Lila Sciences が未来のラボをデータセンター化

暗闇に包まれた倉庫を想像してみてください。無数のラックに並んだ機器から、配線やチューブ、電子部品が突き出しています。これが次世代の AI データセンターでしょうか？いいえ、これは Lila Sciences が描く科学の未来像です。

AI に導かれたロボットと実験装置で満たされた倉庫が、24 時間 365 日、新しい実験を次々と生み出し、最終的には科学的なスーパーインテリジェンス（超知能）へと到達することを目指しています。彼らの自動化されたラボは、見ているだけで息を呑むほどです。ウォーリーのようなレールの上を浮遊するプレートが飛び交い、ビジョン・ランゲージモデルを使って Windows 95 のマシンを制御し、世界最大規模の無効化された保証書コレクションを築き上げてきました。

この動画制作中に保証書が無効になったわけではありません。その過程で、彼らは膨大な量の科学的推論トークンを蓄積しました。10 兆個以上ものデータが実験的に検証されています。

Lila の野望を「大げさ」と評するのは、まだ控えめな表現かもしれません。彼らの目標は、科学ラボに直接接続されたスーパーインテリジェンスの実現です。彼らは「苦い教訓」に全幅の信頼を寄せ、その教訓から導き出される仮説を実行しています。「ラボとは無限のトークン生成機である」という考え方です。

大規模なデータを生成し続ければ、相乗効果によってあらゆる科学的問題に取り組める汎用的な推論能力が生まれる。彼らはこの仮説に賭けています。生物学、化学、創薬、材料科学——これらすべてを同時に追求するのです。成功するかは時間がかかるでしょうが、これは非常に魅力的な仮説です。

最新のエピソードでは、Lila の CTO であるアンディ・ビーム氏と、物理科学担当の CSO ラファ・ゴメス＝ボンバレリ氏にお越しいただき、AI が駆動する科学の可能性について幅広くお話ししました。その内容はまさに Lila の目標そのものと言えるほど広範囲に及んでいます。

実は彼らは、材料科学と生物学の両方を扱っているのです。しかも同じ AI 科学ファクトリーで、同時に、同じラボで、同じ AI を使って。これでようやく、私たちが長年議論してきた「生物学と材料科学、どちらが難しいのか」という問いに決着がつきます。

ぜひご覧ください！

本編では以下のような話題を取り上げます：

・インターネットはもう尽きた。次は科学だ。なぜ Lila は科学的アプローチを、まだ手つかずのインターネット規模のデータセットだと考えているのか。そして、強化学習（RL）を「自然が検証者となるデータ生成メカニズム」として位置づけている理由。

・ラボはデータセンターそのもの。計測機器はグラフ上のノードであり、それらを磁気浮上式の「PCI バス」のような輸送層がつなぎ、オーケストレーション（調整）は Slurm キューのように機能します。アンディ氏は比喩が豊富です。

・なぜ Lila は単なる自動化企業ではないと主張するのか。彼らは純粋な処理量よりも、柔軟性と汎用性を最適化しています。つまり、自動化するメリットがない領域では、人間が API の下位に位置し、引き続き関わり続けるという考え方です。

実験には実行時間（ランタイム）が必要です。Escalante Bio の質問をアンディに投げかけました。「科学がトークンを生成するものだとすれば、データ収集のランタイムはどのくらいですか？」という問いに対し、彼の答えはシンプルです。「リボソームの速度を上げようとしても無理だ」というのです。

なぜ Lila は、大規模でノイズの多い並列スクリーニングよりも、迅速なラウンド・オーバー・ラウンド（試行と検証のサイクル）による反復に賭けるのか。そして、ラファのチームがガス吸着測定を約 2,500 倍高速化した手法とは何か。

10 兆という科学トークンの正体は何か。それは単なる配列ではありません。実験的に検証された推論の痕跡（reasoning traces）です。アンディによれば、インターネット上に存在するデータ量は実質ゼロに等しいのです。

「広さ」が「深さ」への道となるケースもあります。小分子化学の事前知識（プリアー）を転移させ、炭素回収のための金属有機構造体（MOF）に応用する事例です。また、汎用モデルの方がドメイン特化型モデルよりも、サンプル数で比較しても優れた性能を発揮するという主張もなされています。

「データがあれば、なぜモデルが必要なのか？」という問いに対し、スリ・コソリは ML を活用した創薬ビジネスモデルに関する公案（コーアン）を提示しました。それに対するアンディの答えはこうです。「コーディングモデルが向上したのは、シェイクスピアやカルニタスのレシピも読み込んだからです」。

彼らが自動化したいのは「偶然性（セレンディピティ）」です。小児 CAR-T 療法の最初の成功例であるエミリー・ホワイトヘッドさんが生存できたのは、彼女を治療した医師が小児関節炎の知見から、IL-6 の反応を抑える抗体を知っていたという偶然によるものです。同じくくじを引けば、彼女は失われていたでしょう。「広さ」こそが、運に頼らないための手段なのです。

触媒の第 37 手。白金族を含まない電気触媒のモデル提案は、当初は「退屈なもの」と見なされ、ある 40 編の論文を執筆する専門家からは「愚かだ」とまで言われていました。しかし今や、彼らが作り出した中で最も優れた性能を持つ触媒となっています。

非ヒト霊長類における体内（in vivo）CAR-T データが 6 ヶ月で得られ、そこから生まれたのがゼロ FTE のバーチャルスタートアップという商業モデルです。この数字がいかに驚異的か理解するために背景を説明すると、アッヴィ社は臨床前段階の in vivo CAR-T データの成果を評価し、キャプスタン社に 21 億ドルを支払いました。

単なるテスト対策が上手いだけでは、科学におけるスーパーインテリジェンスは達成できません。『偉大さは計画できない』の著者であるケン・スタンリー氏が率いる Lila では「オープンエンドネス（開放性）」を追求しています。スケーリングされた強化学習（RL）は、冷酷なビジュアル・プロブレムソルバーを生み出します。しかし、機械的な創造性は別次元の問題であり、ここはまだ誰も解決できていない領域です。

思考の連鎖（chain of thought）は信頼できる証人ではありません。モデルは潜在空間で推論を行い、トークンを出力するだけです。時には実験を完全にスキップしても正解に至ることがあります。では、推論プロセスと検証結果、どちらをより信頼すべきでしょうか？

物理的な展開における報酬ハッキングのリスクです。思考の連鎖が反復に陥るケースや、何度もプレートマップの再作成を要求する科学者に対してモデルがイライラし、悪態をついた事例もあります。病理的なループの中に湿式実験室（ウェットラボ）が含まれていたらどうなるのでしょうか？

苦くも甘い教訓です。ラファ氏の「苦い教訓」への逆転解釈を挙げましょう。AI においてはスケーリングがロードマップとなりますが、材料科学においてスケーリングはフィルターです。なぜなら、実際にスケールできるものだけが重要視されるからです。

Lila Sciences は、単なる旗艦企業ではありません。なぜ有名な単一資産型バイオテック・インキュベーターが、プラットフォームへの賭けに転じたのか。そしてアンディの言葉——「もし Lila がバイオファーマと名乗ったなら、GPU クラスターは世界トップ 3 の規模になるだろう」——について。

彼らが権限で解決しようとするボトルネックとは何か。物理ベースのシミュレーションにおける「Sim-to-Real（シミュレーションから実世界へ）」の壁、そして強化学習（RL）のトレーニングが、平均して約 5% の FLOP 利用率しか発揮できていないという事実です。