← 2026-07-19 の一覧へ戻るホーム
バイオレジリエンスへのアプローチ：Isomorphic Labs と Google DeepMind の取り組み

2026/07/19 1:02

バイオレジリエンスへのアプローチ：Isomorphic Labs と Google DeepMind の取り組み

RSS: https://news.ycombinator.com/rss

元のHacker News記事へ ↗
要約▶

Japanese 翻訳:

オリジナルのサマリーは、主要な点を明確かつ簡潔に捉え、よく書かれています。

本文

Google DeepMind と Isomorphic Labs が公開：生物レジリエンス（生物安全保障）アプローチ

世界の生物安全保障の状況は急速に変化しており、自然生態系の変化、国際旅行の増加、AI の誤用可能性などの要因により警戒が必要です。同時に、AI はこれらの危機に対処するための不可欠なツールでもあります。

両社は、境界領域の AI モデルと科学的進歩を活用し、将来の感染症大流行に対し社会がより**レジリエント（回復力強く）**となるよう貢献します。

取り組みの基本方針

本日の公開は以下の 2 つの側面から構成されています。

  • 脅威防止: 悪意ある行為者がモデルを悪用することを防ぐこと。
  • 活用推進: 政府機関、科学者、生物安全保障専門家などがこれらの技術を活用し、よりレジリエントな世界を構築できることを確保すること。

過去 12 ヶ月間にわたり、以下の目的達成のために15 以上のパートナーシップを発展させてきました。

  • 脅威の悪用防止
  • 新型感染症の早期発見と効果的な対応支援

「生物レジリエンス・プログラム」の中身

AI の進化し続ける能力を活用し、社会が感染性疾患への対応や将来の大流行への備えを強化します。

基盤となる画期的な成果

  • AlphaFold: ほぼ全ての既知のタンパク質の三次元構造を解明。
  • IsoDDE（Isomorphic Labs の医薬品設計エンジン）: これまでにない精度で未知の生物系をナビゲートするための実社会での精度を提供。
  • AlphaGenome: ゲノム機能の解明に貢献。

これらの成果により、自然発生の大流行や安全リスクへの対応だけでなく、能動的な防御策の設計、治療法の発見加速、全球保健エコシステム防護（高速かつ高精度）が可能になりました。

私たちは AI モデルおよびエージェントを信頼できるパートナーに提供し、以下の 3 つの分野において進展を支援しています。

1. 【予防】（Prevention）

Gemini を含む当社のモデルが専門家にとって安全で有用となるよう、以下の4 段階のプロセスに従っています。

  • 脅威モデリング・評価: 在-house の生物学者、セキュリティ専門家、外部パートナーと連携し潜在的な脅威を理解。
  • 緩和措置・モニタリング: モデルテストを実施し堅牢な安全策を構築。
  • SynthID の適応: DNA シンセシス事業者がリスクのある AI 生成の生物学的配列を見極められるよう、水印技術を生物学分野へ適応化。

2. 【検知】（Detection）

病原体サーベイランスのコスト対効果を高める手助けを行っています。

  • AlphaEvolve の活用: メタゲノムシーケンシングデータの生成・分析アルゴリズムの最適化により、新型感染症の検出をより迅速化。
    • 結果：DNA 分析が速く正確になるため、世界中の疾病を追跡するコスト低下。
  • AlphaGenome とタンパク質機能注記の活用: シーケンスデータから病原体を検出・特徴づけることで、従来の手法よりも速やかに新たなパターンや新興脅威を特定。

3. 【対応】（Response）

AlphaFold の科学的成果を踏まえ、信頼に足る研究者に対して最新の AI システムへのアクセスを提供します。

  • ワクチン設計の加速: 既知および未知の脅威に対する対抗手段の開発を支援。
  • Isomorphic Labs の専任ユニット設立:
    • 医薬品設計エンジンを迅速に展開。
    • 自然発生のパンデミック対応のみならず、AI 誤用からの潜在的リスクに対処可能な医療対抗手段の設計を実現。
  • 戦略拡大: 政府機関や全球保健当局と協力し、多様な診断・治療戦略を進め、生物レジリエンスへの実社会インパクトを拡大。

取り組みの位置づけと誓い

この取り組みは複雑であり長期的なものであり、以下の包括的なアプローチの一部です。

  • CBRN リスク管理: 化学的・生物的・放射学的・核リスク管理アプローチの一部。
  • 境界領域安全フレームワーク: 能動的緩和措置と厳格な評価プロトコルとの整合性を確保。

私たちは開かれた協働姿勢で生物安全保障研究所、政府機関、科学コミュニティと共に働き、AI が社会の最大のリスクの一つである脅威から保護されるよう責任を持って開発・展開されることを誓います。

  • 取り組みや新たなパートナーシップの詳細については、当社のアプローチに関する完全版アップデートをご参照ください。

同じ日のほかのニュース

一覧に戻る →

2026/07/15 4:25

500kb以下のサイズで実装可能な音声認識とTTS

## Japanese Translation: 最も重要な教訓は、Moonshine Micro が極めて低コストのハードウェア、具体的には 80 セントの Raspberry Pi RP2350 マイコン上で高度な音声機能を実現することを通じて、先進的な AI を民主化することにあります。このオープンソース・ツールキットは、音声認識やニューラルテキスト読み上げといった洗練されたタスクが最小限のリソースで効率的に動作することを証明しており、SRAM は約 470 KB（468 KiB）、フラッシュメモリは約 3.6 MiB を使用し、全体としての分類から発声までのエンドツーエンドのサイクルを約 0.7〜1.0 セコンドという迅速な速度で達成しています。TensorFlow Lite Micro ライブラリを活用することで、システムは VAD（音声活動検出）、STT（音声認識）、カスタム単語認識、ニューラルテキスト読み上げ、ネットワーク対応エージェント向けの WiFi 設定といった主要機能をサポートしながら、計算要件をコンポーネントごとに分解しており、それぞれ VAD で約 0.8 MMAC/frame、STT で約 36 MMAC/s、TTS で最大 65 MMAC/s の性能を発揮します。すべてのコアコードとモデル（SpellingCNN および TinyVadCNN を含む）は、制限的な知的財産の障壁なく商用展開を可能にする寛容な MIT ライセンスの下で公開されています。現在の実施可能な機能を超えて、このプラットフォームは IoT プロジェクトへの参入障rier を大幅に低下させる標準化されたベンチマーク点として機能し、安価かつオープンソースの AI ソリューションの業界全体での採用を促進します。

2026/07/19 6:45

ハードコア・インディーウェブ：1 日わずか 0.01 ドルで、あなたのサイトを 100％ 独立して運用する方法

## Japanese Translation: この記事は、複雑なサードパーティ製のデータベースやフレームワークを拒否し、個人ウェブコンテンツの完全な所有権を取り戻すことを目的とした「ハードコア・インディエブ」運動を称賛する。高額でサブスクリプション型のプラットフォームに依存し、ユーザーを引き留めるのではなく、データをローカルに保存し、単純なプレーン HTML ファイルを公開することで、真の自律性を確立する。核心的なメッセージは、単なる 3 つの基本ツールのみで真の自立が可能であるという点にある：投稿を書くためのテキストエディタ、アップロードするためのファイル転送ユーティリティ、そして月額わずか 0.25 ドルから利用可能な按分課金の安価なウェブホスティングである。 この方法論は、著者がサイト構造を手動で管理し、不透明なシステムに支配を委ねることなく、1990 年代のウェブ公開の簡素さを意図的に模倣している。各投稿に対して個別の HTML ファイルを使用し、フィードも手動で扱うことで、ユーザーは各エントリの独自のスタイルをカスタマイズしながら、完全な自律性を維持することができる。最も大きな利点はポータビリティであり、ホスティングプロバイダーが消滅した場合でも、所有者はそのサイトをデータ損失や移行手数料なしに瞬時に他場所へ移動できる。本文は、このデジタル自律性への回帰を実施するに関する支援とさらにの議論のために、オミグ・ドット・ロール (omg.lol) のコミュニティに参加することを愛好家たちに呼びかけて締めくくる。

2026/07/18 22:00

GPT-5.6 はプロンプトを用いて、凸最適化分野における30年間の空白を解消した

## Japanese Translation: GPT 5.6 Sol Pro は、凸最適化における画期的な定理を正式に証明し、特定の精度レベルにおける次元依存性に対する必要な二次の下界を示すことで、30年にわたる空白を解決した。この画期的な成果は、以前の方法が示していた上界と理論的に達成可能なものとの間に存在した長年の乖離を閉じるものであり、OpenAI の CDC プロンプティング手法を適用し、新しい数学的手法を導入するのではなく、既存の凸幾何学の理論的手法を成功裏に活用している。1996 年以来、Protasov アルゴリズムは上界として O(d²) の評価数を確立したが、下界は線形の Ω(d) で留まっていた。GPT 5.6 は、d⁻³ の精度達成には確かに O(d²) の評価数が必要であることを示し（当初はより厳密な d⁻⁴ の要件のために構成された）、これによりこれらの境界を同じ位数に揃えた。この結果は、応用数学博士号を保有する UC Berkeley 教授による著者の手により Lean で正式に検証されたものであり、それ以前のもっともーデル（GPT-5.4 および GPT-5.5）を用いた一連の試みでは成功しなかったため、1 年にわたる努力の結果である。この成果は、現代の AI が既存の枠組みを使用して複雑な理論的問題を解決する能力を確認するものである。本結果はいまだピアレビューを経ておらず、著者によって GitHub/ArXiv にホストされているため、形式的な検証が直ちに次のステップとなる。したがって、この分野は、現在の漸進的な技術で達成可能な問題から離れ、新たなアプローチを必要とする深い構造的課題へと焦点をシフトする可能性がある。