セクション1：AIへの不必要な恐怖に警鐘を鳴らすリーダーの責任

Databricks CEOが語るAIの真実：不必要な恐怖を止め、現実的な価値とリスクに向き合う

AI（人工知能）は、現代社会において最も注目される技術の一つであり、その進化は期待と同時に多くの懸念を生み出しています。超知能の到来による人類滅亡のシナリオから、AIによる雇用喪失、あるいはサイバー攻撃のリスクまで、議論は多岐にわたります。しかし、DatabricksのCEOであるアリ・ゴドシ氏は、こうした広範な議論において、不必要に人々を不安にさせることへの警鐘を鳴らし、より現実的な課題と機会に焦点を当てるべきだと主張しています。

本稿では、ゴドシ氏の深い洞察を掘り下げ、AIの安全性、規制、ビジネスへの影響、そして将来性について多角的に分析します。彼の言葉を通して、AIが真に私たちにもたらす価値と、向き合うべき現実的なリスクについて、専門的かつ分かりやすい視点から考察していきます。不確実性の時代において、AIの未来を理解するための重要な指針となるでしょう。

AIに関する議論は、しばしば「人類の存亡の危機」といった極端なシナリオに焦点を当てがちです。しかし、Databricks CEOのアリ・ゴドシ氏は、このような言説が社会に与える負の影響に警鐘を鳴らしています。彼の指摘は、リーダーとしての責任、現実的なリスクの評価、そしてパニックが招く政治的な動きの分析に及びます。

恐怖の現状と影響

ゴドシ氏はまず、公の場で「人類が滅亡するリスクが10％ある」といった発言を繰り返すことが、いかに無責任であるかを強調します。このような終末論的なメッセージは、多くの人々を動揺させ、精神的な問題を引き起こす可能性があり、特にAIのニュアンスや意味合いを十分に理解していない一般大衆にとっては、計り知れないストレス源となり得ます。彼の妹がAIの終末に備えてシェルターを準備すべきか尋ねてきたという個人的な逸話は、この懸念が現実社会に深く浸透していることを示しています。

このような恐怖の波及は、単なる大衆のヒステリーに留まりません。政治的な動きを誘発する可能性も孕んでいます。ゴドシ氏は、エリザベス・ウォーレン上院議員のような政治家がAI開発の一時停止について言及している例を挙げ、AI規制の議論がすでに連邦政府の介入を招き始めていると指摘します。これは、メッセージの本来の目的とは逆の効果を生む可能性があり、冷静な議論を阻害する要因となり得ます。

政治的な動きは、悲観論者だけでなく、ビジネス側にも存在します。IPOの成功や投資リターンを求める企業は、規制や一時停止の議論が彼らの利益を損なうことを恐れ、水面下で政治的な働きかけを行っています。一方で、AIを「武器化」しようとする勢力も存在し、ソーシャルメディア上で特定の議論を煽ることで、自らの目的を達成しようとします。このように、AIを取り巻く議論は、単なる技術的な問題を超え、複雑な政治的・経済的利害が絡み合った多次元的なチェス盤と化しているのです。

現実的なリスクと過度な誇張の区別

ゴドシ氏は、現在のAIが「存亡の危機」をもたらすリスクは「ほぼゼロ」であると断言します。彼は、AI研究の技術的なニュアンスは研究者が議論すべきものであり、一般の人々をパニックに陥れるべきではないと主張します。AIには確かにリスクが存在しますが、その多くはサイバーセキュリティに関連するものであり、超知能による人類滅亡のようなSF的なシナリオとは一線を画します。

この文脈で、彼はAIが持つ二つの異なる問題意識を明確に区別します。一つは、ボストロムの2014年の著書「スーパーインテリジェンス」に由来する超知能の問題であり、これは極めて存在論的な問題です。ゴドシ氏によれば、人々は超知能が何を意味するのか、その定義を明確に持っていないことが多く、純粋な学習能力や処理速度の向上と、存在論的な脅威を混同している傾向があります。彼が想定する超知能とは、博士論文を数秒で書き上げたり、千年分の価値を生み出すような「桁違い」の知性であり、現状のAIとは全く異なる次元のものです。

もう一つは、現在のAIエージェントが持つ能力に起因する、より現実的な問題、すなわちサイバーセキュリティのリスクです。現在のAIは、人類がこれまで決してできなかったことを可能にする「変曲点」に達しています。例えば、1万人のエージェントをサンドボックスに投入し、1ヶ月で1億ドル相当の作業を行わせることが、技術的には可能になりました。これはサイバー攻撃のリスクを増大させますが、超知能による存亡の危機とは異なります。ゴドシ氏は、このサイバーリスクは「エンジニアリングの問題」として解決可能であると考えています。

リーダーシップの真の役割は、根拠のない恐怖を煽るのではなく、現実的なリスクを明確にし、それに対する具体的な対策を講じることにある、というのがゴドシ氏のメッセージです。サイバーセキュリティの脅威は現実であり、それに対処するための技術と努力が求められますが、不必要なパニックは、建設的な解決策を見出す道を塞ぐだけだと彼は訴えるのです。

セクション2：AI開発の「ペース」を巡るPRと現実の乖離

AIの安全性に関する議論の中で、「一時停止」や「ペース配分」という言葉が飛び交っていますが、アリ・ゴドシ氏はこれらの言葉が持つPR上の問題点と、現実の産業界における課題を鋭く指摘します。彼の見解は、表層的な言葉の選択が、いかに本質的な議論を曖昧にし、不信感を生むかを示しています。

「一時停止」と「ペース配分」の誤解

ゴドシ氏は、業界が自主規制を試みることは珍しいことではないとしつつも、AI開発の「ペース配分」という概念には多くの問題があると指摘します。まず、安全性とセキュリティは「ペース配分」と直交する概念であると彼は主張します。「ゆっくりと武器を作ることもできます」という言葉が示すように、開発速度を落とすことが、必ずしも安全性の向上に直結するわけではありません。

さらに、彼が指摘するのは、企業が実際には開発速度を緩めていないという現実との乖離です。多くのAI企業が「全力疾走」を続け、より高速なAIを開発するためにコンピューティング能力を大量に購入している中で、「一時停止」や「ペース配分」といった言葉は、一般の人々や批判的な目を持つ人々にとって「ミルクパンのような降伏」に映る可能性があります。これは、企業が本気で安全性を追求しているという印象を与えず、むしろ不信感を募らせる結果となります。

この問題の根底には、「コモンズの悲劇」があります。個々の企業は、他社が開発を継続している中で自社だけが速度を落とせば、競争優位性を失うことを恐れます。IPOや市場での勝利を目指すビジネスリーダーにとって、一方的な停止は合理的な選択ではありません。「なぜ先に止めないのか？」という問いは、この競争原理を端的に表しています。OpenAIがHugging FaceのオープンAI事件でトークン監視を怠っていた事例を挙げ、ゴドシ氏は、この問題の本質はペース配分ではなく、セキュリティ対策の不徹底にあったと強調します。十分なリソースと能力を持つ企業が、なぜ基本的なセキュリティ監視を怠ったのか。これは、速度を落とすことよりも、開発プロセスにおける制御と責任をいかに徹底するかの問題なのです。

真に求められる対応

ゴドシ氏は、このようなPR上の失敗を避けるために、業界がどのようなメッセージを発すべきだったかについても言及します。彼は、Metaのマーク・ザッカーバーグの対応を例に挙げ、その明確な姿勢を評価します。ザッカーバーグは「セキュリティ、安全性、自己規制に非常に重点を置いていた」とゴドシ氏は指摘し、Metaがセキュリティ上の理由から製品のリリースを遅らせたことを具体的に伝えた点を評価しました。

対照的に、Anthropicのダリオ・ダリオ氏が「フロンティアのペースを合わせる必要がある」と述べたことは、ゴドシ氏にとって「フロンティアを確保する必要がある」と言うのとは全く異なる考え方を示唆していました。この「ペース」という言葉は、悲観論者と政策担当者のどちらも満足させることができず、いわば「不気味の谷」のような効果を生み出したと分析します。悲観論者からすれば一時停止ではないため不十分であり、一方で業界内部のセキュリティ担当者からすれば、現実的な対策を講じることとは関係がないと感じられるからです。

ゴドシ氏が主張するのは、言葉の曖昧さを排し、「安全性とセキュリティは最優先事項です。私たちはこれらの制御を導入します」という明確なメッセージを発することの重要性です。これは、単に開発速度をどうするかという問題ではなく、開発プロセス全体において、いかに堅牢なセキュリティ対策とガバナンスを組み込むかという、より本質的な問いかけです。

研究室内部で実際にパニックに陥っている安全担当者が多数いるという指摘は、この問題の深刻さを物語っています。彼らは、AIが実際に引き起こしうるサイバーリスクやハッキングのリスクを現実的な脅威として捉えていますが、「ペース」という言葉ではその懸念が解消されないのです。真に必要なのは、不確実な未来の存亡の危機に怯えることではなく、現在進行形で存在するサイバーリスクに対して、エンジニアリングによる解決策を迅速に講じることです。そして、その取り組みを透明性をもって社会に伝え、不必要な不安を取り除く責任がリーダーシップにはある、とゴドシ氏は訴えます。

セクション3：再帰的自己改善（RSI）と超知能への道

AIの未来を議論する上で、「再帰的自己改善（RSI）」という概念は、超知能への到達可能性と密接に結びついています。AIが自ら学習し、自らを改善していくことで、最終的に人間の知性を超える存在が生まれるのではないかという懸念です。しかし、アリ・ゴドシ氏は、このRSIという言葉がしばしば誤解され、現在のフロンティアモデルの現実とは異なる形で語られていると指摘し、より具体的な分析を提示します。

超知能の定義と現在のRSIの状況

ゴドシ氏は、まず「超知能」という概念そのものについて掘り下げます。彼は、ニック・ボストロムの2014年の著書「スーパーインテリジェンス」を引用しつつも、多くの人が超知能の明確な定義を持っていないと感じています。彼が念頭に置く超知能とは、例えば、査読付きの博士論文を数秒で書き上げたり、何千年もの価値を瞬時に生み出すような「桁違い」の知性であり、現在のAIとは根本的に異なるものです。これは単なる工学的な問題ではなく、存在論的な問題であり、もしそのようなものが実現すれば、人類にとっての究極の課題となるでしょう。

しかし、ゴドシ氏は、現状のAIが超知能へと向かっているという証拠は「見当たらない」と断言します。彼は、RSIが超知能に繋がるかどうかを判断するための、4つの明確な基準を提示しています。もしこれらの条件が同時に満たされるならば、懸念すべき状況であると彼は指摘します。

トレーニングに必要なリソース（GPUなど）の減少: 次のモデルのトレーニングに必要な計算資源が超線形的に減少する。
トレーニング時間の短縮: モデルのトレーニングにかかる時間が短縮される。
モデルの精度（知能）の向上: モデルの知能が向上する。
上記3つの繰り返し可能性: 上記3つの条件が繰り返し発生し、自己改善のサイクルが持続する。

現状、これらの4つの条件が同時に起こっているという証拠はないとゴドシ氏は述べます。

現在のフロンティアモデルの現実

実際には、現在のフロンティアモデルの開発は、ゴドシ氏が提示したRSIの4条件とは逆の傾向にあると彼は主張します。

リソースと人員の増加: 次のモデルを開発するためには、より多くのリソース（GPU、データセンター）と、より多くの人員が必要とされています。研究室は、大規模なデータセンターを構築し、膨大な数のGPUを調達し、それらを適切にネットワーク化し、堅牢なシステムとしてエンジニアリングする必要があります。
脆弱性と複雑性の増大: GPUの数が桁違いに増えるごとに、以前は心配する必要のなかったエラーが発生しやすくなり、システムの堅牢性を高めるための努力が不可欠になります。これは非常に脆弱なプロセスであり、失敗すれば多額の投資が無駄になります。
時間と労力の増大: これらのモデルのトレーニングは、より多くの時間を要し、実行もより困難になっています。複数の実行が厳重に監視され、慎重に進められています。

つまり、現在の最先端モデルは「より速く、より安く、よりスマートで、再帰的改善が可能」という理想的なRSIのサイクルとは異なり、むしろ「時間がかかり、もろく、多くの人員を必要とし、実行がより困難」という状況にあるのです。この計算リソースの制約は、超知能への暴走を自然と調整する「ペース調整」のメカニズムとして機能しているとも言えます。計算に必要なハードウェアが不足すれば、モデルの進化速度も自ずと制限されるからです。

ゴドシ氏は、この計算に関する点がRSIの議論でしばしば見落とされていると指摘します。良質なモデルをトレーニングするために必要な計算の最小しきい値は上がり続けており、例えば、数年前の1億、10億ドルといった数字は、今では50億から100億ドル規模にまで膨れ上がっています。フロンティアモデルを再現するコストは時間とともに下がりますが、最先端モデルそのものを生み出すコストは依然として膨大であり、それはRSIによる無限の自己改善とは異なる状況を示唆しています。

RSIの真の意味とサイバーリスク

AIがソフトウェアを自動生成する能力は、RSIの一形態として捉えられることがあります。Databricks自身のソフトウェアの90%以上がAIによって生成されているという事実は、この自己触媒的なプロセスがすでに現実のものであることを示しています。しかし、ゴドシ氏は、これは「モデルが自ら学習し、自ら改善する」という意味での真のRSIとは区別されるべきだと主張します。

彼が言う「自己触媒効果」とは、コンピューターチップを使ってコンピューターチップを作るように、AIを使ってAI関連の作業をスピードアップする資本主義的なプロセスを指します。データクリーニング、GPUカーネルの構築、コード生成など、AIがAI開発の一部を加速する現象は、テクノロジー業界で長らく存在してきた自己参照的な改善サイクルの一環です。これは、特定のタスクにおいて効率性を高めるものであり、超知能のような汎用的な自己進化とは異なります。

しかし、RSIがもたらす現実的なリスクは、サイバーセキュリティの領域に存在します。AIエージェントが自律的に脆弱性を発見し、エクスプロイトを開発し、システムの抜け穴を突く能力を持つようになれば、現在の膨大な相互接続されたインフラは、かつてない規模のサイバー攻撃に晒される可能性があります。これは「存亡の危機」とは異なるものの、経済的損害や社会インフラの機能停止といった深刻な結果を招きかねない、極めて現実的な脅威です。ゴドシ氏は、RSIに関する議論において、このサイバーリスクを非常に真剣に受け止める必要があると強調します。

結局のところ、超知能の可能性に関する「パニック」は、多くの点で誇張されており、具体的な証拠に裏打ちされていません。それよりも、AIが既存のシステムにもたらす現実的なサイバーセキュリティリスクに対し、エンジニアリングによる対策を迅速に講じることが、喫緊の課題であるというのがゴドシ氏の核心的なメッセージです。彼は、透明性をもってデータを共有し、多様な専門家がAIの進捗を客観的に評価するメカニズムの必要性を訴え、不必要な恐怖ではなく、現実的な問題解決に焦点を当てるべきだと主張するのです。

セクション4：AIが加速するサイバーセキュリティのパラドックス

AIの急速な進化は、サイバーセキュリティの風景を根本から変えつつあります。アリ・ゴドシ氏は、AIがもたらす「存亡の危機」という議論は誇張されているとしながらも、サイバーセキュリティにおけるAIのリスクと、それに対する人間の限界を明確に指摘します。ここでは、AIがサイバー攻撃の速度と規模を増大させる一方で、防御側もAIによる自動化に頼らざるを得ないという、現代のパラドックスを深掘りします。

脅威の進化と人間の限界

現代のサイバー脅威は、かつてない速度で進化しています。ゴドシ氏は、CVE（共通脆弱性識別子）が公開されてから、実際に業界で悪用されるまでの時間が劇的に短縮されている事実を挙げます。2018年から2019年頃は2～3年かかっていた悪用が、2022年には8～9ヶ月に短縮され、現在では「ほぼ数時間」で悪用されるレベルにまで達しています。このタイムスケールの変化は、人間の手による従来のセキュリティオペレーションセンター（SOC）では、もはや対応しきれないことを意味します。

SOCのチームや担当者は、日々何百通もの検出メールに目を通し、侵入の状況や攻撃方法を監視していますが、その多くが誤検知であるにもかかわらず、本物の脅威を見逃すわけにはいきません。しかし、限られた人員でこの膨大な情報量を処理し、迅速に適切な対応を取ることは、非現実的な負担となっています。人間は発生している攻撃に「十分迅速に対応できない」のです。この現状は、サイバーセキュリティ分野全体が、検出にエージェントを使用する「完全自動化」へと移行せざるを得ない状況にあることを示唆しています。

Databricksの取り組み

このような背景のもと、Databricksのような企業は、データとAIを融合させたサイバーセキュリティソリューションの開発に注力しています。ゴドシ氏は、同社の製品である「LakeWatch」が検出市場において重要な役割を果たしていることを言及します。LakeWatchは、大量のデータをリアルタイムで分析し、AI/機械学習を活用して異常を検出し、サイバー脅威から組織を保護することを目的としています。

AIエージェントの普及に伴い、企業内で生成されるログやトレースといったデータ量は桁違いに増加しています。これらのデータは、AIエージェントがどのように動作し、他のエージェントとどのように連携しているかを示す「指紋」のようなものです。サイバーセキュリティの観点からは、これらの膨大なデータを分析し、悪意のある行動や異常を検出することが不可欠となります。データとAIの市場が融合しつつあるのは、まさにこのニーズに応えるためです。

しかし、ゴドシ氏は、ほとんどの組織がAIによる自動化されたセキュリティ対策の導入には程遠い状況にあると指摘します。銀行や一部のセキュリティ意識の高い組織は自動化を進めていますが、多くの企業はまだ旧態依然としたSOC体制で運用されており、AIによる高度な脅威ハンティングや自動防御の仕組みは未成熟です。このような状況が続けば、サイトのダウンやシステムの一時停止といった経済的損害だけでなく、人々の負傷など、さまざまな負の影響が生じる可能性があります。

歴史との比較

AIがもたらすサイバーリスクの議論において、ゴドシ氏はインターネット黎明期の歴史を振り返ります。インターネットが普及し始めた頃、ワームやウイルスが猛威を振るい、病院を機能停止させ、重要なインフラを破壊し、数百億ドルの経済的損害を与えたことを彼はよく覚えています。当時は、現在のAIのような高度な自律エージェントは存在しませんでしたが、それでも社会に大きな混乱をもたらしました。

現在の状況と当時を比較すると、地球上のインフラは比較にならないほど相互接続され、技術依存度が高まっています。これは、AIエージェントが抜け穴やエクスプロイトを発見し、システムに侵入する能力を獲得した場合、その影響が30年前とは比較にならない規模になることを意味します。AIエージェントがウイルスのように資源を奪い、他の場所で実行を開始し、自己増殖していくシナリオは、現実的なリスクとして認識されるべきです。

しかし、現在のところ、インターネット初期のワームと同等の壊滅的な被害は、まだAIによって引き起こされていません。ゴドシ氏はこの乖離について言及し、その理由として、AIがまだコンテキスト（文脈）を持たないため、企業全体を自動化するようなエージェントの仕事が実現していない点を挙げます。

最終的にゴドシ氏が訴えるのは、AIがもたらすサイバーリスクは、超知能による存亡の危機とは異なるものの、極めて現実的で深刻な問題であるということです。この問題に対処するためには、人間が追いつけない速度で進化する攻撃に対し、AI自身が防御の最前線に立つ「完全自動化」のセキュリティシステムが不可欠です。Databricksのような企業は、その実現に向けて邁進しており、多くの組織がこの変革に適応できるかどうかが、今後のサイバーセキュリティの行方を左右するでしょう。

セクション5：ビジネスにおけるAIの現実的な価値と未来

AIを巡る議論は、しばしば誇張された恐怖や未成熟な規制論に偏りがちですが、アリ・ゴドシ氏は、ビジネスにおけるAIの現実的な価値と、それが企業にもたらす変革に焦点を当てるべきだと強く主張します。彼の視点は、AIが単なる技術トレンドではなく、組織の生産性、意思決定、そしてコスト効率を根本から再定義する強力なツールであることを明確に示しています。

AI活用の二つの陣営

AIに関する議論は、大きく二つの陣営に分かれています。一つは、AIがもたらす問題は「エンジニアリングの問題」であり、Databricksのような企業が製品やエンジニアリングソリューションを通じて解決できると信じる陣営です。この立場は、技術革新と積極的な導入を通じて課題を克服しようとします。もう一つは、AIの問題はエンジニアリングだけでは解決できないと考え、開発速度を落とすことや、強力な規制を導入することが必要だと主張する陣営です。ゴドシ氏は、後者の意見に対しては、それが現実的ではないと指摘します。なぜなら、悪意ある者たちは開発を止めず、規制だけでは問題は解決しないからです。彼にとって、AIの問題は「預金するか、解決するか」の二択であり、解決策はエンジニアリングの中にあると確信しています。

現在のAIモデルの能力と限界

ゴドシ氏は、AIの「超知能」に関する議論と、現在のビジネスにおけるAIの活用状況との間に大きなギャップがあることを指摘します。多くの人々が「AGI（汎用人工知能）の時代にいる」と語り、AIがほとんどの人間よりも賢いと主張しますが、現実にはほとんどの企業がAIを「チャットボットに質問する」レベル、つまり高度に効率化されたGoogle検索のような形でしか活用できていません。コーディング支援などの一部の領域ではROIが見られるものの、企業全体を自動化するような「エージェントのような仕事」はまだ実現していません。

この原因は、モデルの知能が不十分であることではなく、「組織内に存在するコンテキスト（文脈）を持っていない」ことにあるとゴドシ氏は分析します。AIモデルは、すべての会議に出席しているわけでも、すべての従業員の頭の中にある暗黙知を理解しているわけでもありません。組織には、長年の経験と人間関係を通じて、誰が何を知っているか、どのように物事を進めるべきかといった、非公式かつ不可欠な知識を持つ「数人の従業員」が存在します。この「コンテキスト」をAIに与えることができれば、現在の最先端AIモデルでさえ、地球上のあらゆる組織で生産性を大幅に向上させることができると彼は主張します。つまり、ナヴィエ・ストークス方程式を解いたり、11次元空間物理学を推論したりするような「より賢いモデル」は、多くの組織にとっては必ずしも必要ではないのです。

オントロジー構築の重要性

AIに組織の「コンテキスト」を与える鍵となるのが、「オントロジー」の構築です。オントロジーとは、組織内のすべての抽象的な概念、目標、部門、人、進行中のプロジェクト間の関係性を定義したものです。これは、組織がどのように機能し、誰が何を行い、どのように意思決定がなされるかという、まさに組織の「暗黙知」をデジタル化したものです。

ゴドシ氏は、このオントロジー構築のプロセスをGoogleの検索エンジンのインデックス化に例えます。Googleは、膨大なウェブページをインデックス化することで、ユーザーからの質問に対してミリ秒単位で関連性の高い「青いリンク」を提供します。もしGoogleが、エージェントがウェブサイトを一つずつクロールし、その内容をLLMで要約して質問に答えるような方式を採用していたら、非常にコストがかかり、時間もかかり、品質も低かったでしょう。

AIエージェントの文脈でも同じことが言えます。エージェントが質問に対し、一つずつリソースをチェックするのではなく、事前に計算された「オントロジーインデックス」にアクセスできるようにすることで、高速かつ高品質な回答が可能になります。しかし、組織のオントロジーはウェブとは異なり、アクセス権限やプライバシーの概念が関わってくるため、構築はより複雑です。Databricksでは、この課題に取り組み、組織の暗黙知を自動的に取り込み、デジタルグラフとしてオントロジーを構築する技術を開発しています。このグラフをAIエージェントにフィードすることで、ビジネスリーダーは質問を検証し、意思決定を行い、その情報を組織全体に迅速に配信できるようになります。

Databricksの自社活用事例「Genie」

Databricksは、自社内でこのオントロジーとAIエージェントを組み合わせたシステム「Genie」を導入し、その効果を実証しています。ゴドシ氏は、Genieが同社の組織文化と生産性を根本的に変革したと語ります。Databricksは、自社の顧客よりも大規模なオントロジーグラフを社内で構築し、数百万ものノードを持つに至っています。

Genie導入以前は、組織内の情報はツリー構造を上下に流れ、意思決定はエスカレーションと会議の連続によって行われていました。しかし、Genieがあれば、AIがすべてのコンテキストを把握し、分析を行い、意思決定に必要な情報を即座に提供できるようになります。彼は、取締役会での財務に関するエピソードを共有しました。CFOにFortune 500への浸透率を尋ねた際、CFOはGenieのスクリーンショットをそのまま返信してきたといいます。これは、もはや「私がやります」ではなく、「誰かこれをGenieでやってくれませんか？」という文化が社内に浸透していることを示しています。

Genieは、ジャック・ドーシーが構想した組織のあり方を具体的に実装するものであり、Databricksにとっては「ゲームチェンジャー」です。会議中にもGenieに質問を投げかけ、複雑な事柄について即座に洞察を得る姿は、組織が如何に効率化されたかを示しています。Palantirのような企業が暗黙知の文書化で素晴らしい仕事をしてきたように、Databricksはそれを自動的に取り込み、グラフを構築し、AIエージェントが質問に答え、ビジネスリーダーの意思決定を支援する形で情報を提供しています。

具体的なAIユースケース

ゴドシ氏は、AIがすでに社会に具体的な価値をもたらしている様々なユースケースを挙げ、AIの利点にも焦点を当てるべきだと強調します。

Crisis Text Line: 大規模言語モデルを活用し、10代の若者の自傷行為や自殺願望を検出。実際に命を救っている素晴らしい事例。
Omnipod: 糖尿病患者が装着するインスリンポンプで、AIが血糖値とインスリン放出を学習し、自動的に調整。自己学習型AIが身体管理を最適化。
Zipline: AI駆動の完全自動化ドローンで、食料や血液を必要とする地域へ配送。バッテリー最適化からルート選定までAIが担当。
Merck (Teddy): Transformerベースのモデル「Teddy」（Transformer-enhanced Drug Discovery）をMerckと共同開発。遺伝子制御ネットワークの反応を予測し、創薬コストを大幅削減。
Novo Nordisk: Genieのようなオントロジーベースのシステムを使用し、臨床試験における洞察獲得時間を数週間から数分に短縮。GLP-1のような新薬開発を加速。

これらの事例は、AIが医療、人道支援、創薬といった分野で具体的な社会貢献を果たしていることを示しており、AIの負の側面ばかりに目を向けるのではなく、その計り知れないポジティブな影響も認識すべきであるとゴドシ氏は訴えます。

AIのコスト管理とオープンソースの台頭

AIの導入が進むにつれて、コスト管理は避けて通れない課題となっています。ゴドシ氏は、昨年の第4四半期頃から、AIモデルの生産性向上が顕著になる一方で、トークン消費によるコストが急増した経験を語ります。Databricksでは、これに対応するため、他社に先駆けてコスト管理の仕組みを導入しました。

Unity Gateway (UniGateway): OpenAI、Anthropic、Gemini、Grokといった主要モデルだけでなく、あらゆるオープンソースモデルの容量を提供。
予算制約とスマートルーティング: 個人やグループごとに予算制約を設定し、上限に近づいた際に警告を発する仕組みを導入。簡単な質問には安価なモデルを選択する「スマートルーター」を活用。
ハーネスの最適化: 同じモデルでも、使用する「ハーネス」（モデルを呼び出すためのインターフェースや設定）が異なるとコストが2倍近くになることがあるため、効率的なハーネス（Piなど）を構築し、多重化することでコストを削減。

これらの取り組みにより、DatabricksはAIのコストを抑制し、AIの生産性向上を継続しつつ、コストを停滞させることに成功しました。これは、現在多くの組織が直面している課題であり、Databricksの経験は重要な指針となります。

また、AIのコスト管理と関連して、オープンソースモデルの台頭も顕著です。ゴドシ氏は、特に製品外部利用において、オープンソースモデルの利用が90%に達していると指摘します。企業は、自社の知能を所有し、オープンソースモデルをファインチューニングして特定のタスクに特化させることで、コストを削減し、IP（知的財産）を保護し、制御性を高めています。Databricksは、強化学習（RL）環境を通じて、顧客がオープンソースモデルを特定のタスクで高性能化するのを支援しています。これは、汎用知能を追求するのではなく、特定のビジネスニーズに合わせたAIを構築する現実的なアプローチです。

ただし、大企業においては、良い評価を作成する難しさや、手っ取り早くフロンティアモデルを使用したいというニーズから、オープンソースモデルの活用が遅れる傾向があります。Databricksも、顧客向けに評価を自動生成する機能を製品に組み込んだものの、ユーザーはそれを使用したがらなかった経験を語り、科学的なアプローチよりも「手っ取り早さ」を求める心理があることを示唆しています。

セクション6：エージェントAI時代の基盤技術

AIの次なるフロンティアとして注目されているのが「エージェントAI」です。アリ・ゴドシ氏は、AIが真にビジネス価値を創出するためには、このエージェントAIが鍵を握ると強調します。しかし、エージェントAIの真価を引き出すためには、その基盤となる技術、特にデータベースが決定的な役割を果たすと指摘し、Neon/LakeBaseの革新的なアプローチを具体例として挙げます。

エージェントAIの展望

現在のAI活用は、多くの企業において、まだチャットボットやコーディングアシスタントの域を出ていません。しかし、真の変革は、AIが組織の「コンテキスト（文脈）」を獲得し、自律的に意思決定を行い、複雑なタスクを自動化する「エージェント」として機能するようになることで訪れます。ゴドシ氏の言うように、これは単に「より賢いモデル」を開発することではなく、AIが組織の暗黙知を理解し、人間のように行動し、協調する能力を持つことを意味します。

しかし、多くの企業はまだこの段階に到達していません。彼らは、何百、何千ものエージェントを管理し、それらが群れをなして連携し、交渉し、生活や周囲のあらゆることを自動化している状態とは程遠いところにいます。Databricks自身のGenieの事例が示すように、エージェントAIは組織の生産性を劇的に向上させる潜在能力を秘めていますが、そのためには適切な基盤技術が不可欠です。

Neon/LakeBaseの革新

ゴドシ氏は、最近のテストで「LakeBaseまたはNeonがエージェントにとって最適なPostgresデータベースである」という結果が出たことに言及し、これを非常に興味深い進展として捉えています。彼は、NeonとNikitaのチームが、エージェントがデータベースとしてLakeBaseやNeonを選択するようにするにはどうすればよいか、という点に執着したことが成功の秘訣であると分析します。

従来のデータベース開発は、DBA（データベース管理者）やアプリケーション開発者のニーズに焦点を当てていました。しかし、Neon/LakeBaseは「エージェント」を新しいペルソナとして捉え、彼らが何を必要とするかに徹底的にこだわりました。

具体的には、エージェントは実験を頻繁に行い、ソフトウェアを構築しようとします。そのためには、データベースが以下の特徴を持つ必要があります。

超高速起動: データベースは1秒未満で起動する必要があります。エージェントが実験を繰り返すたびに、迅速に環境を立ち上げられることが不可欠です。
巨大なクローン機能: ギガバイト規模のデータベースでも1秒未満でクローンできる能力は、エージェントが多様なデータセットで並行して実験を行う上で極めて重要です。
ブランチング機能: 開発者にとってのGitのように、データベースを容易に分岐させ、異なるバージョンのデータやスキーマで実験できる機能は、エージェントの開発サイクルを劇的に加速させます。
軽量かつ堅牢: エージェントは自律的に動作するため、データベース自体が軽量で高速、かつフェイルセーフであることが求められます。スナップショットに戻したり、障害から迅速に回復できる機能は、実験の安定性を保証します。
コスト効率の良い価格設定: エージェントが大量の実験を行うことを前提に、実験段階ではコストが膨れ上がらないような価格設定モデルも重要です。本番環境での利用には料金を支払うが、実験には費用を抑える、という考え方です。

Neon/LakeBaseは、これらの特徴をPostgresデータベースに適用することで、エージェントがソフトウェアを構築し、実験を行うための理想的な環境を提供しました。彼らは「データベース戦争に勝とうとしたり、他のベンダーより優れようとしたりするのではなく、エージェントにとって最高の存在になるにはどうすればよいかということに執着していた」のです。この結果、現在Neon/LakeBaseで作成されるデータベースの「90%以上が実際にはエージェントによって作成されている」という驚くべき数字が示されています。これは、人間ではなくAIがデータベースを生成し、活用する時代が到来していることを如実に物語っています。

DatabricksとNeonの緊密な連携は、このエージェントAIの進化をさらに加速させるでしょう。データとデータベースの専門知識を持つDatabricksが、エージェントに特化した高性能なデータベースを支えることで、AIはより自律的に、より大規模に、そしてより高速にビジネス価値を創出できるようになります。エージェントAIが市場をリードする鍵であり、Neon/LakeBaseのような基盤技術がその勝利を確かなものにする、というのがゴドシ氏のビジョンです。

結論：不必要な恐怖を止め、現実的な価値とリスクに向き合う

AIが私たちの社会とビジネスにもたらす変革は、計り知れません。しかし、その未来を健全に築いていくためには、アリ・ゴドシ氏が語ったように、不必要な恐怖や曖昧な議論から脱却し、現実的なリスク管理と価値創造に焦点を当てる必要があります。

ゴドシ氏の主張は、AIに対する過度なパニックを抑制し、リーダーシップが社会に与えるメッセージの責任を強調することから始まります。現在のAIが「人類の存亡の危機」をもたらすリスクはほぼゼロであり、むしろその言説が不必要な不安を煽り、冷静な議論や建設的な規制の道を阻害していると彼は指摘します。AI開発の「一時停止」や「ペース配分」といった言葉は、競争原理の中で企業が本気で開発を緩めていない現実と乖離しており、PR上の失敗として捉えられます。真に必要なのは、言葉遊びではなく、ザッカーバーグのように「安全性とセキュリティは最優先事項であり、これらの制御を導入する」という明確なメッセージと具体的な行動です。

「再帰的自己改善（RSI）」という概念も、超知能への暴走を巡る恐怖と結びつけられがちですが、ゴドシ氏は、RSIが超知能に到達するための4つの条件（リソース減少、時間短縮、知能向上、繰り返し可能性）を挙げ、現在のフロンティアモデルの開発状況はむしろその逆の傾向にあることを示します。今日のAIモデルは、より多くのリソースと人員、そして時間を要し、脆弱性を伴う複雑なプロセスであり、計算コストがその進化を自然と「ペース調整」していると彼は分析します。RSIの多くは、AIを活用した「自己触媒効果」であり、これは技術開発において常に存在してきた現象です。

しかし、AIがもたらす現実的なリスクは、サイバーセキュリティの領域にあります。CVE脆弱性の悪用までの時間が数時間単位にまで短縮される中、人間による従来のセキュリティオペレーションでは、もはや高速化する攻撃に対応できません。AIによる完全自動化された検出と防御システムが不可欠であり、DatabricksのLakeWatchのような製品がその最前線に立っています。このサイバーセキュリティのパラドックスは、AIの力を利用してAIの脅威に対処するという、現代の喫緊の課題を示しています。

ビジネスにおけるAIの真の価値は、必ずしも「より賢いモデル」を追求することにあるのではなく、既存のAIモデルに「コンテキスト（文脈）」を与えることにあるとゴドシ氏は指摘します。組織内の暗黙知や人間関係、プロジェクトの複雑な関連性をデジタル化した「オントロジー」を構築し、それをAIエージェントに供給することで、飛躍的な生産性向上と意思決定の迅速化が可能になります。Databricksが自社で導入したAIアシスタント「Genie」は、このビジョンの具体的な実現例であり、組織文化と効率を根本から変革しています。Crisis Text Line、Omnipod、Zipline、Merck、Novo Nordiskなどの具体的なユースケースは、AIがすでに私たちの生活や社会に計り知れないポジティブな影響をもたらしていることを示しています。

さらに、AIの導入とコスト管理は密接に関連しています。トークン消費の最適化、予算制約、スマートルーター、そして効率的なハーネスの利用は、AIのROIを最大化するために不可欠です。この文脈で、オープンソースモデルの台頭は大きな意味を持ち、多くの企業が自社の知能を所有し、特定のタスクに特化した強化学習を通じて、コスト効率と制御性を高めています。

エージェントAIの時代は到来しており、その進化を支える基盤技術の重要性も高まっています。Neon/LakeBaseのようなデータベースは、エージェントの頻繁な実験、高速な起動とクローン、そして柔軟なブランチングを可能にすることで、エージェント開発のサイクルを劇的に加速させています。人間ではなくAIエージェントがデータベースの主要なユーザーとなるという事実は、技術開発の新たなパラダイムシフトを示唆しています。

アリ・ゴドシ氏のメッセージは明確です。AIの未来は、不必要な恐怖に怯えることではなく、現実的なリスクを冷静に評価し、エンジニアリングによる解決策を追求し、そしてAIがもたらす計り知れない価値を最大限に活用することによって築かれるべきです。AIなしのPDoom（人類滅亡確率）は、AIありのPDoomよりもはるかに高いかもしれないという彼の逆説的な発言は、AIが私たち自身の生存と繁栄のための不可欠なツールであることを示唆しているのかもしれません。私たちは、AIを賢明に理解し、活用することで、より安全で生産的な未来を創造できるはずです。