ノーベル賞受賞から2年後、Google AlphaFoldチームの核心メンバーの約4分の1がGoogleを離脱し、ノーベル賞受賞者であるJohn JumperらがAnthropicに移籍した。AI業界は学術界の人材を大量に吸収しており、2022年にはAI博士の70.7%が企業へ進み、学術界に残ったのはわずか20%に過ぎない。企業のトップ研究者の年収は194万ドルに達し、学術界の5倍である。AI企業は研究の加速と科学史を変える成果を生み出せるが、長期的に企業に移った研究者の論文発表量は平均で65%減少し、成果は論文から特許や営業秘密へと移行している。さらに深刻なのは、企業が次世代の科学者を育成する動機を欠いていることであり、基礎研究は周縁化されつつある。科学は大学から急速に逃げている。記事作成者、出典：APPSO
ノーベル賞を受賞して2年後、Google AlphaFoldの元チームは分離された。
過去1年間、AlphaFold論文の大部分の元著者は再割り当てされ、フルタイムのコア著者の約4分の1がGoogleを完全に退職した。
残った人々も、Gemini科学研究エージェント、酵素設計、ゲノミクス、核融合などの分野に移り、中にはAlphabet傘下の薬物開発企業Isomorphic Labsに赴いた人もいる。
ノーベル賞受賞者であるジョン・ジャンパーとジョナス・アドラーも一時、Code Strike チームに異動され、AIコーディング能力の開発を担当しました。しかし、その後の展開はご存知の通り、この二人は結局Anthropicに移りました。
左はGoogle DeepMindのCEOであるデミス・ハサビス、右はジョン・ジュンパー。元の記事リンク：https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1
この報道について、GoogleのAI for Science担当研究副社長であるプッシュミート・コヒリは、DeepMindの科学チームは方向性を変えておらず、タンパク質、ゲノム、酵素設計の推進を継続し、Geminiを活用して科学研究を加速していると回答しました。
AlphaFoldは、かつて比較的伝統的な研究組織の形を象徴していた。明確な問題を設定し、チームを編成し、長期的にリソースを集中投入することで、最終的に成果を生み出す。
現在、類似のチームはより汎用的なモデルプラットフォームへと徐々に置き換えられています。タンパク質、数学、ゲノム、核融合、コードは異なる学問分野に属しているように見えますが、AI企業に導入されると、すべてGeminiの機能モジュールとなります。
同時に、研究人材、計算リソース、および議題の主導権も、少数のAI企業に集中しつつあります。
私はAnthropicに参加したい
過去数年間、越来越多の数学者、物理学者、生物学者、およびコンピュータ科学の教授がAI業界に参入しました。
たとえば、Anthropicは物理学者、経済学者、哲学者を常に採用している；OpenAIはブラックホール、弦理論、純粋数学の研究者を招き集めている；DeepMindも生物学および核融合の専門家を集めている。
先日、アリゾナ州立大学のサバラオ・カンハンパティ教授が、学術界で最近流行っているジョークを皮肉った。「私はAnthropicに入りたい。」
『アトランティック』の概算によると、上位4社のAI企業だけで、現職または元教授が少なくとも80人以上集まっている。
人材の移動の方向もますます単一化している。
スタンフォード大学の『AIインデックスレポート』によると、2011年にはAI博士課程修了者が企業と学術界に進んだ割合はそれぞれ40.9%と41.6%でほぼ同等だったが、2022年には企業への進出割合が70.7%に上昇し、学術界への進出割合は20%に低下した。
2026年のNBERワークペーパーは、約4万2,000人の米国AI研究者を追跡した。40歳未満の研究者が大学を離れる確率は、40歳以上の群の約6倍であり、転職した者の約70％が5年後もその企業に残っている。
お金はもちろんで重要です。企業のトップ1%のAI研究者の年収は59.5万ドルから194万ドルに上昇したのに対し、大学の同レベルの研究者は30.1万ドルから39.2万ドルにしか上昇していません。両者の差は約150万ドルに拡大しました。
科研条件はさらに断りにくい。
2010年代初、大規模な機械学習モデルの約65％が学術ラボによって独立して開発された。2020年代に入ると、この割合は10％未満に低下した。2022年までに、最先端モデルの約81％が企業によって独立して実現された。
UCバークレー大学の教授Anca DraganはDeepMindに参加した際、前線の安全研究に必要な「データ、計算リソース、予算」を明確に要請した。
対照的に、大学での研究ではまず資金を申請し、機器を購入し、エンジニアを採用してから、計算リソースのスケジュールを待つ必要があります。一方、AI企業に移ると、同じ研究者は大型モデル、独自データ、分散型計算リソース、そして数百人のエンジニアリングチームを直接利用できます。
ただ、一流の教授が大学を去ることは、数篇の論文の損失以上に大きな損失である。大学は指導者、研究グループ、博士課程学生の育成の連鎖、そして今後十数年で形成される可能性があった研究分野を同時に失う。
かつて、テクノロジー企業は大学から研究結果を購入していた。現在、それらの企業は研究結果を生み出した人そのものを直接購入し始めている。企業が得るのは一人の人物であり、大学が失うのはおそらく一代の人才である。
すべての人的移動を学術界の衰退に帰するのは、企業研究が生み出している価値を過小評価することになる。
AlphaFoldは、企業が科学の歴史を変える成果を生み出せることを証明しました。2億以上のタンパク質構造の予測により、多数の生物学者が過去数ヶ月から数年分の作業を省略できました。
ベル研究所は、企業の研究機関が科学を変えることができることをすでに証明した。最盛期には約1200人の博士を抱え、少なくとも10のノーベル賞を生み出した。デミス・ハサビスは、DeepMindの参照モデルとして常にこれを挙げている。
AI企業は、複数の学問分野をカバーし、強力なエンジニアリング能力と商業的出口を持つ新しいタイプの研究機関のように越来越なっている。
DeepMindはGeminiを数学、ゲノム、核融合に統合；Isomorphic Labsは製薬企業と提携して新薬を開発；AnthropicはClaude Scienceをリリース；OpenAIはChatGPTとCodexを研究プロセスに組み込みます。
関連する成果がすでに現れている。物理学者のRogerio JorgeはAIを用いてオープンソースの核融合ソフトウェアを開発し、理論計算機科学者のBarna SahaらはGPT-5.5 Proを用いて高次幾何学の証明を支援している。
OpenAIは、毎週約130万人がChatGPTを用いて高度な科学および数学のタスクを処理していると述べ、10万名の大学院研究者に最先端モデルとCodexを無償で提供する計画です。
個人の影響力の観点から見ると、科学者が企業に移ると、その影響はさらに拡大する可能性がある。前述の通り、大学では十数名の学生を率いるのが限界だが、AI企業では数百人のエンジニア、膨大な計算リソース、グローバルなデータプラットフォームを動員できる。論文にとどまっていた手法が、医薬品、ソフトウェア、実験装置、産業システムへと容易に導入されるようになる。
しかし、その代償は明らかです。
NBERの研究によると、AI研究者が企業に長期的に移ると、論文の生産量は平均で65%減少する。2000年から2019年の間に、企業が雇用するAI研究者の割合は48%から68%に上昇したが、論文の割合は27%から32%にしか増加せず、特許の割合は86%から95%に上昇した。
研究はまだ進行中だが、その成果は論文から特許、内部モデル、そして商業機密へと移っている。Googleは当時、Transformerを公開し、業界全体を育てた。しかし今日では、トレーニングデータ、モデルの重み、そして失敗の記録が、企業のサーバーから離れにくくなっている。
科学は依然として加速しているが、オープンサイエンスはブレーキをかける可能性がある。
科学者は科学から離れていない。科学が大学から離れつつあるのだ。
AI企業は研究所にはなれるが、大学にはなりにくい。
大学は、しばしば見過ごされがちな任務を担っている。それは、まだ実績を証明していない多くの学生を育成し、現在は応用がなく、価値を評価できない、あるいは数十年後にようやくその価値が現れる可能性のある問題を長期にわたり保存することである。
しかし、AI企業は実績を証明した教授やベテラン研究者を好む一方、新人の育成にはそれほど忍耐がありません。SignalFireのデータによると、2024年には新卒者が大手テクノロジー企業の採用人数に占める割合は7％に過ぎず、2019年と比較して半分以上減少しています。
🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025
企業は大学から優れた教授や経験豊富な研究者を吸収する一方で、初級職やトレーニングへの投資を削減している。これにより、優秀な科学者を一団として集めることは可能だが、次世代の科学者を大規模に育成する責任を負うとは限らない。
その影響は大学の教室にも現れている。『アトランティック』が取材した学生によると、一部の講義が突然中止され、その理由は教授がAI企業に「休暇」に出たためだった。
一方で、有名教授が去った後、大学院生は単に1つの授業だけでなく、推奨リソース、研究ネットワーク、課題の組織力、そして最先端の問題に触れる機会も失った。
より静かに浸透する変化が研究課題に起こっている。
薬物設計、プログラミング、数学的推論、材料発見はモデルを強化し、製品にもなりやすく、自然とリソースの支援を受けやすい。一方、長期的なフィールド研究や生態保護などのテーマは、しばしば立場が曖昧になりがちである。
しかし、歴史はしばしば短期的なリターンに冗談を言う。
数論は長年にわたり、最も純粋で実用性の低い数学と見なされてきたが、後に現代暗号学の基盤となった。レーザーが登場した当初も、「問題を探している解決策」と呼ばれた。インターネットの初期段階も、商業モデルで評価することが難しかった。
公共研究システムの意義は、暫くは価値を説明できない課題を人類が研究できるようにすることにある。
一方、今日のAI企業は、モデル性能、製品リリース、資本投入における激しい競争に直面しています。基礎科学への投資を望んでも、リソースはよりモデルの強化、製品の支え、または特許の形成につながる方向に優先的に流れます。
将来、不自然な繁栄が現れる可能性が高い。
人類は新薬の発見、定理の証明、材料の発見をより速く行えるようになり、最も優れた科学者たちも歴史上最高のツールを手にしている。一方で、何を研究するかを誰が決めるのか、次世代の科学者を誰が育てるのか、誰が誰も報酬を支払わない研究を継続するのかという問題が生じている。
科学者は科学から離れていない。ただ、科学は大学から加速して離れつつある。
時々、大学とAI企業を川の両端に例えます。大学は上流に似ています。水流はゆっくりで、泥が多く、多くの支流は無駄に見えます。そこでは誰かが測定し、記録し、議論し、また誰かが一生をかけて、結局都市に流れ着かない小川を研究します。
AI企業は、下流の水力発電所に似ている。それらは水流を集めて機械を駆動し、巨大なエネルギーを生み出し、科学を薬品、ソフトウェア、産業へ迅速に届ける。
水力発電所はもちろんどこも重要です。それがなければ、川の水はただ流れ去るだけです。
しかし、もしすべての人が下流の発電に殺到し、上流の水源が次第に枯渇すれば、数年後には皆、もう流れなくなった川を待つだけのサーバールームに座ることになるだろう。
数学者がモデルの改善に没頭し、生物学者がエージェントの訓練に追われ、物理学者が計算能力の限界を拡大する中で、人間はより強力なAIを得られるかもしれない。しかし、その背後に残された問題には、製品ロードマップも投資収益も、そして現時点では用途の説明もない。
それらは静かです。とても静かで、重要ではないと誤解されがちです。