AI for Scienceが研究開発を変える｜国内外8事例と新規事業の勝ち筋

AI for Scienceは、科学研究の一部にAIを使うだけの取り組みではありません。文献を探し、仮説を立て、候補を設計し、実験し、得られたデータから次の実験を決める。この研究の循環そのものを速く、広く、再現しやすくする考え方です。

注目を集めるきっかけになったのは、タンパク質の立体構造を予測するAlphaFoldです。現在は創薬に加え、新材料、触媒、電池、気象、核融合などへ対象が広がりました。AIが候補を出すだけでなく、ロボットが実験し、その結果をAIへ戻す自律実験も始まっています。

ただし、優れたAIモデルを導入すれば研究開発が変わるわけではありません。研究データの整備、実験機器との接続、予測の検証、知財の帰属までを一つの仕組みにする必要があります。

本記事では、国内外8事例を「研究工程のどこを変えたか」という視点で解説します。そのうえで、事業会社が狙える4つの参入方法と、収益化・データ・安全面の懸念を整理します。

結論は、AIの精度だけでなく、予測と実験を結び、独自データが増える循環を作れるかが勝負です。

AI for Scienceとは何か

AI for Scienceとは、機械学習や生成AIを使い、科学研究の発見速度と探索範囲を広げる取り組みです。日本語では「科学のためのAI」などと表現されます。

対象になるのは、研究者の文章作成だけではありません。科学データを学ぶ専用モデル、シミュレーションの高速化、実験条件の提案、ロボットによる実験、測定結果の解析まで含みます。

重要なのは、AIが研究者を置き換えるかどうかではありません。研究者が問いを決め、AIが探索を広げ、実験が真偽を確かめるという役割分担です。

生成AIとの違いは、科学の制約と実験にある

一般的な生成AIは、文章、画像、音声など、人が作った大量のデータからパターンを学びます。AI for Scienceも生成技術を使いますが、正しさの基準が異なります。

科学では、もっともらしい答えでは足りません。原子の配置、保存則、生体分子の相互作用など、既知の法則と矛盾しないことが必要です。最後は計算や実験で確かめます。

AIエージェントの新規事業で扱う仕組みは、複数のツールを選び、作業を順番に進めます。AI for Scienceでは、そこに科学専用モデル、計算資源、実験機器、安全ルールが加わります。

文章を生成するAIだけを研究者へ配っても、研究開発の中核は変わりません。科学データと実験へ接続して初めて、AI for Scienceと呼べる価値が生まれます。

AI for Scienceが変える研究開発の流れ

AI for Scienceの価値は、単発の予測ではなく、研究の循環にあります。仮説から実験までを一方向に進めるのではなく、結果を次の設計へすぐ戻します。

代表的な流れは、次の五段階です。

1. 目的を決める：必要な薬効、耐熱性、触媒性能などを定義する
2. 候補を作る：AIが分子、結晶、実験条件を生成する
3. 絞り込む：物理計算や既知データで実現性を評価する
4. 実験する：研究者または自動設備が合成・測定する
5. 学び直す：成功と失敗をモデルへ戻し、次の候補を選ぶ

この循環は「Dry-Wet-Dry」とも呼ばれます。Dryは計算機上の設計や予測、Wetは実験室での合成や測定です。計算だけでは作れるか分からず、実験だけでは探索できる範囲が狭い。両者を短い間隔で回すことに意味があります。

自律実験ラボは、フィジカルAIの事業機会とも重なります。ただし、科学実験では速く動くことより、条件、試薬、測定方法、失敗理由を正確に記録し、再現できることが重視されます。

AI for Scienceの市場はどう広がるか

AI for Scienceには、統一された市場定義がまだありません。創薬AI、材料インフォマティクス、科学計算基盤、実験自動化をどこまで含めるかで数字が変わります。そのため、一つの市場規模だけで事業性を判断するのは危険です。

専用調査が参照した民間調査では、科学研究全般のAI市場を2025年87億ドル、2034年473億ドルと予測しています。材料探索向けAIは2024年5.36億ドル、2034年55.84億ドルという推計です。いずれも高い成長を示しますが、対象範囲が異なるため合算はできません。

事業会社は、市場予測より次の四つを見た方が実態をつかめます。

• 顧客の研究開発費のうち、計算・実験・外注へ使われている金額
• 一つの候補を設計し、実験で確かめるまでの日数と費用
• AIが提案した候補のうち、実験へ進み、再現できた割合
• 同じ設備とデータを、複数の研究テーマで使い回せる割合

日本でも政策支援が具体化しています。JSTのARiSEは、重点領域と国際連携へ集中投資する事業です。文部科学省のSPReADは、年間約1,000課題の採択を掲げ、計算資源、データ利用、ロボット設備などを支援対象にしています。研究機関向けの基盤と、企業向けの実装支援が同時に広がる段階に入りました。

AI for Scienceの産業構造を四層で見る

業界は、AIモデルを開発する企業だけで成り立ちません。専用調査をもとに、計算基盤、科学モデル、業務プラットフォーム、実験・検証の四層に分けると分かりやすくなります。

下の層ほど資本力や大規模計算が必要です。上の層ほど、研究現場の知識と設備接続が重要です。新規参入企業が汎用モデルを正面から作ると、巨大IT企業との計算資源競争になります。

一方、特定材料の実験手順、古い分析機器との接続、品質保証文書の作成などには空白があります。顧客の現場に近い企業は、モデルを作らなくても価値を持てます。

量子コンピュータも将来の科学計算基盤として注目されます。ただし、足元の事業では、既存のGPUやHPCで解ける課題と、量子計算が必要な課題を分けることが必要です。

国内で進むAI for Scienceの3事例

国内では、材料科学と研究基盤を中心に実装が進んでいます。日本の強みは、高品質な実験データ、精密な計測機器、材料・化学分野の研究者にあります。

理化学研究所AGIS｜基盤モデルと実験自動化を共通基盤にする

理化学研究所の科学研究基盤モデル開発プログラム（AGIS）は、生命・医科学、材料科学、共通基盤、計算基盤を横断する取り組みです。科学データを学習する基盤モデルとAIエージェントを開発し、実験自動化やシミュレーションと組み合わせます。

特徴は、特定の研究室向けツールで終わらせず、理研の計算設備と実験設備をつなぐ点です。開発したモデルと利用技術を産学へ開放する方針も示しています。

企業にとっては、共同研究の相手だけではありません。計算資源、研究データ、実験設備へ接続する共通仕様が育つ可能性があります。装置連携、データ整備、セキュリティ、研究者向け画面など、周辺サービスの需要も生まれます。

Matlantis｜原子レベルの計算を高速化し、材料探索を日常業務へ入れる

Matlantisは、Preferred NetworksとENEOSが共同で育てた汎用原子シミュレーターです。中核モデルのPFPは、原子の動きとエネルギーを予測します。

公式説明では、密度汎関数理論と同等水準の精度を目指しながら、計算速度を大幅に高めるとしています。96元素に対応し、触媒、電池、半導体、潤滑剤など、分野をまたいで使えることが特徴です。

従来、原子レベルの高精度計算は時間がかかり、候補を大量に試せませんでした。Matlantisは、実験前に条件を絞り込み、研究者が有望な候補へ時間を使えるようにします。技術をSaaSとして提供し、計算環境の構築を顧客側へ求めない点も事業化の参考になります。

a.s.ist｜古い研究設備とAIをつなぐ実装層へ入る

a.s.istは、材料・化学分野で、合成、計測、データ解析、次の実験計画をつなぐ自立型材料開発システムを開発しています。自動スペクトル解析や、ベイズ推論を使った最適実験計画も提供します。

ここで重要なのは、AIモデルだけを売っていないことです。研究室ごとに異なる装置や手順へ合わせ、現場で動くシステムとして実装します。

多くの企業研究所には、ネットワーク接続を前提としていない分析機器や、表計算ファイルに残る実験記録があります。こうした環境を一足飛びに完全自動化するのは難しいため、装置一台、測定工程一つから閉じた循環を作るサービスに現実的な需要があります。

海外で進むAI for Scienceの5事例

海外では、巨大IT企業の科学モデル、創薬企業の垂直統合、自律実験ラボのサービス化が並行して進んでいます。各社が「どの研究工程を押さえているか」に注目します。

Google DeepMind｜AlphaFoldを研究の共通基盤にした

Google DeepMindのAlphaFoldは、アミノ酸配列からタンパク質の立体構造を予測します。AlphaFoldの公式ページでは、2億件を超える構造予測をデータベースで公開しています。

AlphaFold 3は、タンパク質だけでなく、DNA、RNA、低分子などの相互作用へ対象を広げました。研究者は、すべてを実験で解く前に、どの構造や相互作用を優先して確かめるか考えやすくなりました。

事業面で注目すべきは、予測モデルを閉じ込めなかった点です。広く使えるデータベースと研究利用を入口にし、Isomorphic Labsが創薬へ事業化しています。共通基盤と高付加価値用途を分ける設計です。

Microsoft Research｜MatterGenで欲しい物性から材料を設計する

Microsoft ResearchのMatterGenは、必要な性質を指定し、新しい無機結晶を生成するモデルです。既存の材料一覧から探すのではなく、「硬さ」「磁性」などの条件から候補を作ります。

中国科学院深圳先進技術研究院との検証では、MatterGenが設計した候補を実際に合成し、狙った体積弾性率に近い値を確認しています。モデルの評価を計算だけで終えず、実物を作った点に価値があります。

この事例から分かるのは、逆設計だけでは商品にならず、実験による検証まで必要だということです。合成できるか、測定値が出るか、量産条件で成立するかを確かめます。

Isomorphic Labs｜AI創薬を製薬会社との共同開発へつなぐ

Isomorphic Labsは、Google DeepMindの研究成果を使い、医薬品設計へ取り組む企業です。自社のDrug Design Engineを使い、難しい標的に対する低分子や生物製剤の候補を設計します。

同社の提携情報では、Novartis、Eli Lilly、Johnson & Johnsonとの共同研究を示しています。Novartisとの提携では、当初の三つの標的に最大三つの研究プログラムを追加しました。

収益は、一般的な月額ソフト利用料だけではありません。共同研究の契約金、候補の進展に応じた支払い、将来の成果配分を組み合わせられます。高い研究価値を取り込める一方、成果が出るまでの期間と不確実性は大きくなります。

Berkeley LabのA-Lab｜AIの提案をロボットが合成し、結果を学び直す

米ローレンス・バークレー国立研究所のA-Labは、無機材料を自動で合成する研究設備です。計算データと論文から合成方法を考え、ロボットが粉末の計量、混合、加熱、X線回折による測定を行います。

Nature掲載研究では、17日間の連続運転で58候補のうち41種類の新材料を合成しました。失敗した場合は、結果を見て次の条件を選びます。

A-Labが示したのは、予測数の多さではありません。「作れるか」という詰まりを自動化したことです。材料開発では、計算上よい候補が現実には合成できない問題が多く、実験の閉ループが競争力になります。

Emerald Cloud Lab｜実験設備をクラウドサービスにする

Emerald Cloud Labは、研究者が遠隔から実験を設計し、クラウド上のラボ設備で実行できるサービスです。試料調製、機器操作、測定、解析までをソフトウェアから指示できます。

利用者は自前で高価な機器を持たず、必要なときに実験できます。実験手順がコード化されるため、同じ条件を再実行しやすくなります。AIが提案した多数の候補を、標準化された設備で確かめる受け皿にもなります。

ただし、すべての実験を遠隔化できるわけではありません。特殊な試料、現場の感覚が必要な操作、搬送できない材料には制約があります。対象実験を絞り、標準化率を上げることが採算の鍵です。

8事例から見えるAI for Scienceの勝ち筋

八つの事例は扱う分野も規模も異なります。ただし、事業として強くなる条件には共通点があります。

第一は、モデルの精度だけでなく、実験で確かめた実績を持つことです。MatterGenとA-Labは、候補を生成しただけでなく、合成と測定まで行いました。顧客が買うのは予測そのものではなく、研究判断を前へ進める証拠です。

第二は、独自データが増える循環です。論文や公開データは競合も使えます。実験の成功だけでなく、合成できなかった条件、測定の異常、再現しなかった結果を蓄積できると、次の予測を改善できます。

第三は、研究者の既存業務へ入ることです。Matlantisは複雑な計算環境をSaaS化し、a.s.istは分析機器と実験計画をつなぎます。研究者に新しい画面を増やすより、電子実験ノート、実験機器、計算環境へ自然に接続する方が定着します。

第四は、無料・共通基盤と有料・専用用途を分けることです。AlphaFoldは広い研究利用を支え、Isomorphic Labsは創薬で高い価値を取り込みます。モデルを公開するか閉じるかという二択ではなく、普及させる層と収益化する層を分けます。

第五は、人の判断を残す場所が明確なことです。研究目的、安全性、実験の中止、候補の採否、特許出願は、人が責任を持ちます。すべてを自律化するより、判断の根拠と履歴を残す方が企業導入は進みます。

AI for Science事業を4つの判断に分ける

参入：独自データ、実験設備、産業顧客を持つ

既存資産が生きる研究工程を一つに絞り、検証済みデータが増える循環を作ります。

提携：AIはあるが、科学人材や実験環境がない

大学、研究機関、受託分析会社と組み、評価方法と知財の帰属を決めます。

待機：課題はあるが、性能の評価方法が決まらない

モデル開発を急がず、顧客が採用判断に使う指標とデータを先に定義します。

見送り：汎用モデルだけで差別化しようとしている

独自データ、実験接続、業務責任のいずれも持てない場合は、参入方法を再設計します。

AI for Scienceで狙える4つの新規事業

新規参入では、巨大な科学基盤モデルを一から作る必要はありません。自社が持つ装置、顧客、データ、研究人材が生きる場所から入ります。

1. 研究機器とAIをつなぐラボ統合基盤

古い分析機器、電子実験ノート、表計算ファイル、AIモデルをつなぎます。機器ごとのデータ形式をそろえ、実験条件と結果を自動で記録し、次の実験へ渡すミドルウェアです。

顧客は、製薬、化学、食品、電池、半導体の研究所です。収益は初期接続費、設備ごとの月額料、保守料で作れます。強みになるのは、AI技術より、機器仕様と研究手順を理解して動かす力です。

2. 失敗データを安全に学ぶ共同データ基盤

企業内に眠る「効かなかった化合物」「合成できなかった条件」「測定に失敗した波形」を、社外へ生データを出さずに共同学習へ使います。秘密計算、連合学習、データクリーンルームを組み合わせます。

顧客は、同じ研究課題を持つ複数企業や業界団体です。参加料、モデル利用料、データ整備支援が収益になります。最大の難所は技術ではなく、知財、競争法、データ品質、成果配分の合意です。

3. 特定材料に絞った逆設計・検証サービス

全材料を対象にせず、電池電解質、熱伝導材、触媒、半導体薬液など、一つの用途へ絞ります。必要物性から候補を生成し、計算評価、外部実験、量産条件の初期確認まで提供します。

月額ソフトだけでなく、候補探索の受託料、共同特許、採用時の成功報酬を組み合わせます。材料分野は、全固体電池やペロブスカイト太陽電池のように、材料性能が製品競争力へ直結する領域と相性があります。

4. 自律実験ラボ・アズ・ア・サービス

自動合成、測定、解析を備えた設備を保有し、顧客の依頼を遠隔で実行します。顧客は高価な設備を買わず、実験単位で利用できます。

収益は、設備利用料、実験回数課金、優先枠、共同開発契約で作ります。設備投資が大きいため、最初は扱う試料、容器、測定方法を限定します。夜間稼働や複数顧客で設備を共用し、稼働率を高める必要があります。

AI for Science事業の収益モデルをどう作るか

AI for Scienceは、ソフトウェアの月額課金だけでは採算が合わない場合があります。高価な計算、専門家の支援、実験設備が必要だからです。提供価値と負担するリスクに合わせ、収益源を組み合わせます。

初期は、導入費と利用料で固定収入を作る方が安全です。顧客の成果が測れるようになった段階で、成功報酬や知財持分を加えます。

価格の基準は「AIを何回使ったか」ではありません。候補選定までの期間、削減した実験数、設備の稼働率、再現できた候補数など、研究判断の改善へ置きます。

AI for Science導入で起きやすい6つの懸念

AI for Scienceは期待が大きい分、予測を過信すると研究費を浪費します。導入前に、技術、運用、収益の失敗条件を整理します。

1. 予測精度が高くても、実験で再現しない

学習データと異なる材料、温度、設備では精度が落ちます。論文上の評価値と、自社の試料での再現率を分けます。採用前に、未知条件を含む外部検証を行います。

2. 成功データだけを学び、同じ失敗を繰り返す

論文には成功が残りやすく、失敗条件は記録されにくい傾向があります。失敗を「役に立たないデータ」として捨てず、理由と条件をそろえて残します。

3. データ整備と機器接続の費用が膨らむ

実験記録の名称、単位、測定条件が研究室ごとに違うと、AIへ渡せません。モデル導入より前に、対象工程を絞り、最低限のデータ辞書と接続仕様を決めます。

4. 計算費と実験費を減らせない

AIが候補を大量に出すほど、確認実験が増えることがあります。候補数ではなく、有望候補一件を再現するまでの総費用で評価します。AIが使う計算資源も原価に含めます。

5. 研究者に使われず、PoCで止まる

研究者は、自分の判断根拠を説明できない提案を採用しにくいものです。AIの結論だけでなく、参照データ、信頼度、除外理由を示します。研究者を承認者として最後に置くのではなく、設計段階から参加してもらいます。

6. 安全性と責任主体が曖昧になる

危険な化合物、病原体、反応条件をAIが提案する可能性があります。禁止対象、実行権限、停止条件、人による承認を決めます。自律化の範囲が広いほど、誰が実験を止めるかを明確にします。

研究データと知財をどう守るか

研究データは、AI for Scienceの燃料であると同時に、企業の競争力そのものです。外部サービスへ入力した時点で、秘密情報、共同研究契約、輸出管理、個人情報に触れる可能性があります。

最低限、次の五点を契約と運用で決めます。

1. 入力データをサービス提供者が再学習に使えるか
2. 生成した候補と、改良モデルの権利を誰が持つか
3. 共同研究先のデータを混ぜる場合、誰が許可するか
4. 実験ログとモデルの版を、どの期間保存するか
5. 危険用途や輸出管理対象を、どこで止めるか

知財では、「AIが作ったから誰のものでもない」とは扱えません。既存特許との関係、発明への人の関与、共同開発契約、営業秘密として守る範囲を整理します。

また、クラウドへ出せない研究データもあります。その場合は、オンプレミス環境、専用クラウド、匿名化、連合学習を使い分けます。安全性を理由にすべて閉じると学習が進まず、共有しすぎると競争力を失います。データごとに公開、共同利用、社内限定を分ける設計が必要です。

AI for Scienceへの参入・提携・待機・見送り

参入判断は、「成長市場だから入る」では決まりません。自社が独自に持つ資産と、予測から実験までのどこを担えるかで四つに分けます。

IRIでは、参入可否を「技術が新しいか」だけで評価しません。顧客が現在払っている研究費、代替する工程、実験での検証可能性、独自データの増え方、知財の取り分を分けて考えます。

最初に確認したいのは、AIで出せる候補の数ではありません。顧客が次の意思決定をできる証拠を、誰が、いくらで、何日で作れるかです。

AI for Science事業化を相談したい方へ

AI for Scienceは、創薬、材料、研究設備、クラウド、データ事業で参入条件が異なります。モデル比較から始めると、顧客の研究工程と収益の設計が後回しになりがちです。

イノベーション総合研究所では、次の論点を一緒に整理します。

• 対象とする研究工程と顧客課題
• 国内外プレーヤーと、自社が入る産業レイヤー
• 独自データ、設備、顧客接点の棚卸し
• 予測を実験で確かめる体制と提携先
• 利用料、受託、成果報酬、知財を組み合わせた収益モデル
• データ管理、安全性、知財、責任分担

候補技術が決まっていない段階でも構いません。参入、提携、待機、見送りの条件を整理し、自社が優先して確かめる論点へ落とします。

AI for Scienceに関するよくある質問

AI for Scienceを検討するときに、経営企画、研究開発、新規事業の担当者から出やすい質問を整理します。

Q. AI for Scienceとは、簡単にいうと何ですか

A. AIを使い、文献探索、仮説づくり、候補設計、シミュレーション、実験計画、測定解析など、科学研究の工程を速く、広く、再現しやすくする取り組みです。

Q. 生成AIを研究者へ導入することとの違いは何ですか

A. 文章作成だけでなく、分子や材料などの科学データを扱い、物理・化学・生物の制約を反映し、最後に計算や実験で確かめる点が異なります。

Q. AI for Scienceで研究者は不要になりますか

A. 不要にはなりません。研究目的、安全性、結果の解釈、候補の採否は専門家の判断が必要です。AIは探索と反復を広げ、研究者は問いと判断に集中します。

Q. 中小企業でもAI for Scienceへ参入できますか

A. 可能です。汎用モデルの開発ではなく、特定材料のデータ整備、研究機器との接続、実験受託、規制・知財対応など、狭い工程へ絞ると参入しやすくなります。

Q. AI for Scienceの事業性は何で評価すべきですか

A. モデルの精度だけでなく、有望候補一件を実験で再現するまでの期間と総費用、研究者の採用率、独自データの増加、顧客が次の判断へ進めた割合で評価します。

AI for Scienceを研究支援から事業へつなぐ

AI for Scienceは、研究者がAIを使うという話から、研究開発の工程を組み替える話へ進んでいます。AlphaFoldは生物学の共通基盤を広げ、MatterGenは必要物性から材料を作り、A-Labは候補を実験で確かめました。国内でもMatlantis、理研AGIS、研究設備の統合企業が動いています。

一方、モデル単体で持続的な事業を作るのは簡単ではありません。計算費、実験費、データ整備、研究者の受容、安全性、知財が収益を左右します。

新規参入では、次の順番が有効です。

1. 顧客の研究工程を分解し、時間と費用が詰まる場所を特定する
2. 自社のデータ、設備、顧客接点が生きる一工程を選ぶ
3. AIの予測を実験で確かめ、意思決定へ使える証拠を作る
4. 成功と失敗のデータが増え、次の精度と採算が改善する循環を作る
5. 利用料、受託、成果報酬、知財の組み合わせを決める

AI for Scienceの勝者は、もっとも大きなAIを持つ企業とは限りません。科学の問い、計算、実験、事業判断をつなぎ、検証済みの独自データが増え続ける仕組みを持つ企業です。