人工知能
人工知能（AI）活用による発見のタイムラインの変革
Securities.io を Google の優先ソースに追加
手動研究からAIによる自動化へ
しばらくの間、科学的進歩は人工知能（AI）ではなく、優秀な科学者の洞察のみに依存していました。彼らは仮説を手作業で設計し、カスタム実験でテストしなければなりませんでした。このプロセスは多くの場合、非常に時間がかかり、最初のアイデアから実際の結果が得られるまでに数年を要しました。
近年、より高度な自動化により基礎研究における手作業が削減されました。例えば、次世代シーケンシング（NGS）により、数日で低コストでゲノム配列決定が可能になりました。2003年に最初のヒトゲノム配列決定が30億ドルの費用と10年を要したとき。
NGSシーケンサー – ソース: Illumina
自動化により、研究の物理的工程を大規模かつ低コストで実施できるようになりました。しかし、例えばゲノムシーケンシングから得られるデータの解析といった知的作業は、依然として人間の脳とコンピュータ支援の数理モデルにのみ依存していました。AIが新たなゲームチェンジャーになるまでです。
人間の脳を支援する
科学が進むほど、データはますます複雑になりました。新素材の探索は、以前に組み合わせてテストされていない元素を混合するような比較的単純なプロセスに依存しています。
しかし、バッテリー技術や半導体などの先端材料科学では、ナノメートルレベル、時には単一原子レベルでの部品操作が必要です。このため、プロセスのモデル化と理解は、人間の脳が利用可能なすべてのデータを完全に把握するにはあまりにも複雑になります。
例えば、新しいバッテリーデザインに適した素材を見つけるには、3200万もの潜在的な無機材料の中からどれを選ぶかを決定する必要があります。これは、PNNL (Pacific Northwest National Laboratory)の材料科学部門リーダーであるVijay Murugesanが直面していた課題です。
従来は、経験的な推測や粗いコンピュータモデル、手作業のテストが必要で、絞り込みに数年かかっていました。その代わりに、PNNLはMicrosoftと協力し、同社のAI専門知識を活用するコラボレーションを開始しました。
複数のAIに化学を教える
Microsoftは長年にわたり、AI4Scienceプログラムを通じてこのような応用に取り組んできました。例えば、同社のMatterGen生成AIは「幅広い特性指向の材料設計を可能にする」ことができます。
ソース: Microsoft [securities_stock_price_tag symbol="MSFT" exchange="NASDAQ"]
PNNLとの協力により、Microsoftは実用的な元素とその組み合わせを評価するために、いくつかの異なるAIを特別に開発しました。
また、安定した材料を見つける専用のAI、反応性に基づいて分子を評価するAI、そして分子のエネルギー伝導能力を判断するAIもあります。
このAIの組み合わせは、特定の問題に対するすべての可能解を見つけることを目的としているわけではありません。代わりに、数千万に及ぶ膨大な可能性の中から、いくつかの有望な候補に絞り込もうとしています。
このアプローチにより、3200万の潜在材料がまず50万の候補に、さらに800に絞り込まれました。
これは、純粋にコンピュータベースの数理モデルが、材料の化学特性を「ブルートフォース」で、しばしば原子単位でシミュレートして計算しようとするアプローチとは根本的に異なります。AIは、類推を用いて人間が行うのとほぼ同じ方法で、何が機能するかを教育的に「推測」します。AIチームは、80時間未満で3200万のアイデアをスクリーニングできました。
数か月や数年かかる作業を数日や数週間に短縮することは、科学的進歩の速度における完全な革命です。
より広範に適用すれば、これは人類社会における技術進歩の速度を完全に変える可能性があります。
貴重な資源の節約
リストが800の候補に絞られた後、研究者は標準的なハイパフォーマンスコンピューティング（HPC）手法を展開できました。これにより、800候補すべての可能なエネルギー状態の計算が可能になり、専用AIとHPCの組み合わせで各材料内部の原子や分子の動きをシミュレートしました。
数百の候補に対してのみHPCを使用することで、計算リソースを大量に消費するこの手法にかかる時間とコストを大幅に削減し、候補リストは150にまで減少しました。
そこから、コスト、入手可能性、その他実務的な要因を評価し、最初の3200万候補リストはわずか23にまで絞られました。興味深いことに、23のうち5は既に知られており、手法の妥当性を示すとともに、これら5つの材料を独立して「再発見」したことになります。
従来の研究手法は高価で遅いHPCに大きく依存していましたが、AI手法はHPCの使用を総計算時間のわずか10％に削減しました。また、AI計算がクラウドベースであることにより、研究機関の貴重で限られたスーパーコンピュータ時間を使用せず、効率が向上しました。
次のステップ
MicrosoftとPNNLのバッテリー材料に関する協力は、数年にわたる協業契約の始まりに過ぎません。最終的には、十分なデータを生成し、新しい材料でバッテリーを設計する際に、AIシステムに尋ねるだけで分かるほどシンプルになることが目標です。
“私たちが目指すビジョンは、望む属性を持つ新しいバッテリー化合物のリストを求められる生成的材料です。” – Nathan Baker, Product Leader for Azure Quantum Elements.
現在の手法は従来のコンピューティングに依存している点にも注目すべきです。しかし、MicrosoftのAIプログラミングとソフトウェアは、この技術が十分に成熟した時点で量子コンピューティングへとアップグレードできるよう設計されています。
これにより、化学や生物シミュレーションなどの分野で前例のない計算能力が得られ、計算力が数桁（100倍〜10,000倍）向上します。したがって、AIが新しい分子や材料の設計に取り組む段階はまだ非常に初期段階です。
応用分野
最初の実験はバッテリー材料に焦点を当てました。しかし、化学に関するこのような高度な洞察や、AIを他の科学分野に適用することで、多くの他分野も恩恵を受ける可能性があり、すべてMicrosoftのパイプラインにすでにあります。
- 半導体.
- 量子コンピューティングと暗号学.
- ビジュアル and オーディオ
- 分子生物学とゲノミクス。
- バイオテクノロジーと一般的な医薬品。
- 再生可能エネルギーと気候変動.
- 農業とエコロジー.
- 経済学.
- 社会科学。
- 理論数学。
これらの分野は、膨大なデータ量と問題の複雑さにより研究が困難になっています。バッテリーのパイロットプロジェクトと同様に、各分野はAIからの洞察によって恩恵を受けることができるでしょう。
AI主導のサイエンス株
1. Microsoft
MSFT 価格チャート
MSFT 価格チャート
Microsoftは、依然として支配的なオペレーティングシステムであるWindowsを持ち、創業以来ほぼテック業界の中心に位置しています。現在では、エンタープライズソフトウェア（Office365, Teams, LinkedIn, Skype, GitHub）、ゲーム（Xbox とmultiple videogame studios acquisitions）、そしてクラウド（Azure）でもリーダーです。
最近では、AI分野で大きな進展を遂げました。これには、Bing Image Creator のような消費者向けAIや、OpenAIとの深化するパートナーシップも含まれます。また、Copilot for Microsoft 365 や Microsoft Research といったビジネス志向のイニシアチブもあります。Copilotは現在、小売業や中小企業にも展開されています。
Microsoftは、Apple (AAPL ) やFacebookのような消費者志向の企業と比較して、エンタープライズ中心のテック大手としての評価を得ています。AIがビジネスモデルでますます重要になる中、Microsoftが既にクラウドとエンタープライズサービスに強固に存在していることは、AIを大規模に展開し、顧客獲得で先行する優位性をもたらすでしょう。
OpenAI のような AI 開発リーダーとの協業/準所有は、Microsoft の AI パワーハウスとしての地位をさらに確固たるものにします。
2. NVIDIA
NVDA 価格チャート
NVDA 価格チャート
NVidiaは当初、主にハイエンドゲームや3Dモデリングに使用されるグラフィックカード（GPU）市場で支配的な地位を占めていました。GPUは並列計算が可能で、プロセッサ（CPU）とはこの点で異なります。
同社のハードウェア設計は暗号通貨マイニング（特にビットコイン）に非常に適しており、会社の成長に大きな波をもたらしました。
現在、AIのトレーニングにも同様に強力であり、Nvidia (NVDA ) のハードウェアはAI革命の基盤となっています。
NVidiaは現在、さまざまなAIアプリケーション向けにカスタムコンピューティングシステムを開発しており、例えば自動運転車、音声と会話AI、生成AI、またはサイバーセキュリティなどがあります。
NVidiaは、MicrosoftとPNNLの研究が示すように、AIハードウェアの新たなユースケースの探索をまだ続けていると考えられます。例えば、現在、NVidiaは薬剤探索向けの幅広いソリューションを開発しており、AI搭載医療機器やAI支援医療画像診断も手がけています。
ソース: NVidia
長期的には、NVidiaの競合他社が同社の初期優位性に真剣に挑戦し始める可能性があります。しかし、AI専用コンピューティングパワーへの需要が急増していることを考えると、当面の間、NVidiaは新たに建設されるAIトレーニングデータセンターの主要サプライヤーであり続けるでしょう。
3. CrowdStrike
CRWD 価格チャート
CRWD 価格チャート
世界がAIとデジタル化に依存すればするほど、サイバーセキュリティの重要性は高まります。
CrowdStrikeはクラウドファーストのサイバーセキュリティアプローチで設立されました。同社の提供範囲はすべてのサイバーセキュリティ脅威カテゴリを網羅しており、顧客には米国最大手20行のうち15行、Fortune 100企業のうち70社、Global 2000のうち556社が含まれます。
CrowdStrikeの成長は、急速に拡大する総アドレス可能市場（TAM）に支えられており、今後2年間で年平均成長率13％の伸びが見込まれています。追加の提供サービスも開発中で、同社は2026年までにTAMを現在の760億ドルから1,580億ドルへ拡大することを期待しています。
ソース: CrowdStrike [securities_stock_price_tag symbol="CRWD" exchange="NASDAQ"]
CrowdStrikeのもう一つの成長要因は、既存顧客とのビジネス拡大です。顧客が少なくとも1つのサイバーセキュリティモジュールで開始すると、通常はさらにモジュールを統合し続け、顧客の62％が5つ以上、23％が7つ以上のモジュールを使用しています。
このダイナミクスにより、関係が十分に長期化した場合にCrowdStrikeはマージンを拡大でき、2023年には総粗利益率78％という印象的な数字を達成しました。
多くの大企業にとって、クラウドへの移行はまだ進行中です。これにより、CrowdStrikeのような市場リーダーが、彼らのサイバーセキュリティ戦略をクラウドへ移行させる大きな機会が生まれます。
同社は国際事業も成長すると見込まれ、Global 2000企業の3/4がまだCrowdStrikeエコシステムに参入していません。
CrowdStrikeのクラウドファーストアプローチにより、市場シェアを迅速に獲得でき、現在では大手サイバーセキュリティ企業すべてが模倣しています。そのため、投資家は業界からの反撃が増す中でもCrowdStrikeが優位性を維持できるかに注目すべきです。
4. Adobe
ADBE 価格チャート
ADBE 価格チャート
一見すると、特に画像生成における生成AIの台頭は、Photoshop、InDesign、After Effects、Lightroom、Illustrator といった重要なグラフィックソフトウェアの所有者にとって脅威となり得ます。
しかし、Adobeはソフトウェア業界の先駆者であり、業界が最新バージョンを数千ドルで販売していた時代に、クラウドベースのサブスクリプションモデルへ移行した最初の企業の一つであることを忘れてはなりません。
AIにも同様のことが言えます。Adobe (ADBE ) Fireflyは、Adobeの他のソフトウェアとシームレスに統合されており、シンプルなテキストから画像を生成したり、シンプルな3Dモデルからリッチな画像を作成したり、さらには「生成フィル」機能で既存の画像をフォトリアリスティックに拡張したりできます。
ソース: Adobe
AIがロゴや雑誌の作成、画像の修正に必要なスキルのハードルを下げることで、オリジナルコンテンツの提供と需要は拡大する可能性があります。
変化とAIを受け入れることで、Adobeはすべてのビジュアルクリエイティブ作品における主要なソフトウェアパッケージとしての地位を維持し、さらにその影響範囲を拡大するでしょう。
5. Upstart
UPST 価格チャート
UPST 価格チャート
Upstart (UPST ) はAI駆動の貸付マーケットプレイスで、2023年にAIがテック会話の中心になる以前に立ち上げられました。
Upstartのプロセスは主に自動化されており、承認されたローンの87％が完全に自動化によって決定されています。
Upstartの背後にある考えは、既存のクレジットスコアシステムが非効率で時代遅れであるということです。より多くのデータが利用可能になることで、ローンリスクをより正確に特定でき、その結果、人口の大部分に対してより安価なローンを提供できるようになります。
つまり、Upstartの手法は、FICOスコアが高くても実際にはローンのデフォルトリスクが高い人々を特定でき、逆にFICOスコアが低い人々はデフォルトの可能性がそれほど高くないことを示しています。
ソース: Upstart
総アドレス可能市場は大きく、個人、車、住宅、そして小規模事業ローンから年間4兆ドルが生み出されています。
金利上昇とローン需要の減少により、Upstartは2023年に収益の減少と損失を経験し、業界全体と同様の状況となっています。
この一時的なローン取扱高の減少は、Upstartの貸付パートナーネットワークの拡大を鈍化させていません。提携銀行は100行に増加し、前年の71行から、2020年のIPO時の10行から増え、ディーラーは61社に拡大し、2023年初頭の39社から増加しています。
Upstartの投資家は、拡大するネットワークがUpstart技術の価値と、米国市場で大規模なローンオリジネーターになる可能性の明確な指標であることを期待する必要があります。
AI計算の継続的な進歩は、非常に競争の激しいローン評価市場においても優位性をもたらす可能性があります。
