アシュリー・ローズ、Living Securityの創設者兼CEOは、サイバーセキュリティの革新者であり、組織がセキュリティにおける人間のリスクに取り組む方法を再定義することに焦点を当てたシリアル・エントレプレナーです。2017年に会社を創設して以来、彼は、従来の認識トレーニングを超えた、データ駆動型、行動に焦点を当てたサイバーセキュリティ・アプローチの開発を主導してきました。そのアプローチは、文化の変化と計測可能なリスク削減に向けて進化しています。製品リーダーシップと起業家精神の背景を活かし、彼はLiving Securityを急成長するSaaSプラットフォームに成長させました。そのプラットフォームは、企業組織で使用されており、さらに、Women in CyberSecurityのようなイニシアチブのメンター、顧問、擁護者として、サイバーセキュリティ・エコシステムに貢献しています。Living Securityは、人間のリスク管理に焦点を当てたサイバーセキュリティのSaaS会社です。組織が従業員の行動に関連するリスクを特定、測定、削減するのを支援します。そのプラットフォームは、行動、ID、脅威データを集約して、高リスクユーザーを特定し、セキュリティの侵害を防ぐために、ターゲットを絞ったリアルタイムのトレーニングと介入を提供します。分析、自動化、シミュレーションやゲーム化されたトレーニング方法などの組み合わせにより、企業は、コンプライアンス駆動型のセキュリティ認識から、従業員全体で計測可能なリスク削減への移行を可能にします。あなたは2017年にLiving Securityを創設しました。以前は消費者向け製品事業を立ち上げ、成長させ、製品オーナーとして働いていました。サイバーセキュリティと人間のリスクに焦点を当てることを決めた具体的な瞬間や認識は何でしたか？また、そのオリジナルのテーゼは、AIがワークフォースの一部になるにつれてどう変化していますか。2017年当時、ほとんどの組織はセキュリティ認識トレーニングをチェックボックスの演習として扱っており、行動の変化にはつながらなかった。転換点は、人間の行動がセキュリティの侵害を引き起こしている場合、答えはより忘れやすいトレーニングではなかったという認識でした。Living Securityの共同創設者であるDrew Roseは、セキュリティ・プログラムを自分で実行しており、ゲーム化を開始し、サイバーセキュリティの脱出ルームのような初期のプロトタイプを構築していました。私たちは、セキュリティを体験型にすると、人々が関与し、学び、実際に行動を変えることができることを実感しました。那がLiving Securityの基盤となりました。共同創設者として、Drewと私はすぐに、関与は開始点に過ぎないことを認識しました。経験をプラットフォームに拡大するにつれて、人々がどのように行動し、どこで苦労し、リスクが実際に集中しているかというパターンを認識しました。那は、組織が人間のリスクやそれをターゲットに削減する方法に関する実際の可視性を持っていないことを明らかにしました。那の洞察が人間のリスク管理の開拓につながりました。人間のリスク管理とは、トレーニングの提供のみではなく、個人の行動、権限、脅威に基づいてリスクを特定、測定、削減することを意味します。AIがワークフォースの一部になるにつれて、そのオリジナルのテーゼは拡大しました。課題は、人間の行動だけではなく、人間とAIシステムがどのように共同で動作するかという点にあります。人間は依然として中心にあり、AIエージェントを管理・展開しています。つまり、可視性をそれらのエージェントに拡張し、リスクを個々に結び付ける必要があります。那がワークフォース・セキュリティへの進化を推進しています。あなたは、人間のミスはセキュリティの侵害の不完全な説明であると主張しています。組織は、人間の行動とAI駆動の行動の両方が攻撃面に貢献している今日、ワークフォース・リスクをどのように再考するべきですか。セキュリティの侵害を「人間のミス」と表現することは、問題を単純化し、リスクが実際にどこから来ているかを隠しています。人間のリスクは、ミスだけではなく、行動、権限、脅威への露出によって形作られるものです。従業員の中には、機密システムへの特権アクセスを持つ人もいれば、頻繁に標的とされる人もいます。したがって、セキュリティの侵害のリスクは、ユーザーに均等に分布しているわけではありません。組織は、リスクが実際に存在する場所を理解するために、行動、権限、脅威への露出の交差点を可視化する必要があります。結果として、組織は、認識ベースのモデルを超えて、ワークフォース・リスクを共有の運用上の課題として再考する必要があります。つまり、人間のリスクとAI駆動の行動の両方に焦点を当て、ハイブリッド・ワークフォース全体でリアルタイムの介入を適用することです。リスクを個々のユーザーのミスとして扱うのではなく、仕事の実行方法を継続的に可視化し、リスクが集中している場所を理解し、ターゲットを絞った介入を適用する必要があります。AIツールは、コードの作成、ワークフローの処理、決定の下しまで行っています。AIシステムがツールからワークフォースの一部として扱われるべき時点はいつですか。AIシステムは、エンタープライズ環境内で行動を起こす瞬間から、ツールではなくワークフォースの一部として扱われるべきです。那時点で、AIシステムは、従業員と同様に、行動、権限、接触するデータによってリスクを引き起こします。組織にとっての転換点は、AIエージェントが生産性の層だけではなく、運用上の参加者であることを認識することです。したがって、AIエージェントは、人間のユーザーと同様に、統一されたワークフォース・リスク・モデル内で監視、管理、保護される必要があります。企業は、リスクが従業員に限定されず、AIエージェントの自律性とアクセスのレベルが異なる場合に、ガバナンスにどのように取り組むべきですか。企業は、ポリシーベースのガバナンスを超えて、人間とAIエージェントの両方に適用される、継続的な行動駆動型のプロセスとしてガバナンスを扱う必要があります。多くの組織にはすでにAIポリシーがあるかもしれませんが、ギャップは、特に従業員が公認環境を超えてツールを採用し、AIシステムがさまざまなレベルのアクセスで動作する場合に、執行と可視性にあることが多いです。効果的なガバナンスは、役割とデータ・アクセスに基づいて受け入れ可能な使用を明確に定義することから始まりますが、ワークフローに組み込まれたリアルタイムのガイダンスと、リスクが発生している場所を可視化して適応できるようにする継続的な測定も必要です。最終的に、ガバナンスは、人間とAIシステムの両方が意思決定を行い、データにアクセスし、リスクを引き起こしている今日の仕事の実行方法を反映する必要があります。Living Securityは、行動駆動型のセキュリティ・モデルに重点を置いてきました。那の哲学は、行動の一部がAIシステムから来ている場合にどのように変換されますか。Living Securityの行動駆動型アプローチは、AIにも自然に拡張されます。焦点は、リスクを生み出すのは誰かではなく、どのようにリスクが導入されるかにあります。人間かAIシステムか、リスクは行動、データへのアクセス、取られる行動、ワークフロー内での意思決定の方法で現れます。AIシステムがより多くの運用上の責任を負うにつれて、同じモデルが適用されます。組織は、行動に対する可視性と、リアルタイムで介入する能力が必要です。那が、Livvyの開発につながりました。Livvyは、Living Securityプラットフォームを動かすAIインテリジェンスです。人間とAIの活動の両方にわたって予測インテリジェンスと継続的な監視を適用します。AIを別の課題として扱うのではなく、行動、人間か機械か、を統一されたワークフォース・リスク・モデル内で継続的に測定、導き、管理できるようにします。多くの組織は、まだ周期的なセキュリティ認識トレーニングに頼っています。現代の環境では、那モデルはどのようにして壊れますか。データ駆動型のアダプティブ・アプローチは、実践ではどのように見えますか。周期的なセキュリティ認識トレーニングは、静的な脅威の風景のために構築され、リスクが広範な教育を通じて削減できるという仮定に基づいているため、壊れます。実際、ほとんどのインシデントは、トレーニングの欠如ではなく、日常的な運用上の行動から生じます。リスクは、ユーザーのサブセットに集中しています。よりアダプティブでデータ駆動型のアプローチは、リスクが実際に存在する場所を継続的に特定し、仕事の流れの中でターゲットを絞ったリアルタイムのガイダンスを提供することに焦点を当てます。トレーニングの完了から、計測可能なリスク削減への移行です。あなたのプラットフォームは、リアルワールド・データを使用した人間のリスクの量化を強調しています。組織は、人間の行動、IDとアクセス、脅威への露出を含む、どのようなシグナルを追跡する必要がありますか。組織は、行動、IDとアクセス、脅威への露出に焦点を当てるべきです。これらのシグナルは、リスクがどのように生み出され、ワークフォース全体で集中しているかを反映しています。那には、AIも含まれます。従業員が使用しているツール、ツールのアクセス権、ツールの構成やプロンプトについても同様です。これらのシグナルは、それ自体では有用ですが、実際の価値は、それらがどのように組み合わさってリスクの物語を語るかという点にあります。例えば、財務担当役員は財務システムへのアクセスを持っており、MFAを使用しておらず、機密データに接続されたAIツールを使用しており、フィッシング・キャンペーンによって積極的に標的とされている場合、リスクは非常に高くなります。一方、権限が限定され、露出が低いビジネス・デベロップメント・リレーション担当者は、はるかに低いリスクです。リスクは、単に何をするかではなく、誰がアクセス権を持っているか、どのシステムが行動を起こしているか、どのくらい頻繁に標的とされているかによって決まります。組織がこれらの要素をまとめて見ることができると、セキュリティの侵害が最も起こりやすい場所を理解し、リアルタイムで対応できます。対応策としては、個々に警告を発したり、制御を強化したり、特定のグループに対する介入を優先したりすることがあります。AIは、新たな脆弱性を生み出していますが、防御にも使用されています。バランスはどのように変化するでしょうか。AIのセキュリティへの影響は、最終的にはプラスになるでしょうか、またはマイナスになるでしょうか。AIは、攻撃面を拡大しながらも、組織がリスクを検出して対応する方法を改善しています。一方では、ワークフローがより複雑になり、自律的な行動が可能になり、新たな脆弱性が生じます。他方では、セキュリティチームが行動を大規模に分析し、迅速に対応できるようになります。バランスの変化は、組織がどのように適応するかに依存します。現在、多くの組織はまだ可視性とガバナンスに追いつこうとしています。特に、AIが予測できない方法で使用されている場合にそうです。長期的には、AIの影響はプラスになる可能性がありますが、組織がAIをワークフォースの一部として扱い、人間のリスクと同等のレベルの監視、ガイダンス、コントロールを適用する必要があります。すべての従業員やAIシステムが等しいリスクをもたらすわけではありません。組織は、フリクションや過度な監視を生み出さないように、介入をどのように優先するべきですか。リスクは等しくありません。等しいと扱うことは、フリクションを生み出すことになります。重要なのは、リスクが実際に集中している場所に焦点を当てることです。約10%のユーザーが73%のリスクを引き起こしているという事実から、組織は、行動、権限、露出のデータを使用して、誰や何に注意が必要かを優先する必要があります。さらに、仕事の流れの中でガイダンスを提供することで、セキュアなパスを最も簡単にたどれるようにし、すべての従業員に対して監視を増やすのではなく、フリクションを減らすことができます。5年先を想像してみると、ワークフォース・セキュリティはどのように見えますか。組織は、今日まだ何を過小評価していますか。5年先を想像すると、ワークフォース・セキュリティは、人間とAIエージェントの両方が共同で動作する方法を理解し、管理する能力で定義されます。周期的なトレーニングや静的なコントロールではなく、継続的な可視性、リアルタイムのリスク評価、行動、権限、脅威の変化に応じて動的な対応が必要になります。人間は依然として中心にありますが、AIを通じて自分自身を拡張しています。したがって、セキュリティは、人間とAIの両方を考慮する必要があります。組織が過小評価しているのは、すでに人間のリスクに関する可視性のギャップがあるということです。AIはこのギャップを拡大させています。多くの組織は、AI戦略があると考えていますが、実際には、人間と使用しているツールの両方に対する可視性が欠けています。ステップ1は、人間のリスク、行動、権限、脅威への露出を理解することです。ステップ2は、従業員が使用しているAIエージェントへの可視性を拡大することです。AIエージェントは、人間が与えるアクセスと決定によってのみ、強力でリスクのあるものになります。基盤がなければ、組織はAIに遅れています。実際には、ワークフォース全体で拡大する盲点を持って運営しています。素晴らしいインタビュー、詳しく知りたい読者は、Living Securityを訪問してください。
タク・ワタナベ、VP兼US事業責任者、Matlantisは、先進バッテリー研究、計算モデリング、グローバルテクノロジー・リーダーシップを経て、材料科学とAIのスペシャリストです。現在、カンブリッジ、マサチューセッツ州からMatlantisの米国での拡大をリードしながら、プリンシパル・リサーチャーおよびグローバル・カスタマー・サクセス・リーダーとしても活動し、先進材料インフォマティクスを現実世界の産業用途に結び付けています。Matlantisに入社する前は、全固体電池開発に焦点を当てたサムスンR＆Dインスティテュート・ジャパンのシニア・ロールを務め、ジョージア工科大学で博士研究員としての研究を行った後、フロリダ大学でシミュレーション・ソフトウェアの大学院研究を修了しました。彼のキャリアは、一貫して機械学習、物理ベースのシミュレーション、材料科学を組み合わせて、エネルギーと先進材料のイノベーションを加速させることに重点を置いています。Matlantisは、高速原子レベル・シミュレーションを通じて、新しい材料の発見と開発の方法を変革することを目指す、AI駆動の材料インフォマティクス・カンパニーです。クラウドベースのプラットフォームを使用すると、研究者は分子と結晶の挙動を、高い精度とスピードでモデル化できます。従来、数ヶ月かかっていたプロセスを数秒で実行できます。マシン・ラーニング・インターアトミック・ポテンシャルと計算化学に基づくこのプラットフォームにより、研究者は従来の実験的制約なしに、広範な材料の組み合わせを探索できます。ハーフナイムやエネルギー・ストレージなどの産業で活用されています。2021年に、プレイフェアード・ネットワークスとエネオスの共同で設立されたMatlantisは、AI第一の材料発見とデジタルR＆D・ワークフローへの移行において、重要な役割を果たすことを目指しています。あなたは、サムスンでのバッテリー研究からENEOSでの材料インフォマティクス、そして現在のMatlantisでのUS事業責任者まで、材料科学、シミュレーション、機械学習の交差点でキャリアを歩んでいます。AI駆動のシミュレーションが材料発見を根本的に変えることをあなたが信じるようになった、重要な瞬間は何ですか?私にとっての転機は、材料発見における実際のボトルネックが、十分な候補者を探索する能力が限られていることであることを認識したことです。バッテリー材料や材料インフォマティクスに関する私の仕事では、密度汎関数理論（DFT）などの方法を使用して、高品質の洞察を生成できましたが、コストと時間の制約により、候補者の集合は小さくなりました。変化したのは、近い量子レベルの精度を維持しながら計算スループットを大幅に増加させることができる、マシン・ラーニング・ポテンシャルが登場したことです。これにより、2つの重要な変化が起こりました。まず、高速で高忠実度の試行錯誤が可能になりました。研究者は、精度を犠牲にすることなく、単位時間あたりの候補評価を大幅に増やすことができます。これにより、探索のペースと範囲が根本的に変わります。次に、材料発見におけるデータ・サイエンスの新たな基盤が生まれました。なぜなら、そのようなスループットは、実際に機能するマシン・ラーニング・アプローチに必要な、高品質なデータのボリュームを生成するからです。Matlantisは最近、NVIDIAのALCHEMI Toolkitと統合して、産業規模のシミュレーション・スループットを可能にしました。あなたの観点から見ると、この統合によってどのようなボトルネックが解消され、R＆Dチームが現実的に達成できることがどのように変化するのでしょうか?この統合により、AI駆動のポテンシャルとそれが依存するインフラストラクチャーの間の基本的な不一致が解消されます。PFPなどのモデルは、固有にGPUアクセラレーションされていますが、シミュレーション・ワークフローの重要な部分、たとえばオーケストレーションは、従来、CPUバウンドまたはさまざまなツール間で疎に接続されたままでした。これにより、データの移動に非効率性が生じ、分散ワークロードを実行する際に摩擦が生じ、スケーラビリティが制限されます。ALCHEMIは、これらの非効率性をGPUアクセラレーションをシミュレーション・スタック全体に拡張することで解消します。以前のNVIDIA Warp最適化カーネルとの統合に基づいて、現在は生産レベルの実行のためのALCHEMI Toolkit-Opsに移行しています。結果として、コンピューティングが速くなり、AIネイティブなシミュレーション環境がより一貫性のあるものとなり、産業規模で信頼性の高い動作が可能になります。これが特に重要なのは、プラットフォームのビジョンから実際の展開への移行を示しているからです。LightPFPにより、数十万個の原子の規模でのシミュレーションが可能になり、推論が速くなったことで、AI駆動の原子レベルシミュレーションが生産ワークフローで使用できるようになりました。R＆Dチームにとって、これが意味するのは、シミュレーションの役割が完全に変化することです。シミュレーションは、選択的に適用されるのではなく、日常の意思決定に埋め込まれるようになります。どの材料を優先するか、どのようにリソースを割り当てるか、どの優先順位に焦点を当てるかを形作ります。時間の経過とともに、シミュレーションと実験が相互に強化する、閉じたループ・システムが生まれ、チームはより多くの可能性を探索しながら、最も実行可能なパスに重点を置くことができます。発表では、LightPFPとALCHEMIとのPFP統合について説明しています。これらの開発により、従来の原子レベルシミュレーション・パイプラインと比較して、スケーラビリティと安定性がどのように向上するのでしょうか?LightPFPは、分散システムでの近傍リスト構築に必要な通信オーバーヘッドという、原子レベルシミュレーションのボトルネックに対処します。NVIDIA ALCHEMI Toolkit-Opsを使用して、推論中にこのステップを置き換えることで、ノード間の通信が削減され、シミュレーションが高速化され、安定性が向上します。サーバー・ベースのアーキテクチャと組み合わせることで、シミュレーションはより効率的にスケールし、インフラストラクチャと運用の複雑さが軽減されます。PFPの完全な統合により、これらの利点が汎用的なモデルに拡張されます。これは重要です。なぜなら、従来のパイプラインは、さまざまな材料システムや計算環境で一貫したスケーラビリティに苦労することが多いためです。これらの開発により、スケーラビリティと信頼性が向上し、シミュレーションは、従来のトレードオフなしに、分離された研究用途から連続した産業規模の展開に移行できるようになります。Matlantisは、数千万の量子レベルの計算でトレーニングされたPreferred Potential（PFP）に基づいて構築されています。データ駆動型アプローチは、従来の物理ベースのシミュレーションとどのように異なり、どのようなシナリオで最大のパフォーマンス・ゲインを実現しますか?従来のシミュレーションでは、各計算で直接第一原理から相互作用を計算します。これは正確ですが、計算コストが高いです。PFPは、代わりに、膨大な量の量子計算から学習し、その知識を推論時に適用します。最大のパフォーマンス・ゲインは、候補の繰り返し評価が必要なワークフロー、たとえば材料のスクリーニングや材料組成の探索で実現されます。従来、数個のシステムに限定されていたものが、精度を維持しながら数千の候補を評価できるようになりました。最も説得力のある主張の1つは、DFTに近い精度を大幅に高速化したことです。実用的には、企業が実験、プロトタイピング、市場投入までの時間にどのような影響を与えますか?従来、DFTは精度の金標準でしたが、現在、計算コストが高いため、広範囲に適用することが限られています。R＆Dチームは、試行錯誤の実験に大きく依存し、DFTを選択的に使用して検証しています。DFTに近い精度を大幅に高速化することで、企業は候補を絞り込む前に、数千の可能性について即座に洞察を得ることができます。従来、DFTを使用して候補を分析する前に、実験を実施していましたが、企業は今では、物理的なリソースを投入する前に、計算空間を絞り込むことができます。結果として、失敗した実験が減り、ターゲットを絞ったプロトタイピングが増え、イテレーション・サイクルが大幅に短縮され、市場投入までの時間が短縮され、製品化に進むものに対する自信が高まります。半導体、バッテリー、化学薬品などの業界で、シミュレーション第一の発見への移行が見られます。現代の企業内での完全なシミュレーション第一のR＆Dワークフローはどのように見えますか?シミュレーション第一のワークフローは、事前に定義された材料ではなく、望ましい結果を中心にR＆Dを据えることから始まります。チームは目標と課題を特定し、次に最適化、安定性、そして増え続ける化学空間または結晶空間の探索を通じて、候補材料を大規模にスクリーニングします。これは相互に影響しあうプロセスです。シミュレーションの結果が、次の候補者の選択を継続的に情報に基づいて行います。設計空間を迅速に狭めていきます。材料が検証段階に入る頃には、すでに複数の計算層を通過しており、無駄な労力を大幅に削減しています。しかし、実際のシフトは組織的なものです。シミュレーションは、ニッチな機能を超えて、意思決定の中心的なレイヤーになります。シミュレーションは、どの実験を実行するか、どのようにリソースを割り当てるか、チームが優先順位をどのように設定するかを導きます。時間の経過とともに、シミュレーションと実験が相互に強化する、閉じたループ・システムが生まれ、チームはより多くの可能性を探索しながら、最も実行可能なパスに重点を置くことができます。材料科学でAIが中心になるにつれ、コンピューティング、GPU、ソフトウェア・スタックなどのインフラストラクチャがますます重要になってきています。インフラストラクチャがモデル・イノベーションだけでなく、制限要因として浮上してきている理由は何ですか?多くの組織には強力なモデルがありますが、断片化されたワークフローと限られたコンピューティング・アクセスに苦労しています。AIをレガシーシステム上に重ねたツールとして扱うと、孤立した実験につながり、制限要因はインフラストラクチャと、コンピューティングとデータ・シミュレーションを統一されたシステムに統合する組織の能力に移りました。Matlantisは、エネルギーから先進的製造まで、さまざまな業界で使用されています。どのようなユースケースが現在最も迅速に投資収益率を実現していますか? 次のブレークスルーはどこで起こりそうですか?最も迅速な投資収益率は、実験サイクルが高価で設計空間が広い領域、たとえばバッテリー材料、触媒、半導体関連材料で実現されています。これらのドメインでは、非実行可能な候補を早期に除外することで、即時の価値が生まれます。たとえば、化学メーカーのクゥラレーでは、検証プロセスが2〜3年かかっていたものが、Matlantisを使用することで1か月半に短縮されました。1つのシミュレーション・キャンペーンで、13の提案された触媒改良が評価され、すべて非実行可能として却下され、死に体のアイデアへの実験的努力を数年間節約することができました。先を見ると、次のブレークスルーは、シミュレーションと実験の収束から生まれるでしょう。現在、両者間に明確な境界があり、通常、連続的なステップではなく、順番に扱われます。しかし、この境界は消えつつあります。高速シミュレーションとマシン・ラーニングの進歩により、シミュレーションが実験をリアルタイムで導き、実験データがモデルに継続的にフィードバックされる、クローズド・ループ・ディスカバリー・システムの出現を目撃しています。こうしたシステムが成熟するにつれ、発見は連続的なものになります。シミュレーション、AI、実験が統一されたシステムとして動作する収束が、次の世代のブレークスルーを推進する場所です。あなたの役割は、深い技術研究とグローバル・カスタマー・サクセスの両方を包含しています。次の世代の科学者やエンジニアが、AI駆動のR＆D環境で競争力を維持するために、どのような新しいスキルセットを身に付ける必要があると思いますか?最も重要なスキルは、学際的な作業能力を強化することです。科学者は、堅固なドメイン・エキスパートを必要としますが、同時にデータ駆動型のモデル、スケーラブルなシミュレーション・プラットフォーム、イテレーティブなワークフローを扱う能力も必要です。同様に重要なのは、シミュレーションとデータ実験が、より大きな発見プロセスの中でどのように接続されるかを理解することです。次の世代は、知識の量だけではなく、それを現代のR＆D環境でどのように統合して適用するかによって定義されます。AI駆動のシミュレーションが実時間の材料発見に近づくにつれ、材料の設計、検証、最適化が物理的な実験を実施する前に、シミュレーションで完全に行われる世界にどのくらい近づいていますか? それがイノベーションの未来にどのような意味を持ちますか?特定のドメインでは、すでにその能力に近づいていますが、まだ普遍的ではありません。多くのシステムでは、シミュレーションはすでに設計空間の大部分を除外し、最も有望な候補を特定することができます。しかし、合成条件やスケールアップの影響などの現実世界の複雑さを完全に捉えることは、まだ課題です。したがって、実験の役割は進化しています。実験は、主要な探索手段ではなく、最も有望な計算結果を検証し、洗練する、よりターゲットを絞ったものになります。発見の初期段階の努力のほとんどがシミュレーションに移行し、物理テストはより精度が高く効率的になるように運用されます。素晴らしいインタビュー、詳細を知りたい読者は、Matlantisを訪問してください。
エージェントシステム、XRスマートグラス、ロボティクスが人間を置き換えるのではなく、人間を支える私たちは、人工知能におけるパラドックスを経験しています。画面上では、AIは超人的です。大量の言語モデルは数秒で機能的なPythonコードを書きます。生成システムは数分で写真のようにリアルな画像や動画を生成します。ノーベル賞を受賞したシステムであるAlphaFoldは、既知のほぼすべてのタンパク質の構造を予測しました。デジタルでの勝利は積み重ねられています。しかし、生物医学研究の物理的な世界では、発見のプロセスはまだ痛みを伴う手動での作業です。私たちは、AIが科学や医学を加速していることを感じていません。少なくとも今のところではありません。数字は問題の深さを明らかにしています。1500人以上の科学者を対象としたNatureの調査によると、70%以上の科学者が他の研究者の実験を再現しようとして失敗しています。さらに心配なことに、半分以上の科学者は自分の研究を再現できませんでした。がん生物学では、8年の再現性プロジェクトで、高影響の発見の40%のみが再現可能で、実験の68%には再現を試みるのに十分な文書化が欠けていました。これは現代の科学の汚い秘密です。私たちには、発見の問題だけでなく、知識の取得の問題があります。重要な実験の詳細は、研究者の頭の中にあり、論文の中にはありません。プロトコルは変化します。暗黙の知識は、トレーニーが卒業すると出て行きます。出版された文献に基づいて訓練されたAIシステムは、これらのギャップをすべて継承します。根本的な問題は、AIががん治療用の新しいタンパク質をデジタルシミュレーションで設計できるのに、試験するためのパイプを拾うことができないことです。汚い、予測不可能なウェットラボの現実をナビゲートして、自分の仮説を検証することができないのです。経験豊富な科学者の手を見て、実験をうまくいくようにするための繊細なテクニックを学ぶことができないのです。この「実行ギャップ」は、AI革命が医療革命になることを妨げている最大のボトルネックです。ほとんどのロボティクス企業は、まだ機械に洗濯物を折ったり食器を積み込んだりすることを教えている間に、医学などの分野でのこれらの進歩の真正な変革的な能力に後れを取っています。これを解決するには、チャットボットを超えて、AI共同研究者、つまりデジタルと物理の世界の橋渡しとなるエージェントシステムに向けて進む必要があります。スタンフォードでは、LabOSを開発しています。これは、AIエージェント、拡張現実(XR)スマートグラス、協調ロボティクスがどのようにしてこのループを閉じ、科学実験を人間と機械の間の共同対話に変え、現在失われている知識を自動的に取得するかを示しています。大きな違い: AIに「目」と「手」が必要な理由最も目立つAIの勝利は、環境が完全にデジタルである場所で起こりました: コードリポジトリ、キュレーションデータセット、またはシミュレートされたベンチマーク(ここでAIは仮想企業を実行したり、デジタルで株式に投資したりします)。ウェットラボは異なります。生物学、そして一般的に科学的発見は、非常にノイジーなプロセスです。機器はドリフトし、オペレーターは即興で作業し、「プロトコル」はчастに人の頭の中にあります。クリーンな結果と失敗した実行の違いは、パイペッティングの角度、ボルテクシングパターン、試薬の置換、または10分長くインキュベーションが実行されたかどうかです。これらのコンテキストの詳細は、ほとんどの場合、論文には記載されません。ただし、AIモデルがデータセットを超えて一般化するには、これらの詳細が必要です。そのため、ラボグレードのAIには、目(コンテキストで何が起こっているかを認識するため)、手(高分散ステップを標準化して安全に自動化するため)、メモリ(実際に何が起こったかを記録するため)が必要です。これらの機能がないと、モデルは勧告することはできますが、勧告を信頼性の高い物理的な実行に翻訳したり、計画が現実から乖離したときに失敗を説明したりすることはできません。チャットボットを超えて: コパイロットからコサイエンティストへ「エージェントAI」という用語は、ときどき緩く使用されます。生物医学的環境では、正確な意味で使用する必要があります: 目標(たとえば、「CRISPR遺伝子編集の効率を最適化し、オフターゲットを最小限に抑える」)をとり、タスクのシーケンスに分解し、ツールをまたいでタスクを実行し、結果を評価し、制約の下で監査可能な意思決定で計画を適応させることができるシステムです。これは重要です。研究ワークフローは、単一のモデルコールではありません。仮説の生成、実験設計、データ処理、統計的テスト、解釈を含むエンドツーエンドのパイプラインです。最近の薬剤発見における思考は、ステップを単に加速するのではなく、これらのパイプラインをスケールするエージェントシステムを強調し始めています(たとえば、Unite.AIの小分子発見におけるエージェントについての議論)。ソフトウェアエンジニアリングでは、AIコパイロットが開発者の生産性を高めることができる初期の経験的証拠をすでに見てきました。生物医学では、機会はコードを書くことだけではありません。プロトコルを書き、データを構造化し、実行を監視し、予測と測定のループを閉じ、AIをラボの人間の科学者に接続することです。LabOS: AIが未来のラボのオペレーティングシステムで動くときスタンフォードでの私たちの仕事、遺伝子編集コパイロットのようなCRISPR-GPTやAI-XR共同実行システムのようなLabOSを開発しています。科学者が生物医学および材料科学のラボで協力して作業できるように、AIエージェント、拡張現実(XR)スマートグラス、協調ロボティクスがどのようにしてこのギャップを埋めるかを探っています。1. デジタル(ドライ)ラボと物理(ウェット)ラボを結びつけるエンドツーエンドの「ラボオペレーティングシステム」を設計します。前提は単純です。ラボノートブックが科学の記憶であるなら、ラボOSは実行レイヤーでなければなりません。意図をキャプチャし、それをアクションに翻訳し、結果を観察し、毎回実行を構造化された知識に変える必要があります。2. デジタルラボでのAI – 自己進化する計画とツールビルディングデジタル(ドライ)ラボでは、AIにすでに得意なことをさせます。検索、統合、提案をさせます。しかし、自己改善もさせたいのです。新しい科学を「妄想」するのではなく、フィードバックからより良いツールやワークフローを学ぶことでです。実用的デジタルラボループは、4つの反復ステージで構成できます。 計画(仮説 + 設計): 仮説を提案し、実験変数を選択し、混入変数を予測し、測定可能なエンドポイントを指定します。 コーディング(実装): 分析スクリプト、シミュレーションパイプライン、適切な場合には機器制御テンプレートを生成または適応させます。 批評エージェント(推論 + 評価): 假定をストレステストし、統計的パワーをチェックし、コントロールを提案し、可能な失敗モードをフラグします。 ツール作成(検索 + 開発): ワークフローにコンポーネント(パーサー、QCルーチン、ダッシュボード)が欠けている場合、ビルドしてツールキットに追加します。 3. 物理ラボでのAI...
Fazeshiftは、AIエージェントを使用して経理担当のワークフローを自動化するスタートアップで、1,700万ドルのシリーズA資金調達を実施し、総資金調達額を2,200万ドルに引き上げた。このラウンドは、F-Primeがリードし、Gradient、Y Combinator、Wayfinder、Pioneer Fund、Ritual Capital、および複数のエンジェル投資家が参加した。この会社は、AIのコパイロットを超えて、運用業務を独立して実行できるシステムを持つスタートアップの波の一部である。Fazeshiftの場合、これは、多くの企業チームがまだスプレッドシート、電子メール、ERPシステム、CRMs、および支払いプラットフォームを使用して管理している財務プロセスを自動化することを意味する。経理担当が大きなボトルネックのままである理由経理担当（AR）は、企業の財務の中で最も近代化が遅れている部分の一つである。多くの大規模な組織でも、請求書の生成、収集、支払い照合、調整などの断片化されたワークフローに依存している。多くの財務チームは、システム全体で支払いを手動で追跡し、紛争を解決し、期限切れの請求書を追跡するのに多大な時間を費やしている。これらの非効率性は、財務チームが「Days Sales Outstanding (DSO)」と呼ぶキャッシュフローに直接影響を及ぼし、増加させることができる。これは、会社が支払いを収集するのにかかる時間を測定するために使用される指標である。 Fazeshiftは、代わりにそれらを置き換えるのではなく、既存のソフトウェアツール全体で動作するAIエージェントを構築することで、これに対処しようとしている。プラットフォームは、ERPシステム、CRMs、支払いプロセッサ、コミュニケーションプラットフォームと統合して、エンドツーエンドのワークフローを自動化する。FazeshiftのAIエージェントの動作従来の自動化プラットフォームが固定ルールと手動トリガーに大きく依存するのに対し、Fazeshiftは、財務運用を自律的に実行できる実行レイヤーとしてソフトウェアを位置付ける。プラットフォームのAIエージェントは、請求書の生成、支払い照合、収集のアウトリーチ、顧客コミュニケーション、システムの更新などのコアの経理担当機能を処理するように設計されている。推奨事項を提示するのではなく、これらのエージェントは、ワークフローを完了するために必要なコンテキストを取得することなく、システム全体でタスクを直接実行する。 これには、複雑な支払いシナリオの処理、複数のシステム全体での請求書の照合、顧客との大規模なコミュニケーションの調整など、従来、多大な手動労力が必要だった分野が含まれる。企業の需要によって牽引される成長Fazeshiftは、過去1年間で急成長を報告しており、Sigma Computing、Snyk、Meter、Clipboard Healthを含む企業顧客基盤が拡大している。いくつかの導入では、会社は、プラットフォームが手動のARタスクのほとんどを自動化しているとしている。この魅力は、財務部門がヘッドカウントを増やさずに効率性を向上させる圧力を受けているときにやって来る。特に経理担当は、CFOテックスタック全体でより広範な近代化が行われているにもかかわらず、非常に労力密度の高いままであった。Fazeshiftのアプローチは、別個のプラットフォームを導入するのではなく、システム全体でデータを接続することに中心にある。ERPシステム、請求プラットフォーム、CRMsなどの既存のツールと統合することで、会社は、断片化された環境全体で動作するレイヤーとしてAIエージェントを位置付ける。自律的な財務の台頭Fazeshiftの軌道は、財務機能が構成される方法に大きな変化を示唆している。経理担当が初期の焦点であるが、根本的なアプローチは、財務を自律的に行うことを意味する。ここで、ソフトウェアはワークフローをサポートするのではなく、実行する。これは、企業システム全体で発生しているより広範な進化を反映している。以前のツールは、情報を整理し、ダッシュボードとレポートを通じて意思決定を支援するように設計されていた。最近のAIシステムは、これらの環境内で直接動作し、人間の入力が常に必要だったタスクを実行し始めている。財務は、この移行の自然な出発点である。多くのプロセスはルールベースで繰り返しであるが、依然として複数のシステム、文書、コミュニケーションチャネル全体で調整が必要である。これらの組み合わせは、歴史的に完全な自動化を困難にしていたが、AIエージェントの進歩はこのギャップを埋め始めている。このモデルが継続して発展する場合、財務チームは手動の実行から自動化システムの監視に移行し、例外の処理、コンプライアンス、戦略的意思決定に重点を置くことができる。影響は効率性を超え、組織が運用を拡大し、キャッシュフローを管理し、バックオフィスのチームを構造化する方法を再定義する可能性がある。
スウェーデンのスタートアップ Pit は、Andreessen Horowitz が主導する 1億6000万ドルの資金調達でステルスモードを終了し、新しいタイプのエンタープライズソフトウェア会社として、実際に組織がどのように機能するかに合わせて作られた運用システムを構築することに焦点を当てています。同社は、そのアプローチを「AI製品チームとしてのサービス」と表現し、チャットボットやAIコパイロットを超えて、完全に展開された運用ソフトウェアに向けたモデルです。従来のSaaSプラットフォームに従うのではなく、Pitは、既存のワークフロー、承認、データフローを中心にカスタムの内部システムを生成することを目的としています。資金調達ラウンドには、Lakestar、OpenAI、Anthropic、Google、Deel、Revolutの幹部、およびいくつかのヨーロッパの産業ファミリーオフィスが参加しました。ワンサイズフィットオールのエンタープライズソフトウェアからのシフト数十年間、企業は運用を管理するために、スプレッドシート、インボックス、エンタープライズリソースプランニング（ERP）システム、およびカスタム統合の混合を使用してきました。クラウド時代のソフトウェア支出が増加したにもかかわらず、多くの内部プロセスは依然として断片化され、手動で実行されています。Pitは、その層を直接ターゲットにしています。固定アプリケーションを販売するのではなく、プラットフォームはチームがどのように動作するかを観察し、ビジネスロジックを理解し、組織に合わせてカスタマイズされた生産グレードのシステムを生成するように設計されています。同社は、これらのシステムが、財務、運用、顧客ワークフロー、契約管理など、さまざまな機能をサポートできることを示しています。これは、エンタープライズAI全体で出現しているより広いトレンドを反映しています。企業は、標準化されたツールに従うのではなく、プロセスに適応するソフトウェアを求めていることが増えています。ローコードとAIコパイロットを超えるPitの主な議論の1つは、既存のエンタープライズAIツールは依然として人間が断片化されたシステムを組み合わせる必要があるということです。ローコードプラットフォームは、事前に定義されたテンプレートとコネクタに依存することが多く、AIコパイロットは一般的に、既存のワークフロー上に配置されたアシスタントとして機能します。Pitは、運用ソフトウェアを直接作成するインフラストラクチャとして自己を位置付けます。同社のアーキテクチャは、現在、2つの主要コンポーネントで構成されています。Pit Studioは、ワークフローを分析し、運用システムを生成します。一方、Pit Cloudは、テナント分離、RBAC、SSO、監査可能性、およびISO 27001コンプライアンスを含むエンタープライズインフラストラクチャレイヤーを提供します。そのガバナンスレイヤーは、企業がAIの実験から重要なビジネス機能への展開に移行するにつれて、ますます重要になっています。セキュリティ、監査可能性、パーミッション管理、インフラストラクチャ分離は、エンタープライズAIの採用における大きな違いとなっています。エンタープライズAIは運用自動化に向けて進化するこの発表は、エンタープライズAI支出のより広いシフトの中で行われました。初期の生成AIの採用は、チャットインターフェース、コンテンツ生成、プロダクティビティアシスタントに重点が置かれていました。ただし、企業は、実際に運用プロセスを自動化できるAIシステムを追求するようになっています。これには、請求書処理、調達フロー、内部承認、顧客オンボーディング、コンプライアンスチェック、ロジスティクスコーディネーションが含まれます。Pitは、いくつかの展開がすでに測定可能な運用上の利益をもたらしており、キャンペーン実行時間の短縮とほぼ完全な精度で動作する自動請求書検証システムが含まれていると主張しています。あるヨーロッパの産業会社では、スタートアップは、レガシーの請求書と契約の検証ワークフローを、AI駆動のリアルタイムシステムに置き換え、年間10,000時間以上を節約したと述べています。このモデルが、特に高度に断片化されたレガシーインフラストラクチャを持つ業界では、広くエンタープライズ環境に拡大するかどうかは、未解決の疑問です。ただし、AI生成の運用ソフトウェアの概念は、企業が高価なマルチイヤーERPモダERN化プロジェクトの代替を求めるにつれて、勢いを増しています。ヨーロッパのエンタープライズAIエコシステムの拡大Pitの出現は、ヨーロッパのエンタープライズAIセクターの継続的な成長も強調しています。世界的なAIの議論の多くは、OpenAI、Anthropic、Googleなどの米国企業からのファウンデーションモデルに中心izedままですが、ヨーロッパのスタートアップは、適用されたエンタープライズインフラストラクチャ、自動化、ガバナンス、垂直AIシステムに焦点を当てています。特にストックホルムは、過去10年間に、グローバルに認知されたフィンテックとモビリティ企業を生み出し、運用テクノロジープラットフォームを国際的にスケーリングする経験を持つオペレーターのエコシステムを作成しています。Pitは、その運用の専門知識とエンタープライズ環境内の生成AIの迅速な加速の交差点に自己を位置付けようとしています。エンタープライズソフトウェアのAI生成の長期的な影響Pitのようなプラットフォームが勢いを得る場合、エンタープライズソフトウェアの構築と維持の方法を根本的に変える可能性があります。数十年間、企業は、しばしば高価なカスタマイズと長い展開サイクルを必要とする、rigidなERPシステムとSaaSプラットフォームに依存してきました。AIネイティブプラットフォームは、ソフトウェアが継続的に変化するビジネスプロセスに適応する、より柔軟なモデルを導入します。静的なツールを購入するのではなく、企業はワークフローが進化するにつれて、動的に運用システムを生成するようになる可能性があります。そのシフトは、従来のソフトウェアベンダーへの依存を減らし、財務、ロジスティクス、顧客運用、コンプライアンスなどの自動化を加速する可能性があります。この移行はまた、AIシステムがミッションクリティカルなワークフローに深く浸透するにつれて、ガバナンス、監査可能性、セキュリティに関する新たな課題も生じます。結果として、透明性、パーミッション、信頼性に焦点を当てたインフラストラクチャレイヤーは、AIモデル自身と同じくらい重要になる可能性があります。最終的に、エンタープライズAIの次の段階は、チャットボットやコパイロットではなく、企業の内部運用の多くの部分を静かに実行するAIシステムに中心が移る可能性があります。
