選択 · AIと長寿

強力な​道具、​でも​まだ​私たちの​手のなかに

オレンジ色に照らされたスタジオで、アームチェアに座って話すMarekとPeter Diamandis。うしろの棚にはロケットの模型が並んでいます。
ロサンゼルスのスタジオでのMarek PiotrowskiとPeter Diamandis、2025年12月。AIと長寿についてのLive Beyondインタビュー。

旅のなかで、息子のAlekと私は39の国と州で100人を超える長寿の専門家に会いました。そしてほとんどどこでも、遅かれ早かれ、話は人工知能に向かいました。上海では、ロボットとAIが並んで新しい薬を探す研究室を歩きました。ロサンゼルスでは、Peter Diamandisが、長寿にいちばん大きな影響を与えるのはAIだと話してくれました。そして何度も何度も、AIを毎日使っている科学者たちが、AIにまだできないことを、同じくらいはっきりと教えてくれました。このページでは、AIが新薬の発見、タンパク質の科学、画像検査、検査、老化時計をどう変えているのか、それがあなた自身の健康データやAIドクターにとって何を意味しうるのか、そしてその正直な限界、つまりデータ、誤り、プライバシー、そしてあなたのデータはだれのものかについて、私たちに教えてくれた専門家たちの言葉で、感謝とともに紹介します。

著者： Marek Piotrowski · 更新 2026-10-30

要点

AIは長寿の科学に、これまでなかったものを与えています。どんな人間にも読みきれないほどのデータを読む力です。AIはすでに、科学者が新しい薬の候補をより速く見つけ、タンパク質の形を予測し、画像検査でがんを見つけ、検査から私たちの年齢を読み取るのを助けています。そしていつか、あちこちに散らばったあなたの健康データを、本当に違いを生むひとつのはっきりした提案に変えてくれるかもしれません。

AIは道具です。そして道具は、それが学ぶデータと、それを使う人たちと同じくらいにしかよくなりません。賢く使えば、AIは私たちに健康で喜びのある年月をもっと与えてくれます。そして私たちを支えてくれる人たちに、私たちのための時間をもっと与えてくれます。 [1][2][3]

私たちの考える長寿：健康で喜びに満ちた年月を、もっと長く。 私たちの定義 →

2億1400万無料のAlphaFoldデータベースで、3Dの形が予測されたタンパク質の配列の数。科学が知っているほとんどすべてのタンパク質です。[4]
80〜90%AIで見つかった薬の候補のうち、人での最初の安全性試験を通過した割合。ふつうより高い数字です。次の段階では約40%で、ふつうとほぼ同じでした。[2]
20%80,033人の女性を対象にしたスウェーデンの試験で、AIがマンモグラフィの読影を手伝ったときに、より多く見つかった乳がん。医師が読んだ画像は44%少なくなりました。[3]

AIが長寿にとって大切な理由

Buck Instituteの明るいアトリウムで、アームチェアに座って話すEric Verdin。
カリフォルニアのBuck InstituteでのEric Verdin、2024年5月。研究室のロボットとAIについてのMarek PiotrowskiによるLive Beyondインタビュー。

あなたの体は巨大でいそがしいシステムで、科学は今、どんな人間にも読みきれないほど多くのことを測れるようになりました。人工知能、つまりAIは、膨大なデータからパターンを学び、それを使って予測をするコンピューターのプログラムです。私たちが会った科学者の多くがAIに胸を躍らせていたのは、そのためです。

ロサンゼルスでは、ポッドキャストを通して私に長寿への最初のひらめきを与えてくれた人のひとりであるPeter Diamandisが、旅のなかでだれよりも力強く、こう語りました。

「まちがいなく、長寿にいちばん大きな影響を与えるのはAIです。疑いの余地はまったくありませんよね。だから私はいつも、AIが細胞のなかで何が起きているのかを分子のレベルで理解する手助けをし、これまで数百しかできなかった実験を何兆回も行えるようにしている、その重なり合う領域を見ています。こうしたシステムはイン・シリコで、いわば想像上のシステムのなかで動き、新しい情報を見つけられるからです。」
Peter Diamandis · XPRIZE Foundation創設者 · ロサンゼルス、2025年12月 · 翻訳

かんたんに言うと: AIは、だれかが試験管にふれる前に、コンピューターのなかでアイデアをとても速く試せます。だから科学者は、これまでよりはるかに多くのアイデアを試し、いちばんよいものだけを研究室にもっていけるのです。

カリフォルニアのBuck Instituteは、窓の外に小さなシカがいる、静かで美しい場所です。そこでEric Verdinが、AIがすでに自分の研究室をどう変えているかを話してくれました。

「ここを含めて、ほとんどの研究室で目にするでしょうが、ロボット工学が方程式の一部になりつつあります。私たちには、たくさんの科学者の仕事をこなせるロボット顕微鏡があって、こうしたものがあらゆる場所に広がっています。いちばん大きな進展のひとつは、AIが私たちの考え方まで加速させることでしょう。ある意味で、AIは基本的に脳のためのロボット工学なんです。自分の目では見えないところに、パターンを見つける方法を本当に学ばせてくれます。」
Eric Verdin · Buck Institute for Research on Aging所長 · カリフォルニア州ノヴァート、2024年5月 · 翻訳

かんたんに言うと: ロボットは、たくさんの手がする研究室の作業をこなします。AIは、たくさんの目がする考える作業をこなします。私たちだけでは決して気づけないパターンを、データのなかに見つけるのです。

新しい薬をより速く見つける

暗い近未来的な廊下で、マイクロチップの印がついた光る扉を開けるZhihu Qu。そばにMarekとAlek。
上海のAIとロボット工学の研究室で、Marek PiotrowskiとAlek Piotrowskiを案内するZhihu Qu、2023年12月。Live Beyond。

新しい薬をつくるには何年もかかります。科学者はまず正しい標的を見つけなければなりません。多くの場合、それは体のなかでおかしなふるまいをしているタンパク質です。次にそれを正す分子を設計し、研究室で試し、そのあとでようやく人で試します。AIがいちばん役立つのは、最初の段階です。

2023年12月、Alekと私は、この分野のだれもが話題にしていた上海の研究室を訪ねました。ロボットが実験を行い、次に何を試すかはAIが決めます。私たちが訪ねたとき、そこでロボットを担当していたエンジニアのZhihu Quが案内してくれました。

「たとえば、ひとつの薬をPCCまで進めるとします。ふつうはほぼ3年かかるはずですが、私たちは18か月で終えます。［…］ある段階では、AIはたくさんのことを加速できると思います。時間とともに、もしかしたら何倍にも。［…］でもそれは初期の発見だけです。ほかの部分は、一歩ずつ進めなければなりません。臨床試験のようなものです。そこは加速できません。」
Zhihu Qu · 私たちが訪ねたときのInsilico Medicineのロボット創薬研究室のエンジニア · 上海、2023年12月 · 翻訳

かんたんに言うと: 「PCC」とは前臨床候補、つまり科学者が試験に向けて先へ進めると決めた分子のことです。AIとロボットは、その初期の探索をずっと速くできます。でも、人で安全に薬を試すには、やはり必要なだけの時間がかかります。

AIで見つかった薬は、初期の安全性試験を通過している

研究者たちは、AIで見つかり、人での試験まで進んだ薬を調べました。おもに安全性を確かめる第1段階では、80〜90%が成功しました。ふつうより高い割合です。薬が効くかどうかを確かめはじめる第2段階では、約40%が成功しました。従来の方法で見つかった薬とほぼ同じです。この第2段階の数は、まだ少数です。

根拠: 企業の開発パイプラインのひとつの分析 · まだ始まったばかり [2]

AIは分子を設計するだけではありません。読むこともします。ロンドンで、生物老年学者のAvi Royが、なぜ科学者にその助けが必要なのかを話してくれました。

「こうした複雑な問題を解こうとする機械学習と計算の登場は、まちがいなく進むべき道です。もしあなたと私が今日PubMedを開いて、イギリスで今がだいたい2時だとして、昨夜の0時以降にPubMedに登録された論文だけを見たとしても、その14時間分の生物医学の論文を14時間で読み通すことはできません。だから月末、年末にどうなっているか想像してみてください。そのすべての論文からすべての価値を引き出して、何が再現できて何が再現できないのかを見きわめるなんて、いったいどうすればいいのでしょう。私たちには助けが必要です。絶対に助けが必要なんです。」
Avi Roy · 生物老年学者 · ロンドン、2024年7月 · 翻訳

かんたんに言うと: 毎日あまりに多くの新しい研究が出るので、だれもすべてを読むことはできません。AIは、そのなかから大切なもの、そして本当に信頼できるものを科学者が見つける手助けができます。

すべての病院にAIロボット研究室を

白衣とキャップとマスクを身につけ、ガラス張りの自動化された実験装置のあいだで、ロボットアームのそばに立つAlek。
上海のAIロボット研究室でのAlek Piotrowski、2023年12月。Live Beyond。

上海のあの研究室を歩きながら、私は驚きでいっぱいでした。こういう研究室は、研究のやり方を変えることができます。Insilicoのいちばんの強みとして多くの人が見ているのは、すべてを変える新薬を発見するだろうということだと思います。でも想像してみてください。こういう研究室が世界中のすべての病院に、せめてすべての大都市にあって、たがいにつながり、学び合えたらどうでしょう。それはとても大きな変化になります。

数日後、まだ上海にいたとき、自分のクリニックからすでにその研究室へ検体を送っている腫瘍学と長寿医療の医師Evelyne Bischofが、研究室とどう連携しているかを話してくれました。

「臨床の仕事に、ええ。［…］今はもちろん、まだ倫理審査で承認された試験という形です。でもこの速さで進めば、本当にもうすぐ、病院のなかに［…］AIロボットの小さな研究室をもてるところまで行けます。［…］もう検体を運ぶ必要はありません。［…］あなたが来て、私が生検をして、それをロボットに通すと、ロボットが仕事をして［…］1日以内に終わります。［…］そして明日には、あなたが使うべき薬が何かをお伝えできるんです。」
Evelyne Bischof · 腫瘍内科と長寿医療の医師 · 上海、2023年12月 · 翻訳

かんたんに言うと: 今は、患者さんの検体が研究室まで旅をして、また戻ってきます。Evelyneが願っているのは、病院のなかの小さなロボット研究室です。そうすれば翌日には、医師がその一人ひとりに合う薬がわかります。

それから私は、訪問以来ずっと考えつづけていたアイデアについてたずねました。こういう研究室が世界中の大学にあって、ひとつのデータベースでつながり、結果を比べ合うことです。彼女はこう答えました。

「まさにここにあるデータの力ですよね。だからもし、これを世界中のすべての病院で、あるいは世界のいくつかの病院だけでも行って、クラウドでつながり、すべての結果がアップロードされたら、何兆ものデータが手に入ります。そうすれば、とても珍しい患者さんがいても、そのデータを通して、クラウドのどこかでその人を特定できて、それでもその患者さんを助けられるんです。だから［…］それは、なるかもしれないではなく、とても強力な道具になります。長寿にとってもです。」
Evelyne Bischof · 腫瘍内科と長寿医療の医師 · 上海、2023年12月 · 翻訳

かんたんに言うと: ひとつの病院が診る希少な病気の患者さんは、ほんの数人です。つながった何千もの研究室ならその全員を見られて、力を合わせて一人ひとりを助けられます。

私にとって、それが未来です。世界中の研究室がともに学んだことから、ひとりの患者さんのためにつくられる治療。それはすべての国が投資し、みんなで一緒に取り組むべきことです。

タンパク質の形

長いひげをたくわえ、インタビュールームに座って話すAubrey de Grey。
Longevity Summit DublinでのAubrey de Grey、2023年8月。AlphaFoldとタンパク質の形についてのMarek PiotrowskiによるLive Beyondインタビュー。

タンパク質は、あなたの細胞のなかで仕事のほとんどをこなしている、小さな機械です。タンパク質が何をするかはその形で決まります。そして何十年ものあいだ、たったひとつのタンパク質の形を突きとめるのに、科学者は研究室で何か月も、ときには何年もかかっていました。

タンパク質の形を予測するプログラム

2021年、AlphaFoldというプログラムが、タンパク質の3Dの形をその構成要素から予測できることを示しました。ほとんどの場合、研究室の実験とほぼ同じくらい正確です。その無料データベースは今、2億1400万を超えるタンパク質の配列をカバーしています。2024年、Demis HassabisとJohn Jumperがこの業績でノーベル化学賞を受賞しました。コンピューターでまったく新しいタンパク質を設計するDavid Bakerとの共同受賞です。

根拠: 画期的な研究、公開データベース、そして2024年のノーベル賞 [1][4][5]

旅のいちばん最初の会議、ダブリンで、この分野の多くの人が「最初に自分をインスパイアしてくれた人」と呼ぶAubrey de Greyが、これがどれほど大きなことかを話してくれました。

「もちろん、だれもがAlphaFoldの話をします。アミノ酸の配列から出発するだけで、タンパク質の3次元構造を割り出せる、すばらしいプログラムです。それはすでに、20年あまり前にはじめてヒトゲノムを解読したときに見られたのと同じくらいの影響を与えています。それまで不可能だった実験を必ずしも可能にするわけではありませんが、多くの実験の設計と実施を、ずっと簡単で速いものにしてくれます。そして、これからもっとそれを目にするでしょう。この分野での自然な次の一歩は、タンパク質をゼロから設計できるようになることです。」
Aubrey de Grey · 生物医学的老年学者 · ダブリン、2023年8月 · 翻訳

かんたんに言うと: タンパク質の形を知ることは、鍵穴の形を知るようなものです。それがわかれば、ぴったり合う鍵、つまり薬を設計するのがずっと簡単になります。次の段階は、私たちが選んだ仕事をする新しいタンパク質を設計することです。

ワシントンでは、アメリカ食品医薬品局（FDA）で20年間科学者として働いたLarry Callahanが、こうしたプログラムはとても優秀だと認めたうえで、形はまだ始まりにすぎないと念を押しました。

「今では、タンパク質の構造を出してくれるよいAIプログラムがいくつかあって、とても優秀です。AlphaFoldと、AlphaFoldのあとに出てきた改良版です。だから今では、標的がどんな構造をしているかがわかります。［…］でも、ほかにもたくさんのことがあるんです。標的に向かうことだけではありません。薬は体のなかに入らなければならない。体に入るには、ときにはトランスポーターを通らなければならない。代謝の酵素をすべてくぐり抜けなければならないんです。」
Larry Callahan · アメリカ食品医薬品局（FDA）で20年間働いた科学者 · ワシントンDC、2024年6月 · 翻訳

かんたんに言うと: 鍵穴を見つけることが話のすべてではありません。薬は体のなかを旅して、必要な場所にたどり着き、その途中で有害なものに変わってはいけません。だからこそ、人での試験は今も大切なのです。

画像検査、検査、老化時計を読む

夕暮れの屋外で、ダークなジャケットを着て両手で説明するMahdi Moqri。
ボストン、ハーバードでのMahdi Moqri、2024年11月。AIと老化のバイオマーカーについてのMarek PiotrowskiによるLive Beyondインタビュー。

AIは、医師が読むものを読むことも学んでいます。マンモグラフィ、MRI、心電図、血液検査。決して疲れることがなく、目には小さすぎるパターンにも気づけます。

より多くのがんを発見し、医師の仕事は減る

スウェーデンでは、80,033人の女性が無作為に、2人の医師によるいつものマンモグラフィの読影か、AIが画像を仕分けて疑わしい部分を示す読影のどちらかを受けました。AIがあると、医師は誤った警報を増やすことなく20%多くのがんを見つけ、読んだ画像は44%少なくなりました。

根拠: 人を対象にした大規模なランダム化試験 [3]

心電図から読み取る、あなたの心臓の年齢

499,727人の患者の心電図（ECG）で学習したAIは、その人が何歳かを推定できるようになりました。心臓が実際の年齢より7歳以上老けて見えた人は、高血圧、心臓の動脈の狭まり、心臓の拍動の弱まりといった心臓の問題を抱えていることが多かったのです。

根拠: 患者を対象にした大規模な研究 [6]

生物学的年齢を推定する検査である老化時計も、同じようにつくられています。たくさんの人のデータからコンピューターが学ぶのです。（老化時計についてはまるごと1ページ書きました。生物学的年齢はひとつではない。）ボストンでは、ハーバードでこうしたバイオマーカーをつくっているMahdi Moqriが、ここでAIがなぜこれほど大切なのかを話してくれました。

「バイオマーカー、そして老化のバイオマーカーの分野にとって、いちばんのよい知らせは、今ではとても多くのデータがあることかもしれません。新しい巨大コホートや全国規模のバイオバンクが膨大なマルチオミクスを生み出していて、そのオミクスのひとつひとつが、1回の採血ごとに何千もの測定値なんです。そしてそれを、古い方法や統計的な方法では処理できません。そのすべてのデータから私たちを救うために、AIがここにあるんです。［…］データはある、解決策もある。このデータを掘り下げるための、よりよい道具が必要なだけです。そしてAIは、それを助けてくれると期待されています。」
Mahdi Moqri · 老化バイオマーカーの研究者、ハーバード・メディカルスクール · ボストン、2024年11月 · 翻訳

かんたんに言うと: 今では1回の血液検査から何千もの数値が得られます。AIは、それを整理して、私たち一人ひとりがどう老いているのかを数値から読み取れる道具なのです。

知っておきたい言葉

機械を知るための3つの言葉

用語集から。カードをタップするとめくれます。裏には科学と、それを教えてくれた人たちの言葉があります。

No. 11 / 66ふだんのことば

生物学的年齢

誕生日を何回迎えたかではなく、あなたの体が何歳なのか。

No. 11 / 66ふだんのことば

生物学的年齢

同じ年に生まれた2人でも、体の中では何年も違うことがあります。生物学的年齢は、血液のマーカー、DNAのスイッチのオン・オフのされ方、筋力や体力のテストから推定されます。誕生日とは違って、これは動かせます — どちらの方向にも。 続きを読む →

エピジェネティック・クロックそれを考案したSteve Horvath
No. 12 / 66ふだんのことば

老化のバイオマーカー

どこかが痛むずっと前に、あなたがどれくらいの速さで老化しているかを示してくれる、今日測れるもの。

No. 12 / 66ふだんのことば

老化のバイオマーカー

続きを読む →

「老化はひとつのものではありませんし、単純になることも決してありません。いつだって、人によって違うものになるんです。」

Nikolina Lauc · ロンドン、2024年7月
レベル 04 · 予防の架け橋
マップのレベル04エピジェネティック・クロック
No. 20 / 66ふだんのことば

予防

治療を待つのではなく元気でいつづける、予防こそが王様です。

No. 20 / 66ふだんのことば

予防

スクリーニング、ゲノミクス、画像検査、バイオマーカーは、問題をまだ小さく、治療の負担も少なく、自分で決められるうちに見つけてくれます。ほとんどの医療制度はいまだに病気を治すためにつくられていて、何かが壊れてから動きますが、長寿はそれを、健康を守る医療へと変えます。 続きを読む →

レベル 04 · 予防の架け橋
マップのレベル04私たちが訪ねたクリニック

AIにまだできないこと

植物のそばのアームチェアで笑うGuido Kroemer。
シンガポールでのGuido Kroemer、2024年2月。彼の研究室がAIをどう使っているかについてのMarek PiotrowskiによるLive Beyondインタビュー。

AIを使って働く科学者のほとんどが、ひと息に2つのことを言いました。AIは強力だ、そして魔法ではない、と。旅でシンガポールへの扉を開いてくれた友人で、AIを使って脂質（体のなかの脂肪）と老化を研究しているMax Unfriedが、いちばんうまく言い表してくれました。

「AIは言語を理解できるし、画像を理解できるし、化学の基本的なルールもある程度理解できます。だから、そういうとても範囲のせまい仕事では、いわばかなり強力だと思います。同時に、AIを何にでも投げこむことについては、それほど楽観的ではありません。AIは流行り言葉のように使われていますよね。そして同時に、今ある強力なAI、たとえばソーシャルメディアを理解するのにとても役立ってきたAIは、大量のデータを必要とします。私の個人的な考えでは、老化に関係する多くのことについて、私たちはまだそれだけの量のデータをもっていません。だから、ええ、そこにAIを投げこめば何かは返ってきます。でもデータが不十分なら、それはおそらく正しくないし、もしかするとまちがってさえいる。そこは少し慎重にならなければいけないと思うんです。よいAIモデルはすばらしいけれど、その力を最大限に引き出すには、本当に質の高いよいデータが大量に必要です。」
Max Unfried · 科学者、老化のバイオマーカー · ダブリン、2023年8月 · 翻訳

かんたんに言うと: AIは、たくさんの例を見たことのある、範囲のせまい仕事がとても得意です。データが少なすぎたり、質が悪かったりしても答えは返ってきます。でも、その答えはまちがっているかもしれません。

ダブリンでの最初の日から家族のように感じられたBrian Kennedyは、Alekに別の問題を話してくれました。（彼が話していた大学院生のひとりはMaxでした。）

「今ではAIをずっとたくさん使っています。ちょっとおかしな話で、AIについては私よりずっとくわしい大学院生がいるんです。［…］AIのおかげで、私たちは本当に新しい場所へ行き、大きなデータを分析して、新しい知見を得られるようになっています。［…］AIを使えば、そうした経路をすべて一緒に分析できて、答えを出してくれる。でもときにはそれがもどかしいこともあります。なぜその答えが正しいのかがわからないからです。それが答えだというだけで、何が起きているかのしくみを理解するという意味では、それほど満足できない。だから今、意味のあるAIを目指す動きがあります。それが何を意味するのかはまだよくわかりませんが、うまくいってほしいと思っています。私たちには答えだけでなく、なぜそれが答えなのかを理解することも必要だと思うからです。だから、AIと従来のウェットラボの科学を少し組み合わせる必要があるんです。」
Brian Kennedy · 長寿の生物学者 · ダブリン、2023年8月 · 翻訳

かんたんに言うと: AIは、なぜそうなのかを説明できないまま答えを出すことがあります。科学者がほしいのは答えと理由の両方です。だから、AIのアイデアを本物の実験で確かめるのです。

プログラムがまちがった教訓を学ぶとき

アメリカの医療機関が、だれに追加のケアを提供するかを決めるのに使っていたプログラムは、その人の健康にどれだけお金が使われたかで、どれほど病気が重いかを判断していました。同じ必要性をもつ黒人の患者には使われたお金が少なかったため、プログラムは彼らの病気の重さを低く見積もっていました。これを直すと、追加の支援に選ばれる黒人の患者の割合は17.7%から46.5%に上がったはずでした。

根拠: 広く使われているプログラムについてのひとつの研究 [7]

老化の特徴（Hallmarks of Aging）の著者のひとりであるGuido Kroemerは、毎日自分の研究室でAIを使っています。シンガポールで、覚えておきたいひとことをくれました。

「私たちは研究室で、たくさんの問いに人工知能を使っています。人工知能によって3次元空間でモデル化された分子をドッキングさせたり、分子モデリングの計算をしたりします。大きなデータセットを生み出し、その一部はAIと結びついたバイオインフォマティクス解析にかけられます。画像解析もします。試験管のなかでさまざまにふるまう細胞の写真や動画を撮って、その情報をAIの道具を使って活用するんです。だからそれは人工知能です［…］少なくとも人工知能と呼ばれています。でもそれは、役に立つためには本物の知性が必要な、ただの道具なんです。」
Guido Kroemer · 「老化の特徴（Hallmarks of Aging）」の共著者 · シンガポール、2024年2月 · 翻訳

かんたんに言うと: AIは、顕微鏡のような道具です。何を問えばいいか、そして答えをどう確かめればいいかを知っている人の手のなかで、はじめて役に立つのです。

あなた自身の健康データ、そしてそれはだれのものか

背の高い植物のあるインタビュールームで、小さなテーブルをはさんで話すMarekとTina Woods。
Longevity Summit DublinでのMarek PiotrowskiとTina Woods、2023年8月。私たちの健康データはだれのものかについてのLive Beyondインタビュー。

私は、人が自分の医療データを理解する手助けをするプラットフォームがほしいと強く思っています。クリニックでの大きな検査結果だけでなく、毎日のデータもです。助けがないと、人はそのデータに振りまわされてしまうからです。私たちの多くは、何年ものあいだにあちこちの医師から受けた血液検査や画像検査やメモをもっています。そして今は、腕時計や指輪から毎分のように数字が届きます。それなのに、そのほとんどを理解できていません。

ウェアラブルの画面が、何が起きているかを1分ごとに教えてくれる必要はありません。Marek、あなたは今走っています。走っていることは自分でわかっています。私が望むのは、ウェアラブルがそのデータをひとつのプログラム、私だけのパーソナルAIに送り、そのAIが私のすべてのウェアラブルとすべての医療データからパターンを学んで、すぐに行動に移せるアドバイスをくれることです。月末には、私がこの1か月何をしたかを教えてくれて、本当に違いを生むひとつの変化をすすめてくれる。それこそが大切なことです。

そこで、これはすべてだれのものなのか、という問いが出てきます。旅の最初のころのダブリンで、長寿の活動家で、まさにエネルギーのかたまりのような人、Tina Woodsがこのことを話してくれました。

「いわばデジタルバイオマーカーや、データを受け身で集めることの分野がまるごとあります。もちろん私たちには腕時計がありますから。こうしたセンサーがすべてあって［…］そしてもちろん、プライバシーなどについての人々の不安に向き合わなければなりません。［…］たとえば、私は個人のデータウォレットにとても興味があります。ワンクリックで、だれとデータを共有するかを本人が決められるしくみです。［…］大規模にデータを共有できる力を支える法律や規制が必要です。だから私は、データの寄付やデータのフィランソロピーといった考え方に本当に惹かれています。一般の人たちが大規模な科学研究プロジェクトに参加できて、データにもっとアクセスできるようになることで、企業の成長も後押しされるんです。」
Tina Woods · 長寿の活動家、Collider Health創業者 · Longevity Summit Dublin、2023年8月 · 翻訳

かんたんに言うと: あなたの腕時計、検査、画像検査は、あなたについてのデータを生み出します。それをだれが見るかを決めるのは、あなたであるべきです。そして望むなら、みんなの役に立つように、それを科学に提供することもできます。

「匿名」のデータが、いつも匿名とはかぎらない

研究者たちは、名前を消したデータでも、年齢、性別、婚姻状況のようなありふれた情報が15項目あれば、アメリカ人の99.98%を正しく特定し直せることを示しました。

根拠: ひとつのモデル研究 [8]

健康についての質問に答えるAIアシスタントも、もう登場しています。検査結果をやさしい言葉で説明してくれるのは、すばらしいことです。でも、自信たっぷりに聞こえても、まちがっていることがあります。そして入力した内容が保存されるかもしれません。どれかを信頼する前に、自分に問いかけたいよい質問を挙げておきます。

喜びはどこに

サンタモニカの海辺で、ヤシの木の下を一緒に歩くAlek、Peter Diamandis、Marek。
ロサンゼルス、サンタモニカでMarek PiotrowskiとAlek Piotrowskiと一緒に歩くPeter Diamandis、2025年12月。AIと意識あるリーダーシップについてのLive Beyondの対話。

このすべてのなかにある喜びは、時間です。読むこと、仕分けること、書類仕事を機械が引き受ければ、私たちを支えてくれる人たちは、その手と心を取り戻せます。上海で、腫瘍学と長寿医療の医師Evelyne Bischofに、いつかAIのおかげで1日4時間だけ働けるようになるといいですね、と言いました。彼女は笑って、それからこう言いました。

「AIが、書類仕事から事務作業まで、ただ時間がかかるだけのことから重荷を大きく取り除いてくれる解決策を本当にもたらしてくれることを、心から願っています。それを取り除けたら、私はハイテクからハイタッチへと移って、もっと患者さんと時間を過ごして調整できるし、自分自身と自分の長寿のための時間ももっととれる。そうなったら、本当にすばらしいです。」
Evelyne Bischof · 腫瘍内科と長寿医療の医師 · 上海、2023年12月 · 翻訳

かんたんに言うと: 夢はロボットの医師ではありません。あなたのための時間を、そして自分自身の長く健康な人生のための時間を、もっともてる医師です。

そして、AIが若い人たちに開く道にも喜びがあります。ダブリンでAlekがAndrea MaierにAIについてたずねると、彼女はどんなティーンエイジャーにも役立つキャリアのアドバイスをくれました。

「長寿医療は今、まず自分たちでデータを処理しなければならない段階にあると思います。データが意味をなしているか、データがよいものか、生理学的に意味があるかを確かめなければならないからです。でもそのあとは、データの処理を少し楽にしてくれる正しいアルゴリズムを本当に書かなければなりません。そこで人工知能は、本当に大きな、大きな役割を担っています。だから、もしキャリアを考えているなら、医学を学んで、健康と長寿の医療の道に進み、健康と長寿の医療の医師になるといいでしょう。そして本当に賢いなら、両方やりなさい。人工知能も学んで、それを組み合わせる。そうすれば未来はあなたのものです。」
Andrea Maier · 医学教授 · ダブリン、2023年8月 · 翻訳

かんたんに言うと: データを理解する医師と、体を理解するデータの専門家。長寿医療の未来は、そこで築かれています。

サンタモニカの海辺をPeter Diamandisと歩きながら、私は自分の考えを伝えました。

「私はよく、いちばん大切なことは2つあって、AIはただの道具だと言っています。ひとつ目は長寿です。この美しい人生をより長く生きて、こうした感情を味わえるように。でも2つ目は、意識あるリーダーシップです。私たちがすることのすべて、私たちが生み出せるテクノロジーのすべてを、悪いことではなく人類のためによいことに使うこと。そしてこれこそが、実はいちばん難しい課題なんです。」

Longevity MapのなかのAI

ラディカルな寿命延長AIは、ラディカルな寿命延長の背後にある科学を加速させます。新しい薬、タンパク質の設計、そしていつか老化を遅らせたり逆戻りさせたりするかもしれない治療です。予防の架け橋AIで画像検査、検査、老化時計を読むことは、予防の架け橋です。まだ手を打つ時間があるうちに、問題を早く見つけることです。ムーブメントをつくる私たちのデータがだれのものか、そしてそれを科学と共有するかどうかは、私たちがみんなで決めることです。それがムーブメントをつくることです。

何かを変える前に

このページは、研究と、私たちが出会った専門家が語っていることをお伝えするものです。医療上の助言ではなく、どの薬・サプリメント・治療もおすすめするものではありません。このページはあなたのことを何も知りません。何かを始めたり、やめたり、変えたりする前に、特に妊娠中の方、持病のある方、薬を飲んでいる方は、必ず医師に相談してください。緊急の場合は、救急番号（日本では119）に電話してください。

出典

このページの数値はすべて、角かっこ内の番号の出典に基づきます。引用はLive Beyondが英語で収録したインタビューからのもので、ここでは日本語に訳し、言いよどみだけを整えています。 医療上の助言ではありません。何かを変える前に医師に相談してください。

  1. Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596(7873):583-589. doi:10.1038/s41586-021-03819-2
  2. Jayatunga MKP, Ayers M, Bruens L, Jayanth D, Meier C. How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons. Drug Discov Today. 2024;29(6):104009. doi:10.1016/j.drudis.2024.104009
  3. Lång K, Josefsson V, Larsson AM, et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol. 2023;24(8):936-944. doi:10.1016/S1470-2045(23)00298-X
  4. Varadi M, Bertoni D, Magana P, et al. AlphaFold Protein Structure Database in 2024: providing structure coverage for over 214 million protein sequences. Nucleic Acids Res. 2024;52(D1):D368-D375. doi:10.1093/nar/gkad1011
  5. The Nobel Prize in Chemistry 2024: David Baker “for computational protein design”; Demis Hassabis and John Jumper “for protein structure prediction”. NobelPrize.org, Nobel Prize Outreach AB, announced 9 October 2024.
  6. Attia ZI, Friedman PA, Noseworthy PA, et al. Age and sex estimation using artificial intelligence from standard 12-lead ECGs. Circ Arrhythm Electrophysiol. 2019;12(9):e007284. doi:10.1161/CIRCEP.119.007284
  7. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447-453. doi:10.1126/science.aax2342
  8. Rocher L, Hendrickx JM, de Montjoye YA. Estimating the success of re-identifications in incomplete datasets using generative models. Nat Commun. 2019;10(1):3069. doi:10.1038/s41467-019-10933-3