MIT(大学・研究機関)に関するニュース一覧

MIT、米国大学最強のAIスパコンを公開

圧倒的な計算能力

米国大学で最強のAIスパコン
ピーク性能は2 AIエクサフロップス
600基以上のNVIDIA製GPU搭載

生成AI研究を加速

生成AIの開発・応用に特化
創薬や新素材設計への応用
気象データ補完や異常検知

幅広い分野への貢献

航空管制や国防分野での実績
ユーザーフレンドリーな設計
エネルギー効率の高い運用も追求

マサチューセッツ工科大学(MIT)リンカーン研究所は2025年10月2日、米国の大学で最も強力なAIスーパーコンピュータ「TX-GAIN」を公開したと発表しました。このシステムは、生成AIや物理シミュレーション、データ分析といった最先端分野の研究を加速させ、科学技術におけるブレークスルー創出を目的としています。研究者はこの圧倒的な計算能力を活用し、新たなイノベーションを追求します。

TX-GAINの性能は、ピーク時で2 AIエクサフロップス(毎秒200京回のAI向け演算)に達します。AI処理に特化した600基以上のNVIDIA製GPUがこの計算能力を支え、米国の大学でトップ、北東部地域全体でも最強のAIシステムと評価されています。今夏オンライン化されて以来、研究者の注目を集めています。

TX-GAINの名称が示す通り、特に生成AIの開発と応用に力が注がれています。大規模言語モデルだけでなく、レーダー署名の評価、気象データの補完、ネットワークの異常検知、さらには新薬や新素材の設計といった多様な領域で活用が進みます。これまで不可能だった規模のシミュレーションやモデル訓練が可能になります。

リンカーン研究所スーパーコンピューティングセンター(LLSC)は、これまでも国の重要課題解決に貢献してきました。連邦航空局向けの航空機衝突回避システムや、国防総省向けの自律航法モデルの訓練など、社会の安全保障に直結する研究で数々の実績を上げています。TX-GAINはこれらの取り組みをさらに加速させる強力な基盤となります。

LLSCは、専門家でなくてもスパコンを利用できる「インタラクティブ性」を重視し、ラップトップPCのような手軽な操作性を実現。同時に、AIの膨大な電力消費という課題にも向き合い、エネルギー効率の高い運用と省電力化技術の研究にも取り組むなど、持続可能な研究環境の構築を目指しています。

Google、量子計算加速へMIT発新興企業を買収

買収の概要

量子ハードウェア開発チームが合流
大規模量子コンピュータ開発の加速

注目の独自技術

独自技術モジュラーチップスタック
量子ビットと制御回路を極低温で統合
ハードウェアの拡張性を大幅に向上

目指す将来像

誤り耐性量子コンピュータの実現へ
未解決の社会問題解決への応用

Googleは2025年10月2日、同社の量子AI部門にマサチューセッツ工科大学(MIT)発のスタートアップ、Atlantic Quantumのチームが加わると発表しました。同社の持つ独自のハードウェア技術を取り込むことで、大規模な誤り耐性量子コンピュータの開発を加速させる狙いです。この動きは、実社会の課題解決に向けた量子コンピューティング開発競争が新たな段階に入ったことを示唆しています。

今回のチーム合流の決め手は、Atlantic Quantumが持つ「モジュラーチップスタック」技術です。これは、量子コンピュータの心臓部である量子ビットと、それを制御する電子回路を極低温環境下で高密度に統合する革新的なアプローチであり、これまで技術的課題とされてきたハードウェアの拡張性(スケーラビリティ)を大幅に向上させることが可能になります。

この技術統合により、Googleの量子プロセッサ開発は一層加速することが期待されます。チップの設計・製造が効率化され、より多くの量子ビットを安定して搭載できるようになるためです。実用的な量子コンピュータの実現にはハードウェアの規模拡大が不可欠であり、今回のチーム合流はその重要な一歩と言えるでしょう。

Googleが目指す最終目標は、計算エラーを自動訂正する「誤り耐性」を持つ大規模量子コンピュータの構築です。これが実現すれば、創薬や材料開発、金融モデル最適化など、従来手法では解決不可能だった問題に取り組めるようになります。社会に大きな利益をもたらす技術への投資を、同社は今後も続ける方針です。

量子コンピューティング分野では、巨大IT企業間の開発競争が激化しています。今回の発表は、Googleがハードウェアのスケーリングという核心的課題に対し、外部の優れた知見を取り込んででも解決を急ぐという強い意志の表れです。今後の技術開発の進展から目が離せません。

AIの電力危機、MITが示す技術的解決策

急増するAIの環境負荷

日本の総消費電力を上回る規模
需要増の60%を化石燃料に依存

ハード・ソフト両面の対策

GPU出力を抑える省エネ運用
アルゴリズム改善で計算量を削減
再生可能エネルギー利用の最適化

AIで気候変動を解決

AIによる再エネ導入の加速
プロジェクトの気候影響スコア化

マサチューセッツ工科大学(MIT)の研究者らが、急速に拡大する生成AIの環境負荷に対する具体的な解決策を提示しています。国際エネルギー機関(IEA)によると、データセンターの電力需要は2030年までに倍増し、日本の総消費電力を上回る見込みです。この課題に対し、研究者らはハードウェアの効率運用、アルゴリズムの改善、AI自身を活用した気候変動対策など、多角的なアプローチを提唱しています。

AIの電力消費は、もはや看過できないレベルに達しつつあります。ゴールドマン・サックスの分析によれば、データセンターの電力需要増の約60%が化石燃料で賄われ、世界の炭素排出量を約2.2億トン増加させると予測されています。これは、運用時の電力だけでなく、データセンター建設時に排出される「体現炭素」も考慮に入れる必要がある、と専門家は警鐘を鳴らします。

対策の第一歩は、ハードウェアの運用効率化です。MITの研究では、データセンターのGPU(画像処理半導体)の出力を通常の3割程度に抑えても、AIモデルの性能への影響は最小限であることが示されました。これにより消費電力を大幅に削減できます。また、モデルの学習精度が一定水準に達した時点で処理を停止するなど、運用の工夫が排出量削減に直結します。

ハードウェア以上に大きな効果が期待されるのが、アルゴリズムの改善です。MITのニール・トンプソン氏は、アルゴリズムの効率改善により、同じタスクをより少ない計算量で実行できる「Negaflop(ネガフロップ)」という概念を提唱。モデル構造の最適化により、計算効率は8~9ヶ月で倍増しており、これが最も重要な環境負荷削減策だと指摘しています。

エネルギー利用の最適化も鍵となります。太陽光や風力など、再生可能エネルギーの供給量が多い時間帯に計算処理を分散させることで、データセンターのカーボンフットプリントを削減できます。また、AIワークロードを柔軟に調整する「スマートデータセンター」構想や、余剰電力を蓄える長時間エネルギー貯蔵ユニットの活用も有効な戦略です。

興味深いことに、AI自身がこの問題の解決策となり得ます。例えば、AIを用いて再生可能エネルギー発電所の送電網への接続プロセスを高速化したり、太陽光・風力発電量を高精度に予測したりすることが可能です。AIは複雑なシステムの最適化を得意としており、クリーンエネルギー技術の開発・導入を加速させる強力なツールとなるでしょう。

生成AIの持続可能な発展のためには、こうした技術的対策に加え、企業、規制当局、研究機関が連携し、包括的に取り組むことが不可欠です。MITの研究者らは、AIプロジェクトの気候への影響を総合的に評価するフレームワークも開発しており、産官学の協力を通じて、技術革新と環境保全の両立を目指す必要があると結論付けています。

Meta、ロボットOSで覇権狙う AR級の巨額投資

ボトルネックはソフトウェア

ARに次ぐ数十億ドル規模の投資
ハードウェアではなくソフトウェアが開発の鍵
器用な操作を実現するAIモデルが不可欠

「ロボット界のAndroid」構想

自社製ロボット「Metabot」も開発
他社へソフトウェアをライセンス供与
プラットフォームで業界標準を狙う

専門家集団による開発体制

元Cruise CEOがチームを統括
MITなどからトップ人材を結集

米Metaは、ヒューマノイドロボット開発を拡張現実(AR)に次ぐ大規模な投資対象と位置付けていることを明らかにしました。同社のアンドリュー・ボスワースCTOによると、数十億ドル規模を投じ、ハードウェアではなくソフトウェア開発に注力します。開発したプラットフォームを他社にライセンス供与する「ロボット版Android」とも言える戦略で、急成長する市場の主導権を握る構えです。

なぜソフトウェアが重要なのでしょうか。ボスワース氏は「ハードウェアは難しくない。ボトルネックはソフトウェアだ」と断言します。ロボットがコップを絶妙な力加減で掴むといった器用な操作は極めて困難であり、この課題を解決するため、AIが現実世界をシミュレーションする「ワールドモデル」の構築が不可欠だと説明しています。

Metaの戦略は、自社でハードウェアを製造し販売することではありません。社内で「Metabot」と呼ばれるロボットを開発しつつも、その核心技術であるソフトウェアを他社ロボットメーカーに広くライセンス供与する計画です。これはGoogleがAndroid OSでスマートフォン市場のエコシステムを築いた戦略と類似しており、オープンなプラットフォームで業界標準となることを目指します。

この野心的な計画を支えるのが、Metaが新設した「Superintelligence AI lab」です。このAI専門組織がロボティクスチームと緊密に連携し、ロボットの知能を司るAIモデルを開発します。ボスワース氏は「このAIラボがなければ、このプロジェクトは実行しなかった」と述べ、AI開発能力が自社の最大の強みであるとの認識を示しました。

このアプローチは、テスラが開発する「Optimus」とは一線を画します。ボスワース氏は、人間の視覚を模倣してデータを集めるテスラの手法について「ロボット用のデータをどうやって十分に集めるのか疑問だ」と指摘。Metaはシミュレーションとワールドモデルを駆使して、このデータ問題を解決しようとしています。

Metaの本気度は、集結した人材からも伺えます。自動運転企業Cruiseの元CEOであるマーク・ウィッテン氏がチームを率い、MITから「現代最高の戦術ロボット工学者」と評されるキム・サンベ氏を招聘。社内のトップエンジニアも結集させ、盤石な体制でこの巨大プロジェクトに挑みます。

MIT、対話型AI「MultiverSeg」開発 医療研究を加速

マサチューセッツ工科大学(MIT)の研究者が、医療画像のセグメンテーション(領域分割)作業を劇的に効率化する新しい対話型AIシステム「MultiverSeg」を開発しました。このシステムは、ユーザーが画像上で行うクリックや走り書きなどの簡単な操作から学習します。作業を繰り返すほどAIの精度が向上し、最終的にはユーザーの操作なしで高精度なセグメンテーションが可能になり、臨床研究の加速やコスト削減が期待されます。 MultiverSegの最大の特徴は、ユーザーの操作を学習し続ける点にあります。従来の対話型ツールでは画像ごとに同じ操作を繰り返す必要がありましたが、本システムは過去の作業結果を「コンテキストセット」として記憶・参照します。これにより、新しい画像を処理する際のユーザーの負担が徐々に軽減され、作業効率が飛躍的に向上します。この仕組みは、これまでのアプローチの長所を組み合わせたものです。 性能比較実験では、他の最先端ツールを上回る結果を示しました。例えば、9枚目の画像を処理する頃には、わずか2回のクリックでタスク特化型モデルより高い精度を達成しました。X線画像のような特定のケースでは、1〜2枚の画像を手動で処理するだけで、AIが自律的に高精度な予測を行えるようになります。これは、手作業に比べ圧倒的な時間短縮です。 このツールのもう一つの利点は、機械学習の専門知識や事前のデータセット準備が不要なことです。研究者や医師は、セグメンテーションしたい新しい画像をアップロードし、直感的に操作を始めるだけですぐに利用できます。AIモデルの再トレーニングも不要なため、導入のハードルが低く、幅広い臨床現場や研究での活用が見込まれます。 研究チームは今後、臨床現場での実証実験を通じてフィードバックを収集し、システムの改善を進める計画です。また、現在は2D画像のみに対応していますが、将来的には3D医用画像への応用も目指しています。この技術が普及すれば、新しい治療法の研究が加速し、臨床試験や医療研究全体のコスト削減に大きく貢献する可能性があります。

MIT、新素材発見AIを開発 燃料電池で記録的性能を達成

マサチューセッツ工科大学(MIT)が、新素材発見のプロセスを根本から変える可能性を秘めたAIプラットフォーム「CRESt」を開発しました。このシステムは、科学論文から実験データ、画像まで多様な情報を統合し、ロボットと連携して自律的に実験を進めます。研究開発のあり方を大きく変革する一歩となるでしょうか。 CREStはすでに具体的な成果を上げています。研究チームはCREStを用いて900以上の化学組成を探索し、3500回の電気化学試験を実施。その結果、ギ酸塩燃料電池において記録的な出力密度を達成する触媒材料を発見しました。高価な貴金属の使用量を4分の1に抑えつつ、性能を大幅に向上させることに成功しています。 CREStの最大の特徴は、多様な情報源(マルチモーダル)を扱える点です。従来のAIが特定のデータのみに依存していたのに対し、CREStは論文のテキスト、化学組成、顕微鏡画像などを統合的に学習します。これにより、人間の科学者が持つような幅広い知見に基づいた、より高度な判断を可能にしました。 研究者はコーディング不要で、自然言語(チャット)を使ってCREStに指示を出せます。指示を受けたCREStは、液体処理ロボットや材料合成装置、自動試験装置などを駆使して実験を遂行。実験結果は再びAIにフィードバックされ、次の実験計画が最適化されるというサイクルが自動で構築されます。 材料科学の実験では、再現性の確保が大きな課題でした。CREStはカメラと画像認識モデルを用いて実験プロセスを常時監視します。ピペットの位置ずれやサンプルの形状異常といった問題を検知し、人間に対して修正案を提案することで、実験の品質と一貫性を高めることにも貢献します。 研究チームは、CREStを「人間の研究者に取って代わるものではなく、アシスタントである」と位置づけています。AIが仮説立案や実験の自動化を担う一方で、最終的な判断やデバッグは人間が主導します。人間とAIの協働による、より柔軟で効率的な「自律駆動型ラボ」の実現に向けた大きな一歩と言えるでしょう。

AI、若手技術者の雇用を脅かすも生産性は向上

スタンフォード大学とマサチューセッツ工科大学(MIT)の研究者が、生成AIが労働市場に与える影響について新たな研究結果を明らかにしました。2022年後半以降、AIに代替されやすい職種では若手技術者の雇用が減少する一方、既存労働者の生産性は大幅に向上することが判明。AIは単純作業を自動化し、経験豊富な人材の業務を支援するため、企業は採用・育成戦略の見直しを迫られそうです。 スタンフォード大学デジタルエコノミーラボの研究によると、2022年後半からAIの影響を受けやすい職種で、若手(22〜30歳)の雇用が明確に減少しています。米国最大の給与計算代行会社ADPの最新データ分析で判明したもので、特にソフトウェアエンジニアなどの職種でこの動きが顕著です。 興味深いことに、若手層の雇用が減少する一方で、同じ職種の中堅・シニア層の雇用は安定、もしくは増加傾向にあります。これは、AIが経験豊富な労働者の専門知識を代替するのではなく、業務を拡張するツールとして機能していることを示唆しています。経験値がAI活用の鍵となりそうです。 一方、マサチューセッツ工科大学(MIT)の研究では、AIの生産性向上効果が実証されています。2023年の研究では、ChatGPTがライティング業務の生産性を大幅に向上させると判明。特に、これまで成績が振るわなかった労働者ほど、その恩恵が大きかったといいます。 AIがもたらすこの二面性は、業務を「自動化」するか「拡張」するかの違いに起因します。エントリーレベルの定型的なタスクは自動化されやすく、若手の雇用機会を奪う可能性があります。一方、複雑な判断を伴う業務はAIで拡張され、シニア層の生産性をさらに高めるのです。 これらの研究結果は、経営者やリーダーに重要な問いを投げかけています。AIによる生産性向上は不可欠ですが、同時に若手人材の採用や育成戦略を根本から見直す必要がありそうです。人間とAIが協働する新たな組織モデルの構築が、今後の企業競争力を左右するでしょう。

MIT起業家、AIは加速装置 顧客との対話こそ事業の核心

マサチューセッツ工科大学(MIT)の学生起業家は、AIを事業開発の強力なツールとして活用しています。コーディングの高速化、プレゼンテーションの草案作成、新規市場のリサーチなど、日常業務にAIを組み込むことで、起業プロセスの効率と速度を大幅に向上させています。皆さんの会社では、どの業務にAIを応用できるでしょうか。 MITの起業家育成機関「マーティン・トラスト・センター」は、AIをあくまで「ツールキットの一つ」と位置づけています。AIによってタスクの実行方法は変わりましたが、起業の基本原則は不変だと強調します。AIは事業を加速させる「ジェットパック」のようなものですが、その操縦は起業家自身が行うべきだと指導しています。 AIの活用には注意も必要です。大規模言語モデルは平均的なデータに基づいており、特定の顧客層の深いニーズを捉えきれない場合があります。「平均的な顧客」向けの製品は、結果的に誰の心にも響かない可能性があるのです。AIの出力は鵜呑みにせず、必ず顧客の声で検証する姿勢が求められます。 学生の中には、事業の核にAIを据える「AIネイティブ」な企業も登場しています。例えば、ユーザー行動をAIでシミュレーションし、ウェブサイトなどの顧客体験を改善するツールを開発するCognify社。同社はアイデア出しから開発、市場投入戦略まで、あらゆるプロセスにAIを統合しています。 しかし、どれだけAIが進化しても、起業家が研究室や教室を飛び出し、顧客と直接対話する必要性は変わりません。顧客が誰で、何を求め、どうすればより良いサービスを提供できるか。この問いの答えは、AIだけでは見つけられないというのが、MITの一貫した考えです。 MITは学生支援のため、生成AIアプリ「Jetpack」も開発しました。これは、起業家精神の24のステップを対話形式で学べるツールです。顧客セグメントの提案や事業計画の立案を支援しますが、あくまで思考を助ける「初稿」を提供するものと位置づけられています。

MIT、量子材料の設計を加速する新AIツール開発

マサチューセッツ工科大学(MIT)の研究チームは、生成AIによる新材料の設計を加速する新ツール「SCIGEN」を開発しました。このツールは、既存のAIモデルに特定の幾何学的構造ルールを課すことで、超伝導など特殊な量子特性を持つ材料の発見を促します。従来モデルが苦手とした希少な構造を持つ材料の設計が可能になり、量子コンピュータ開発などのボトルネック解消が期待されます。 近年、AIによる新材料設計は進んでいますが、その多くは安定性を重視したものでした。しかし、量子コンピュータ開発に不可欠な「量子スピン液体」のように特殊な構造を持つ材料の発見は遅れていました。世界を変えるには、安定した1000万の材料より、一つの画期的な材料が必要なのです。 SCIGENは、拡散モデルのような生成AIが材料構造を生成する各段階で介入します。ユーザーが「カゴメ格子」といった特定の幾何学的パターンをルールとして設定すると、そのルールに合致しない候補をAIが生成しないようブロックします。これにより、AIの生成プロセスを望ましい方向に誘導することが可能になります。 研究チームはSCIGENを既存AIに適用し、特殊な格子構造を持つ材料候補を1000万以上生成しました。安定性評価を経て、これまで未知だった2種類の新物質(TiPdBi、TiPbSb)の合成に成功。実験結果はAIの予測とほぼ一致し、その有効性を示しました。 量子コンピュータの実現には、安定した量子ビットの基盤となる材料が不可欠ですが、その発見は困難でした。SCIGENは、材料が持つべき幾何学的制約を満たす候補を大量に生成します。これにより実験研究者に新たな道筋を示し、開発を大幅に加速させると期待されています。 今後の研究では、幾何学的構造だけでなく、化学的・機能的な制約も設計ルールに組み込むことが計画されています。AIによる設計と、実際の合成・実験による検証のサイクルを回すことが、画期的な新材料の発見には不可欠です。AIが有望な候補を提示し、研究者がそれを検証する協力体制が重要になります。

MIT研究者、AIで数学の発見を加速する助成金獲得

マサチューセッツ工科大学(MIT)数学科の研究者らが、AIを活用して数学の発見を加速させるプロジェクトで、初回「AI for Math」助成金の受賞者に選ばれました。このプロジェクトは、大規模数学データベースと定理証明支援ライブラリを連携させるものです。これにより、AIが数学研究を支援する新たな基盤を構築し、研究開発の効率を飛躍的に高めることを目指します。 数学研究の自動化には、知識をAIが理解できる形に「形式化」するコストが高いという壁があります。このプロジェクトは、既存の膨大な数学データベースと、証明の正しさを検証するシステムを繋ぐことでこの課題を解決します。形式化の障壁を下げ、より多くの数学者がAIの恩恵を受けられるようにすることを目指します。 具体的には、数論データベース「LMFDB」と定理証明支援ライブラリ「mathlib」を連携させます。これにより、LMFDBが持つ膨大な未証明のデータを、mathlib内で証明のターゲットとして提示可能になります。これは人間とAI双方にとって、数学的発見のプロセスを大きく変える可能性を秘めています。 このアプローチの利点は、過去の計算資産を最大限に活用できる点にあります。LMFDBの構築に費やされた膨大な計算結果を再利用することで、コストを大幅に削減します。また、事前に計算された情報があるため、新たな定理の例や反例を探す探索作業も、より効率的に行えるようになります。 AIとデータベースの連携は、既に成果を生んでいます。機械学習で「マーマレーション」という数学現象が発見された際、LMFDBの整理されたデータが決定的な役割を果たしました。専門家によって整理された高品質なデータベースが、AIによる新たな発見を促す鍵となるのです。 研究チームは今後、コミュニティと連携しながらツールの開発を本格化させます。データベースの定義を形式化し、mathlib内からLMFDBの検索を実行できる機能などを実装する計画です。この取り組みは、数学だけでなくAIが専門知識を扱う他分野への応用も期待されます。

MIT、生成AIの未来を議論。次世代の鍵は「世界モデル」

マサチューセッツ工科大学(MIT)は9月17日、初の「生成AIインパクトコンソーシアム(MGAIC)」シンポジウムを開催しました。研究者やビジネスリーダー数百人が集まり、急速に進化する生成AIの未来について議論しました。基調講演ではMeta社のヤン・ルカン氏が、現行の大規模言語モデル(LLM)の先にある「世界モデル」の重要性を強調。ロボット工学への応用や倫理的課題など、多岐にわたるテーマが話し合われました。 生成AIの次なる進化の鍵はどこにあるのでしょうか。Meta社のチーフAIサイエンティストであるヤン・ルカン氏は、LLMの継続的な改良ではないと指摘します。同氏は、乳児が五感を通して周囲の世界から学ぶように、AIが物理世界を理解する「世界モデル」の開発が不可欠だと主張しました。これにより、AIはより人間らしい知能を獲得できるとしています。 「世界モデル」を搭載したロボットは、事前の訓練なしに新しいタスクを自律的に学習できるようになると期待されています。ルカン氏は、このアプローチこそが、ロボットを現実世界で広く役立つ存在にするための最善策だと見ています。将来のAIシステムの中核を担う技術として、その開発に大きな期待が寄せられています。 AIがより賢くなることで、人間の制御を離れるリスクを懸念する声もあります。しかしルカン氏は、この点について楽観的です。人間社会が法や規範で秩序を保ってきたように、AIにも逸脱を防ぐための「ガードレール」を設計段階で組み込むことが可能だと説明。AIは設計上、その制約を超えることはできないと述べました。 Amazon Robotics社の最高技術責任者タイ・ブレイディ氏も、生成AIの可能性を強調しました。同社はすでに倉庫内で生成AIを活用し、ロボットの移動経路や荷物の処理を最適化しています。今後は、人間の作業効率を高める「協働ロボット」の分野で、生成AIが革新を牽引すると予測しています。 MITのサリー・コーンブルース学長は、生成AIの技術的・倫理的課題の解決には、大学と産業界の連携が不可欠だと述べました。今年2月に発足した同コンソーシアムがその役割を担います。シンポジウムでは、AIのバイアスや幻覚を軽減する新システムなど、MITの最新研究も紹介されました。 一日にわたる議論の締めくくりとして、コンソーシアムの共同リーダーであるヴィヴェック・ファリアス教授は、参加者が「可能性と、それを現実のものにするための緊急性」を感じることを期待すると語りました。生成AIの健全な発展に向け、産学連携の重要性が改めて示された形です。

医療AI、女性や少数派の症状を軽視するバイアスが判明

医師が利用するAIツールが、女性やエスニックマイノリティの健康状態を悪化させるリスクが指摘されています。米英の複数の研究で、多くの大規模言語モデル(LLM)がこれらの患者の症状を軽視する傾向が示されたのです。これは、社会に存在する治療格差のパターンをAIが再生産・強化する可能性を示唆します。 マサチューセッツ工科大学(MIT)の研究によると、OpenAIのGPT-4やMetaのLlama 3などは、女性患者に対して明らかに低いレベルの治療を推奨しました。症状によっては、専門医の受診ではなく自宅での自己治療を提案するなど、診断の深刻さを過小評価する傾向が見られたといいます。 同大学の別の研究では、人種によるバイアスも明らかになりました。GPT-4などのモデルは、精神的な不調を訴える黒人やアジア系の人々に対し、他の人種に比べて「共感」の度合いが低い回答を生成。これにより、患者が受けるサポートの質が人種によって左右される危険性が懸念されます。 同様の傾向は、ロンドン・スクール・オブ・エコノミクスの研究でも確認されました。ソーシャルワーカーの支援に使われるGoogleのGemmaモデルは、男性と比較して女性の身体的・精神的な問題を軽視する形でケースノートを要約・生成する傾向があったと報告されています。 現在、MicrosoftやGoogleなどの巨大テック企業は、医師の負担軽減と治療の迅速化を目指し、医療AI製品の開発を急いでいます。しかし、これらのツールに潜むバイアスは、特定の患者層に不利益をもたらしかねません。AIの恩恵を公平に享受するため、開発と導入にはより慎重な検証と対策が不可欠です。

LLM開発費を最大化する効率的スケーリング則、MITが提言

研究の核心と課題

LLM開発の高額な計算資源コストへの対処法
小規模モデルから大規模モデルの性能を予測
従来の予測手法は体系的な検証が不足

効率を高める指針

多様なサイズでモデル数を優先して訓練
最終損失でなく中間チェックポイントを活用
ターゲットモデルの部分学習(30%程度)でコスト削減

データ選定と精度

初期のノイズデータ(100億トークン未満)を破棄
目標精度と計算予算を事前に決定

マサチューセッツ工科大学(MIT)の研究チームは、大規模言語モデル(LLM)の訓練コストを最適化するための「スケーリング則」構築ガイドを公開しました。これは、数百万ドルにも上る開発費を効率的に使い、大規模モデルの性能を高い信頼性で予測するための体系的な指針を提供します。AI開発における予算と性能のトレードオフを解消する画期的な分析です。

スケーリング則とは、小さなモデルの学習結果から、同じモデルファミリーのより大きなターゲットモデルの性能(特に損失)を推定する手法です。従来、この手法は開発者ごとに異なり、その有効性がブラックボックス化していました。今回の研究では、40種類のモデルファミリー、485の独自モデルを分析し、1,000以上のスケーリング則を検証しています。

最も重要な提言の一つは、予測の堅牢性を高めるために、多様なサイズのモデルを少数訓練することを優先すべき点です。単に非常に大規模なモデルを訓練するよりも、5つ程度の小規模モデルを分散して訓練することが、スケーリング則の精度向上に寄与すると結論付けています。

また、リソースを効率的に活用するため、ターゲットモデルをデータセットの約30%まで部分的に訓練し、そのデータを使って性能を外挿することで、大幅なコスト削減が可能となります。加えて、訓練過程の最終損失だけでなく中間チェックポイントのデータを利用することが予測信頼性を高める鍵です。

ただし、訓練開始直後(100億トークン以前)のデータはノイズが多く、予測精度を低下させるため破棄すべきだと研究者は推奨しています。開発者は、予測誤差率(ARE)が4%以内であれば最良、20%以内であっても意思決定に十分役立つ精度として目標設定が可能です。

興味深い発見として、完全に訓練されたモデルの「中間段階」のデータが、別のターゲットモデルの予測に再利用できることが判明しました。これは、追加コストなしに予測リソースを増強できることを意味します。また、小規模モデルと大規模モデルの挙動は予想以上に類似していることも確認されました。

研究チームは今後、モデルの訓練時間だけでなく、モデルの応答時間(推論時間)に関するスケーリング則へと分析を拡大する計画です。ユーザーの新しいクエリに対して「最適な思考量」を予測する技術は、リアルタイムでのAI活用においてさらに重要性を増すと期待されています。

MIT、AIで胎児の動きを精密再現 3Dモデル「Fetal SMPL」を開発

診断精度を革新

従来の3D MRIは医師の解釈が困難
胎児のランダムな動きのモデル化が課題
より詳細な胎児の健康診断を支援

技術的コアと精度

MIT CSAILなどが成人モデルから適合
2万件のMRIボリュームで機械学習
23関節を持つ骨格構造を3Dで再現
平均誤差はわずか約3.1ミリメートル

応用と将来性

頭部や腹部サイズの正確な測定が可能
内臓構造の容積モデル化を今後目指す

マサチューセッツ工科大学(MIT)のコンピューター科学・人工知能研究所(CSAIL)などは、胎児の健康診断を革新する機械学習ツール「Fetal SMPL」を開発しました。これはMRIスキャンデータから、胎児の動きや体形を高精度に再現した詳細な3Dモデルを生成します。従来の3Dスキャン画像は医師にとって解釈が難しく、診断のボトルネックとなっていましたが、本ツールはその課題を解決します。

Fetal SMPLは、成人向けの人体モデリング技術「SMPL」を胎児用に適合させたものです。約2万件のMRIボリュームで訓練され、彫刻のような3D表現を生み出します。モデル内部には23の関節を持つ「キネマティックツリー」と呼ばれる骨格構造があり、これを利用して胎児のリアルなポーズと動きを再現できる点が大きな特長です。

このモデルは実証実験において、非常に高い精度を示しました。これまでに学習していないMRIフレームに対しても、胎児の位置とサイズを正確に予測し、平均誤差はわずか約3.1ミリメートルに留まっています。これにより、医師は胎児の頭部や腹部のサイズなどを正確に測定し、同年齢の健康な胎児のデータと比較した精密な診断が可能になります。

研究チームは現在、Fetal SMPLが表面的な分析に留まっている点を改善するため、内臓などの内部解剖学的な構造をモデル化する「容積(volumetric)」対応を目指しています。この進化により、肝臓や肺などの発達状況もモニタリングできるようになります。本技術は、ヒトの成長と運動が様々な条件でどのように影響を受けるかを長期的に研究する上でも画期的な一歩です。