Simulating Humanity: 80億人のデジタルツインが解き明かす、人間社会の深淵と未来の意思決定

地球上に存在する80億人もの人々の生活をシミュレーションする――。SFの世界でしか語られなかったようなこの壮大なビジョンが、今、現実のものとなりつつあります。今回、私たちはAI研究の最前線でこの夢を追いかけるSimile AIの共同創業者、Joon Sung Park氏の深遠な洞察に迫ります。彼の言葉からは、単なる技術的な進歩を超え、気候変動や民主主義の未来といった人類が直面する「根深い問題（wicked problems）」を解決する可能性が提示されました。

本記事では、Park氏の語るSimile AIの技術、その哲学、そしてそれがビジネスと社会に与える影響、さらには将来性について、深く掘り下げていきます。専門性と分かりやすさを両立させながら、Simile AIがどのようにして「80億人のデジタルツイン」という野心的な目標を追求し、私たちの未来を形作ろうとしているのかを紐解いていきましょう。

Part 1: Generative Agentsの誕生とSimile AIの哲学

Joon Sung Park氏の物語は、彼自身の言葉を借りれば「人生の物語」から始まります。韓国で生まれ、11歳でボストンに移住。医師である両親のもと、幼少期はテクノロジーとは距離を置き、音楽や芸術、絵画に没頭する少年でした。高校時代には絵画に深く傾倒し、プロのアーティストとしてのキャリアを真剣に考えるほどでした。しかし、彼の探求心は「最高のアーティストはしばしば彼ら自身のメディアを創造する」という哲学へと導きます。そして、現代において最も力強く、新しいメディアが「計算」であることに気づいたとき、彼の関心はテクノロジーへと深く傾倒していきました。

Foundation Modelの夜明けとGenerative Agentsの着想

Park氏がスタンフォード大学でPhDプログラムを開始した2020年は、AIの歴史において極めて重要な年でした。当時、GPT-2が存在し、GPT-3.5の登場が目前に迫っていました。この時期、学術界では「Foundation Model（基盤モデル）」という新たな概念が提唱されつつありました。Park氏もまた、Simile AIの共同創業者の一人であるPercy Liang氏が提唱した「Foundation Modelの機会とリスク」に関する論文執筆に深く関わります。

そこで彼が深く考えたのは、この新種のモデルが「何のために有用なのか？」という問いでした。従来のモデルが特定のタスクのために訓練されていたのに対し、Foundation Modelは「あらゆることを可能にする幹細胞」のような存在でした。多くの同僚がFoundation Modelを単純な分類や生成タスクに活用する中で、Park氏はもっと根本的な可能性を見出します。それは、ウェブ上の膨大なデータ、すなわちソーシャルメディアやWikipediaといった「人間行動データ」によって訓練されたこれらのモデルが、正しい角度から問いかければ「驚くほどリアルな人間行動」を生成する能力を秘めているという洞察でした。

「Time Machine Game」が導いた壮大なビジョン

この洞察に基づき、Park氏と彼の同僚たちは、後にSimile AIの共同創業者となるMichael BernsteinやPercy Liangと共に「タイムマシンゲーム」という思考実験を行います。これは、「タイムマシンに乗って10年後にワープし、当時最も重要で感動的なアプリケーションは何だったかを振り返る」というものでした。いくつかの候補が挙がる中で、彼らが最終的に選んだ最も野心的な答えは、「私たちが生きる世界そのものを再創造する」というものでした。これがGenerative Agents、通称「Smallville」論文の着想につながります。この論文は2023年の最高の論文の一つとして広く評価され、特にその「記憶コンポーネント」が高く評価されました。

タイムマシンゲームで検討されたもう一つの有力な候補は、「パーソナライズされたエージェント」でした。個人の行動を自動化し、生活をサポートするエージェントです。しかし、Park氏は、真に優れたパーソナルアシスタントを構築するためには、まず「ユーザーの驚くほど優れたモデル」が必要だと主張します。例えば、ユーザーが嫌いなパイナップルが乗ったピザを注文してしまっては、アシスタントは失敗です。このようなミスを防ぐには、その人が誰であるか、その人の好みや行動パターンを深く理解することが不可欠だからです。親しい友人や家族が私たちのことをよく理解しているように、人の行動を正確に表現するシミュレーション技術こそが、より複雑な自動化エージェントに先行するべきだとPark氏は考えたのです。

現状のChatGPTやClaudeのようなモデルは、私たちのことをある程度知っていますが、その理解はまだ浅く、真に「私たち自身」を深く理解するには至っていません。これは、Foundation Modelが主にテキストデータに基づいて構築されているためであり、テキストから得られる理解には限界があることを示唆しています。

Simile AIの核心哲学：「人間らしい」モデルの追求

Generative Agentsの研究から派生し、Simile AIが目指すのは、まさにこの「人々の深い理解」を可能にするモデルです。Park氏は、現在のFoundation Modelが「超合理的で客観的な機械」を目指しているのに対し、Simile AIが作るモデルは「私と同じくらい愚かな」モデルだと表現します。つまり、人間が犯すであろう過ちやバイアス、非効率的な行動も含めて、人間らしさを正確に再現することを目指しているのです。

これは、単にデータセットの規模を拡大するだけでは達成できない、根本的に異なるデータとトレーニング目標を必要とします。現在のFoundation Modelでは、特定のニッチな人口やトピックにおいて、人間行動予測の精度が20-30%にまで低下することがあります。一般人口を対象とした場合でも50-60%程度にとどまり、これでは意思決定の基礎とするには不十分です。Simile AIが「85%の精度」で人間行動を再現できるようになったのは、この「人間らしさ」を追求する哲学と、そのための独自のデータ収集・モデル構築アプローチの賜物なのです。

Part 2: 行動基盤モデルの構築：データの深層に迫る

Simile AIの革新性の核心は、「行動基盤モデル（Behavior Foundation Model）」というアプローチにあります。これは、既存の言語モデルが「社会の物理学（social physics）」、すなわち人間社会の基本的な仕組みを完全に学習しているわけではないというPark氏の直感に基づいています。Web上のデータは、人々の「自己開示的な態度（attitudinal data）」を示すものであり、現実世界での「深い行動特性（behavioral nature）」を捉えるには不十分なのです。人がオンラインで何を言うかだけでなく、現実生活で実際に何をするのか、という「人類の暗黙の知識（dark knowledge）」を捉えることが、行動基盤モデルの目標です。

データの3つのバケット：人間理解の多角的アプローチ

Simile AIでは、この深い人間理解を実現するために、データを3つの主要なバケットに分類し、多角的に収集しています。

インタビューデータ（定性的データ） Park氏は、この「定性的な豊かさ」を持つデータが非常に重要だと強調します。参加者に「あなたの人生の物語を教えてください」と尋ねることから始まります。幼少期の記憶、トラウマ、初恋といった、長く、豊かな個人的情報から、その人のモデルとしての「質感（texture）」を深く理解することができます。これらの情報は、予測が困難な形でその人の行動や意思決定に影響を与えるため、極めて情報量が高いのです。
行動データ（観察） このカテゴリには、トランザクションデータ（購入履歴など）や、ウェブスクレイピングによって得られるデータが含まれます。これらは人々の行動の「基本統計（base statistics）」を提供し、大量のデータを基盤として、集団の一般的な傾向を把握するのに役立ちます。例えば、特定の製品の購入傾向やウェブサイトでの行動パターンなどがこれにあたります。
行動データ（因果メカニズムとしてのRCTs） Park氏が最も重要だと考えるのが、この3番目のカテゴリです。これは、人々の行動の「なぜ（the why）」、すなわち「因果関係とメカニズム」を説明するデータです。インタビューデータである程度は「なぜ」が語られますが、最も純粋な行動の因果関係を捉えるのは「ランダム化比較試験（Randomized Control Trials, RCTs）」だといいます。

RCTsは、非常に制御された条件下で、いくつかの変数を操作し、その結果として生じる人間の行動の変化を観察するものです。例えば、「コーヒーを飲んだ日と飲まなかった日で、行動にどのような変化があるか」といった問いに対するデータは、行動の因果メカニズムを明らかにします。この種のデータが重要なのは、多くの意思決定者が未来を「予測」したいのではなく、未来を「形成（shape）」したいと考えているからです。単に「売上が2四半期後に落ち込む」と予測されても、「どうすればその未来を避けられるか？」という問いに答えるためには、因果メカニズムの理解が不可欠です。しかし、現実世界では、他の変数が全て同じで一つの変数だけが異なるという状況は極めて稀であるため、このデータは収集が最も困難なものの一つでもあります。

RCTsの実施と倫理的配慮

Simile AIは、この貴重な因果メカニズムデータを自社で積極的に収集しています。彼らは、参加者からの十分な同意を得た上で、仮想ラボや実際の実験室に人々を招待し、現実の行動決定を伴う実験を設計します。例えば、オンラインストアでの購入実験では、実際に購入した商品を参加者の自宅に配送することで、決定の「利害関係（stake）」を現実のものとします。これにより、単なる態度（「〜と思う」）ではなく、実際の行動（「〜する」）を誘発するのです。また、企業顧客とのパートナーシップを通じて、彼らのユーザーがプラットフォーム上で示す行動データへのアクセスを得ることで、人々の行動をより深く理解しています。

評価と信頼性の確立：「Generation Simulations of Thousand People」論文

Simile AIのモデルが現実世界で信頼できることを示す、画期的な論文が「Generation Simulations of Thousand People（1000人のシミュレーションの生成）」です。この研究では、アメリカの代表的なサンプルから選ばれた1000人を仮想ラボに招きました。各参加者から、インタビューデータ（「American Voices Project」から着想を得たスクリプト）や行動データなど、2時間にわたる広範なデータを収集しました。その後、Simile AIはこのデータを用いて、各参加者の「デジタルツイン」を構築しました。2週間後、実際の参加者と彼らのデジタルツインの両方に、行動経済学ゲーム、ビッグファイブ性格診断、一般社会調査、およびPNASに掲載されたランダム化比較試験を含む、一連の調査と実験を完了させました。

驚くべき結果として、Simile AIのデジタルツインは、人間の行動と態度を、人間自身が自身の行動を再現するのと同じくらい正確に85%の精度で再現できることが実証されました。 これは、これまでのどの測定方法よりも大幅な改善であり、シミュレーションが現実の人々の行動を高度に模倣できることを示した最初の検証論文となりました。

この85%という精度は、「AI空間における一年半から二年が一生に等しい」というAI開発の急速なペースを考慮すると、さらに進歩しているとPark氏は述べています。現在の生成AIモデル（ChatGPTやClaudeなど）は「超合理的で客観的な機械」を目指しているため、特定の人口やニッチなトピックにおいては、人間行動の予測精度が20-30%にまで低下することがあります。一般人口でも50-60%程度です。Simile AIが目指すのは、人間が持つ「非合理性」や「間違い」をも再現する「人間らしい」モデルであるため、このような大きな性能差が生まれるのです。

オープンサイエンス財団データによるモデル強化

さらにSimile AIは、モデルの行動予測能力を向上させるために、ユニークなデータソースを活用しています。それは「オープンサイエンス財団（Open Science Foundation）」のプラットフォームです。社会科学分野では、過去5年ほどの間、「研究の再現性危機」という問題が深刻化していました。発表された研究の多くが、再実験によって同じ結果が得られないという状況です。これは、論文が統計的有意性（p値が0.05未満）を満たす結果のみが発表されやすいという「生存バイアス」によって引き起こされる部分があります。

この問題に対処するため、多くの科学者は研究の「事前登録（pre-registration）」を行うようになりました。これは、実験を行う前に、使用するデータ、対象となる人口、仮説などを公に登録する仕組みです。これにより、後から仮説を変更することができなくなり、研究結果の科学的な信頼性が大幅に向上します。オープンサイエンス財団のプラットフォームには、このように事前登録された何万件もの高品質な行動研究やランダム化比較試験のデータが蓄積されています。Simile AIはこのデータセットを活用し、モデルをポストトレーニングすることで、人間行動予測能力をさらに大きく改善できることを示しました。これは、商業的なモデルではないものの、Simile AIのデータ駆動型アプローチの有効性を示す重要な証拠となっています。

個体レベルと集団レベルのモデル

Simile AIでは、個体レベルと集団レベルの両方のモデルを訓練しています。どちらのモデルも、サブ人口や個人の記述、そして刺激（survey questions, behavioral experiments, AB testingなど）を入力として受け取ります。個体レベルのモデル化は多くの点でより困難なタスクですが、それこそがSimile AIが挑戦している領域であり、より深く正確な人間理解へと繋がります。

モデルが捉えきれない「人間らしさ」

Park氏は、現在のモデルが解決できない人間の行動として、「効率性とは異なる、人間ならではの行動」を挙げます。例えば、キャンパスから自宅までUberを呼べば効率的であるにもかかわらず、Park氏自身は「考える時間」のために40分歩いて帰宅することを好んでいました。このような、効率的ではないかもしれないが、その人にとって深い意味を持つ活動や、その人の「本質」を形成するような行動は、データとして明示的に与えられない限り、モデルは捉えきれません。Simile AIが目指すのは、まさにこのような「人間らしさ」をモデル化することなのです。

Part 3: 現実世界への適用：シミュレーションがビジネスと社会を変える

Simile AIの行動基盤モデルは、顧客が特定の人口をより深く理解し、より良い意思決定を行うための強力なツールとなっています。今日の顧客は、自分たちの関心のある人口をモデル化することをSimile AIに求めます。例えば、全国展開する消費財企業であれば「米国の一般人口」を、特定の市場をターゲットとする企業であれば「カリフォルニア州に住む20代・30代」といった、より具体的な人口層を対象とします。

顧客の具体的なユースケース

Simile AIは、顧客のニーズに応じて、対象となる人口から同意とインセンティブを得てデータを収集し、彼らのデジタルツインを作成します。Simile AIの製品を通じて、顧客はそのデジタルツインに対してさまざまな「クエリ」を実行できます。

コンセプトテスト: 新しいメッセージ、製品アイデア、またはサービスに対する人々の反応を評価します。これは、マーケティング活動において、ターゲット層に響くか、どのような点が改善されるべきかなどを迅速に把握するのに役立ちます。
フォーカスグループ: 従来の人間によるフォーカスグループに代わり、デジタルツインの集団に意見を求めることができます。これにより、より大規模かつ多様な意見を、低コストで迅速に収集することが可能になります。
行動実験・ABテスト: 新しいウェブサイトのUIデザインや機能変更が、人々の行動にどのような影響を与えるかをシミュレーションで検証します。これにより、実世界での大規模なABテストを行う前に、リスクの低い環境で最適な選択肢を見つけることができます。
決算説明会シミュレーション: 上場企業の決算説明会におけるアナリストや投資家の反応をシミュレーションすることも可能です。これにより、発表内容や伝え方を最適化し、株価へのポジティブな影響を最大化するための戦略を立てることができます。

政治分野への応用と倫理的ガードレール

Simile AIは、Gallupとの戦略的パートナーシップを通じて、政策や社会問題に関する深い専門知識も活用していますが、政治分野への直接的な進出には極めて慎重な姿勢を示しています。Park氏は、この技術が社会に与える影響の大きさを認識し、十分な「ガードレール」と倫理的な視点が確立されるまで、政治のようなデリケートな市場にサービスを提供すべきではないと考えています。

SFドラマ「The West Wing」の事例は、この点を具体的に示しています。ドラマでは、大統領が多発性硬化症であることを開示する必要が生じ、その影響を測るために架空の州知事を使って世論調査を行います。このような「もしもの世界（counterfactual）」のシナリオをシミュレーションで検証できれば、意思決定者にとって計り知れない価値があることは明白です。しかし、その結果が社会に与える影響の大きさを考えると、技術の利用には最大限の配慮と倫理的責任が伴います。

シミュレーションと予測の根本的な違い：未来を「形作る」力

Simile AIのシミュレーションの真の力は、単に未来を「予測」することではなく、未来を「形作る」ことにあります。Park氏は、多くの意思決定者が知りたいのは「未来がどうなるか」ではなく、「その未来を避けるために今何をすべきか」であると強調します。

Isaac AsimovのSF小説「ファウンデーション」シリーズに登場する「心理歴史学（psychohistory）」の概念は、この点を鮮やかに説明します。心理歴史学は、銀河帝国の崩壊とその後の3万年の混乱を予測しますが、同時にその混乱期間を1000年に短縮するための「パス（path）」をも示します。その計画の第一歩が、潜在的な崩壊を警告した科学者たちを銀河の辺境の地「ターミナス」へ追放するという、極めて直感に反するものでした。しかし、シミュレーションによれば、それこそが望ましい未来への最初のステップだったのです。

このような、直感に反する、しかし最適な一連のステップを提示できるのが、シミュレーションの力です。例えば、自動車会社が新しいEVを市場に投入し、株価上昇を目指しているとします。シミュレーションの結果、「EVをXYZの方法でマーケティングすれば売上は伸びるが、それが非EV車に対する人々の認識を変え、全体としての販売台数を減少させる可能性がある」という洞察が得られるかもしれません。これは、EVの売上だけを追跡している場合には見落とされがちな、予期せぬ、しかし重要な影響です。シミュレーションは、複数の要素が複雑に絡み合うシステム全体を考慮した上で、最適な意思決定を支援するのです。

コストとスケーラビリティ：現状から未来へ

Simile AIは現在、数千から数万人の人々をモデル化することで、顧客に非常に豊かで意味のある洞察を提供しています。毎週、数万人規模のデータを収集しており、パネルパートナーシップを通じて世界中の数千万人もの人々に関するデータにアクセス可能です。

一度収集された個人のデータは、その後の様々な研究やシミュレーションに再利用できるという点が、このモデルの大きな利点です。例えば、個人のリスク許容度のような、時間と共に変化しにくい特性は、一度捉えれば長期的に活用できます。現段階では、数百から数十万人規模のシミュレーションで、ほとんどのコアなユースケースをカバーできています。重要なのは、単に人数の多さではなく、「関心のあるサブ人口が適切にカバーされているか」という点です。

しかし、Park氏は将来的なスケーラビリティにも目を向けています。今後10年で計算能力が飛躍的に向上することを考えれば、データセンター全体を使ったシミュレーションが必要になる可能性もあります。彼は、「数年後には、Foundation Modelのトレーニングに匹敵するほどのコストがかかるシミュレーションが生まれるだろう」と予測します。しかし、もしそれが「気候変動を解決する」といった、社会にとって計り知れない価値をもたらすものであれば、その投資は「ノーブレイナー（考えるまでもない）」なものとなるでしょう。

現実世界で大規模な行動研究を実施するコストや時間は膨大であり、時には実行不可能な場合もあります。これに対し、シミュレーションは費用対効果が高く、意思決定のアップサイド（良い意思決定によって得られる価値）を大幅に向上させることができます。Simile AIは、現在の既存予算を代替することで効率化を図りつつも、長期的には「数億ドル、あるいは数十億ドル規模の価値」を創造することを目指しています。

市場規模の再定義：「人間意思決定」という無限のTAM

Park氏は、シミュレーションの市場規模について、従来の「市場調査産業（1000億ドル規模）」という枠組みでは捉えきれないと考えています。なぜなら、シミュレーションは単なる市場調査ツールではなく、「人間の意思決定を支援するツール」だからです。 Simile AIが目指すのは、「人間に関する、人間のための、あらゆる意思決定」を支援することです。これは事実上、市場の範囲を無限大に拡大する可能性を秘めています。

企業や組織では毎日無数の意思決定が行われ、その多くは顧客や従業員といった「人々」に関するものです。本来であれば、それらの人々の声を聞き、意見を求めるべきですが、コストや時間の制約、そして人々の「アンケート疲れ」によって、現実にはそれが困難です。シミュレーションは、意思決定が行われる「部屋」に、常に人々の声（デジタルツインとしての）を存在させることを可能にします。これにより、より多くのステークホルダーの声が意思決定に反映され、より良い結果へと導かれるのです。

Part 4: 80億人シミュレーションが描く未来

Simile AIが現在目撃しているのは、「シミュレーションにおけるスケーリング法則」の初期的な兆候です。つまり、人間に関するより多くのデータと計算能力を投入すればするほど、モデルの人間行動予測能力が予測可能な形で向上するというものです。これは、AI研究におけるFoundation Modelのスケーリング法則の発見と同様に、この分野の将来に大きな期待を抱かせるものです。

Agent-Based Modelの進化とThomas Schellingの遺産

シミュレーション技術の究極の目標は、単に個々のモデルを構築するだけでなく、それらのモデルを大規模なエコシステムの中で「マルチエージェントシミュレーション」として機能させることにあります。そして、最終的には「80億人の人々が地球上で生活するシミュレーション」を創造することです。このような壮大なビジョンが実現したとき、シミュレーションが社会に提示できる問いの種類も根本的に変化します。それは、社会全体の「創発的な行動（emergent behavior）」に関する問いです。

Park氏は、この分野の先駆者としてノーベル経済学賞を受賞したThomas Schellingの業績に深くインスパイアされています。Shellingは1970年代から80年代にかけて、「Agent-Based Model（エージェントベースモデル）」の基礎を築いた一人です。彼の代表的な研究の一つに「人種隔離モデル（model of segregation）」があります。このモデルでは、グリッド状の世界に赤い点と青い点（エージェント）を配置し、「もし近隣の一定割合が異なる色の点であれば、ランダムに別の場所に移動する」という単純なルールを与えました。

このモデルの驚くべき発見は、人々が同じ色の人々と一緒に暮らしたいという個人的な好みがごくわずかであっても、時間の経過とともに社会全体が完全に隔離されてしまうという結果でした。これは、社会における隔離が明示的な人種差別によってのみ引き起こされるという当時の一般的な考え方に反する、非常に直感に反する結果でした。この研究は、後に「混合所得住宅」政策のような社会政策にも影響を与え、Shellingはシミュレーションの初期バージョンに基礎を築いた功績でノーベル経済学賞を受賞しました。

しかし、従来のAgent-Based Modelは、赤い点と青い点のような「単純な」エージェントしか表現できませんでした。Generative AI、特にGenerative Agentsの登場は、この状況を劇的に変える可能性を秘めています。より「高忠実度（high fidelity）」なエージェント、すなわち人間らしい複雑な行動や意思決定を再現できるエージェントを構築することで、Thomas Schellingの時代には不可能だった、より現実的で複雑な社会問題のシミュレーションが可能になるのです。

「Wicked Problems」の解決とノーベル賞級のインパクト

Simile AIがこの壮大なビジョンを実現したとき、どのような社会問題に取り組めるのでしょうか。Park氏は、例えば以下のような「根深い問題（wicked problems）」を挙げます。

気候変動の解決: 多くの関係者が相反するインセンティブを持ち、複雑な調整決定を必要とする気候変動のような問題に対し、シミュレーションが解決策を提示できるか。
民主主義崩壊の兆候の理解: 社会の分断や政治的極化が進む中で、民主主義が崩壊する兆候をシミュレーションで特定し、そのための介入策を見出す。
金融システムの起源の解明: 複雑に絡み合った金融システムの歴史や進化の過程をシミュレーションで再現し、その起源や脆弱性を理解する。
普遍的ベーシックインカム（UBI）の必要性: UBIが社会に与える影響を多角的にシミュレーションし、その導入の是非や最適な実装方法を検討する。

これらは、人間社会の集合的な行動によって引き起こされる、極めて複雑で多因子的な問題です。これまで明確な答えを見つけられなかったこれらの問いに対し、80億人のデジタルツインによるシミュレーションは、新たな視点と解決への道筋を示す可能性を秘めています。Park氏は、これによって「ノーベル賞を獲得するような仕事」が生まれると確信しており、それは人類社会に計り知れない貢献をもたらすでしょう。

時間軸予測：AIの次のフロンティア

Park氏は、シミュレーションという産業全体が、GPT-3.5やGPT-4が登場した頃のAGI（汎用人工知能）の状況に非常に似ていると見ています。現在の技術は、特定の垂直市場において現実的な「ダメージ（impact）」を与えるほど強力ですが、同時に、今後数年間でデータとアルゴリズムの両面でさらなるブレークスルーと、よりアグレッシブなスケーリングが起こるでしょう。シミュレーションは、AIの次の大きなフロンティアとして、急速に進化を遂げていく段階にあるのです。

Part 5: Simile AIのDNA：研究と実践の融合

Joon Sung Park氏の個人的な背景は、Simile AIの哲学とビジョンに深く根ざしています。元々画家であった彼は、「最高の絵画は、それが表現しようとする対象について深い何かを教えてくれる」と考えていました。絵画は完璧な再現ではありませんが、対象の本質を際立たせることで、深い洞察を与えます。Park氏は、シミュレーションもまた、これと本質的に同じだと語ります。

「絵画」と「シミュレーション」の共通性：本質への探求

画家時代、Park氏は「人間の生活のよりありふれた側面」に深く関心を持っていました。彼は地方の町を訪れ、特別なことをしているわけではない、日々の生活を送る人々の写真を撮ることに時間を費やしました。彼は、世界がフラクタルな形状をしているという視点を持っており、「フラクタルの全体像を理解するには、外側を広範に探索するか、あるいは内側を深く掘り下げるか」という二つの選択肢があると考えます。そして、内側を深く掘り下げることで、外側の形状にも似た本質を見出すことができると信じていました。

シミュレーションもまた、この「内側を深く掘り下げる」プロセスに通じます。人々の最も取るに足らない、ありふれた側面を理解し、それらを組み合わせることで、個人、そして社会について深く学ぶことができます。AGIが人類の知能を深く理解する探求であるように、シミュレーションは「人間社会と私たちの集合的な生活」を理解するための探求なのです。

Simile AIのユニークな企業文化：研究ラボとプロダクト企業の両立

Simile AIは、AIの世界では珍しく、「AI研究ラボ」と「AIプロダクト企業」の両方のDNAを持つユニークな存在です。同社は、Park氏、Michael Bernstein（ImageNetやヒューマン・センタードAIに貢献）、Percy Liang（Foundation Modelの提唱者）、Laney（急成長するAIネイティブ企業のCFOを歴任）という4人の共同創業者によって設立されました。

この企業には、Park氏の元研究室の同僚たちが、全体の15%から20%を占めるほど多く集まっています。彼らの中には、OpenAIやGoogle Geminiといった最先端のAIラボで活躍した後、Simile AIのビジョンに共鳴して戻ってきた者もいます。これは、Simile AIが最先端の研究を行い、誰もまだ取り組んでいないような最もインパクトのある技術を創造しようとする「研究者集団」としての側面を強く持っていることを示しています。

同時に、Simile AIは、この技術を今日、現実世界で活用し、顧客に具体的な価値を提供する「プロダクト企業」でもあります。優れたエンジニア、プロダクトマネージャー、デザイナーが協力し、シミュレーションの可能性を顧客に理解してもらい、世界最大級の企業に展開しています。この「研究と実践の融合」こそが、Simile AIを他にはない存在たらしめているのです。

人材へのコミットメント：共に未来を創造する仲間たち

Simile AIは現在も、この壮大なビジョンの実現に向けて、優秀な人材を求めています。最先端の研究に取り組む「研究者」、そしてその研究成果を現実のプロダクトに落とし込み、大規模な顧客に展開する「エンジニア（プロダクト側、インフラ側）」の両方を積極的に採用しています。Figma、Notion、Harveyといった、業界をリードする企業で活躍してきた尊敬すべき人材が多数集まっており、Simile AIは多様な才能が結集し、共に未来を創造する場所となっています。

結び：シミュレーションが拓く、人類と社会の新たな理解

Joon Sung Park氏とSimile AIが追求する「80億人のデジタルツイン」というビジョンは、単なる技術的な挑戦を超え、人類が自分自身、そして社会について深く理解するための哲学的な探求でもあります。画家が描く一枚の絵画が被写体の本質を語るように、シミュレーションは、私たちの集合的な行動の根源、社会が直面する複雑な問題の解決策、そして未来を形作るための具体的なパスを教えてくれます。

私たちはシミュレーションの中に生きているのかもしれないし、そうではないのかもしれません。Park氏が語るように、どちらにしても私たちの経験がリアルであることに変わりはありません。しかし、Simile AIが生み出そうとしているシミュレーションの世界は、私たちがこれまで見えなかった社会の仕組みを可視化し、より賢明な意思決定を可能にすることで、確実に私たちの未来をより良い方向へと導く可能性を秘めています。

この壮大な旅はまだ始まったばかりです。データとアルゴリズムの進化、そしてスケーリング法則の発見によって、シミュレーションはこれからさらに多くの驚きと可能性を私たちにもたらしてくれるでしょう。Simile AIが描く未来は、まさに人類社会が直面する最大の課題を解決し、より良い世界を築くための「最後のフロンティア」なのかもしれません。私たちは皆、この大きなシミュレーションの中で、その実現を見届けることになります。