科学と医療 - GeneseAI

14.1AI、科学の新たな道具

背景知識

自動化された実験室から数学まで

具体例を二つ挙げよう。一方では、自律型実験室（「self-driving labs」）がAIとロボットを組み合わせ、仮説の立案、実験の実施、結果からの学習をループとして回し、材料や触媒の発見を加速している。他方、数学の分野では、DeepMindのシステム（AlphaProof、AlphaGeometry）が2024年に国際数学オリンピックで銀メダル相当の水準に達した。AIがパターン認識にとどまらず、形式的な推論にも貢献しはじめたことの表れである。その後、この水準は塗り替えられた。2026年の国際数学オリンピック（7月、上海）では、二つのAIシステム、Celia（Huawei）とdots-note 3.0（Xiaohongshu）が42点満点中42点の満点を獲得し、採点は主催者側が行った。その結果、この試験はもはやモデルの優劣を見分ける物差しにならなくなった。焦点は研究そのものへと移っている。2026年8月10日、Anthropicは論文を公表し、Claudeの未公開の研究用バージョンが、リーマンゼータ関数の零点のうち単純でかつ臨界線上にあると証明された割合を41.6%から67.2%へ引き上げたことを示した。証明はLeanで形式化され、数学者による確認も受けており、Anthropicはこれらの手法がリーマン予想を証明するとは見込んでいないと明言している。2026年8月1日には、OpenAIが数学と理論計算機科学における10件の成果を発表した。同社によれば、当時未公開だったモデル（Astra）によって得られたもので、いずれもLeanで形式化されている。

14.2生物学と創薬

図14.1. 発見にかかる時間の圧縮。分子とその標的との相互作用をコンピューター上でシミュレーションすることで、AIは失敗が見込まれる候補をごく早い段階で除外でき、最も遅く最も費用のかかる工程を短縮する。

仕組みの詳細

AlphaFold 3（2024年）は、タンパク質の形だけでなく、低分子（医薬品）やDNA、RNAとの相互作用も予測する。そのデータベースには2億を超える構造が収録され、研究に公開されている。DeepMindからスピンオフした Isomorphic Labs は、これを創薬エンジンへと発展させ（専門家のあいだでは「AlphaFold 4」と呼ばれることもある）、2026年に21億ドルを調達し、大手製薬会社（Eli Lilly、Novartis、Johnson & Johnson）と提携を結んだ。同社は、AIが設計した最初の医薬品（抗がん剤）を 2026年末 に 臨床試験 へ進めることを目指している。さらに先を行く企業もある。Insilico Medicine は2026年7月7日、rentosertib（特発性肺線維症の治療薬）の第III相を、GENESIS-IPF-3試験として開始した。プラセボ対照の無作為化二重盲検試験（患者320人、中国の47施設、52週間）であり、最初の患者への投与は2026年9月9日に行われた。また2026年7月29日には、FDA（米国食品医薬品局）が、InsilicoのAI設計による別の候補薬（ISM6331、中皮腫の治療薬）にファストトラック（Fast Track）指定を与えた。もっとも2026年9月30日時点で、AIが発見または設計した医薬品のうち、FDAの販売承認を得たものは一つもない。分子設計に加えて、AIはゲノミクス（DNAの解釈、変異の影響の予測）や細胞生物学の解析も加速している。さらに予測を超えて、望みどおりの性質をもつタンパク質や酵素をゼロから設計することも可能になった（この分野も2024年のノーベル化学賞の対象となった）。これにより、新しいワクチン、治療法、バイオマテリアルへの道が開かれている。

背景知識

タンパク質からゲノムへ

2026年9月8日、Google DeepMindはAlphaGenome Atlasを公開した。約1ペタバイトのデータベースで、ヒトゲノムで起こりうる90億通りの一文字置換のすべてについてAlphaGenomeモデルの予測を収録し、単一の影響スコア（AVI）とウェブポータルを備えている。2026年8月6日には、StanfordとArc Instituteのチームが、ゲノム言語モデル（Evo）によるバクテリオファージの全ゲノム設計を Science 誌に発表した。合成された約300のゲノムのうち、16の生存可能なファージが Escherichia coli の一株に感染し、これを死滅させた。モデルにはヒト病原体のデータが与えられていなかったが、バイオセキュリティの専門家は、この安全策は部分的に回避されうると警告し、合成DNAの注文に対するスクリーニングを推奨している（第24章を参照）。

背景知識

バイオハッキングと生物学の民主化

AIは必要な専門性のハードルを下げることで、最先端の生物学ツールを見識あるアマチュアの手に届けている。この動きはバイオハッキングと呼ばれることもある。最も象徴的な事例がある。2025年から2026年にかけて、生物学の教育を受けていないオーストラリアのコンサルタント、Paul Conyngham が、対話型アシスタントと AlphaFold を使い、愛犬ロージーのがん（肥満細胞腫）に対する 個別化メッセンジャーRNAワクチン を設計したのである。その手順は精密医療の論理に沿っている。健康なゲノムと腫瘍のゲノムを比較して変異を見つけ、対応するタンパク質をAlphaFoldでモデル化し、その「ネオアンチゲン」を標的にする。彼自身がワクチンを製造したわけではない。専門の大学研究機関（シドニーのUNSW）が数千ドルで合成した。報告された結果は、腫瘍がおよそ半分に縮小したというもので、治癒ではない。このエピソードは、期待（AIは研究者に取って代わるのではなく、貢献できる人々の輪を広げ、より参加型の医療へ向かわせる）とともに、その限界も示している。専門家が指摘するように、これらは作業仮説であって、検証済みの治療法ではない。実際の有益性を確立できるのは臨床試験という道だけであり、製造にはなお実験施設が必要である。この民主化のより暗い裏面であるバイオセキュリティ上のリスクは、第24章で扱う。

背景知識

AIと長寿

関連するある分野が巨額の資金を集めている。老化と長寿の研究である。発想はもはや、病気をひとつずつ治療することにとどまらず、老化のメカニズムそのものを理解し、さらには遅らせることにある。AIはここでいくつもの役割を担う。膨大な生物学的データセットを解析して老化時計を構築すること（分子マーカーから生体の「生物学的」年齢を推定する）、老化細胞や老化の経路に作用する候補分子を見つけること、そして治療法の発見を加速すること（前節と同じエンジンである）。専門企業（すでに触れたInsilico Medicineや、長寿バイオテックのRetro Biosciences、Altos Labsなど）がこの融合に賭けている。それでも慎重さは欠かせない。健康寿命を延ばすことは真剣な科学的目標だが、この分野は極めて楽観的なマーケティングも引き寄せており、検証済みの「老化防止薬」は現時点で存在しない。厳密な研究と誇大な約束との境界が、ここではとりわけ紙一重である。

14.3材料、気候、その他の基礎科学

やさしく言うと

同じアプローチが多くの学問分野に広がっており、AIは研究者を支える加速装置かつ探索者として働いている。

材料科学：AIシステムが数十万もの新しい結晶構造を提案しており、より優れた電池、超伝導体、太陽光パネルの候補となっている（第10章のエネルギー転換とつながる）。
気象と気候：AIモデルはいまや、従来の重厚な物理シミュレーションよりも速く、ときにはより正確に天気を予測し、気候のモデル化にも役立っている。
物理学：AIは核融合炉の灼熱のプラズマをより適切に制御することを可能にし、大型実験装置（加速器、望遠鏡）が生み出す山のようなデータの解析にも貢献している。
神経科学：脳活動の解読を助け、ブレイン・マシン・インターフェースにまで及んでいる。
数学：予想を提案し、証明を検証する（さらには発見する）ことを始めており、2026年夏以降は、形式化された最初の研究成果も現れている（14.1節）。

背景知識

原子力と素粒子物理学のためのAI

二つの分野に光を当てておきたい。通常の関係が逆転しているからである。ここではAIは単にエネルギーを大量に消費する存在ではなく、科学とエネルギーに奉仕する道具となる。民生用原子力では、AIはすでに発電所の運用を最適化している。予知保全（機器の故障を事前に察知する）、センサーデータの奔流における異常検知、停止計画と燃料管理、そして原子炉設計の加速（小型モジュール炉、SMRを含む）である。国際原子力機関（IAEA）は2021年から専用のプログラムを取りまとめており、拠点となるセンターを認定している（原子力ではPurdue、核融合ではMIT）。核融合における最重要課題は、プラズマのリアルタイム制御である。数百万度に達する本質的に不安定な気体を、強化学習のシステムが磁場を操ることで閉じ込められるようになった。従来の手法が苦戦してきた領域である。AIは将来の炉のパラメーター探索にも役立っている。実際に2026年9月には、PrincetonとPPPLの研究者が Nuclear Fusion 誌でPACMANという枠組みを発表した。トカマクDIII-Dでの5回の実験で検証されたもので、意思決定サイクルは約20ミリ秒であり、磁気的なティアリングモードを約200ミリ秒前に予測し、回避している。最後に素粒子物理学では、CERN のような研究機関が、大型ハドロン衝突型加速器（LHC）の膨大な衝突データを選別し、まれにしか現れない興味深い信号を見つけるために、長年にわたり機械学習を活用してきた。AIとエネルギーはこのように互いを養い合っている（第10章）。

背景知識

AIと宇宙

宇宙分野はAIの一大利用者となった。地球観測では、モデルが衛星画像を絶えず解析し、森林破壊、農作物、災害、氷の融解、排出量を追跡して、洪水のように押し寄せる画像を活用可能な情報へと変えている。天文学では、機械学習が大型望遠鏡の膨大なデータを選別している。光度曲線からの系外惑星の検出（Keplerのデータから新しい世界を明らかにした手法である）、銀河の分類、突発現象の発見などである。探査では、AIはローバーや探査機の自律航行（通信の遅延のためにリアルタイムの操縦ができない）、観測計画の立案、機体の予知保全を支えている。最後に、宇宙状況監視（軌道上のデブリの追跡、衝突の回避）も、低軌道が衛星で混み合うにつれて、ますますこれらの技術に依存するようになっている。ここでもAIは、科学と運用の仕事を何倍にも増幅する存在として働いている。

背景知識

環境と生物多様性のためのAI

AIは生き物を監視し保護するためにも使われている。自動撮影カメラの画像や音（鳥のさえずり、鯨類の鳴き声）から種を同定し、動物の個体群を追跡し、密猟を発見する。森林破壊と森林の状態を地図化し、海洋やサンゴ礁を監視し、気候変動が生態系に及ぼす影響のモデル化を助ける。これらのツールは、研究者や自然保護区の管理者に、長らく手の届かなかった大規模な観測能力を与えている。ここでもいつもの留保が当てはまる。こうした解析は現地で検証すべき推定にとどまり、またAI自体の環境負荷（第10章）を考えれば、その環境上の便益とコストを天秤にかける必要がある。

背景知識

天気を予報するAI

科学のためのAIが収めた最も目に見える成功のひとつが、気象予報である。数十年分の大気データ（ERA5などの再解析データ）で学習したモデルは、スーパーコンピューター上で動く従来の物理システムに多くの指標で追いつき、追い越した。先駆けとなった GraphCast（Google DeepMind、2023年）は、1枚のグラフィックスカードで10日先までの予報を1分足らずで生成する。欧州中期予報センター（ECMWF）の基準モデルが数時間を要するところであり、検証された指標の約90%でそれを上回った。その確率論的な後継である GenCast（2024年）は、アンサンブルのシナリオを生成し、欧州のアンサンブルシステムを評価対象の約97%で上回った。他のプレーヤーも競争に加わっている。サイクロンにとりわけ強い Pangu-Weather（Huawei）、大気の「基盤モデル」である Aurora（Microsoft）、そしてECMWF自身も独自のAIモデル（AIFS）を開発し、実運用に移した。実際には、これらのモデルは物理モデルに（まだ）取って代わってはいない。気象機関やハリケーンセンターはこれを追加の予報情報源として利用しており、AIと従来モデルとの食い違いそのものが、不確実性に関する情報となる。熱狂を和らげる限界が二つある。過去のデータで学習しているため、前例のない極端現象をうまく予測できない可能性があること（気候が変化しつつあるなかで一層切実な問題である、第10章）、そして解像度がなお限られていることである。それでも、その軌跡は目覚ましい。予報精度が10年あたりおよそ1日分ずつ向上してきた分野で、AIはその進歩を数年に圧縮したのである。

背景知識

脅かされる科学の健全性

再現性の問題を超えて、生成AIは科学文献の信頼性に対して、より直接的な脅威をもたらしている。いまや論文の一部、場合によっては全体がモデルによって執筆され、それが申告されないこともある。学術誌では、うっかり残された特徴的な言い回しや、さらには捏造された画像やデータまで見つかっている。この現象は、偽の論文を大量生産する「論文工場」（paper mills）を勢いづかせ、すでに手一杯の査読に重圧をかけている。その査読をAIで（慎重に）支援しようとする試みもある。リスクは二重である。疑わしい結果で科学の蓄積を汚染すること、そして出版への信頼を損なうことだ。これに対し、出版社や研究機関は、検出ツール、AI利用の開示ルール、そしてより厳格な監視体制を整備している。科学はここで、自らが前進のために用いている道具から、身を守らなければならない。

14.4日常の医療

やさしく言うと

患者のそばでも、AIは複数の面で前進している。

医用画像：X線写真、CT、MRIから腫瘍や異常を検出し、ときには人間の目を上回る感度を示し、診断を加速する。
診断支援：対話型AIシステムが、一部の研究では典型症例において医師より優れた結果を出している（実際の環境での確認が必要な結果である）。
外科手術：手術ロボットに、合併症を予測できるAIコパイロットが加わりつつある（第13章）。
個別化医療：患者の遺伝的・臨床的プロファイルに治療を合わせること、そして既存の医薬品を別の用途に転用すること。
事務負担の軽減：診察の文字起こしや報告書の作成であり、医療に充てる時間を取り戻せる可能性がある。これは現在、最も普及している用途のひとつである。アンビエント型と呼ばれるアシスタントが（患者の同意を得たうえで）診察を聞き取り、その記録を自動的に作成して、患者のカルテに組み込む。最も進んだ例がフランスのNablaで、2026年半ばには約190の医療機関でおよそ10万人の医療従事者に利用されている。主要な電子カルテと連携し、とりわけ事務負担と医療従事者の燃え尽きを減らすことを目指している。
メンタルヘルス：対話型エージェントが、利用しやすく、相手を裁くことのない初期的な心理的支援を提供する。医療へのアクセスという点で有望な道だが、リスクも高い（第19章）。こうしたツールは専門家の代わりにはならず、誤った助言を与えることもあり、深刻な苦痛を抱えている場合には必ず人間による支援へつなげなければならない。

背景知識

ブレイン・マシン・インターフェース

神経科学と臨床の境界にあるブレイン・マシン・インターフェース（BMI、英語では BCI）は、脳をコンピューターに直接つなぐものであり、神経信号を意図へとデコードするうえでAIが不可欠である。最も注目を集める Neuralink は、2024年初めに最初のヒト患者へ埋め込みを行った（四肢麻痺の男性で、思考によってカーソルを動かし、ゲームをし、ウェブを閲覧できるようになった）。2026年半ばには、運動制御（PRIME）、発話の回復（VOICE）、視覚の回復（Blindsight）に関する治験の枠組みで、20人ほどの患者がそのインプラント（硬貨ほどの大きさで、外科手術ロボットが設置する数千の電極を備える）を受けていた。しかしNeuralinkだけではない。Synchron は頭蓋を開くことなく、血管経由でセンサーを挿入する（解像度は劣るが、リスクははるかに低い）。Precision Neuroscience、Paradromics、Blackrock Neurotech などは別のアプローチを探っており、非侵襲型のヘッドセット（EEG）は思考を読み取ることなく精神状態を検出する。麻痺のある人々にとって期待は計り知れないが、課題もまた大きい。安全性、考えうる限り最も私的なデータ（脳活動）のプライバシー、そしてより遠い将来の能力増強という展望であり、これは「ニューロライツ（神経の権利）」という問題を提起する。超長期的には、一部のプレーヤー（その筆頭がNeuralink）が、より急進的な野心を掲げている。人間とAIの共生、すなわち、ますます強力になるAIに人間が「引き離されない」ように構想された、超高帯域のインターフェースである。この展望はいまのところ公言されたビジョンの域にあり、今日の実際の能力からは大きくかけ離れており、実現可能性と倫理の両面で途方もない問いを投げかけている。

14.5医療に固有の限界とリスク

論点

医療分野には、慎重さを求める固有のリスクが集中している。

責任。 AIが診断を誤った場合、誰が責任を負うのか。医師か、ソフトウェアの開発元か、病院か。法的枠組みはいまだ不明確である（第21章）。
バイアス。 主に欧米の集団のデータで学習したモデルは、他の集団に対しては信頼性が下がるおそれがあり、医療の格差を生む（第21章）。
検証と規制。 医療では、求められる証拠の水準が最も高い。欧州連合はAIを用いた医療機器を「高リスク」に分類し、監査と透明性を義務づけている（これら高リスク規則の適用は2027年12月と2028年8月に延期された。第25章）。米国では、FDAが2026年8月18日、生成AIを用いた医療機器の規制に関する意見公募を開始した（2026年10月19日まで）。この文書は、二つの軸（機器の自律性、結果の重大性）からなるリスクマトリクス、臨床医の評価に着想を得た「コンピテンシーに基づく」評価、市販後の監視強化を提案しており、もっともらしく見える作話（コンファビュレーション）にも言及している。現段階ではあくまで意見公募にすぎず、拘束力のある規則は一つも採択されていない。
機密性。 最も機微な部類に入る医療データを用いた学習は、厳格な規則を遵守しなければならない（欧州ではGDPR、第21章）。
ハルシネーション。 言語モデルは参考文献や用量をでっち上げることがある。医療の文脈では、それは命取りになりうる。そこから、科学と医療の全体に通じる鉄則が導かれる。AIは支援し、資格をもつ人間が決定する。

要点（第14章）

AIは主要な科学的手段となりつつある。対話のためではなく発見のため、さらには仮説を立てるため（「コ・サイエンティスト」）のものである。象徴は AlphaFold（2024年ノーベル化学賞）。
創薬では、AIが期間を圧縮する。AlphaFold 3（2億の構造）、Isomorphic Labs（21億ドルを調達、2026年末の臨床試験入りを目指す）、Insilico（2026年7月から第3相）。ただし、AIが設計した医薬品で承認されたものはまだない。
影響は材料、気候、核融合、神経科学、数学（2026年の数学オリンピックで二つのシステムが満点、形式化された最初の研究成果）に及ぶ。しかし使い方を誤ったAIは、科学の再現性をも脅かす。
医療では、画像診断、診断、外科手術、個別化医療、メンタルヘルス支援（最後のものは高リスク）で前進している。
リスクは固有のものである。責任、集団に関するバイアス、検証、機密性、そしてハルシネーション。原則は、AIが支援し、資格をもつ人間が決定することである。

科学的発見から知の伝達へ。第15章では、AIが教育をどのように根底から変えつつあるかを検討する。

14.1AI、科学の新たな道具#

14.2生物学と創薬#

14.3材料、気候、その他の基礎科学#

14.4日常の医療#

14.5医療に固有の限界とリスク#

要点（第14章）

14.1AI、科学の新たな道具

14.2生物学と創薬

14.3材料、気候、その他の基礎科学

14.4日常の医療

14.5医療に固有の限界とリスク