デミス・ハサビスとは | DeepMind創設者が切り拓くAIの可能性

AI研究において「知能とは何か」を根本から問い続けている研究者が、デミス・ハサビス（Demis Hassabis）です。DeepMindの創設者として、AlphaGoで囲碁世界チャンピオンに勝利し、AlphaFoldでタンパク質構造予測の難問を解決するなど、AIの可能性を次々と実証してきました。2024年にはジョン・ジャンパーとともにノーベル化学賞を受賞し、AI研究者としての業績が最高の栄誉で認められています。

本記事では、ハサビスの経歴、主要な研究業績、ビジネスへの影響を解説します。

#デミス・ハサビスとは

デミス・ハサビスは1976年にイギリスのロンドンで生まれました。ギリシャ系キプロス人の父とシンガポール系中国人の母を持つ多文化的な背景の中で育ちました。幼少期からチェスの才能を発揮し、13歳でチェスのマスターレーティングを獲得しています。

ケンブリッジ大学でコンピュータ科学の学士号を取得した後、ユニバーシティ・カレッジ・ロンドン（UCL）で認知神経科学の博士号を取得しました。この「コンピュータ科学と神経科学の両方を深く学んだ」という経歴が、ハサビスの研究アプローチの核心となっています。

興味深いことに、ハサビスはAI研究の前にゲーム開発のキャリアを持っています。17歳でBullfrog Productionsに入社し、「テーマパーク」などの人気ゲームの開発に携わりました。その後、自ら設立したElixir Studiosでもゲーム開発を行っています。このゲーム開発の経験は、後のDeepMindでの強化学習研究に大きな影響を与えました。

#DeepMindの創設

2010年、ハサビスはシェーン・レッグ、ムスタファ・スレイマンとともにDeepMindをロンドンで創設しました。「知能の本質を解明し、それを使って世界のあらゆる問題を解決する」という壮大なビジョンを掲げ、ディープラーニングと強化学習を組み合わせた汎用AIの研究に取り組みました。

2014年にGoogleが約5億ドル（当時のレートで約600億円）でDeepMindを買収しました。この買収はAI業界の歴史において転換点の一つとなり、大手テック企業によるAI研究への本格的な投資が加速するきっかけとなりました。ハサビスは買収後もDeepMindのCEOとして研究を主導し、現在はGoogle DeepMindのCEOとして活動しています。

#主要な研究業績

ハサビスの研究業績は、ゲームAIから科学的発見まで、驚くほど幅広い領域にまたがっています。

#Atariゲームの攻略（DQN）

DeepMindの最初の注目すべき成果は、2013年に発表されたDQN（Deep Q-Network）です。DQNは、ディープラーニングと強化学習を組み合わせた手法で、Atariの古典的なゲームを人間以上の精度でプレイすることに成功しました。

このDQNの画期的な点は、ゲームのルールや攻略法を事前にプログラムすることなく、画面のピクセル情報だけを入力として、試行錯誤を通じて最適なプレイ方法を学習した点にあります。一つのアルゴリズムが複数の異なるゲームで人間レベルの性能を達成したことは、汎用AIへの重要な一歩として評価されました。

#AlphaGo

2016年、DeepMindが開発したAlphaGoが、囲碁世界チャンピオンのイ・セドル九段に4勝1敗で勝利しました。この出来事は、AI研究の歴史において象徴的なマイルストーンとなりました。

囲碁は、可能な盤面の数が宇宙の原子の数を超えるとされる極めて複雑なゲームです。チェスで人間に勝ったIBMのDeep Blueとは異なり、単純な力技の探索では対処できない問題です。AlphaGoは、ニューラルネットワークを用いた「直感的な」手の評価と、モンテカルロ木探索を組み合わせることで、この課題を克服しました。

その後開発されたAlphaGo Zeroは、人間の棋譜をまったく使わず、自己対局のみで学習してAlphaGoを超える強さに到達しました。さらにAlphaZeroは、同一のアルゴリズムで囲碁、チェス、将棋のすべてで超人的な性能を達成しました。

#AlphaFold

ハサビスの研究業績の中でも、最も社会的インパクトが大きいのがAlphaFoldです。AlphaFoldは、タンパク質のアミノ酸配列からその3次元構造を高精度に予測するAIシステムです。

タンパク質の構造予測は、生物学で50年以上にわたる未解決問題でした。タンパク質の機能はその3次元構造に密接に関連しており、構造が分かれば新薬の開発や疾病メカニズムの解明に直結します。しかし、実験的に構造を決定するには膨大な時間とコストがかかり、既知の構造は全タンパク質のごく一部に限られていました。

2020年にAlphaFold2が国際的なタンパク質構造予測コンペティション（CASP14）で、実験的手法に匹敵する精度を達成しました。そして2022年には、地球上で知られているほぼすべてのタンパク質（約2億種類）の構造予測を公開しました。この成果は、生物学研究と創薬の効率を劇的に向上させるものとして、世界的な注目を集めました。

2024年、この業績が評価され、ハサビスはジョン・ジャンパーとともにノーベル化学賞を受賞しました。AIを用いた研究が自然科学のノーベル賞で認められたのは、歴史的な出来事です。

#Gemini

ハサビスはGoogle DeepMindのCEOとして、Googleの大規模言語モデルGeminiシリーズの開発も主導しています。Geminiは、テキスト、画像、音声、動画を統合的に理解・生成するマルチモーダルAIモデルであり、Google製品のAI機能の基盤となっています。

#ビジネス・産業への影響

ハサビスとDeepMindの研究成果は、幅広い産業分野に影響を及ぼしています。

#創薬・ヘルスケア

AlphaFoldの成果は、製薬業界に最も直接的なインパクトを与えています。新薬候補の探索プロセスが大幅に効率化され、従来は数年を要していたタンパク質構造の決定が数分で完了するようになりました。大手製薬企業だけでなく、バイオテックのスタートアップもAlphaFoldのデータベースを活用し、創薬研究を加速させています。

Isomorphic Labs（DeepMindのスピンオフ）は、AI創薬に特化した企業としてハサビスが2021年に設立し、大手製薬企業との提携を進めています。

#エネルギー効率の最適化

DeepMindは2016年、AIを用いてGoogleのデータセンターの冷却エネルギーを約40%削減することに成功しました。この事例は、AIによる産業プロセスの最適化が具体的なコスト削減につながることを実証したものとして、多くの企業の注目を集めました。

同様のアプローチは、製造業のプロセス最適化、物流の配送ルート計画、電力グリッドの管理など、さまざまな領域に応用可能です。

#ゲーム・エンターテインメント

AlphaGoやAlphaZeroの成功は、ゲーム産業にも影響を与えています。AIによるゲームの自動テスト、難易度の動的調整、NPCの行動設計など、ゲーム開発のさまざまな場面でDeepMindの研究成果が応用されています。

#材料科学

2023年にDeepMindが発表したGNoME（Graph Networks for Materials Exploration）は、AIを用いて約220万種類の新しい結晶構造を予測しました。このうち約38万種類が安定した材料である可能性が示されており、バッテリー、半導体、超電導体などの新素材開発への応用が期待されています。

#気象予測

DeepMindが開発したGraphCastは、従来の数値予報モデルに匹敵する精度の気象予測を、大幅に短い計算時間で実現しました。自然災害への備えや農業、エネルギー産業の計画立案における気象予測の重要性を考えると、この技術のビジネスインパクトは大きいといえます。

#最新の動向

ハサビスとGoogle DeepMindの最新の活動は、AIの応用領域をさらに拡大しています。

#Google DeepMindの統合と拡大

2023年にGoogle BrainとDeepMindが統合され、Google DeepMindが発足しました。ハサビスはその統合組織のCEOとして、Googleの基礎AI研究と製品開発の両方を統括しています。研究チームの規模は数千名に及び、世界最大級のAI研究組織となっています。

#AIの科学的応用の推進

ハサビスは「AIを科学的発見のツールとして活用する」というビジョンを一貫して追求しています。AlphaFoldの成功を起点として、数学（AlphaGeometry）、核融合プラズマ制御、量子化学など、さまざまな科学領域でAIの応用研究が進められています。

#AGIへの慎重なアプローチ

ハサビスはAGI（Artificial General Intelligence、汎用人工知能）の実現を長期的な目標として掲げつつも、安全性を最優先するアプローチをとっています。DeepMindにはAI安全性研究の専門チームが設置されており、技術の進歩と社会的責任のバランスを意識した研究が行われています。

#企業のAI活用への示唆

ハサビスの業績と戦略から、企業のAI活用に活かせるポイントを整理します。

#課題起点のAI活用

AlphaFoldが「タンパク質構造予測」という明確な課題に取り組んで成功したように、企業のAI活用も具体的な業務課題から出発することが重要です。「AIを導入すること」自体を目的にするのではなく、「どの業務課題をAIで解決するか」を明確にすることが成功の第一歩です。

#異分野融合の力

ハサビスがコンピュータ科学と神経科学の知見を組み合わせてDeepMindの研究を推進したように、AI活用においても異なる専門性の融合が重要です。AIの技術者だけでなく、業務ドメインの専門家、データサイエンティスト、プロジェクトマネージャーが協力することで、より実効性の高いAIソリューションが生まれます。

#段階的な成果の積み重ね

DeepMindがAtariゲームの攻略からAlphaGo、そしてAlphaFoldへと段階的に研究対象を拡大したように、企業のAI活用も段階的に進めることが推奨されます。まずは対話データの自動記録やテキスト化など効果測定が容易な領域から始め、成功体験を積み重ねながら活用範囲を拡大するアプローチが効果的です。

#最適化問題への応用

DeepMindのデータセンター冷却最適化の事例が示すように、強化学習や機械学習は企業の最適化問題に有効です。配送ルートの最適化、在庫管理、生産スケジューリング、価格最適化など、多くのビジネス課題は最適化問題として定式化でき、AI技術の適用が可能です。

#まとめ

デミス・ハサビスは、DeepMindの創設、AlphaGoによる囲碁世界チャンピオンへの勝利、AlphaFoldによるタンパク質構造予測の革新など、AI研究の歴史に残る業績を次々と成し遂げてきました。2024年のノーベル化学賞受賞は、AIが科学的発見に貢献できることを世界に示す象徴的な出来事でした。

彼の「AIを使って世界の重要な問題を解決する」というビジョンは、企業がAI活用の戦略を考える際にも示唆に富んでいます。具体的な課題に焦点を当て、段階的に成果を積み重ねるアプローチは、企業規模を問わず有効な指針です。

aileadは、ハサビスらが発展させたディープラーニングや音声認識の技術を活用し、企業の対話データを構造化・分析する対話データAIプラットフォームです。対話データという「未活用の情報資産」を業務改善につなげるサービスとして、まずはデモ・お問い合わせからご確認ください。