AI for Atoms: Periodic Labsが材料工学をどう変革するか 共同創業者Liam Fedusと共に

Liam Fedus（リアム・フェダス）は、OpenAIでChatGPTの共同開発者として知られる人物であり、その後、物質科学と人工知能を融合させるという野心的なスタートアップ、Periodic Labsを共同創業した。本エピソードでは、ホストのElad Gilが、物理学からAI研究、そして再び物理世界へと回帰したFedusのキャリアパスを辿りながら、AIを「原子のための基盤ラボ」として機能させるというPeriodic Labsのビジョンに迫る。Fedusは、大規模言語モデル（LLM）のスケーリング則を物理世界に適用することで、材料工学や化学といった分野に革命を起こそうとしている。彼の主張の核心は、AIの進化が言語やコードの領域で加速している一方で、真の科学的ブレークスルーには、実験を通じて現実とインターフェースする閉ループシステムが不可欠であるという点にある。このエピソードは、AGI（汎用人工知能）やASI（超知能）の未来像、ロボティクスとラボ自動化の役割、そしてマルチディシプリナリーなチーム構築の重要性など、多岐にわたるテーマを網羅している。投資家であり起業家でもあるElad Gilの鋭い質問は、Fedusの思考の深層に迫り、AIが物理世界を変革する可能性とその現実的な課題を浮き彫りにしている。

Fedusのキャリアは、物理学からAI、そして再び物理世界へというユニークな軌跡を描く。彼は大学で物理学を専攻し、暗黒物質の方向感度検出装置を用いた研究に従事していた。この経験が、彼の原理原則に基づく思考様式を形成した。その後、機械学習への関心からGoogle Brainに移り、2016年から2017年にかけて、Transformerアーキテクチャや分散学習戦略、Mixture of Experts（MoE）といった、その後のAI革命の基盤となる技術の開発に携わった。この時期のGoogle Brainは、少数のGPUと小規模なチームで最先端を競う「カンブリア爆発」のような時代だったとFedusは振り返る。その後、技術が製品化の段階に達したと感じ、OpenAIに移籍。そこで彼は、GPT-4のプロダクション化を主導し、John Schulmanの強い意見により、当時は「最も面白くないアイデア」と見なされていたチャットボットへの一本化が決まり、ChatGPTが誕生した。この経験は、AIが言語領域で持つ計り知れない可能性を証明したが、同時に、科学技術の真の加速には、これらのシステムを物理世界に接続することが不可欠であるという確信をFedusに与えた。彼は、2022年当時のAI技術ではPeriodic Labsの構想は実現不可能だったと述べ、その後の推論能力（テスト時計算）やエージェント技術の進歩が、物理世界との接続を可能にしたと説明する。

6:34物理世界におけるデータの壁と閉ループ学習

LLMがインターネット上の膨大なテキストデータで学習できるのに対し、材料科学や化学の分野では、質の高い実験データが圧倒的に不足している。Fedusは、文献から抽出された材料特性の値が数桁もばらついている例を挙げ、既存の文献データだけでは機械学習モデルに「真実」を学習させることができないと指摘する。ここで重要なのは、単なるデータプールではなく、実験とモデルが相互作用する「閉ループシステム」である。Periodic Labsのシステムは、まず既存のオープンソースモデル（数十兆トークン規模）が持つ強力な事前知識（prior）を活用する。これにより、ランダムに初期化されたニューラルネットワークから始めるよりもはるかに高いサンプル効率を実現している。しかし、特定の化学空間や発見領域に移行すると、その事前知識だけでは不十分であり、自ら実験を計画・実行し、その結果を学習して次の実験に活かすという能動的なループが必要になる。このプロセスにより、シミュレーションデータや文献データとの整合性を検証しながら、異常値やパターンを発見し、真の物理的性質に迫ることが可能になる。Fedusは、この閉ループこそがPeriodic Labsの核心的な価値であり、単なるデータ収集とは一線を画すと強調する。

11:31言語モデルを「オーケストレーション層」とするアーキテクチャ

Periodic Labsの技術アーキテクチャの特徴は、大規模言語モデル（LLM）を単なる推論エンジンとしてではなく、システム全体を統括する「オーケストレーション層」として位置づけている点にある。LLMは、文献の解釈、実験データの分析、異なるモダリティ（画像、スペクトルデータなど）の統合といった高次のタスクを担当する。しかし、原子レベルのシミュレーションや特定の化学反応の予測といった、より専門的で低レイテンシが要求されるタスクには、対称性を考慮した専用のニューラルネットワーク（specialized neural nets）を設計・併用している。これらの専門モデルは、LLMにとっての「ツール」や「報酬関数」として機能する。つまり、LLMが全体の戦略を立案し、専門モデルがその実行を担うという階層構造である。このアーキテクチャは、カスタマーサポートなど他の分野でも共通して現れつつある「エージェント型システム」の設計思想と合致しており、汎用性の高いパラダイムであることが示唆される。Fedusは、Periodic Labsはコーディングモデルの改善にリソースを一切割いておらず、Claude CodeやCodexといった既存の優れたモデルを活用することで、自社のコア領域に集中できていると述べている。

12:48ビジネスモデル：インテリジェンスレイヤーとしてのポジショニング

Periodic Labsのビジネスモデルは、バイオテック業界のそれと類似点があるが、Fedusはまず「ソフトウェアビジネス」としての側面を強調する。同社は自らを、材料工学やプロセス工学に携わる企業向けの「インテリジェンスレイヤー」と位置づけている。具体的には、実験のシステム・オブ・レコード（記録システム）やコントロールプレーン（制御基盤）として機能し、企業が抱える材料開発や工程最適化のボトルネックを解消する。顧客企業は、Periodicのシステムを通じて、自社のデータを解析し、異常を検出し、より良い配合や製造条件を探索することができる。一方で、研究開発の過程で非常に価値の高いブレークスルーが生まれる可能性もあり、その場合はバイオテックのような「発見モデル」、すなわち特許やライセンス収入を追求する道も視野に入れている。しかし、現時点ではまずソフトウェアとしてのスケーラビリティを重視し、顧客企業の意思決定を支援するインテリジェンスを提供することに注力する。この戦略は、物理世界の課題を解決するためのAIスタートアップとして、現実的な収益化の道筋を示している。

17:45マルチディシプリナリーなチームとスケーリングの思想

Periodic Labsのチーム構成は、物理学、化学、AI研究、エンジニアリングといった多様な専門性を持つ人材で構成されている。Fedusは、この「不可避的にマルチディシプリナリーな問題」に取り組むことこそが、同社の仕事で最もエキサイティングな側面だと語る。彼は、何十年も研究を続けてきた科学者たちが、AIシステムの力を借りることで、自身の分野が根本的に変わる瞬間を目の当たりにすることの喜びを述べている。この経験は、初期のGoogle Brain時代を彷彿とさせる。当時は少数のGPUと数人の研究者がフロンティアを押し広げていたが、現在のAI研究は、何百、何千もの研究者と数百万のGPUをスケーリング則に従って動かす「産業化」された段階にある。Fedusは、物理科学やエンジニアリングの分野でも同様のスケーリング特性が確立されると予測する。Periodic Labsは、大規模な実験セットを実行可能にする自動化と、生成される膨大なデータを解釈するインテリジェンスの両方を向上させることで、このスケーリングを実現しようとしている。科学者たちは、これまで経験したことのない処理能力に圧倒されつつも、その可能性に興奮しているという。

21:44AGIと再帰的自己改善への現実的な見解

Fedusは、AGIやASIに関する議論に対して、極めて現実的かつ領域固有の視点を提供する。彼は、知能を単一のスカラー値として捉えることの誤りを指摘し、現在のAIシステムは「奇妙な尖り方（odd spikiness）」を持つと述べる。つまり、ある数学の領域では世界最高の性能を発揮する一方で、問題を少し変更するだけで性能が著しく低下する、いわば「出来の悪い高校生」のような性質を持つ。このため、ある領域で「天才」的なシステムを作れても、それが隣接する領域にまで汎化するとは限らない。再帰的自己改善（Recursive Self-Improvement）についても、Fedusは領域ごとにタイムラインが異なると主張する。ソフトウェアエンジニアリングの領域では、ユニットテストという安価で検証可能な環境が存在するため、自己改善はすでに始まっていると言える。しかし、生物学や材料科学のように、実験に時間とコストがかかり、不確実性が高い領域では、自己改善のループははるかに遅くなる。AI研究自体も、モデルの収束やスケーリング特性の検証にGPU時間を要するため、ソフトウェアエンジニアリングよりは遅いが、それでも自己改善のループに乗ると予測する。重要なのは、これらの自己改善ループが閉じているかどうかであり、Periodic Labsの使命は、物理世界における科学とエンジニアリングの閉ループを構築することに他ならない。

25:39ロボティクスとラボ自動化の役割

Periodic Labsの閉ループシステムを実現する上で、ロボティクスは「大きな加速器」ではあるが、必須条件ではないとFedusは明確に述べる。現在、同社は市販のロボットを活用し、人間の研究者と自律的な実験プロセスを組み合わせたハイブリッドシステムを運用している。このシステムは、すでに信頼性の高いデータを大量に生成するのに十分な性能を持っている。しかし、Elad Gilが自身の経験（液体ハンドリングロボットのカスタマイズの困難さ）を交えて指摘したように、高スループットの実験を真に実現するには、ロボットシステムの汎用性と信頼性が鍵となる。Fedusは、将来的に、非構造化された実験室を自律的に移動し、指示を理解して実行できる器用なヒューマノイドロボットが登場すれば、Periodic Labsの実験能力は飛躍的に向上すると期待する。現在のロボット自動化は、注意深い設計と遅い動作を必要とするが、AIの進歩により、この信頼性の閾値を超えるロボットシステムが登場すれば、新しいラボの立ち上げや実験の多様化が大幅に加速されるだろう。つまり、ロボティクスはPeriodic Labsのビジョンにとって重要なピースであり、その進化を注視している。

結びに

本エピソードの核心は、AIの次のフロンティアが「言語」から「原子」へと移行しつつあるという確信にある。Liam Fedusは、ChatGPTの開発者という経歴を持ちながら、AIの真の価値は物理世界を変革する能力にあると語る。彼のビジョンは、単なる材料探索の効率化ではなく、人類に「原子の再配列」という新たなエージェンシー（主体性）を与えることだ。これは、デジタル世界で起きている革命を物理世界に拡張する試みであり、半導体、航空宇宙、エネルギーなど、あらゆる産業に計り知れない影響を与える可能性を秘めている。同時に、Fedusの議論は、AGIやASIといった華々しい概念に対して、領域固有の制約やデータの壁、実験のコストといった現実的な課題を突きつける。彼の「知能の尖り」という比喩は、現在のAIの能力と限界を理解する上で極めて示唆に富んでいる。このエピソードは、AIの未来を楽観視するだけではなく、その実現に必要な具体的な技術的・ビジネス的課題を浮き彫りにした点で、非常に価値が高い。聴き手は、AIが物理世界と融合する未来の輪郭と、その道のりに横たわる本質的な困難を、同時に理解することができるだろう。

要点

• Liam Fedusは、ChatGPTの共同開発者であり、現在はPeriodic Labsを共同創業し、AIを活用した「原子のための基盤ラボ」を構築している。
• Periodic Labsの核心は、大規模言語モデルをオーケストレーション層とし、専用ニューラルネットをツールとして組み合わせることで、実験と学習の閉ループシステムを実現することにある。
• 材料科学における最大の課題は、質の高い実験データの不足であり、文献データだけでは機械学習モデルに「真実」を学習させることができない。
• ビジネスモデルとしては、まず企業向けの「インテリジェンスレイヤー」としてソフトウェアを提供し、将来的には高価値な発見に対してバイオテック的なライセンス収入も視野に入れる。
• Fedusは、知能を単一のスカラー値と見なす考え方を否定し、現在のAIシステムは領域ごとに性能が大きく異なる「奇妙な尖り方」を持つと指摘する。
• 再帰的自己改善は、ソフトウェアエンジニアリングのような検証可能な領域ではすでに始まっているが、物理実験を伴う科学分野では、閉ループの構築が不可欠であり、その実現がPeriodic Labsの使命である。
• ロボティクスはPeriodic Labsの実験能力を飛躍的に高める「加速器」ではあるが、現時点では必須ではなく、人間とロボットのハイブリッドシステムで十分なデータ生成が可能である。
• 物理学からAI、そして再び物理世界へと回帰したFedusのキャリアは、原理原則に基づく思考と、マルチディシプリナリーなチーム構築の重要性を体現している。