ソートリーダー

コードから治療へ:次のAI革命には手と目が必要だ

Dr. Le Cong
Unite.AI を Google の優先ソースに追加
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.
要点LabOSは、XRグラスとロボティクスを用いて、AIのデジタル計画と物理的な実験室での実行を橋渡しします。
もっと見る
  • LabOSは、XRグラスとロボティクスを用いて、AIのデジタル計画と物理的な実験室での実行を橋渡しします。
  • %以上の科学者が実験の再現に失敗するのは、発見のギャップではなく、知識獲得のギャップが原因です。
  • AI共同研究者は、生物医学ラボでの害を防ぐために、来歴と制限付き自律性を含める必要があります。

エージェント型システム、XRスマートグラス、ロボティクスは、人間を置き換えるのではなく、その力を高める

私たちは今、人工知能の逆説に直面しています。

画面の上では、AIは人間を超える能力を示しています。大規模言語モデルは、実際に動くPythonコードを数秒で書き上げます。生成システムは、写真のようにリアルな画像や動画を数分で作ります。ノーベル賞を受賞したAlphaFoldのようなシステムは、既知のほぼすべてのタンパク質の構造を予測しました。デジタル世界での成功は積み重なっています。

ところが、生物医学研究という物理的な世界では、発見の過程は依然として骨の折れる手作業です。AIが科学や医療を加速しているという実感は、少なくとも今のところ、十分に得られていません。数字は問題の深刻さを示しています。1,500人を超える科学者を対象としたNatureの重要な調査では、 70%超が他の研究者の実験を再現しようとして失敗したことが分かりました。さらに懸念されるのは、半数以上が自分自身の研究も再現できなかったことです。特にがん生物学では、8年間の再現性プロジェクトにより、 影響力の大きい研究成果のうち再現できたのは40%にとどまる ことが判明し、68%の実験は、再現を試みるための記録さえ不十分でした。

これは現代科学が抱える不都合な秘密です。問題は発見だけでなく、知識を記録して残すことにもあります。実験の重要な詳細は、論文ではなく研究者の頭の中にあります。プロトコルは少しずつ変わり、研修生が修了すると暗黙知も一緒に失われます。公開文献で訓練されたAIシステムは、こうした欠落をすべて引き継ぎます。

根本的な問題は、AIがデジタルシミュレーションでがん治療用の新しいタンパク質を設計できても、ピペットを手に取って試すことはできないという点です。ウェットラボの雑然として予測しにくい現実に対処し、自らの仮説を検証することはできません。熟練した科学者の手元を見て、実験を成功させる微妙な技術を学ぶこともできません。

この「実行のギャップ」こそ、AI革命が医療革命へとつながるのを妨げる最大のボトルネックです。多くのロボティクス企業は、洗濯物を畳むことや食器洗い機に食器を入れることを機械に教えるのに追われ、医療などの分野でこれらの進歩がもたらす真に変革的な能力の実現では後れを取っています。

解決するには、チャットボットを超え、AI共同研究者へと進む必要があります。それはデジタルと物理の世界を結び、計画やコーディングを超えて現実世界で実行するエージェント型システムです。スタンフォードでは、私たちは LabOSを開発しています。デジタルと物理をつなぐこのAIフレームワークは、AIエージェント、拡張現実(XR)スマートグラス、協働ロボティクスを組み合わせてループを閉じる方法を示します。科学実験を人間と機械の共同対話に変え、現在は失われている知識を自動的に記録します。

大きな隔たり:AIに「目」と「手」が必要な理由

AIの目立った成功の多くは、環境が完全にデジタル化された場所で生まれています。コードリポジトリ、整理されたデータセット、あるいは仮想企業の運営やデジタル環境での株式投資をAIが競うシミュレーションのベンチマークです。

ウェットラボは違います。生物学、そして科学的発見全般は、ノイズの非常に多い過程です。機器の状態は変動し、作業者は臨機応変に対応し、「プロトコル」の一部はしばしば頭の中だけにあります。きれいな結果と失敗を分けるのは、ピペッティングの角度、ボルテックス混合の仕方、試薬の代替、あるいは10分長くなったインキュベーションかもしれません。こうした状況の詳細は論文に載ることがまれですが、AIモデルがデータセットの外へ一般化するには、まさにそれが必要です。

だからこそ、研究室で使えるAIには、状況を捉える目、ばらつきの大きい工程を標準化して安全に自動化する手、実際に起きたことを記録する記憶が必要です。これらがなければ、モデルは行動を提案できても、提案を検証済みの物理的実行へ確実に変換したり、現実が計画から外れた際に失敗を説明したりできません。

チャットボットを超えて:支援役から共同研究者へ

「エージェント型AI」という言葉は、曖昧に使われることがあります。生物医学では、明確な意味を持つべきです。例えば「CRISPR遺伝子編集の効率を最適化しつつ、オフターゲット編集を最小限にする」という目標を受け取り、一連の課題に分解し、複数のツールを使って実行し、結果を評価し、制約の下で計画を調整できるシステムです。その意思決定は監査可能でなければなりません。

これが重要なのは、研究のワークフローが1回のモデル呼び出しではないからです。仮説の形成、実験設計、データ処理、統計検定、解釈までをつなぐ一貫したパイプラインです。創薬では最近、個々の工程を速めるだけでなく、このパイプライン全体を拡張できるエージェント型システムを重視する考え方が生まれています。例えば、Unite.AIによる 低分子創薬のエージェントに関する議論が挙げられます。

ソフトウェア開発では、AI支援ツールが開発者の処理量を増やせるという初期の実証的証拠がすでにあります。生物医学で対応する機会は、コードを書くことだけではありません。プロトコルの作成と検証、データの構造化、実行の監視、予測と測定のループを閉じることを通じて、AIを研究室の科学者につなぐことです。

LabOS:未来の研究室のオペレーティングシステム上で動くAI

スタンフォードでの私たちのAI4Science研究は、 遺伝子編集の支援ツール である CRISPR-GPT や、 AIとXRによる共同実行システム で、生物医学・材料科学の研究室の科学者を支援するLabOSに及びます。その中で、次のようなアーキテクチャの転換を探っています。

1. デジタルのドライラボと物理的なウェットラボを結ぶ、一貫した「研究室のオペレーティングシステム」の設計

前提は単純です。実験ノートが科学の記憶なら、研究室のOSは実行層であるべきです。意図を記録して行動へ変換し、結果を観察し、すべての実験を構造化された知識に変えるのです。

図:LabOSの概念図。自己進化するデジタルラボのループ(計画、コーディング、批評、ツール作成)と、人間とAIによるウェットラボのループ(自動記録、知識の記録・蓄積、XRによる案内、ロボティクスの統合)を結びます。

2. デジタルラボのAI:自己進化する計画とツール構築

デジタルのドライラボでは、AIがすでに得意とする検索、情報の統合、提案を任せられます。ただし、自己改善も目指しています。「新しい科学を幻覚として作り出す」のではなく、フィードバックからよりよいツールやワークフローを学ぶのです。

実用的なデジタルラボのループは、次の4段階の繰り返しとして整理できます。

  • 計画(仮説と設計):仮説を提案し、実験変数を選び、交絡因子を予測し、測定可能な評価項目を定めます。
  • コーディング(実装):必要に応じて、分析スクリプト、シミュレーションのパイプライン、機器制御のテンプレートを生成または調整します。
  • 批評エージェント(推論と評価):前提を厳しく検証し、統計的検出力を確認し、対照実験を提案し、起こりそうな失敗の形を指摘します。
  • ツール作成(検索と開発):パーサー、品質管理(QC)処理、ダッシュボードなど、ワークフローに不足する構成要素があれば作成し、ツール群に加えます。

3. 物理ラボのAI:「目」であるXRグラスと「手」であるロボティクス

物理的なウェットラボは、システムが信頼を獲得するか失うかが決まる場所です。目標は科学者を置き換えることではなく、摩擦やミスを減らしながら観測可能性を高めることです。

私たちは物理ラボのループを、次の4つの補完的な能力として捉えています。

  • 自動記録と文書化:行動、時刻、機器の設定、逸脱を自動的に記録し、文書化を後回しにしないようにします。
  • 迅速で再現可能な実行に向けた知識の記録・蓄積:実験を、プロトコルの版、パラメーターの組、QC結果など、構造化され検索できる成果物に変換します。データ管理では、 FAIRなどの原則に沿わせます。
  • XRスマートグラスによるリアルタイムの視覚・言語ガイダンス:マルチモーダルモデルで、作業者が何をしているか、どの試薬を手にしているかを解釈し、段階ごとの案内や安全確認を提供します。AR/XRは、実験の案内など、重大な結果につながる物理的ワークフローですでに有用性を示しています(LabOS、スタンフォード、プリンストンと NVIDIAの共同研究)。
  • 自動化のための協働ロボット・ロボティクス統合:繰り返しの工程を標準化し、安全な引き継ぎを可能にし、ばらつきを減らします。シミュレーションから現実につなぐワークフローの基盤(例えば NVIDIA Isaac)や、LabOSのスマートグラス映像のライブ配信、人間とAIの対話のようなエッジでのリアルタイムAI処理は、重要な実現基盤です。

この構成は、自動化と機械学習を組み合わせて次の実験を計画する「自律型研究室」という、分野全体の方向性に合っています。LabOSは、人間との接点をより密接にする層を加え、透明性を犠牲にせず自律性を実現しようとします。

研究室で使えるAIが、単なる「データセット上のAI」ではない理由

生物医学や科学の超知能を目指すAIシステムは、過去のデータによる評価や試験問題への回答では優秀に見えても、物理ラボでは十分な性能を出せないことがあります。原因は単一のバグであることは少なく、通常はモデルの前提と研究室の現実の食い違いです。

繰り返し現れるギャップは3つあります。

  • 状況のギャップ:データセットには通常、作業者が重要だと知っている変数が欠けています。温度の逸脱、試薬のロット番号、わずかなプロトコルの逸脱などです。
  • 行動のギャップ:多くのAIシステムは行動を推奨できても、それを検証済みの物理的な工程に確実に変換できません。
  • フィードバックのギャップ:実行から得られる構造化された高品質のフィードバックがなければ、モデルは失敗する箇所を学べず、科学者もその理由を監査できません。

ギャップを埋めるには、新しいニューラルネットワークの構造を発明すること以上に、機械が研究室を理解し、AIが人間を見て共に作業できるようにする計測機器、インターフェース、データに関する取り決めの整備が重要です。

設計段階からの信頼:行動できるAIの安全性とガバナンス

発見を目指す研究でのエージェント型AIは、精度に関する従来の懸念だけでなく、行動できるがゆえの新たな失敗を生みます。研究室での行動は、資源の浪費、危害、誤った結論につながるおそれがあります。実験が臨床仮説に影響する場合は、特にそうです。

AIを活用する研究室の技術基盤を、信頼性の保証が必要な社会技術システムとして捉えることが有効です。既存の枠組みはいくつか役立ちますが、研究室の現実に合わせて適用する必要があります。

  • 継続的な実践としてのリスク管理:NISTのAIリスクマネジメントフレームワーク(AI RMF 1.0)は、ライフサイクル全体を通じてAIリスクを把握、測定、管理するための実用的な用語体系を提供します。
  • 医療に関わるAIと規制との整合:FDAのAI・機械学習を用いる医療機器としてのソフトウェア(SaMD)に関する取り組みは、 行動計画および関連ガイドラインも含め、AIが患者のケアに影響する場合の「よい実践」を具体的に示しています。

遺伝子編集をはじめ重大な結果につながる領域では、ガバナンスはすでに世界的な議論になっています。ヒトゲノム編集に関しては、適切な監督の仕組みや責任あるガバナンスの必要性を強調する勧告が議論されています。例えば、 米国遺伝子・細胞治療学会(ASGCT)による勧告です。LabOSのようなシステムは、規則の順守を難しくするのではなく、容易にするよう設計すべきです。

チェックリスト:科学的発見を支える安全なAI共同研究者の管理策

私たちは、安全性を重視する研究室OSは、少なくとも次の設計を実装すべきだと考えています。

  • 来歴の記録を標準にする:すべてのデータセット、プロトコルの版、モデル出力を、入力とタイムスタンプまで追跡できるようにします。
  • 制限された自律性:システムには、確認なしで許される行動を示す明示的な権限と、いつ承認を求めるべきかを定めたエスカレーション規則が必要です。
  • 人間による介入と段階的な機能縮退:センサーやデータの流れに障害が起きたとき、または不確実性が高いときは、より安全で単純なモードに戻る必要があります。
  • 継続的な検証:コンピューター上の予測は、物理ラボでの検証と組み合わせます。実際の実験にはQCの確認段階を設け、結論がデジタル世界のAIモデルやエージェントへ戻る前に品質を確認する必要があります。
  • セキュリティとデュアルユースへの認識:研究室のインフラを改ざんから守ります。

あらゆる場所の人間の力を高める:AI共同研究者は機会の格差を縮められるか

AIとXRを組み合わせた共同研究者の魅力は、先端機関の研究を速めることだけでなく、誰もが利用できるようになる可能性にもあります。現在、小規模研究室、スタートアップ、遠隔地・農村部・地域の診療所を制約している要因を考えてみましょう。

  • 標準的な最良のプロトコルや機器に関する専門知識を得る機会が限られていること。
  • 訓練、ミス、やり直しの相対的なコストが高いこと。
  • ツールの分断:ノート、表計算、機器のログ、分析スクリプトが、きれいにつながることはまれです。

XRグラスで状況に応じた実行を案内し、実際に起きたことを自動記録し、過去の実験に基づいて次の最善の工程を提案するシステムは、高度な測定・分析手法の施設間での再現性を高める可能性があります。原理的には、資源に差があってもプロトコルを一貫して実行する必要がある分散型の臨床研究も支えられるかもしれません。

タイムライン:すべての科学者や臨床医が共同研究者を得るのはいつか

価値が高く頻繁に行う一部の仕事、例えば研究室で薬を確実に製造することについては、多くの人が考えるより実現に近づいています。一方、AIががんやアルツハイマー病のような大きな問題を完全に解くことについては、多くのデモが示唆するより先の話です。現実的な道筋は次のようになります。

  1. 短期(1年以内):管理業務の負担を減らすワークフロー支援ツール。プロトコルの草案作成、文献の統合、分析テンプレート、自動QC報告などです。制約はモデルの能力ではなく、統合です。
  2. 中期(1~2年):研究室での共同実行システム。XRグラスによる案内、自動記録、ばらつきの大きい工程への選択的なロボット導入です。信頼は監査証跡と、人間を確実に意思決定に関与させる設計にかかっています。
  3. より長期(3年以上):発見を実用化につなぐ分野横断的な共同研究者。研究室のデータを臨床評価項目に結び付け、安全性の兆候を監視し、試験設計を助けながら、規制と倫理上の要請に従います。

コードから治療へ:科学的発見を1,000倍にするための道筋

LabOSは、意図、実行、証拠が最初から最後までつながる対話として実験を行えたらどうなるか、という単純な問いへの一つの試みです。うまく構築できれば、生物医学や材料科学など多くの物理科学分野を遅らせている実用化のギャップを埋める助けになります。構築を誤れば、再現できない研究を増幅し、新たな安全上のリスクを生みます。

今後数年で最も重要なのは基盤づくりです。iOSがさまざまなアプリを動かすように、OSを構築してデータと機器のインターフェースを標準化すること、LabOSのLabSuperVisionのように実行と不確実性を含むAIベンチマークを作ること、そして患者と研究の公正性を守りつつ革新を促す現実世界での導入を始めることです。

研究者や臨床医にとって、問題はAIが研究室に入るかどうかではありません。すでに入っています。問われるのは、ばらばらのツールの集まりとして統合するのか、それとも生物医学の現実に合わせて設計された、信頼でき監査可能なシステムとして統合するのかということです。

推奨文献と出典

Le Cong, PhD, はスタンフォード大学の病理学および遺伝学の准教授であり、彼の研究グループはデジタルラボの推論と物理ラボの実行を結び付けるAIネイティブのゲノムエンジニアリングとAI-XR-ロボティクスシステムを開発し、科学的発見において人間を強化する。