何が起きたか
カリフォルニア州パロアルトのArc Instituteとスタンフォード大学の研究者が、ゲノム言語モデル「Evo 1」「Evo 2」を使い、細菌に感染する新しいウイルスを設計しました。成果はScience誌に掲載され、The New York Timesが報じています。
Evoの仕組みはChatGPTやClaudeのような大規模言語モデルに近いものですが、学習素材が書籍やウェブページではなく遺伝子配列である点が異なります。数兆塩基（ヌクレオチド）規模のデータから、遺伝暗号の「文法」にあたる構造を学習しています。今回の実験では、大腸菌（E. coli）だけに感染する微小ウイルスPhi X-174と同じファミリーに属する約1万5000種のウイルスで追加学習を行いました。
生成された候補は約70万種。そこから有望な285個を選び、DNAを実際に合成して細菌に導入したところ、16個が機能するウイルスとして成立しました。少なくともPhi X-174と同等、一部はそれより速く増殖したといいます。
なぜ重要か
これまで生成AIの出力は、テキストや画像のように「間違っていても物理世界では何も起きない」ものが中心でした。今回の結果は、モデルの出力が試験管の中で自己複製する実体になったという意味で、質が変わります。
もう一つ注目すべきは歩留まりです。70万→285→16という数字は、AIが正解を一発で出したのではなく、大量生成と実験による選抜がセットで初めて成立したことを示します。生成AIを研究開発に組み込む際、モデル単体ではなく「生成能力×検証を回す実験基盤」が競争力になる、という一般則の生々しい実例です。
何に使えるのか
応用先として挙げられているのは、遺伝子治療の改良、ゲノムそのものの理解、そして有害な細菌に対抗するツールの開発です。特定の細菌だけを狙うウイルスを設計できるなら、薬剤耐性菌への対抗手段としての可能性があります。
デュアルユースという避けられない論点
研究チームは、ヒト・動物・植物・真菌に感染しうるものを意図的に対象外とし、相応の予防措置をとったとされています。ただし記事は、この技術の両義性を原子力などと並べて指摘しています。すでに一般的なチャットボットでも生物兵器の計画に対して懸念されるレベルの助言が引き出せることが示されており、ゲノムそのものを設計できるモデルはその脅威を一段押し上げます。より高度な版が、感染力や致死性の高いウイルスの設計を助ける可能性も否定できません。
記事は現行の規制環境が不十分であるとし、ガードレールが技術の速度に追いつくのかという問いを投げかけています。安全性の担保が、学習データの範囲設定という「設計時の判断」に依存している点は、AI活用全般に通じる論点です。
💼 事業会社視点：これは自社にどう効くか
直接の当事者はバイオ・製薬領域ですが、経営視点で効くのは別の点です。
第一に、AIガバナンス規程の前提が古くなります。多くの日本企業の生成AI利用ルールは「テキストの誤情報・情報漏えい」を想定して書かれていますが、Evoが示したのはモデル出力が物理的実体になる領域の存在です。製薬・化学・食品・素材メーカーでAI活用を進める事業責任者は、自社の審査プロセスが「出力を実際に合成・製造する工程」まで届いているかを点検すべきです。
第二に、ドメイン特化モデルの設計要件が変わります。今回チームは学習対象をヒトに感染しないファミリーに限定することで安全性を確保しました。これは技術ではなくデータ設計による制御です。受託開発やAI導入支援を行う企業は、顧客向けモデル構築の提案書に「学習データの範囲制限とその根拠」を明記する項目を持つべきで、これは規制強化局面での差別化要因になります。
第三に、70万生成→285検証→16成功という構造は、SaaSやEC事業のAI活用にもそのまま当てはまります。生成コストが下がった今、勝敗を分けるのは大量の候補を安く速く検証する仕組みです。自社に「試す装置」があるかを問い直す局面です。