00:01
みなさん、こんにちは。日々の変化のシグナルを読み解く The Signal Shift by A.I.R. Labs です。
Spotify や Apple Podcasts などで配信中ですよ。
カイです。この番組では、日々、刻々と変化するAIの最先端トレンドと、大きな変化のシグナルを読み解き、ビジネスや日常にどう影響するか、AIに詳しくない方にも分かりやすくお届けします。
本日の10月3日、朝の配信号では、新世代AIと分散学習の未来に迫る3つのシグナルをピックアップしていきますね。
それでは、最初のシグナルから見ていきましょう。
最初の話題は、Google が発表した最先端のAIモデル、Gemini 4 Argon についてです。
これって、具体的に何が新しくなったんですか?
Gemini 4 Argon は、複雑で長期にわたる作業の流れの中でも、深い推論を保てるように作られたモデルです。
大きな変更点が、AI が一度に書き出せる文章量の上限、いわゆる出力トークン上限の拡大です。
トークンというのは、AI が文章を扱う単位のことで、この上限が従来の6万4千から、業界最高水準の100万に広がりました。
読み込める量ではなく、書き出せる量が増えたという点がポイントです。
ただ、現時点では一般公開ではなく、信頼できるサイバー防御者に限定して提供が始まっています。
出力の上限が増えたことが大事なんですね。
ところで、なぜ一般公開ではなく、限定的な提供から始めたんですか?
これだけ高い能力を安全に出すには、段階的に進める必要があるとGoogleは説明しています。
米政府の任意の事前評価プロセスにも参加しながら、少しずつアクセスを広げている段階です。
一方で、Google社内では、すでに数千人の社員が日々の業務で使っています。
まず、社内と信頼できる防御者で実績を積み、安全対策を磨いてから、開発者や企業、一般の利用者へ広げる流れですね。
100万トークンもの出力枠は、モデルがじっくり考えて、一度の作業で難しい問題を解き切るための余裕を作る狙いです。
なるほど。長い作業を途中で切らずに、一続きで任せられるようになるんですね。
実際にはどんな成果が出ているんですか?
Google社内の例では、アルゴンのエージェント群がデータセンター全体の計測データを分析して、メモリの最適化を自動で見つけて適応しました。
展開後には、300テラバイト以上のメモリがあくみ込みです。
サイバー防御の面でも、脆弱性、つまりソフトウェアの弱点を自律的に見つけ、検証し修正できるとされています。
データセンター規模の最適化まで任せられるんですね。でも、そんな重要なシステムの書き換えをAIに任せきりにして大丈夫なんでしょうか?
03:07
そこがまさに注目点です。
アルゴンは、C、C++のコードをラストへ移行する作業にも使われていて、規模は数万行のライブラリから、風車、ジルコンカーネルの80万行以上にまで及びます。
ただ、重要なシステムなので、自動と手作業の両方による監査やエミュレーションテスト、レビューを経てから本番に出す体制です。
ビデオデコーダーのLibGov1では、ラスト版より2.7倍早く、出力は同一のものができました。
つまり、人間の役割は、AIの成果を検証し、どこまで任せるかを決める側に移ると考えられます。
また、WiZが医療ソフトの重大な脆弱性を見つけた例のように、成果は人間が確認して初めて価値になります。
続いて2つ目のシグナルは、合成生物学の安全性を高めるスカシ技術、Synthesis ID BIOについてですね。これはどういうものなんですか?
Synthesis ID BIOは、AIが設計したタンパク質などの生物学的な高度に、人には感知できない署名を直接埋め込む技術です。
この署名は、デジタルのモデル上だけでなく、実際に合成された物理的なタンパク質でも検証できます。
しかも、実験室での試験では、生物学的な機能を損なわないことが確認されています。
3種類の標的タンパク質でのウェットラボ試験では、スカシ入りの設計がスカシなしの設計と、ヒット率や結合親和性などで同等でした。
でも、画像のようにデジタルデータにスカシを入れるのではなく、なぜタンパク質そのものに埋め込む必要があるんですか?
AIの設計は、最終的にDNA合成の事業者に注文して、物理的な分子にします。
事業者は、注文を基地の危険物のデータベースと照らし合わせて確認します。これがDNA合成スクリーニングです。
ところが、AIは基地の危険なものと似ていない配列も作れるので、見慣れない配列を未発見の天然生物だと安全にみなすことができなくなりました。
デジタルの署名だけでは、注文されて届いた物理的な分子との結びつきが切れてしまいます。
物理的なタンパク質に署名があれば、信頼できるモデルから出たものだと自動で確認できます。
Google DeepMindは、アルファフォールドやアルファプロテオといったタンパク質の構造予測や設計のツールを持つ立場から、この仕組みを出してきたわけです。
なるほど。見慣れない配列でも、署名があれば確認の手間を減らせるんですね。
はい。詳しい人での確認が止めてしまう研究を減らせますし、公共のデータベースにラベルの誤った合成データが混ざるリスクも抑えられます。
06:00
それなら安心できそうですが、署名があれば万全というわけではないですよね。
その通りです。ソース自身も単独の対策で万能なものはないと述べていて、今後の課題として意図的な改ざんへの耐性を高めることを挙げています。
そのため、来歴を示すメタデータやAI生成データの中央リポジトリと組み合わせる案もあります。
一方で対象は広がっていて、ゲノムモデルのEVO2に組み込んで、バクテリオファージ、つまり細菌に感染するウイルスのゲノムにスカシを入れる試みも進んでいます。
初期の試験では機能することが確認されました。
手法の論文に加えて高度と重みも研究コミュニティに公開されていて、みんなで改善していく姿勢ですね。
そして3つ目のシグナルは、プライバシーを守りながら学ぶ次世代の連合学習システムについてですね。
これはどのような仕組みなんですか?
連合学習は、利用者の端末にあるデータを集めずに、各端末が協力してAIを学習させる技術で、Googleは2017年に導入しました。
今回の新システムはTEE、つまり信頼できる実行環境を使います。
TEEの中で動くプログラムは、外部の第三者が内容を検証でき、内部の状態も外から観察されにくくなります。
ただし、これは現行世代のTEEの限界を前提にした話です。
すでにGboardの英語と日本語の次の単語を予測するモデルで使われています。
連合学習自体は以前からありましたよね。なぜ今、仕組みを大きく変えたんですか?
従来のシステムでは、サーバー側でデータが記録されたり除かれたりしていないことを、外部が確かめる方法がありませんでした。
その後、セキュアアグリゲーションというアップロードを暗号で守る方法が出ましたが、
最先端の差分プライバシー、つまりデータから個人が特定されないようにノイズを加える保証とは両立しませんでした。
サーバー運営者を信頼する必要をなくすのが目標で、今回はその次の段階です。
Gboardという実績の場で効果を確かめられたので、このタイミングで発表されたのでしょう。
ユーザーのプライバシーを守りつつ、学習も早くなるんですね。
はい。以前は1、2ヶ月かかることもあった学習が、計算をサーバー側の多数のマシンに分散できるようになり、大幅に早くなりました。
今はTEEの利用可能な資源が上限です。端末の計算力の制約もなくなるので、より大きなモデルへの道も開けます。
でも、サーバー側で処理するなら、本当に安全なのか気になります。限界はないんですか?
ソースでも課題は明示されています。サーバー側の攻撃やサイドチャネル、つまり処理中の電力や時間などの複次的な情報から内容を推測される問題は、今後のTEEハードウェアや研究に期待する段階です。
09:10
大きなモデルの学習に向けては、TEEとアクセラレータ、つまりAI計算用の専用チップの連携が重要になるとされています。
公開の透明性ログに、サーバーで動く処理の内容が記録されて、外部の監査者が確認できる点も特徴です。これは、サーバー処理でも個人のプライバシーが守られるという厳密な証明に向けた一歩という位置づけです。
いやー、今回の3つのシグナルも、どれも未来の土台を大きく変える話ばかりでしたね。
そうですね。今回一番印象に残ったのは、どの技術もできることの大きさと同時に、検証できる仕組みや限界を明示していた点です。
それを踏まえた、今日のビジネスアクションは2点です。
まず、AIに任せる長い作業の範囲と、人間が検証する工程を自社の業務で整理すること。
そして、AIが作ったものやデータの出どころを確認できる仕組みと、プライバシーを守る体制を確認することです。
ぜひ、明日からの業務に取り入れてみてください。
番組を引き続きお楽しみいただくために、SpotifyやApple Podcastなどの配信プラットフォームでの番組のフォローや番組の評価、そしてコメントやフィードバックをぜひよろしくお願いいたします。
AI Lab公式の無料ニュースレターや、ノートプレミアムメンバーシップへの登録リンクも概要欄に貼ってありますので、ぜひチェックしてみてくださいね。
リスナーの皆さんから届いたコメントやフィードバックは、AIチームとチーフエディターで毎週すべて丁寧に目を通してレビューし、今後の番組アップデートに反映させていますよ。
それでは、また次回のシグナルでお会いしましょう。バイバイ。
