AlphaFoldの成功は「再現できない」——エリック・シュミットがデータ神話に釘を刺す
エリック・シュミット（元グーグルCEO）がMIT Technology Reviewに寄稿した論考が、AI×科学の議論に一石を投じている。
要点を先に言う。AlphaFoldは確かにすごい。ノーベル賞も当然だ。しかし、あの成功を「AIと大量データがあれば科学が変わる」というテンプレートとして扱うのは間違いで、他の分野での再現には数年どころか数十年かかる可能性がある。科学を本当に加速させるのはデータ依存型モデルではなく、推論できるAIエージェントだ——シュミットはそう論じている。
これは単なる謙虚論ではない。AI×科学分野に集まっている数十億ドルの資金と期待値の前提を揺さぶる指摘だ。
AlphaFoldは「奇跡」ではなく「好条件の産物」だった
2024年、グーグル・ディープマインドのデミス・ハサビスとジョン・ジャンパーらはAlphaFoldでノーベル化学賞を受賞した。タンパク質の3次元構造を予測するこのニューラルネットワークは、半世紀にわたって解けなかった問題を一気に解決したように見えた。ハサビスらのチームは「AIがあらゆる科学をデジタルの速度で加速させるためのテンプレートだ」と称した。
それに乗る形で、生物学・化学・材料探索向けの基盤モデルを開発するスタートアップが続々と数十億ドルを調達した。「AlphaFoldモデルを他の分野にも適用すれば、次の革命が起きる」という空気が業界に漂った。
シュミットが指摘するのは、この楽観論の足元にある条件だ。
AlphaFoldを支えたのは「タンパク質構造データバンク（Protein Data Bank）」という約17万件の実験的に検証されたタンパク質構造からなるデータセットだった。このデータセットの構築には、53年にわたる国際的な科学協力と、最近の試算によれば約210億ドル相当の実験的作業を要している。
53年。210億ドル。これを他の分野で再現しようとすれば、どれだけの時間とコストがかかるか。シュミットは「数年ではなく数十年単位の時間がかかる」と明確に述べている。
なぜ他の分野でAlphaFoldを再現できないのか
タンパク質構造データバンクが特別だったのは規模だけではない。それを支えた実験技術——タンパク質結晶学——の再現性と信頼性が際立って高かったことも重要だ。シュミットによれば、この技術には25件を超えるノーベル賞が依拠してきた。それほど確立された、ブレない測定手段があって初めて、一貫したデータが積み上がった。
しかし、実験科学の大部分はそうではない。
細胞株は変化する。化学物質には微量の不純物が含まれる。実験室の湿度が変動する。同じ実験を別の研究室で繰り返せば、結果が一致しないことの方が多い。これは科学者の怠慢ではなく、測定対象の複雑性から来る構造的な問題だ。
ニューラルネットワークを訓練するには「一貫性があり、正確で、精密で、スケーラブルな」データセットが必要になる。生物学やほとんどの化学分野でそのようなデータを作ろうとすれば、新たな種類の測定手法を一から開発する必要があり、それ自体が数十年規模の挑戦になる。
加えてもう一つの壁がある。研究データの商業的な囲い込みだ。製薬会社が持つ臨床試験データや化合物ライブラリは、競争上の理由からアクセスできない。仮に10年・20年かけてデータを集めようとしても、その多くは最初から手が届かない場所にある。
ここまで聞くと、AlphaFoldの成功がいかに稀な条件の組み合わせによるものだったかがわかる。高品質・大規模・オープンなデータセット、再現性の高い測定技術、数十年の国際協力——この三拍子が揃う分野は他にほとんどない。
「推論できるエージェント」という別のアプローチ
ではシュミットは何を代替案として提示しているのか。AIエージェントだ。
エージェントの強みは「不完全なデータ下でも複数のツールを統合して推論する」点にある。仮説を立て、実験設計を行い、文献を調べ、結果を解釈し、次の仮説に更新する——人間の研究者が行う思考のループをエージェントが模倣できるなら、データが揃っていなくても科学の加速に貢献できる可能性がある。
AlphaFold型のアプローチとエージェント型の違いを整理すると、こうなる。
AlphaFold型は、大量の高品質データから統計的なパターンを学習し、新しい入力に対して精度の高い予測を返す。これは強力だが、データの質と量に強く依存する。データが少ない・ノイジーな領域ではほとんど機能しない。
エージェント型は、与えられた状況に対して複数の情報源・ツールを組み合わせながら推論を行う。完璧なデータがなくても動けるし、途中で計画を修正しながら進められる。人間の研究者に近い動き方だ。
シュミットは「微積分やコンピューターが科学にもたらしたような、普遍的な変革」をエージェントが引き起こす可能性があると言っている。これは大きな賭けだが、前提となるデータインフラが「ある/ない」に依存しないという点で、確かに汎用性が高い。
ここからは見方の話——期待値の調整と構造的な読み方
シュミットの論考を読んで、自分がまず考えたのは「AI×科学スタートアップへの投資の前提が揺らいでいる」という点だ。
AlphaFold後に大きな資金を集めたスタートアップの多くは、暗黙のうちに「自分たちの分野にも大規模で高品質なデータが存在する、あるいは作れる」という前提に立っている。しかしシュミットが言う通り、そのデータを作ること自体が数十年単位の挑戦なら、モデルの優秀さとは別次元の壁が立ちはだかる。
投資家が見るべきポイントは「モデルの性能」だけではなく「そのモデルを支えるデータの調達可能性・再現性・排他性のなさ」になってくる。この視点を持たないまま「AlphaFoldのような成果が出せる」というピッチを評価すると、大きな期待外れを踏む可能性がある。
もう一つ気になるのは、エージェント型アプローチへの期待感の高さだ。シュミットはエージェントの優位性を説くが、「推論できるエージェント」が科学研究でどれほど信頼できるかは、まだ証明されていない。エージェントが「もっともらしい仮説」を生成しても、それが実験で検証されなければ科学的な意味はない。ハルシネーションの問題が研究文脈でどう現れるか、実験結果の解釈でエージェントがどんな誤りを犯すか——このあたりは現段階でまだ不透明だ。
「エージェントが科学を変える」という話も、AlphaFoldの汎用化論と同様に、楽観のサイクルの中に入り込んでいないかを確認しながら読む必要がある。
実務的な示唆：研究者・開発者・投資家は何を見るべきか
AI×科学の取り組みを評価するとき、「データ戦略」を最初に問う。
「このモデルは何のデータで動いているのか」「そのデータは再現可能な測定によって作られているか」「他の研究者・他の機関のデータと統合できるか」——ここを問わずに技術の優秀さだけを見ていると、「良いモデルだが使えるデータがない」という状況に気づかないまま進んでしまう。
エージェントの信頼性を評価する軸を持つ。
エージェント型アプローチへの移行が本格化したとき、問われるのは「推論の質をどう検証するか」だ。実験ループをエージェントが担うとすれば、エージェントが立てた仮説の妥当性を誰がどう担保するのかという問題が必ず出てくる。研究機関の責任・論文の著者要件・再現性の確認——これらの制度設計が技術の追いつきを待っていない。次に議論が起きるのはここだ。
「再現性の危機」との接続を見ておく。
シュミットは再現性の危機への言及もしている。医学・心理学・社会科学で長年指摘されてきたこの問題を、エージェントが「解消する」可能性があるという話だ。実験記録の自動化・機関知識の蓄積・実験速度の向上によって、再現性を高める方向に動けるかもしれない。ただし、エージェントが誤った判断を速度高く繰り返す可能性も同時にある。加速するのは良い成果だけではない。
まとめにかえて
シュミットの論考が面白いのは、AIの可能性を否定するのではなく、「どのAIが、どういう条件で、科学を変えるのか」という問いを精緻にしようとしているからだ。
AlphaFoldの成功を祝いながら、その条件の稀さを冷静に認める。エージェントへの期待を語りながら、それがまだ検証途上であることを隠さない。こういうトーンの議論は、期待と懐疑が入り乱れるAI言説の中では珍しい。
次に「AIが科学を変える」系のニュースを見たとき、問うべき問いはひとつだ。「そのモデルは何のデータで動いていて、そのデータはどうやって集まったのか」。そこに答えが出せない話は、まだAlphaFoldの光に照らされた影絵にすぎない。
