Archive for the ‘バイオ’ Category

脳をリバースエンジニアリング!米国の威信をかけたAI開発国家プロジェクト

Saturday, June 11th, 2016

米国で人工知能”アポロ計画”が始まった。米国政府は脳をリバースエンジニアリングして、そのアルゴリズムをコンピュータに応用する。人間のように思考するコンピュータの開発を目指す。次のフロンティアはインテリジェンスの解明で、本当の意味での人工知能を探求する。

vwb_636_ai_neuroscience_microns (p01)

MICrONSプロジェクト

米国政府は脳をリバースエンジニアリングして、そのアルゴリズムをコンピュータに応用するプロジェクトを開始した。人間のように思考するコンピュータの開発を目指す。このプロジェクトはIntelligence Community (諜報活動を行う連邦政府横断組織) 配下のIARPA (国防関連技術を開発する組織、上の写真) が1億ドルの予算で脳のメカニズムを解明する。IARPAは大学や民間の研究組織と連携しプロジェクトを進める。ちょうど、DARPA (米国国防高等研究計画局) が産学連携で自動運転技術を開発したように、IARPAは同じ手法で脳の構造を解明する。

このプロジェクトは「MICrONS (Machine Intelligence from Cortical Networks)」と呼ばれ、脳がどのように動くのかをニューロン単位で解明する。解明した結果を機械学習や人工知能のアルゴリズムに適用する。MICrONSはオバマ大統領が推進する「BRAIN Initiative (ヒトの脳を解明するプロジェクト)」の重要な部分担い、アメリカが国の威信をかけて人工知能を開発する姿勢が明らかになった。

脳に含まれるすべてのニューロンをマップ

MICrONSは三つのチームから成り、五年計画でそれぞれのテーマを研究する。プロジェクト前半は脳の構造を解明することが目標で、脳に含まれるすべてのニューロンをマップする。ここではネズミの脳が使われ、1平方ミリメータの領域を対象に、そこに含まれる全てのニューロンをマップする。これは人間の脳全体の100万分の1で小さな規模の研究に見えるが、現在の技術からの大きな飛躍となる。今までに解明できた範囲は1500平方マイクメータの領域に留まっている。つまり、このプロジェクトは60万倍の規模に挑戦することになり、ニューロサイエンスの観点から大きな飛躍となる。(下の写真は脳内のシナプスの構造 (左)とセルの位置 (右)。)

vwb_636_ai_neuroscience_microns (p02)

学習する時ニューロンはどう動くのか

プロジェクトは10万個のニューロンを対象とする。ニューロンの構成をマップし、ネズミがものを見たり学習する時に、ニューロンはどう動くのかを観察する。ネズミが学習するメカニズムをニューロンレベルの活動で把握する。現時点ではヒトの脳の活動状況をfMRIを使って観察するのが一般的で、レントゲン写真のように脳をスキャンする。スキャンしたイメージには数百万のニューロンが含まれ、個々の動きは把握できない。個々のニューロンの動きを観察する試みも進んでいるが、現在の技術では、ネズミのニューロン数個を測定できるに留まっている。

脳の構造を高精度で大規模に観察するためのツール

このため、プロジェクトを進めるためには新技法の開発が求められる。ニューロンを観察するには、ナノメーター単位の精度でのイメージング技術が必要となる。ニューロンは折れ曲がり、全長は数ミリになるとされる。脳内の微細構造をマップすることは、地図に例えるとアメリカ全土をインチ単位の精度でマップすることに匹敵する。高度な技術が要求されるが、BRAIN Initiativeが発足して以来、多くのツールが開発され、脳の構造を高精度で大規模に観察できる環境が整いつつある。今が歴史の転換点で、ニューロンやシナプスがどのように繋がっているのか、ネットワーク構造を解明する機運が高まっている。

三つのチームが競い合って研究を進める

プロジェクトでは三つのチームが競い合って独自手法でマップを作成する。Harvard Universityのチームは「two-photon microscopy」という手法で、ネズミの脳の活動を観察する。ネズミはモノを判別できるように教育され、ディスプレイでモノを認識する時の脳の活動を観察する。ここではカルシウムに反応して発光するfluorescent protein (蛍光タンパク質) が使われる。(緑色蛍光タンパク質は下村脩博士らにより発見され2008年にノーベル賞を受賞。) ニューロンが”発火”するとカルシウムがセルに流れ込み光を発する。この光を特殊な装置で観察するとニューロンが発火する様子を掴める。モノを認識するときのニューロンの繋がりが分かる。(下の写真は蛍光タンパク質でニューロンのセルが緑色に発光する様子、三角で示している部分。)

vwb_636_ai_neuroscience_microns (p03)

Baylor Collegeのチームは「three-photon microscopy」という手法でネズミの脳の活動を観察するがより深い層まで観察できるとしている。一方、Carnegie Mellon Universityのチームはアグレッシブな手法を取る。これは「DNA barcoding」と呼ばれ、ニューロンの塩基配列をバーコードとして使い、全てのニューロンを識別する。この手法ではニューロンの位置情報は取れないが、高速で高精度で解析できるという。三チームが異なる手法でニューロンの構成の解明を競い合う。

シナプスの動きを機械学習に応用

ここまでがMICrONSプロジェクトの前半部分で、後半はここで得た情報を機械学習や人工知能に応用する手法を開発する。脳が学習するメカニズムについて、研究者の多くは脳は「Bayesian Engine」であるとの仮説を立てている。Bayesianとは統計学の一つで、ある出来事が発生する確度を数字ではなくBelief (信じていることや意見など) で定義するという考え方。更に、次の事象を推定する際は、明らかになった事実で仮定を更新していく。卑近な例ではスパムフィルターでBayesianが使われる。新しくスパムと思われるメールが現れると、その情報でフィルターを更新する。

ヒトの場合は物を見てそれを判定する時にBayesianの統計手法が使われる。ニューロンはセンサー情報を確率分布として扱い、過去の事例を参照して最も起こりやすい事象を計算する。つまり、ニューロンは網膜に映ったイメージを過去のデータと比較し、確率的に近いものを取り出し、目の前のものを判定する。

脳内に外部世界を構築する

更に、ヒトの脳はコンピュータとは異なり、入力されたデータで独自の世界観を構築しているとみられている。モノを認識する行為は、ある入力をある出力にマップするだけでなく、「analysis by synthesis」というプロセスが存在する。脳は外部世界を脳内部に構築し、入ってくるデータをこのモデルに当てはめて解析する。これにより、入力データに対し、次に起こるイベントを予想する。例えば、網膜は二次元構造であるが、脳はこのモデルを使うことで、入力イメージを三次元に置き換えて把握することができる。

もしこの仮定が正しければ、脳は数学モデルより効率的にオブジェクトを推測する機能を持つ。我々は日常生活で多くのものを見るが、異なる条件下でもそれを判定できる。例えば、バナナについて、それが斜めに置かれていても、離れた位置に置かれていても、また、周囲が薄暗くても、脳はそれをバナナと判定する。我々は異なるアングルからバナナをみて学習している訳でなく、一度バナナをみれば、何処から見てもバナナと分かる。一方、コンピュータ (Convolutional Neural Network) は、異なるアングルや大きさや色彩のバナナをみて学習する。脳が効率的に学習できる仕組みは、脳はオブジェクトから膨大なデータポイントを取り出して、それを分解して、脳内に構築したモデルと比較しているとみられている。(参加チームの一つHarvard UniversityのCoxLabは視覚のリバースエンジニアリングの研究を進めている、下の写真)

vwb_636_ai_neuroscience_microns (p04)

仮説をコードに落とし込む

次に各チームはそれぞれの仮説を実際のコードに落とし込む研究に進む。仮説をモデルに置き換え、脳の構造を試験する作業となる。仮説をコードに落とし込むために多くの技法が使われる。シナプスの繋がり方や動き方からネットワークのパラメータを突き止める。コンピュータ (Deep Learning) では大量の教育データをネットワークに入力しパラメータを最適化するが、プロジェクトでは解を直接シナプスに求める。また、シナプスの繋がり方や動き方からフィーチャーを検出する。フィーチャーとは脳が有している独自の機能で、これらの情報を使うと画期的なアルゴリズムが生まれると期待されている。

人間のように少ないデータで学べるシステム

MICrONSの最終目的は、脳の仕組みをコンピュータに応用することで、アルゴリズムが知的に問題を解決すること。脳のアルゴリズムを機械学習に応用すると、自律的に稼働するマシンができる。例えば、オブジェクト判定において、人間のように少ないデータで学べるシステムを目指す。IARPAは諜報部門を管轄しており、この成果を情報収集に生かしたいとしている。

例えば、一枚の写真でマシンを教育するシステムを開発する。猫の写真を1枚見せると、システムは写真を見て猫を判定する。サイバー攻撃に対する防衛では、事例を一件入力すると、マシンは攻撃の手口を把握して、異なる攻撃も防ぐようになる。リーマンショックや気候変動のデータを入力すると、システムはこれを一般化して問題の解決を探る。システムをスモールデータで教育できることが目的となる。更に、システムは入力したデータから問題を一般化・抽象化して幅広い問題に対応できることを最終目標としている。

今世紀のアポロ計画

このプロジェクトは「Apollo Project of the Brain (脳のアポロ計画)」と呼ばれている。米国政府が次のフロンティアを開拓するという意気込みが込められている。名前のもとになったアポロ計画はNASAによる有人宇宙飛行プログラムで、1961年に始まり1969年に月着陸に成功した。その後もアポロ計画は続いている。最近ではヒトの全遺伝子を解明するプロジェクト「Human Genome Project」が大きな成果を上げた。クリントン政権肝いりの国家プロジェクトで、1990年に始まり13年の歳月をかけてヒトの遺伝子解明に成功した。この成果が遺伝子工学や創薬に多大な影響を与え、今のバイオ産業の基礎を築いた。今回のアポロ計画では、米国政府はヒトの脳をリバースエンジニアリングし、インテリジェンスを解明する。

vwb_636_ai_neuroscience_microns (p05)

BRAIN Initiativeでヒトの脳を解明

このプロジェクトはオバマ政権が推進しているBRAIN Initiativeの一翼を担う。BRAIN Initiativeとは2013年に始まった大規模プロジェクトで、ヒトの脳の機能を解明することを目指す (上の写真)。原因が分かっていないアルツハイマー病、パーキンソン病、うつ病などのメカニズムを解明し治療法を開発する。これによりニューロサイエンスが劇的に進化し、イノベーションが生まれ、新しい産業が誕生することを目標としている。医療技術開発の他に人工知能開発が重要なテーマで、ヒトの脳の機能を解明することで、インテリジェントなシステムを開発する。プロジェクトは二つのフェイズに分かれ、前半は研究のための基礎技術を開発し、後半はその技術を使って脳の機能を解明する。プロジェクトは13年計画で2025年に終了する。Human Genome Projectの成功で米国のバイオ産業が飛躍的に成長したように、BRAIN Initiativeで人工知能を含むニューロサイエンス産業が興隆することを期待している。

今の人工知能は知能を持たない

いま人工知能開発がブームでイノベーションが数多く生まれている。生活が便利になり、健康な生活が送れるようになり、人工知能のメリットは計り知れない。同時に、人工知能に関し間違った解釈も広がっている。人工知能という言葉は人間が作り出した頭脳を連想させるが、実態は機械学習の統計処理ツールであることを今一度確認する必要がある。

また、Artificial Neural Networksという表現は、脳のニューロンを実装しているように聞こえるが、実態はそうではない。このアルゴリズムが登場したのは1980年代で、単一のニューロンの構造を模したPerceptronが原点にある。今ではイメージ解析 (Convolutional Neural Network) に数十万個のニューロンが使われ、数で比較すると昆虫のアリの脳の大きさになる。しかし、ヒトの脳内には1000億個のニューロンがあるとされ、人工知能とは異なる次元で稼働している。

Siriが人間と会話するが、Siriは言葉の意味を理解しているわけではない。機械学習の手法で統計処理をして、過去の事例を回答として示しているに過ぎない。鳥のオウムと話しているのと本質的には変わらないが、それでもSiriは生活を豊かにしてくれる。ここに人工知能のマジックがある。人工知能の特性を把握して社会に役立つよう最大限に活用すべきである。同時に、機械学習という手法だけでは限界があり、次のステップに進むための研究開発が必要であることも認識しておく必要がある。

米国の人工知能開発が一気に進む

米国企業や政府は次のステップに進むための研究開発に着手している。Googleやベンチャー企業Vicariousがヒトの脳の構造を解明し、それをアルゴリズムに展開する研究を推進している。BRAIN Initiativeはこれらより桁違いに大きなプロジェクトで、米国政府が民間企業の人工知能開発を後押しする形となる。ここで解明された脳のメカニズムが、GoogleやVicariousで活用される。今後は、BRAIN Initiativeの成果を活用するAIベンチャーが数多く登場することも予想される。

Googleは「Neocortex Simulator」と呼ばれる、大脳新皮質のシミュレータを開発しているといわれる。研究リーダーのRay KurzweilはBRAIN Initiativeの研究結果を待ち望んでいる一人である。DARPA Grand Challengeで開発された技術がGoogle自動運転車に引き継がれているように、人工知能開発で同じ流れが起きようとしている。米国で本当の意味での人工知能が誕生する可能性を秘めている。

Google DeepMindは人間レベルのAI開発に着手、ヒトの脳の構造と動きをソフトウェアで再現

Friday, June 3rd, 2016

Google DeepMindは人間レベルのAIを目指して開発体制を強化している。囲碁ソフト「AlphaGo」が世界チャンピオンを破ったのはチェックポイントに過ぎない。DeepMindが注目するのはコンピュータサイエンスとニューロサイエンスの境界部分だ。AIを人間のようにインテリジェントにするには人間の脳にヒントを得る必要がある。DeepMindはインテリジェンスとは何かを解明することを最終目標に研究を加速している。

vwb_635_ai_google_reinforcement_learning_neuroscience (p01)

ニューロサイエンスをコンピューターに応用する

コンピューター開発とニューロサイエンスの関わりが深くなってきた。ニューロサイエンスとは神経系に関する科学で、生物学の一分野として研究されてきた。しかし近年では、コンピュータサイエンスとの類似点が多く、両分野を跨った研究が進められている。人間の脳がどのように意思決定するのか、そのメカニズムの解明がニューロサイエンスの主要テーマとなる。

脳の多くの部分でドーパミン (神経伝達物質) が意思決定に関与していることが分かっている。神経系がドーパミンを放出する方式がコンピュータサイエンスのReinforcement Learning (強化学習) と関係が深いとされている。ニューロサイエンスの主たる目的は、ヒトの脳のメカニズムを解明し、それをソフトウェアで実装することにある。AIのブレークスルーのヒントを脳のメカニズムに求めている。

思考メカニズムの解明

ニューロサイエンスでfMRI (Functional magnetic resonance imaging、下の写真) を使い、人間の脳における意思決定メカニズムを解明する研究が進んでいる。fMRIは脳内の血流の変異を捉えることで活動状態を把握する。脳内で血液量と神経系の活動量が関連しており、特定部位への血流が増えると、その部分の活動が活発になっていると理解できる。これにより、人間がどのように意思決定するのか、その構造が分かりつつある。本来fMRIは脳組織や血管の損傷を把握したり、行動の異常などを試験する医療機器として使われてきたが、今では健康な脳の研究に応用されている。DeepMindはニューロサイエンスで解明が進んでいる意思決定の構造をコンピュータサイエンスに応用する研究を進めている。人間や動物が意思決定するメカニズムを解明し、これを機械学習に応用する。

vwb_635_ai_google_reinforcement_learning_neuroscience (p02)

なぜニューロサイエンスに向かうのか

コンピュータサイエンスはなぜニューロサイエンスに向かうのか、この背後には今のAIや機械学習の手法が大きな壁に直面している事実がある。Google自動運転車はシリコンバレーで試験走行を繰り返している。Google自動運転車は2009年から2016年3月までに150万マイル試験走行した。これは米国の平均ドライバーの12年半分の走行距離にあたる。しかし、これでも自動運転車の機械学習アルゴリズム教育には不十分で、累計で2.75億マイル走行する必要があるとの意見もある。どうして人間のように短期間で学習できないのかが問われている。

DeepMindが開発したAlphaGoは囲碁チャンピオンに勝利し人間以上の技量を示した。AlphaGoとそのアルゴリズムは高い評価を受けた。しかし、アルゴリズムの学習速度の遅さが指摘されている。AlphaGoは模擬試合を128万回こなし腕をあげた。人間のプロ棋士も数多くの対戦を通して腕を上げていくが、AlphaGoは練習試合の数が破格に多い。なぜ、人間のように少ない試合数で学習できないのかが問われている。つまり、なぜ人間は効率的に意思決定できるのか、その仕組みが分かれば、この壁を乗り越えられるという期待がある。

ロボット開発で直面している壁

これはロボット開発で直面している壁でもある。例えばドアを開けるとき、ロボットはドアのノブを認識し、それを最適な力で掴み回転させ、ドアを引くか押して開ける。この一連の動きでタスクを実行する。しかし、人間は無意識のうちにこの操作をする。子供の頃にドアの開閉を教わり、最初はロボットのようにぎこちないが、すぐに無意識で操作する。日常社会は想定外の出来事で満ち溢れているが、人間は複雑な操作を無意識に行い環境に柔軟に対応する。このメカニズムを機械学習に応用することで高度なAI開発への道が開けるという期待感がある。人間のように汎用的に機能するロボットの開発が可能となる。

DeepMindのニューロサイエンス研究

では、ニューロサイエンスの成果を如何に機械学習のアルゴリズムに応用するのか、DeepMindが発表した最新の論文を読むとその一端が見えてくる。DeepMindはUniversity of OxfordとUniversity College Londonと共同で、人間がある行動を計画するときの脳のメカニズムを研究した。その成果を「Neural Mechanisms of Hierarchical Planning in a Virtual Subway Network」として発表し、人間の脳は階層構造で意思決定する事実を明らかにした。

発表された論文によると、DeepMindなどは、人間が効率的に意思決定できるのは、個別の事象を纏めて、意味のある内容に置き換えているためとしている。人間は個々の行動を束ねて一塊として認識している。日々の生活で何かを計画する際に、State (状態) を階層構造として束ねてContext (コンテクスト、意味のあるもの) にするというものである。この仮説の元、人間が意思決定する際にStateをContextとして束ねるとき、脳の生物的な動きを観察した。具体的には、被験者が仮想の地下鉄路線 (下の写真) で目的地に行く様子をfMRIで観察し、人間の思考メカニズムを脳の挙動で示した。その結果、意思決定するときには脳の二つの領域が関与していることが分かり、脳の中に階層構造が構築されているという事実を突き止めた。

vwb_635_ai_google_reinforcement_learning_neuroscience (p03)

思考方法と脳内の活動

この試験のために仮想地下鉄 (上の写真) によるナビゲーションゲームが使われた。22人の被験者に対し地下鉄路線図を使って目的地に到達する方法が教育なされた。本番の試験では、被験者は路線図をみないで目的地まで到達することが試され、ゲームをしているときの脳をfMRIでスキャンした。試験の後で被験者は、目的地に到達するルートをどう考えたかを問われた。一駅ごとに順番に考えたのか、それとも、地下鉄の路線別に考えたのか、思考方法が問われた。この結果、一駅ごとにルートを考えた場合と、路線ごとに考えた場合では、脳内の動きが異なることが分かった。

意思決定に関わっているのは「dmPFC (dorsomedial prefrontal cortex、下の写真下段の丸で囲った部分、脳を横から見たイメージ)」と「PMC (premotor cortex、下の写真上段の丸で囲った部分、脳を上から見たイメージ)」と呼ばれる部分。脳が活性化している領域は色付けされている。dmPFCは計画などの高度な認識機能を持ち、PMCは動きを実行する機能を持つといわれる。一駅ごと順番に考えたケースではPMCだけが活性化され (下の写真左側)、路線ごとに考えたケースでは両者が活性化した (下の写真右側)。つまり、Contextで考えた場合は脳の二つの領域が使われている。論文は、意思決定に脳の二つの領域が関与していることは、脳の中に階層構造が構築されるということを示していると結論付けている。

vwb_635_ai_google_reinforcement_learning_neuroscience (p04)

コンピューターへの適用

この発見をコンピューターのアルゴリズム開発に応用することが最終目的となる。論文は、スマートなアルゴリズムを生成するためには、脳のような階層構造を構築する必要性に言及している。機械学習において、意思決定のために階層構造を生成することは有益であるとしている。一方で、階層構造を導入することは弊害にもなりえる警告している。一番最初に如何に適切な階層構造を導入できるかによりアルゴリズムの成否が決まるとしている。これはDeepMindの研究活動の一端で、ニューロサイエンスを機械学習のアルゴリズムに応用する研究が進んでいる。

ニューロサイエンス研究者の採用

DeepMindはニューロサイエンス分野の著名な研究者の採用を進めている。Princeton Universityのニューロサイエンス研究部門教授Matthew Botvinickは2015年10月、Google DeepMindに採用された。Botvinickはニューロサイエンス、心理学、コンピュータサイエンスが重なる領域の研究に従事し、人間の挙動をコンピュータ系と神経系から解明することを目指している。fMRIやコンピュータモデルを使い問題を探求している。

Hierarchical Reinforcement Learning

Botvinickは人間がReinforcement Learningという手法で学習することをテーマに研究を進めている。その中でも「Hierarchical Reinforcement Learning」という手法に着目している。これは前述の論文とも関連するが、イベントを階層構造でとらえ、試行錯誤しながら学習する方式を示す。

ここでも共通テーマはなぜ人間は効率的に学習できるかということだ。ロボットがタスクを実行するときは、環境の変化に応じて意思決定をする。この際、フローチャートのようなDecision Tree (決定木) が使われる。研究室などクリーンな環境では規定通り動くが、現実社会は想定外の連続で、これら事象に対応するためには例外事項を数多く定義しておく必要がある。つまり、Decision Treeが巨大になる。これを「Curse of Dimensionality (次元の呪い)」とよび、コンピューターで処理できない計算量となる。ここでも、人間はこの問題をどう解決するのかにヒントを求めている。

タスクを分割しサブタスクを設定

これに対して、多くの研究者は人間は与えられたタスクを分割しサブタスクを設定するとみている。Botvinickらは実際のモデルを使って人間の挙動を測定した。被験者にタスクを与え、これを解く様子を測定した。タスクは迷路を通り抜けるゲームで(下の写真左側)、右上の黄色の丸から迷路を通って左下の赤色の丸まで到達するもの。

vwb_635_ai_google_reinforcement_learning_neuroscience (p05)

ランダムに迷路をたどると、タスクを完了する時間は黒色のグラフとなる (上の写真、右側)。一方で、迷路の中にサブタスクを設定すると (水色の 丸) 到着するまでの時間が大幅に短縮される (上の写真、右側、水色のグラフ)。目的に到着するためのチェックポイントを設定すると、到達時間が短くなることが分かる。しかし、サブタスクを適切に設定しなっかたらタスク完遂までの時間がより長くなる。Botvinickらは正しくサブタスクを設定するとトライアルの回数が減り、早く目的を完遂できることしている。

DeepMindで研究を継続

これが人間のReinforcement Learningの例であるが、我々は日常生活で無意識に実践している。例えば、電車で目的地に向かう際、最短路線を探すときにReinforcement Learningを使っている。品川から霞が関に行く経路を頭の中で考えるとき、乗り換えポイントを東京、有楽町、新橋などに設定して考えると楽になる。Botvinickは、このモデルをコンピュータサイエンスに応用し、アルゴリズムにどう実装するかを研究している。結論はまだ先で、ニューロサイエンスで得た成果を機械学習に落とし込む研究をDeepMindに移籍して継続している。

IT企業に課せられた課題

Hassabisはコンピュータサイエンスで学位を取り、その後大学に戻りニューロサイエンスの研究で博士号を取得した。研究テーマはHippocampus (海馬) における記憶のメカニズムと言われている。この研究成果がDeepMindのアルゴリズム開発に生かされている。これからのAI開発はソフトウェアだけでなく、ニューロサイエンス技術が必要であることを示している。

しかし、Hassabisのような人物は例外で、コンピューター研究者の殆どはニューロサイエンスの学位を持っていない。このため、DeepMindがBotvinickを採用したように、IT企業は大学に人材を求めることとなる。更に、冒頭の論文が示しているように、IT企業と大学との共同研究が決定的に重要になる。Googleはこの流れを加速させ、著名なニューロサイエンス研究者の採用が続くと思われる。AI開発で新しい研究体制が求められている。

“インテリジェンスを解く”

Hasabbisらは人間の脳の構造を解明することで、人間レベルのAI「Artificial General Intelligence」を目指している。人間の脳のメカニズムをソフトウェアに実装し、インテリジェントに意思決定するシステムを開発する。HassabisはDeepMindで開発した技術を自動運転車に提供すると表明している。人間のように短期間で運転技術をマスターするクルマの登場が期待される。

一番注目される分野がロボティックスで、家庭向けのサービスロボットに研究成果を適用する。家庭向けロボットは家事をしたり高齢者を介護することを想定しており、誰でも”お手伝いさん”を雇える時代になる。仮想ロボットChatbot (会話ボット) にも研究成果が適用される。会話ボットが人間のオペレータのように振る舞い、ソフトウェアと人間の境界が希薄になる。

HassabisはDeepMindを科学技術分野へ応用することを最終目的としている。気候変動の研究やがんのメカニズムの解明などで、人工知能が人間の科学者に代わって研究するモデルを想定している。Hassabisはこれを「Solve Intelligence (インテリジェンスを解く)」と表現し (先頭の写真)、本当の意味での人工知能の開発が進んでいる。

Google「月着陸」プロジェクト ~ 死を克服できるか

Friday, October 18th, 2013

Googleは、10月17日、四半期決算を発表した。ネット広告事業が好調で、売上高が過去最高を記録。この発表を受け、翌日の株価終値は、前日より$122.61値上がりし、$1,011.41となり、初めて1000ドルの大台に乗った(下のグラフ) 。消費者がモバイルに移り広告単価が安くなる中、売り上げを伸ばしたことが評価されたためである。それに加え、GoogleのMoonshot (月着陸) プロジェクトが、投資家から一定の信任を得たとも解釈できる。

g339_google_calico_01

Googleは革新的な技術開発に向かう

Google最高経営責任者Larry Pageは、革新的な研究開発を、しばしばMoonshotsという言葉で表現する。Moonshotとは月着陸ロケット打ち上げという意味で、1961年、Kennedy大統領の演説で使われ、人類の壮大なチャレンジを意味している。Googleは次世代技術を研究する組織Google Xを運営しており、MoonshotsとはGoogle Xを含む、高度な研究開発プロジェクトを指している。

Pageは、四半期決算発表のなかで、Googleが目指している方向について次の通り表明した。「段階的な改善では、技術が陳腐化してしまうことは歴史が示している」とし、「自分の職務は社員に飛躍的な技術革新を求めることにある」と述べた。その事例としてAndroidを挙げ、「投機的と言われたプロジェクトに投資を始め」、Googleが検索企業から多角的に進化していることを説明した。更に、Moonshotの事例として、「自動運転車がそれにあたる」とし、Googleは革新的な技術開発に資金や頭脳を投入してしていくことを、改めて表明した。

g339_google_calico_02

Googleが老化解明を行う

Pageが率いるMoonshotsの最新プロジェクトが「Calico」である。Calicoとは、バイオ技術関連新会社で、先月、Googleはその設立を発表した。新会社にはAppleのArthur Levinson会長が最高経営責任者として就任し、老化と健康な生活に関する研究を行う。特に、老化とそれに関連する病気の解明を目指すとしている。発表の中でPageは、「ヘルスケアとバイオ技術に関するMoonshotで、多くの人々の生活をより良くすることを目指す」と述べている。新会社に関する発表はこれだけで、研究内容など、会社の概要は明らかにされていない。

新会社の概要は不明なままであるが、メディアの報道などから、その一端が見えてきた。CNNは「New details on Google’s anti-aging startup」という記事で、独自の取材を元に、Calico設立の経緯を明らかにした。CNNによると、CalicoはGoogle Ventures代表Bill Marisのアイディアである。MarisはGoogle Venturesで、ディスラプティブな技術を中心に、投資を進めている。Marisによると、バイオ企業は、癌など病気の治療薬の開発に特化しており、老化を解明する企業は存在していない。老化は遺伝子の劣化で、細胞レベルで発生するといわれている。Marisは老化の原因となる遺伝子を解明し、それに対処する薬の開発という研究テーマを提案した。健康な90歳の遺伝子を解明し、そこでの共通項を見つけるというアプローチである。一方、PageはTimeとのインタビューで、「医療問題をデータ解析や統計学の観点から見ると、直観と異なる事実が見えてくる」としている。具体的には、抗がん剤を開発しても人間の寿命は三年程度しか伸びない。しかし、老化の解明が進むと、人間の平均寿命は150歳になるとも言われている。

g339_google_calico_03

ビッグデータ解析をバイオ医療に応用

Pageが最高経営責任者に就任して以来、Googleは、検索企業から、バイオ医療など、異業種への展開が顕著になってきた。しかしGoogleは、IT企業から製薬企業になるのではなく、データ解析技術をバイオ医療開発に応用する手法で、軸足は情報通信技術に置いている。Calicoにおける老化の解明と情報技術の関係は示されていないが、そのヒントは23andMeにある。23andMeとは、Mountain View (カリフォルニア州) に拠点を置くベンチャー企業で、個人向けに遺伝子解析サービスを提供している。Google Venturesが投資している企業として有名になったが、昨年から、大規模な追加投資を行っている。

利用者は、検査キットの中に唾液を入れて郵送すると、23andMeが遺伝子解析を行い、その結果が専用ウェブサイトに示される (上のグラフ、前立腺癌に関連する遺伝子変異と発症確率の例) 。昨年、23andMeは、このビジネスモデルを一変した。従来は検査料金 ($499) 収入で事業を構成していたが、昨年から、検査料金を$99.99に値下げして、多くの利用者を呼び込み、世界最大規模の遺伝子データベース構築を目指している。昨年9月には、データベースを公開し、開発者はPersonal Genome APIを使って遺伝子情報にアクセスし、革新的アプリを開発することが可能となった。医療機関は大規模な臨床試験を行う代わりに、遺伝子データベースにアクセスすることで、病気と遺伝子の関係を把握できる。23andMeは、バイオ企業から病気と遺伝子に関するビッグデータ解析企業に転身した。このモデルをそのままCalicoに適用できる訳ではないが、Googleコア技術であるデータ解析を老化解明に応用するのは、妥当なアプローチである。

g339_google_calico_04

検索技術から高度技術へのリープ

Pageは、Google I/Oの基調講演で、Googleは会社の実力を十分発揮できていないことを、「Googleは会社の可能性の1%しか達成していない」と表現した (上の写真) 。つまり、Googleは検索エンジンの会社で終わるのではなく、バイオ医療、自動運転車など、幅広い分野で活躍すべきとのメッセージである。検索技術から高度技術へのリープがMoonshotsである。Google株主は、長期的研究開発への投資に対して、ずっと反対を表明してきた。今期決算と株価をみると、Pageが推進しているMoonshotプロジェクトに対し、株主も一定の理解を示しているように受け止められる。Googleの異次元への進化が加速されそうである。

個人向け遺伝子解析からデータ解析サービスへ

Friday, February 22nd, 2013

Google Venturesが投資している企業の中で、一番知名度が高いのは23andMe (テウエンティスリー・アンド・ミー) と言って間違いない。23andMeはMountain View (カリフォルニア州) に拠点を置き、個人向けに遺伝子解析サービスを提供している。利用者は唾液 を試験容器に入れ (下の写真、出展はいずれも23andMe) 23andMeに郵送すると、解析結果が専用ウェブサイトに示される。

g307_23andme_update_01

遺伝子解析で何が分かるのか

23andMeは遺伝子解析により、個人が病気に罹るリスクの程度と身体特性、及び、人種的特性を解読する。前者は、病気に罹るリスクの度合い、遺伝子病の有無、身体の特性、身体の薬に対する反応 について解析結果が示される。下のグラフィックスが解析結果の事例で、被験者が罹りやすい病気を示している。この事例では被験者は前立腺がんを発症する確率が高いとされている。ここでは、前立腺がんを発症する割合は平均で100人中17.8人であるが、この被験者のケースでは29.3人と、発症する可能性が高いことを示している。

g307_23andme_update_02

下のグラフィックスは前立腺がんに関する被験者の遺伝子構成を示している。前立腺がんに関連する遺伝子変異 (SNP、スニップ) は12個発見されており、赤色の棒グラフが発症リスクが高くなるSNPで、緑色の棒グラフが発症リスクが低くなるSNPである。前立腺がんを発症するのは生活環境も関与しており、発症にかかる遺伝子の寄与の割合は42%から57%であると評価している。

g307_23andme_update_03

この他に、23andMeは、病気発症に関連する遺伝子変異が存在しているかどうかを解析する。また、被験者が薬に対してどのように反応するかについて解析する。更に、被験者の母系と父系の先祖を追跡する解析も行っている。解析結果は円グラフで示され、被験者のDNAを構成している人種が色分けして表示される。人種は22種から構成され、Sub-Saharan African(38.6%)、European(24.7%)、East Asian & Native American(20.5%)、Arab (0.1%) という形式で示される。これら遺伝子は母系と父系から受け継いだもので、500年前に被験者の祖先がどこに住んでいたかを示している。

遺伝子情報の公開に向かう

23andMeは被験者に遺伝子解析結果を提供するだけでなく、解析結果を研究機関と共有することで、ライフサイエンスの進化に寄与することを目指している。現在、18万人がここのサービスを利用しており、被験者は、遺伝子解析結果を受け取るだけでなく、身体に関する調査票 (下のスクリーンショット) に回答する。調査票は44の科目からなり、被験者はPain Survey(痛みに対する反応) やCancer Family History (家族の癌発症の履歴) などに答えていく。質問は広範囲に亘っているだけでなく、病歴など個人のプライバシー深部までに及んでいる。23andMeは被験者の遺伝子解析情報と調査票への回答を組み合わせ、世界で最大規模の遺伝子データベースを構築している。

g307_23andme_update_04

DNAシークエンシング技術の発達で、低価格で大量の遺伝子解析が可能となり、多くのVariant (変異体) の存在が明らかになり、この解明が行われている。23andMeが紹介している事例に、すい臓がんとその変異体がある。すい臓がんを引き起こす変異体はP603Rと言われてきた。これを検証するために、研究機関は国に予算申請を行い、フィールド試験を実施する。結論が出るまでに2年の期間を要す。一方、23andMeのデータベースを検索すると、56人の会員がP603Rのキャリアであるが、すい臓がんを発症した人は無いことが分かった。23andMeのデータ解析により、P603Rがすい臓がんを発症する因子でないことが短時間で判明した。大規模なフィールド試験を実施する代わりに、23andMeのデータベースを解析することで同等の結果を得ることができる。現在、データベースは限られた研究者だけが利用しているが、将来はResearch Portalとして、情報を研究機関に公開するとしている。これに先立ち、23andMeは、2012年9月に、データベースのAPIを公開している。開発者はPersonal Genome APIを使って革新的なアプリを開発することが可能となった。Facebookから個人情報を利用したアプリが提供されているが、今後は、個人遺伝子情報を統合したアプリが登場することになる。

このサービスを利用してみると

23andMeの検査料金は、当初は、999ドルと高額であったが、徐々に値段が下がり、今では99.99ドルである。23andMeは、検査価格の値下げを行って、被験者を増やし、遺伝子解析結果のデータベースを拡充している。Googleが世界のウェブサイトのデータを読み込み、インデックス化しているように、23andMeのモデルも同様に、世界の人の遺伝子情報を収集し、インデックス化している。23andMeは、バイオサイエンス企業から、IT企業に色彩が移りつつある。値下げを機にサービスを購入し、23andMeで遺伝子解析を行っているところである。まだ解析中で、その結果が気になるところである。結果を受け取ると、その内容を公開・非公開するオプションを選択することになる。公開のオプションを選択すると、情報はデータベースに格納され、上述の遺伝子研究で利用される。遺伝子情報という個人のプライバシーそのものを公開するには抵抗があるが、同時に、病気の解明に寄与するかもしれないとの思いもある。検査結果をどう受け止めるのか、調査票に回答し、解析結果を公開すべきか、少し考えさせられるテーマである。

オバマ候補のPRビデオ

Tuesday, February 5th, 2008

大統領候補者選びの頂点であるSuper Tuesdayを前に、各候補者はテレビでのPRビデオ放送を頻繁に流している。オバマ陣営は電子メールとショート・メッセージを活用し、PRメッセージを配信している。今日届いたメッセージのリンクを辿ると、YouTubeでのPRビデオであった。バラードとメッセージがうまく融合し、すばらしいできである。

このビデオへのリンクは:

http://www.youtube.com/watch?v=2fZHou18Cdk

g013_obama.jpg