接続してくれるか？です。これが私が最終的にAurekaに加わることを選んだ理由です。ある肩書から別の肩書へと移動するためではなく、そこにより大きなレバレッジ、計算資源、モデルプラットフォーム、実験プラットフォーム、データフライホイール、そしてAI for Biologyをpost-AGIの科学システムへと推進する可能性を見たからです。

pre-AGI時代、多くの人がまだ学校、役職、論文、引用数を比較しています。しかし、post-AGI時代に真に重要なのは、誰がシステムを構築でき、誰がデータを生成し、誰が現実世界からのフィードバックに接続し、誰がAIをツールから継続的に進化する科学エンジンにできるか、となるでしょう。

したがって、私の仕事哲学の変化は非常にシンプルです。光環を盲信せず、レバレッジを探すこと。アイデアにとどまらず、システムを構築すること。pre-AGI時代の論文だけを行わず、post-AGI時代の科学エンジンに向けて早めに準備することです。

02 イェールを離れAurekaに加わる：彼を惹きつけたのは役職ではなく、計算資源、実験プラットフォーム、データフライホイールだった

ZP： Aurekaの話ですね。Aurekaに加入前後でどのような選択がありましたか？チーム自体を除いて、加入を最も惹きつけた要因は何でしたか？

華辰清： Aurekaに加入する前、実は他の選択肢もありました。海外のいくつかのAI for Biologyスタートアップ企業、すでに多額の資金を調達したプラットフォーム、私に来て特定のモデルプロジェクトをリードしてほしいと言う人たちもいました。しかし、最終的にAurekaを選んだ主な理由は、役職や履歴上の見栄えではなく、非常に希少なプラットフォームを提供してくれたからです。十分に大きな計算資源、実際の実験システム、そしてデータフライホイールを形成できるインフラです。

学術界では、アイデアを検証することが多いですが、Aurekaでは本来3〜5年後にやるべきことを前倒しで試せる手応えを初めて感じました。例えば、大規模な生体分子基盤モデル、大規模な創薬エンジン、大規模な抗体設計システムなどです。AIに携わる人なら知っているように、小さなモデルと大きなモデル、小規模訓練と大規模訓練は全く異なる生物種です。一定のスケールに達して初めて新しい能力が出現するものがたくさんあります。だからこそ、Aurekaが最も私を惹きつけた点は、資源を最先端のAI研究に真に投資してくれることです。極めて狭い応用モデルだけでなく、より一般的な生体分子基盤モデルを訓練し、post-AGI時代の科学エンジンにより近いものを作らせてくれるのです。

私にとって、これはタイムライン上の追い越しのようなものです。

pre-AGI時代の科学者がまだ論文、ベンチマーク、ポイントモデルで科学を推進しているとすれば、post-AGI時代の科学システムは間違いなく計算、モデル、実験、データ、フィードバックがすべて接続されたループになるでしょう。Aurekaが私に与える魅力は、単に場所をくれるのではなく、このようなループを早期に構築できる環境を提供してくれる点にあります。だから私がイェール大学を離れたのは、学術界を信じないからではなく、この時代の最先端が「誰がより良いアイデアを持つか」から「誰がアイデアを十分に大きなシステムに置いて検証できるか」に変わったと感じたからです。

pre-AGI時代に真に希少なのは、聡明な人材ではなく、聡明なアイデアを迅速に計算資源、実験、現実のフィードバックに結びつけられるプラットフォームです。

ZP： Aurekaは機能的な抗体設計を強調しています。単なる結合だけでなく、より複雑な機能も含めてです。モデルにとって、機能は構造よりも学習が難しいのでしょうか？Aurekaがこの方向から参入したのはなぜですか？

華辰清： 機能は間違いなく構造より難しいです。構造はより物理的および幾何学的な問題に近いです。この分子がどのような形をしているか、どのように折り畳まれるか、標的とどのように結合するか。しかし機能はより高次の問題です。結合した後、生物学的な効果はあるか？活性化や阻害はあるか？細胞レベルの表現型はあるか？治療的関連性はあるか？これらは構造だけでは完全には導き出せません。

過去の多くの抗体設計のロジックは、まず構造、次に結合、最後に機能を見るというものでした。しかしAurekaがやりたいのは、構造と機能を同じ進化のループに置くことです。前後の関係ではなく、並行の関係です。モデルが変異体を提案し、実験プラットフォームがタンパク質進化のプロセスで機能の目標を本当に満たす分子をふるい分け、そのデータがモデルに返されるのです。これがAurekaの最も特殊な点です。モデルだけでなく、データフライホイールがあるのです。

これが私のpost-AGI時代の創薬に対する理解です。将来の創薬は、モデルが一度に分子を吐き出し、それを人間がゆっくりと検証するものではないでしょう。それは自己進化システムに近いものになります。モデルが仮説を立て、実験システムが検証し、失敗サンプルが吸収され、戦略が更新され、次の設計がより強力になります。機能は最後に見る結果ではなく、初日から報酬、選択、データフライホイールに入るものなのです。

ZP： 他の抗体設計会社、例えばChaiと比べて、Aurekaのデータフライホイールはユニークですか？

華辰清： 他者を評価する形でAurekaを語りたくはありません。より正確に言えば、Aurekaの違いはAI for Biologyを純粋なモデルの問題としてではなく、インフラ問題として捉えている点にあります。

完全なAI for Biologyシステムには、少なくとも3つのレイヤーの能力が必要です。第一のレイヤーは計算資源であり、十分に大きなモデルを訓練できること。第二のレイヤーはモデルであり、候補を提案し、構造を理解し、機能を予測できること。第三のレイヤーはウェットラボであり、迅速に現実世界のフィードバックを生成できること。この3つのうち1つでも欠ければ、システムは完全なループではありません。Aurekaの特徴は、独自のハイスループット実験プラットフォームを持っていることです。1つの標的やタンパク質において、非常に短い周期で百万（million）レベルのスループットを生成できます。これはAIにとって非常に重要です。モデルが本当に必要としているのは静的なデータベースではなく、行動とフィードバックの軌道だからです。私がどのような変異を提案し、実験結果はどうだったか、なぜ成功したのか、なぜ失敗したのか、次のラウンドでどう調整すべきか。

AURA012プロジェクトは良い例です。2023年以前、この標的には抗体がありませんでした。RFdiffusionが設計したものは全くヒットしませんでした（0 hits）。2023年にAurekaは基盤モデルを用いて795nMの弱い抗体を設計しましたが、パイプラインを推進する基準には全く達しておらず、プロジェクトは一時停止されました。2024年にはデータフライホイールで基盤モデルを微調整し、127nMの抗体を設計しました。2025年にはデータフライホイールにより、93pMの抗体を設計しました。私たちは社内で構造基盤モデルとde novo設計の間にスケーリング則を観察しています。

私たちは単一のモデルを作るのでも、単一の実験プラットフォームを作るのでもなく、pre-AGI時代に生物学の現実エンジンを構築しています。汎用AIがますます強力になっても、現実世界のインターフェース、検証システム、高品質なフィードバックデータは依然として必要です。Aurekaのデータフライホイールは、このようなpost-AGI科学システムの前提となるインフラなのです。

ZP： 「実験プラットフォームはAI for Biologyのインフラの一つ」という見方についてどう思いますか？生命科学において、計算資源とはGPUだけでなく、実験や現実データの生成能力も指すのでしょうか？

華辰清： 大いに同意しますし、もっと直接的に言います。AI for Biologyにおいて、ウェットラボは別の形の計算資源なのです。GPUはデジタル世界で計算を行い、ウェットラボは現実世界で計算を行います。GPUが勾配を与え、実験プラットフォームが正解（ground truth）を与えます。GPUはモデルを強くし、ウェットラボはモデルを現実に触れさせます。

したがって、AI for Biologyの計算資源をGPUやAIデータセンター、訓練クラスターだけとして理解してはいけません。真の計算資源には、モデルの計算、実験の計算、データの計算、フィードバックの計算が含まれます。生命科学と純粋なソフトウェアの最大の違いは、コンピュータの中で答えを幻覚的に作り出すだけでは終わらない点にあります。この抗体に機能があるか、この分子に活性があるか、この標的に治療的価値があるかは、必ず現実世界に戻って検証しなければならないのです。

だからこそ、今後3年間はAI for Science企業にとって非常に残酷になると考えています。独自のデータ生成能力を持たず、実験パイプラインもなく、現実のフィードバックループも持たない企業は、汎用AIによって圧縮されてしまう可能性が高いでしょう。なぜなら、汎用AIはますます強力になり、論文を読み、コードを書き、ツールを呼び出し、候補を生成し、初步的な分析を行えるようになるからです。単一ポイントのモデルの参入障壁は下がります。真に容易には代替されないのは、継続的に高品質な科学データ、現実の実験フィードバック、再利用可能な軌道を生み出せるシステムなのです。

言い換えれば、pre-AGI時代のAI for Science企業は、本質的にpost-AGI時代のために科学データと現実世界のインターフェースを生産しているのです。現在はAI for Scienceに見えますが、将来的にはscience in AIになる可能性があります。その時、AIは科学を支援するだけでなく、科学実験、検証、失敗、反復を自分自身の内部能力として取り込みます。したがって、Aurekaのテーマは「TechBioのためのAIインフラ」です。ここのインフラとは、モデルだけでなく、GPUやクラウドプラットフォームでもありません。計算、モデル、ウェットラボ、データフライホイール、検証システム、治療用パイプラインが含まれます。これらが一体化して初めて、真のTechBioインフラとなります。

ZP： 分子設計パイプライン全体を見ると、計算側は徐々に飽和に近づきつつあり、自然とウェットラボ側との接続が求められています。このトレンドをどう見ますか？独自の実験ループがなければ、純粋なモデルのAI for Science企業はどこで行き詰まるのでしょうか？

華辰清： 純粋なモデル企業の最大のリスクは、最終的に予測は生成できても、現実を生成できない点にあります。

生命科学において、予測はゴールではありません。構造を予測し、分子を生成し、抗体を設計することは、すべて始まりに過ぎません。本当に困難なのは、それが発現できるか？合成できるか？結合するか？機能はあるか？特異性はあるか？開発可能性はあるか？安全性はあるか？実際のパイプラインに入る機会はあるか？という点です。

実験ループがなければ、モデルは2つのことで行き詰まります。1つはデータです。公開データ、提携データ、合成データへの依存が高まりますが、これらのデータは汎用AIにすぐに吸収され、障壁は薄くなります。もう1つは検証です。モデルは美しい候補を多く提案できても、迅速に検証できなければ、どの方向が本当に有効かを知ることも、失敗を次の進化の燃料に変えることもできません。したがって、AI for Biologyの将来の競争は「誰のモデルが大きいか」ではなく、「誰がデザイン・ビルド・テスト・ラーニング（design-build-test-learn）のループをより早く完成できるか」になるでしょう。モデルがデザインだけを担当するだけでは不十分で、ビルドでき、テストでき、学習できなければなりません。さもなければ、前臨床発見の最前端にとどまり、真の薬物価値の核に触れることができないのです。

ZP： 先ほど、創薬の多くのルールは依然として多国籍企業（MNC）が握っていると述べました。Aurekaはこの構造を打破できるでしょうか？それとも、まず初期の研究段階を変えることしかできないのでしょうか？

華辰清：：短期的に見て、Aurekaが最初に変えるのは間違いなく初期の研究段階です。なぜなら、AIが最も入りやすく、最もレバレッジを生み出せる場所だからです。

創薬から臨床、その後の段階に至るまで、非常に長い周期があります。AIは初期の研究を大幅に圧縮できます。例えば本来18〜36カ月のプロセスを9カ月またはそれ以下に圧縮できます。しかし、臨床、規制、取引、製造、商業化などの段階は、AIが出現したからといってすぐに消滅するわけではありません。それらは長期的に形成された業界の制度、リスク選好、規制体制によって決定されているからです。したがって、Aurekaが明日すぐに製薬業界全体を書き換えるとは言いません。より正確には、Aurekaは創薬の最前線の20%をマシンスピードに変えます。かつてはこの部分が人間の経験、低スループットの実験、緩慢な試行錯誤に頼っていたのに対し、現在はモデル、データフライホイール、実験プラットフォームを用いて、迅速に反復可能な自己進化システムに変えるのです。

しかし長期的に見ると、この影響は徐々に後段へと伝播すると考えています。初期発見のスピードが一桁向上すれば、後段のシステムは必ず変化を余儀なくされます。もし前段が毎年より多くの高品質な候補を生み出せば、従来の前臨床、ビジネス開発、検証、意思決定システムは新たな圧力に直面するからです。それらがマシンスピードの科学を永遠に人間のスピードで消化することはできません。

pre-AGI時代には、AIは古い科学プロセスに組み込まれ、人間が特定の段階を加速するのを助けるしかありません。post-AGI時代には、AIは科学プロセス自体の再構築を始めるでしょう。それは古いシステムに候補を提供するだけでなく、仮説、設計、実験、検証、意思決定が新しい閉ループを形成するようにするものです。Aurekaが今日行っているのは、まず初期の研究段階でこのループを構築することです。

Aurekaは、pre-AGI時代にpost-AGIの生命科学システムのインフラを前もって構築しているようなものです。今日変えているのは初期の研究ですが、将来的に変える可能性があるのは、科学発見自体の運営スピードなのです。

03 生物の世界モデル：創薬はAGIの試験場である

ZP： 技術の話をしましょう。まずOpenDDEについて。OpenDDEをどう定義していますか？生体分子基盤モデルですか、それとも創薬エンジンですか？AlphaFold3、Chai、Boltzなどのモデルと比較して、最も重要な技術的突破は何ですか？

華辰清： 私はOpenDDEを強いてオープンソースの創薬エンジンとして定義したいです。単なる生体分子基盤モデルではありません。もし単なる生体分子基盤モデルであれば、答えるのは「配列、構造、コンテキストを与えるので構造を予測する」ということです。しかし創薬エンジンが答えるべきはより大きな問いです。疾病のコンテクスト、標的、所望の機能を与えられたとき、巨大な生体分子の可能性空間から真に価値ある分子、構造、機能を探索できるかどうかです。

したがって、OpenDDEの目標はAlphaFold3やChai、Boltzの代替品を単に作ることではありません。これらのモデルは非常に重要ですが、それらは構造予測の時代の中核モデルに偏っています。しかし、私はOpenDDEが一歩先へ進み、構造予測から構造-機能-設計の統一エンジンへと向かうことを望んでいます。

最も重要な突破は3点あります。第一に、生体分子基盤モデルのスケーリング則（scaling law）を示し、その曲線の傾きを計算したこと。第二に、生体分子トークンの推論（reasoning）を定義したこと。第三に、そして最も重要な突破だと思うのですが、構造予測とde novo設計の訓練アーキテクチャを統一したことです。これが、私がOpenDDEを単なる予測モデルではなく、創薬エンジンと呼ぶ理由です。

前世代のモデルは主に「この分子がどのような形をしているか」に答えていました。OpenDDEは、「生命システムの中で機能があり、構造があり、薬価値のある新しい分子をどのように探索すべきか」に答えようとしています。これをより大きなタイムラインに置くと、実はpre-AGIからpost-AGIへの移行なのです。pre-AGI時代には、私たちはまず生物学をモデル化可能で、探索可能で、検証可能な空間にします。post-AGI時代には、AIがこの空間で直接仮説を立て、分子を設計し、実験を実行し、フィードバックを吸収し、戦略を更新します。OpenDDEはこの方向の初期のインフラです。

ZP： OpenDDEの訓練にはどのくらいの計算資源が必要ですか？なぜこの種のモデルは学術界では完全に検証しにくいのですか？

華辰清： 非常に大量です。私たちは約千台規模のGPUクラスターを費やし、半年近い訓練時間をかけました。単一カードで訓練するとしたら、合計GPU時間は約54年になる計算です。これが、このようなモデルが学術界では完全に検証しにくい理由です。学術界に賢い人がいないからではありません。むしろ、最高のアイデアの多くは学術界から生まれています。しかし、この種のモデルはもはや単なるアルゴリズム問題ではなく、インフラ問題なのです。大規模なGPUクラスターを一から構築し、長期的で安定した訓練の時間枠を確保し、十分に大きなデータシステムを必要とし、エンジニアリングチームによるパイプラインの継続的なメンテナンス、さらには絶え間ないアブレーション、評価、再ランキング、失敗の分析が必要です。学術界でもカードの確保は可能かもしれませんが、連続6〜12カ月かけて完全な生体分子基盤モデルを一から最後まで訓練し、さらにそのスケーリングの振る舞いと下流の能力を系統的に検証することは非常に困難です。

ZP： 引き続き抗体世界モデルについてお話しします。抗体設計における世界モデルをどのように理解していますか？それはOpenDDEとどのような関係にありますか？

華辰清： 私の理解する抗体世界モデルとは、単独の抗体生成モデルではなく、閉ループのシステムです。このシステムにおいて、状態とは現在の生物学的コンテクストです。標的は何か、エピトープは何か、既存の親抗体は何か、過去の実験フィードバックは何か、どの変異が成功し、どれが失敗したか。ポリシーはシステムが次にどうすべきかを決定することです。どの親を選ぶか、新しいCDR変異を探索するか、親和性を最適化するか、それとも特異性を高めるか。行動は具体的な新しい抗体変異体を生成することです。そして世界モデルは、この行動がどのような結果をもたらすかを予測します。結合モードは何か、親和性は向上するか、構造は合理的か、機能は期待通りか、オフターゲットリスクは管理可能か。OpenDDEはここで、生物学的世界モデルとベリファイアーの役割を果たします。

大規模モデルは脳として機能し、戦略の提案、行動の選択、候補の生成を担当できます。しかし、候補は言語的なロジックだけで判断することはできず、生体分子世界モデルに戻して検証されなければなりません。OpenDDEが行うのはまさにこのことです。この抗体がどのように結合する可能性があるか、構造は合理的か、実際の薬候補になる希望があるかを示します。したがって、私たちは抗体設計問題を大規模モデルの埋め込み空間での薬探索問題として再定義したのです。

これが、将来的に「創薬」のみに特化する独立したモデル形態の一部が再構築される可能性があると考えている理由でもあります。LLMが十分に強力になり、世界モデルが十分に強力になり、検証システムが十分に強力になれば、設計自体が単一ポイントの生成問題ではなく、探索と意思決定の問題になるからです。今日の構造はおそらく、LLMが提案を担当し、OpenDDEが検証を担当し、ウェットラボが現実世界のフィードバックを担当する、というものです。しかし将来的にはオールインワン化へと向かうと考えています。次世代の科学的モデルは、自ら提案し、自らシミュレートし、自ら検証し、自ら戦略を更新するでしょう。その時、創薬は「一つのモデルが一つの分子を生成する」ことではなく、生命空間で継続的に探索、検証、進化する自己進化システムになります。これがpost-AGI時代の創薬の形態です。

ZP： この生体分子世界モデルはエージェントアーキテクチャに配置できますか？LLM for Scienceから科学的LLM、science in AIへと、中間にどのような進化を経るのでしょうか？

華辰清： できます。より正確には、抗体設計は創薬のためのエージェント的世界モデル（agentic world model for drug discovery）になると考えています。最初期は、単独のLLMがありました。それが文献を読み、質問に答え、知識を要約できます。次にエージェント段階に入り、ツールを呼び出し、コードを書き、パイプラインを実行し、自動化タスクを行えます。その後はエージェント的LLMです。単に一度のタスクを実行するだけでなく、ループやメモリ、評価器、フィードバック、自身の戦略を更新する能力を持ちます。

科学と biology でも同じ進化が起こります。第一段階がLLM for Scienceです。第二段階が科学的LLMです。第三段階がScience in AIです。この段階になると、science はAIの単なる外部応用ではなく、AI内部のネイティブな能力となります。AIは自ら仮説を立て、自ら実験を設計し、自らウェットラボやシミュレーションシステムを呼び出し、自ら結果を吸収し、次の戦略を更新できます。これが私の言うpost-AGIの思考です。

pre-AGI時代には、私たちはAIを科学のワークフローに組み込み、人間の科学者を支援させました。post-AGI時代には、科学のワークフロー自体がAIシステム内部に取り込まれるでしょう。AIは単にあなたのscience を手伝うだけでなく、science が AI の内部で起こるのです。だから私は、AI for Biologyの最も重要な意義は、より良い抗体やより良い構造予測モデルを作ることではないと思います。それはAGIの試験場なのです。

なぜなら、biology は現実世界のシステムだからです。物理的な制約、機能的な制約、実験コスト、失敗、フィードバック、多次元的なダイナミクスがあります。もしAIシステムが biology の中で仮説、設計、検証、フィードバック、更新のループを完成できれば、創薬をしているだけでなく、現実世界に介入する方法を学んでいることになります。これが私が「創薬はAGIの試験場だ」と言う理由です。チャットウィンドウの中のAGIは知能の一つの表現に過ぎません。真のAGIは現実世界に入り込み、複雑なシステムを理解し、介入を提案し、失敗に耐え、フィードバックを吸収し、継続的に進化できなければなりません。Biology は最も難しく、かつ最も価値ある入り口の一つです。

OpenDDEは、私たちがpre-AGI時代に構築したインフラの一部です。今日は構造予測、抗体設計、創薬にサービスを提供していますが、長期的には、post-AGI時代の科学的知能のための準備なのです。

第二に、できるだけ早く実際の実験と実際のフィードバックに近づくことです。将来の AI for Biology において最も希少なのは、より大きなモデルを再トレーニングすることではなく、高品質なデータ生成能力、実験検証能力、そしてクローズドループ・イテレーション能力です。もし若い研究者が benchmark、paper、leaderboard にとどまっているだけなら、general AI にすぐに追い越されるでしょう。しかし、もし彼が assay を理解し、wet lab を理解し、疾患メカニズムを理解し、どのような prediction が最終的に real-world value に変わるのかを理解していれば、より長期的な優位性を持つことになります。

第三に、general AI の背景からもたらされる抽象化能力を保つことです。AI for Biology は biology-specific なモデルを作るだけではありません。それは実際には、知的システムが複雑なシステムをどう理解し、仮説を立て、介入を設計し、実験を実行し、失敗を吸収し、そして自身の戦略を更新するかを研究することです。このプロセスは AGI、world model、self-evolving system と高度に関連しています。だから私は若い研究者に、「タンパク質モデルを作る人」や「創薬設計モデルを作る人」としてだけ自身を位置づけるのではなく、次のように思考することを勧めます：AI が生命科学において継続的に学習し、継続的に検証し、継続的に進化できるシステムを、私は構築できるだろうか？

したがって、一言でまとめるなら、私はこう言います：general AI の背景を持つ人が AI for Biology に入る最大の優位性は、モデルを調整できることではなく、biology を real-world intelligent system の問題として再定義する機会があることです。しかし前提として、biology の複雑さを尊重し、実際の実験に近づき、自身のデータフライホイールを構築し、第一天からループと検証について考える必要があります。

05 AGI を中国人の手で実現し、AI for Science の能力をより大きな戦場へ移行する

ZP： 最後に、AGI、self-evolving、world model、あるいは AI for Biology が AGI に与えるインスピレーションについて、何か表現したいことはありますか？

華辰清： 最後に表現したいのは、AI for Biology が AGI に与えるインスピレーションは過小評価されているかもしれないということです。

多くの人は AGI を理解する際、言語、コード、数学、ロボット工学といった方向から出発します。しかし私は、生命科学がもう一つの非常に重要な道を提供していると考えています。なぜなら、生命それ自体が、極めて複雑で、自己組織化する、マルチスケールの、継続的に進化するシステムだからです。真に強力な知的システムは、単に質問に答え、コードを書き、推論を行えるだけでなく、複雑なシステムがどう変化し、どう介入され、失敗からどう自己を更新し、現実世界でどう新しい能力を生み出すかを理解できなければなりません。

これが、私がずっと self-evolving と world model に関心を抱いている理由です。World model の核心は「次のフレームを予測すること」ではなく、世界の動態を理解することです。self-evolving の核心も「自動パラメータ調整」ではなく、システムが自身の歴史、実験、失敗、フィードバックから継続的に進化できるかどうかです。生命科学は、これらの能力を検証するための最も現実的で、かつ最も困難なシナリオの一つにちょうどなっています。

だから私にとって、AI for Biology は単なる垂直応用ではなく、AGI のトレーニング場です。創薬、タンパク質設計、細胞システム、疾患メカニズムといった問題はすべて、AI がモデリング、推論、実験設計、フィードバック吸収、長期的戦略更新の能力を同時に備えることを要求します。もしシステムが生命科学の中で本当に work するなら、その能力は単に biology-specific ではなく、材料、エネルギー、ロボット、工業システム、さらにはより広範な科学発見といった、より大きな戦場へ移行できるはずです。

私も、AGI という事象がより多く中国人の手で実現されることを望んでいます。これは狭隘なアイデンティティの表現ではなく、次の知能時代において、私たちが他人が定義したシステムを使うだけ、他人が定義したパラダイムに追随するだけであるべきではないと感じているからです。华人の科学者、エンジニア、起業家は、特に AI for Science のような知能と現実世界の創造力を真に結びつける方向において、AGI の道を定義する機会に参与するべきです。

Aureka が現在取り組んでいる AI for Biology は、表面上は生命科学をやっているように見えますが、より根本的には、複雑なシステムを理解し、複雑なシステムに介入し、持続的に自己進化する知的体系を構築しようとしているのです。今日は biology から始まっていますが、将来的にはより大きな科学と工学の世界へと移行できるはずです。

だから一言でまとめるなら、AGI はただチャットウィンドウの中で起こるべきではなく、少数の閉鎖的な研究所の中だけで起こるべきでもありません。AGI は科学の中で、現実世界の中で起こるべきであり、私たちの世代の中国人起業家と科学者の手の中で起こるべきです。AI for Biology は私たちの起点ですが、終点ではありません。

このインタビュー内容は注意深く編集され、華辰清の確認を得たものであり、インタビュー対象者の見解のみを表しています。読者の皆様からのコメントによる交流も歓迎し、本インタビューに対する見解を分かち合っていただければ幸いです。

Z Potentials は引き続き、人工知能、グローバル市場、ロボット工学などの分野における科学研究の探求者へのインタビューを提供していきます。未来への憧れに満ちた読者の皆様が私たちのコミュニティに参加し、共に分かち合い、学び、成長することを歓迎します。

Z Tech｜生物進化論からAI進化論へ、AGIと永生に至るまで：post-AGI時代に向けたライフサイエンスエンジンの構築

推薦の言葉

Zハイライト

01 グラフニューラルネットワークからAI for Scienceへ：彼は世界がモデル化できると信じている

02 イェールを離れAurekaに加わる：彼を惹きつけたのは役職ではなく、計算資源、実験プラットフォーム、データフライホイールだった

03 生物の世界モデル：創薬はAGIの試験場である

05 AGI を中国人の手で実現し、AI for Science の能力をより大きな戦場へ移行する

関連記事

分享網址