【解説】英国Sovereign AIの創薬支援｜物理AIと計算100倍化

英国政府が、物理駆動型AI創薬の新星「Potential Sciences」へ異例の大型支援を発表しました。国家ファンドによる出資に加え、国家スパコン「Isambard-AI」の計算資源を丸ごとパッケージで提供する「Cash + Compute（資金＋計算インフラ）」モデルです。

ウェット実験データの枯渇が囁かれるAI創薬の世界で、なぜ英国は「物理シミュレーション」に国家の命運を賭けたのか。発表の一次情報をもとに、技術的特異点、グローバル競合との構造的違い、そして日本の素材・製薬産業やエンジニアが直面する課題を読み解きます。

1. 英国政府が主導する「Cash + Compute」の衝撃

2026年11月5日、英国の内閣府およびビジネス・イノベーション・科学・貿易省は、国内発のディープテックスタートアップ「Potential Sciences」への支援を公表しました。

支援スキーム: 8桁ポンド（1,000万ポンド〜規模）のシード資金調達ラウンドへの直接出資に加え、国家AI研究リソース（AIRR）の中核であるスーパーコンピュータ「Isambard-AI」への優先アクセス権を供与。
強力な投資家・アドバイザー陣: Twin Path VenturesやNauta Capitalをはじめとする欧州VC群に加え、パトリック・コリソン（Stripe共同創業者）やクリス・ギブソン（Recursion共同創業者・元CEO）ら業界の大物が個人出資者として名を連ねています。
政策的な狙い: 秋季予算案で1億4,000万ポンドが追加充当された国家ファンド「Sovereign AI」による案件であり、英国内で生まれた頭脳と知財を米国メガテックに流出させず、国内に定着させるための「国家アンカー」としての役割を担っています。

2. 量子化学をGPUネイティブに再設計するパラダイムシフト

これまでのAI創薬は、過去数十年かけてウェットラボで蓄積された構造データ（PDBなど）や活性データをモデルに学習させるアプローチが主流でした。しかし、この「実験データ模倣型」には大きな壁が存在します。実験データのない希少疾患や未踏のケミカルスペースでは、学習データそのものが存在しないという点です。

元Graphcore幹部であるCEOのHatem Helal氏率いるPotential Sciencesは、この常識を真っ向から覆しました。

「AI創薬は、既存の実験記録から学べることのほぼすべてを学習し尽くした。次の跳躍には新しいデータが必要であり、ソフトウェアが最新ハードウェアを活かしきれさえすれば、物理法則がそれを供給してくれる」

—— Hatem Helal（Founder & CEO）

同社はハートリーフォック法や密度汎関数法（DFT）といった電子状態計算ソルバーを、最新GPUの超並列・広帯域アーキテクチャに合わせてゼロから再実装しました。その結果、従来は専用データセンター規模の計算リソースを要した第一原理計算を、従来の約100倍の計算効率で実行することに成功。実験データを待たずして、物理法則から高精度な合成データを生み出し、がんやパーキンソン病などの難治性疾患の候補分子を探索する基盤を確立しています。

3. グローバル競合分析：アプローチの決定的な違い

創薬・材料探索の最前線では、プレイヤーごとに取るべきアーキテクチャが明確に分かれています。

企業名	拠点	主要アプローチ	計算リソース	強み	ボトルネック・課題
*Potential Sciences(英Sovereign AI支援先)***	英国	物理・第一原理駆動型量子化学ソルバーをGPU向けに再設計	国家スパコンIsambard-AI（NVIDIA GH200等）優先割当	実験データのない未踏分子の探索、計算コスト1/100化	シミュレーション結果を検証する自動ウェットラボ連携
*Isomorphic Labs(Alphabet傘下)***	英国	表現学習・深層学習型AlphaFold系基盤モデルによる複合体予測	Google Cloud / 自社専用TPUクラスタ	既知のタンパク質・結合ポケットにおける圧倒的な構造予測	学習データ分布外（OOD）の分子反応性や量子効果の予測限界
Recursion Pharmaceuticals	米国	自動実験量産型ロボティクスによる細胞表現型データの大量取得	上場資本＋自社スパコン「BioHive」	実測値に基づく生体応答データの直接的なフィードバック	実験インフラ・試薬の巨額コストと物理的なスループット上限
*日本の先進群(Matlantis)***	日本	汎用原子シミュレータ型第一原理計算×ニューラルネットワーク力場	ABCI、富岳、民間クラウド	固体物性・材料探索における高速スクリーニングの実用化実績	国家ファンドによる「出資＋独占計算枠」一体型支援モデルの不在

4. 導入実績とプロジェクトの現在地

開発ステージ: 現在はシード期（初期研究開発フェーズ）に位置します。
実証基盤: ブリストル大学に配備されたHPE Cray EX・直接液冷アーキテクチャのスパコン「Isambard-AI」上で、大規模分散スケーリングとモデル学習を本格稼働させています。
商業パイプライン: 臨床試験の最終段階ではなく、がんや希少疾患などを対象とした探索アルゴリズムの基盤構築を進めている段階です。なお、毒性予測の反転利用（デュアルユース）リスクに配慮し、モデルのオープンソース化や収益モデルについては慎重な議論が続けられています。

5. 日本の産業と技術エコシステムへの示唆

英国発のこの動きは、日本のテック業界および政策決定層に3つの重要な問いを投げかけています。

① 「高品質な実験データ」という日本の強みが陳腐化するリスク

日本には武田薬品工業や第一三共などのメガファーマ、信越化学工業や三菱ケミカルなどの素材大手が長年培ってきた、世界トップクラスのウェット実験データが存在します。しかし、海外勢が「物理シミュレーションをGPU上で超高速に回し、未踏の分子空間を安価に探索する」基盤を完成させた場合、実験データの蓄積量に依存してきた日本のすり合わせ型アプローチは、探索スピードと網羅性で圧倒される懸念があります。

② 「補助金貸与」から「Sovereign VC」への転換

日本の「GENIAC（経済産業省/NEDO）」や「ABCI（産総研）」は、スタートアップへの計算枠支援において大きな成果を上げていますが、基本設計は補助金や一時的なリソース貸与にとどまります。英国のSovereign AIのように、「政府が直接株式を取得してリターンを国に還流させつつ、国家スパコンをリザーブして成長を担保する」資本参加型モデルは、日本がディープテックを世界水準へ引き上げるための強力なベンチマークとなります。

③ 「HPC × 物理ドメイン × AI」をつなぐ越境エンジニアの枯渇

国内では「LLM開発を担うWeb/AIエンジニア」「スパコンでFortran/Cコードを回す古典的HPC研究者」「創薬のウェット研究者」の3者が分断されがちです。Potential Sciencesの強みは、アルゴリズムの数理とGPUのハードウェア特性（メモリ帯域や並列度）を熟知し、量子化学を低レイヤから書き直した点にあります。この境界領域を実装できるエンジニアの育成と処遇が、国内各社の競争力を決定づけます。

6. エンジニアが取るべき次の一手

幾何学的深層学習と物理組込AIの実装力: E(3)/SE(3)等変ニューラルネットワーク（EGNN）やPINNs（Physics-Informed Neural Networks）など、物理法則の対称性を組み込んだモデル設計をキャッチアップする。
GPUネイティブな低レイヤ最適化: 高水準APIの利用にとどまらず、Triton、JAX、CUDA C++を用いて共有メモリやテンソルコアを限界まで使い倒す並列化・メモリアクセス最適化を武器にする。
自律型実験ラボ（Self-Driving Lab）の設計: シミュレーション推論結果を自動合成・分注ロボットへAPI経由で渡し、実験結果を能動学習（Active Learning）ループで計算モデルへ即座に還流させるMLOps環境を構想・主導する。

英Sovereign AIの創薬スタートアップ支援とは？Potential Sciences出資の公式発表から読み解く競合比較と日本への影響

1. 英国政府が主導する「Cash + Compute」の衝撃

2. 量子化学をGPUネイティブに再設計するパラダイムシフト

3. グローバル競合分析：アプローチの決定的な違い

4. 導入実績とプロジェクトの現在地