Takeshi Ikemoto

医療 × 経営 × テクノロジー

·note記事··医療AI Founder Playbook

Lila Sciences

医療AIMedicine, Materials, Energy, Defense

1. Startup Fact Sheet

2. Founder Story & Founder-Market Fit

Lila Sciences の Co-Founder & CEO は Geoffrey von Maltzahn, PhD [4]。Flagship Pioneering のプレスリリースでも同職が確認できる [5]。

John Kim（President, Corporate Development）、Andrew Beam, PhD（CTO）、Tommaso Biancalani, PhD（SVP, Generative Biology）など、AI・事業開発・生物科学の専門家がリーダーシップを担う [4]。

「Scientific Superintelligence™ (科学的超知能)」という広範なビジョンと、「Medicine, Materials, Energy, Defense」という多岐にわたる対象市場 [1, 3] に対応するためのFounder-Market Fitを示している。

特に、AI技術、事業開発、そして生物科学という異なる領域の専門家が結集していることは、AIと自律型ラボを統合した「Operating System for Science」というLilaのプロダクトコンセプト [1] を実現するための不可欠な要素であると読み取れる。

Lila Sciencesは、AI研究者 Rich Sutton の論考 「The Bitter Lesson（苦い教訓）」——人間が知識を細かく作り込むより、計算とデータで自ら学ぶ仕組みのほうが最終的に勝つ、という考え方——に触発されている。専門家の知識を一つひとつプログラムに書き込む（ハードコーディングする）のではなく、システム自身が学習する 形を目指す思想 [3] を掲げている。

この哲学は、特定のドメインに特化せず、単一の汎用プラットフォームを通じて科学的発見を加速するというLilaの戦略の根幹をなしている [3]。

3. Deep Dive Analysis

#### Pain & Solution Lila Sciencesは、現代の科学研究が直面する以下の切実な課題を解決している構造が読み取れる。

1. 研究開発サイクルの非効率性: 従来の科学研究では、仮説生成、実験設計、実験実行、データ解析、学習というプロセスが手動またはサイロ化されたツールによって行われるため、時間とコストがかかり、発見までのサイクルが遅い [1, 3]。 2. 実験のスケールと速度の限界: 人間が行う実験には物理的な限界があり、大規模かつ高速な実験を繰り返すことが困難である [1]。 3. データと知識の断片化: 膨大な科学論文や実験データが散在し、それらを統合的に学習・活用することが難しい [1]。

Lila Sciencesは、「Scientific Superintelligence™」というAIモデルと、自律型ラボである「AI Science Factory™」を統合した「Operating System for Science」を提供することで、これらの課題を解決している [1]。

具体的には、AIが仮説を生成し、実験を設計し、AI Science Factory™が自律的に実験を実行して新たなデータを生成する。そして、そのデータからAIがリアルタイムで学習し、次の仮説生成に繋げるという閉ループシステムを構築している [1]。

このシステムは、研究開発プロセス全体を自動化・加速し、科学的発見の速度とスケールを大きく高める価値を提供している [1]。特に「faster discovery for every field where breakthrough science matters」という記述 [1] は、この解決策がもたらす主要な価値を示している。

#### これまでの主な成果（※査読前・自社/報道ベース）

Lila は概念段階にとどまらず、自律ラボでの early proof of concept を複数公表している。ただし、いずれも査読論文ではなく、自社発表・報道に基づく点に留意が必要（第三者による独立検証はまだ限定的）。

ライフサイエンス（医療） [5][6] - さまざまな治療標的に対し、新規の抗体・ペプチド・バインダー（標的に結びつく分子）を多数、発見・検証 - 市販品を上回る性能とされる mRNA 構造体 の設計

化学・エネルギー [5][6] - グリーン水素の製造に使う 非白金触媒（高価な白金を使わない触媒）の発見 - 工業規模の 炭素回収（CO₂ 吸収）用の新材料（吸収量・熱安定性などが既存品を上回るとする）

スケールと評価 - 生物・化学・材料の領域で 数十万回規模の実験 を自律ラボで実施したと主張 [6] - CNBC Disruptor 50（2026）25位、Fast Company「最も革新的なAI企業」Top 10（2026） [6]

成果の幅（医療・化学・材料）は、単一分野特化ではなく 汎用プラットフォーム を標榜する同社の方向性と一致する。一方、臨床成果や承認済み製品の段階には至っておらず、評価は「初期実証」の域にある。

#### Unit Economics & Monetization Lila Sciencesの価格体系や収益モデルに関する具体的な公開情報はない。しかし、対象市場が「Medicine, Materials, Energy, Defense」というエンタープライズ領域であること [3]、および「Scientific Superintelligence™はあなたのプログラム、あなたの科学者、そしてあなたの最も重要な発見課題に貢献します」という記述 [1] から、B2B（Business to Business: 企業間取引）モデルであることが強く示唆される。

この事実 [1, 3] を踏まえると、以下の収益構造が読み取れる。 - ライセンス費用/サブスクリプションモデル: 「Operating System for Science」という基盤システムを提供することから、高額な初期導入費用と、継続的な利用に対するサブスクリプション型のライセンス費用が考えられる。これは、顧客企業の研究開発部門全体で利用されることを想定しているため、ユーザー数や利用規模に応じたティア制が採用される可能性がある。 - 従量課金モデル: AIによる仮説生成の回数、自律型ラボでの実験実行時間や回数、処理するデータ量など、利用量に応じた従量課金が組み合わされる可能性もある。これにより、顧客は利用状況に応じてコストを最適化できる。 - 共同研究・開発契約: 特に新薬開発や新素材開発など、特定の発見課題解決に向けた共同研究や、カスタマイズされたソリューション提供に対する契約モデルも考えられる。 - 運用・保守サービス: 自律型ラボである「AI Science Factory™」は物理的なアセットであるため、その設置、運用、メンテナンス、アップグレードに対するサービス費用も収益源となる構造が読み取れる [1]。

原価構造としては、高度なAIモデルの開発・運用コスト（GPU（Graphics Processing Unit: 画像処理装置）などの計算資源、データサイエンティストの人件費）、自律型ラボの構築・維持コスト（ロボティクス、センサー、実験装置、施設維持費）、そして各分野の専門家によるサポート費用などが主要な要素となると考えられる。

#### Data Strategy & Moat Lila Sciencesのデータ戦略と競合優位性（Moat）は、「Scientific Superintelligence™」というAIモデルと「AI Science Factory™」という自律型ラボの統合によって構築されている [1]。

「LILA has created the world's first Operating System for Science powered by Scientific Superintelligence™」という記述 [1] から、Lilaは科学データ全般を対象としていることが読み取れる。

このシステムは、AIによる仮説生成、実験設計、AI Science Factory™による実験実行、そしてそこから得られる新たなデータのリアルタイム学習という閉ループを形成している [1]。この事実 [1] は、以下の点で強力な参入障壁を生み出していることを示している。

1. 独自のデータ生成能力: 多くのAI企業が既存データセットに依存する中、Lilaは自律型ラボを通じて、これまでに存在しなかった新たな実験データを継続的に生成・収集できる [1]。この独自データは、モデルの学習と改善に不可欠であり、他社が容易に模倣できない独自のデータ資産となる。 2. 学習ループによる性能向上: 新たに生成されたデータがリアルタイムでAIモデルにフィードバックされ、モデルの性能が継続的に向上する [1]。この学習ループは、利用すればするほどシステムが賢くなるというネットワーク効果を生み出し、「LILA consistently outperforms other models across scientific domains」という主張 [1] の根拠となっている。 3. ソフトウェアとハードウェアの統合: AIモデルというソフトウェアだけでなく、自律型ラボという物理的なハードウェアを開発・運用していることは、単なるソフトウェア企業には真似できない複雑性と投資を伴う [1]。このソフトウェアとハードウェアの深い統合は、システムの性能と信頼性を高め、強力な競合優位性となる。

これらの事実 [1] から、Lila Sciencesは、単に既存のデータを分析するだけでなく、自らデータを生成し、学習する能力を持つことで、データ量と質の両面で持続的な競争優位性を構築している構造が読み取れる。

#### Regulation Hack Lila Sciencesは「Medicine, Materials, Energy, Defense」という多岐にわたる対象市場 [3] を掲げており、これらの分野はそれぞれ固有の厳格な規制が存在する。Lilaが「Operating System for Science」という汎用プラットフォームを提供している事実 [1, 3] は、規制障壁を突破または回避するための戦略を示している。

1. 直接的な規制対象の回避: Lilaは「Scientific Superintelligence™はあなたのプログラム、あなたの科学者、そしてあなたの最も重要な発見課題に貢献します」と述べている [1]。この記述から、Lilaは特定の最終製品（例: 医薬品、兵器、エネルギー生成装置）を直接開発・販売するのではなく、顧客企業の研究開発プロセスを加速するためのツールや基盤システムを提供する立ち位置を取っていることが読み取れる。 これにより、例えば医療分野におけるFDA（米国食品医薬品局）やPMDA（医薬品医療機器総合機構）のような最終製品承認に関する規制の最前線から一歩引いた位置で価値提供を行っている構造が読み取れる。顧客がLilaのシステムを利用して開発した製品は、顧客自身が各国の規制当局の承認プロセスに乗せる必要があるが、Lila自身が直接全ての規制対象となることを一部回避している。 2. 自律型ラボの安全規制対応: 「AI Science Factory™」という自律型ラボの運用には、各国・地域における労働安全衛生規制、環境規制、化学物質管理規制などが適用される [1]。これらの規制に対応するためには、ラボの設計、運用プロトコル、廃棄物処理などにおいて厳格な安全基準を満たす必要がある。 Lilaがこれらの規制にどのように対応しているか具体的な情報は公開されていないが、物理的なシステムである以上、これらの規制への対応は不可欠である。特に、防衛分野での利用を想定していること [3] は、輸出管理規制（Export Control Regulations）や国家安全保障に関わる厳格な規制への対応が求められることを示している。 Lilaがこれらの規制をクリアするためには、顧客との契約において責任範囲を明確化するか、あるいは自社で規制対応の専門チームを抱えている可能性がある。 3. データプライバシー規制への対応: 科学データには個人情報や機密情報が含まれる場合があるため、GDPR（General Data Protection Regulation: 一般データ保護規則）やCCPA（California Consumer Privacy Act: カリフォルニア州消費者プライバシー法）などのデータプライバシー規制への準拠が求められる。 Lilaが「Operating System for Science」として多様なデータを扱う以上、これらの規制に対応するためのデータ管理ポリシー、セキュリティ対策、匿名化技術の導入が不可欠である。

これらの事実から、Lila Sciencesは、汎用プラットフォームとしての立ち位置を維持しつつ、物理的システムやデータが絡む規制に対しては、顧客との連携や自社での専門的な対応を通じて、障壁をクリアする戦略を取っていることが読み取れる。

#### Competitive Edge (vs Rivals) Lila Sciencesの主要な競合優位性は、既存の代替手段や競合他社に対する戦略的な差異に明確に表れている。

1. 汎用プラットフォーム戦略 vs ドメイン特化型アプローチ: 多くのAIスタートアップが特定の科学分野（例: 創薬AI、材料探索AI）や特定のタスク（例: 分子シミュレーション、画像解析）に特化しているのに対し、LilaはRich Suttonの「The Bitter Lesson」に触発され、「単一の汎用プラットフォーム」として「Scientific Superintelligence™」を構築している [3]。 この事実は、Lilaが特定のドメイン知識をハードコーディングするのではなく、AIが自律的に学習し、多様な科学分野に応用可能な汎用的な知能を目指していることを示している [3]。これにより、Lilaは複数の分野で同時に価値を提供できるため、個々のドメイン特化型ソリューションに対する広範な競争優位性を持つ。 2. AIと自律型ラボの統合 vs ソフトウェアのみのソリューション: Lilaは、AIモデルである「Scientific Superintelligence™」と、物理的な自律型ラボである「AI Science Factory™」を統合した「One Mind. One System.」というアプローチを採用している [1]。これは、AIによる仮説生成から、物理的な実験実行、データ収集、リアルタイム学習までを一貫して行うことを可能にする [1]。 多くの競合がソフトウェアベースのAIソリューションに留まる中、Lilaは物理世界での実験能力を持つことで、仮説検証のサイクルを劇的に加速し、より信頼性の高いデータと知見を生み出すことができる。このソフトウェアとハードウェアの深い統合は、単なるソフトウェア企業には模倣困難な強力な参入障壁となる。 3. 閉ループ学習による継続的な性能向上 vs 静的なモデル: Lilaのシステムは、AIが生成した仮説を自律型ラボで検証し、その結果をAIがリアルタイムで学習するという閉ループを形成している [1]。この継続的な学習サイクルは、LilaのAIモデルが常に最新のデータと知見を取り込み、性能を向上させ続けることを可能にする [1]。 これにより、「LILA consistently outperforms other models across scientific domains」という主張 [1] に繋がる。多くの既存モデルが静的なデータセットで学習され、更新頻度が低いことと比較すると、Lilaの動的な学習システムは持続的な性能優位性を生み出す。

これらの事実 [1, 3] から、Lila Sciencesは、汎用性、ソフトウェアとハードウェアの統合、そして継続的な学習ループという戦略的な差異によって、既存の競合や代替手段に対して明確な競争優位性を確立している構造が読み取れる。

4. Contrarian × 10x 視点

- この企業の常識破りポイント: Lila Sciencesの最も常識破りなポイントは、多くのAIアプローチが特定のドメインやタスクに特化する中で、「単一の汎用プラットフォーム」として「Scientific Superintelligence™」を構築しようとしている点である [3]。これは、Rich Suttonの「The Bitter Lesson」に触発された思想 [3] であり、専門知識をハードコーディングするよりも、スケールと学習能力に重きを置くという、既存のAI開発の常識とは異なるアプローチを示している。 さらに、AIというソフトウェア知能と、自律型ラボである「AI Science Factory™」という物理的なハードウェアを統合し、仮説生成から実験、学習までを閉ループで実行する「One Mind. One System.」というコンセプト [1] は、ソフトウェアとハードウェアの融合による新たな研究パラダイムを提示しており、従来の科学研究の枠組みを大きく超える試みである。

- 10倍のインパクトを生み出している構造: Lila Sciencesは、AIによる仮説生成と自律型ラボの統合により、科学研究のサイクルタイムを劇的に短縮し、実験のスケールを飛躍的に拡大する構造を持っている [1]。従来の科学研究では、仮説生成から検証、学習までに数ヶ月から数年を要することが一般的であったが、Lilaのシステムはこれをリアルタイムかつ自律的に行う [1]。この事実 [1] は、以下の点で10倍以上のインパクトを生み出す可能性を示している。 1. 発見までの時間の劇的短縮: 研究開発サイクルが数ヶ月から数日に短縮されることで、新薬や新素材の発見、エネルギー効率の改善、防衛技術の開発といったブレークスルーが10倍以上速く実現される [1]。 2. 実験規模の飛躍的拡大: 人間が行うには限界がある大規模な実験や、膨大なパラメータ空間の探索を自律的に高速で行うことで、従来の10倍以上の実験量とデータ生成が可能となる [1]。 3. 汎用性による多分野への波及効果: 「Medicine, Materials, Energy, Defense」という多岐にわたる分野 [3] で「Scientific Superintelligence™」が機能することで、特定の分野に留まらない広範な科学的進歩を加速し、人類が直面する最も困難な課題解決に10倍以上の貢献をする可能性を秘めている [3]。

5. 自分への転用（Founder Takeaway）

- この事例から盗めるアイデア・戦略・オペレーション: 1. 汎用プラットフォーム戦略の検討: 特定の疾患や医療AIアプリケーションに特化するのではなく、医療データ（電子カルテ、画像、ゲノム、生体情報など）を統合し、診断、治療計画、予後予測、創薬といった複数の医療プロセスに応用可能な「Operating System for Medicine」のような汎用的な基盤を構築する戦略は、Lilaの「Operating System for Science」 [1] から盗めるアイデアである。これにより、単一の技術スタックで複数の市場機会を捉え、スケールメリットを追求できる。 2. AIと物理世界の融合によるエンドツーエンドの自律化: 医療AIはデータ解析が中心になりがちだが、LilaがAIと自律型ラボを統合している事実 [1] から、診断機器、手術支援ロボット、薬剤調剤ロボット、遠隔モニタリングデバイスなどの物理デバイスとAIを深く統合し、エンドツーエンドで自律的な医療プロセスを構築する戦略が考えられる。これにより、単なる情報提供に留まらず、実際の医療行為やケアに直接介入し、効率と精度を飛躍的に向上させる。 3. 閉ループ学習による持続的な価値向上: LilaがAIによる仮説生成から実験、データ学習までを閉ループで実行している事実 [1] は、医療AIにおいても、診断、治療、予後観察という一連の医療プロセスから得られるフィードバックデータをAIが継続的に学習し、モデルを改善し続けるシステムを構築するオペレーションを示唆している。これにより、AIの性能が時間とともに向上し、提供する医療サービスの質が持続的に高まる。

- 【医療AIへの技術転用シナリオ】 1. 自律型創薬・個別化医療プラットフォーム: Lilaの「AI Science Factory™」の概念 [1] を応用し、患者個人のゲノム情報、プロテオミクスデータ、臨床データ、疾患モデル（iPS細胞由来オルガノイドなど）に基づき、AIが最適な薬剤候補を生成・スクリーニングし、自律型ラボ（例: ロボットによるハイスループットスクリーニングシステム）で検証するシステムを構築する。これにより、新薬開発のサイクルを短縮し、患者一人ひとりに最適化された個別化医療の実現を加速する。このシステムは、Lilaが「Medicine」を対象市場としている事実 [3] から、特に親和性が高いと読み取れる。 2. 診断支援・治療最適化の「Operating System for Medicine」: Lilaの「Operating System for Science」と同様に [1]、医療データ（電子カルテ、医用画像、ゲノム情報、ウェアラブルデバイスからの生体情報など）を統合し、AIが診断仮説を生成、治療計画を最適化し、その効果をリアルタイムで学習するプラットフォームを開発する。例えば、AIが画像診断の結果と臨床情報を統合して疾患リスクを提示し、治療後の患者の経過データから治療効果を評価・学習し、次回の治療計画に反映させる。これにより、医師の診断精度向上と治療効果の最大化を図る。Lilaが「LILA consistently outperforms other models across scientific domains」と主張している事実 [1] は、医療AIにおいても同様の汎用的な性能優位性を目指す示唆となる。 3. 遠隔医療・ホームヘルスケアにおける自律型モニタリング＆介入システム: LilaがAIと自律型ラボで「Science Without Limits」を目指している事実 [1] は、遠隔医療やホームヘルスケアにおける自律型システムの可能性を示唆している。AIが患者の生体データ（心拍、血糖値、活動量など）や行動データを継続的にモニタリングし、異常を検知するとともに、自律的に介入（例: AIによる服薬リマインダー、パーソナライズされた運動・食事指導、必要に応じた医療機関への自動通報）を行うシステムを構築する。これにより、患者のQOL（Quality of Life: 生活の質）向上と医療費削減に貢献し、医療リソースの最適化を図る。

- 日本の医療市場に転用する際の具体的な障壁と対策: 1. 障壁1: 規制と承認プロセス: 医療AIは、診断支援や治療介入を行う場合、PMDA（医薬品医療機器総合機構）による医療機器としての承認が必須となる。特にLilaの「AI Science Factory™」のような物理的システムを医療に応用する場合、その安全性、有効性、信頼性について厳格な評価と臨床試験が求められる。 * 対策: 開発の初期段階からPMDAと密接に協議し、規制当局との対話を通じて承認パスを明確化する。段階的な承認戦略（例: まずは医師の判断を補助する「クラスII」の診断支援ツールとして承認を得て、その後、より高度な治療介入機能を追加し「クラスIII」を目指す）を検討する。 2. 障壁2: 医療データの連携とプライバシー保護: 日本の医療データは、各医療機関が個別に管理しており、データ形式の標準化が進んでいないため連携が困難である。また、個人情報保護法や医療情報ガイドラインにより、データ利用には厳格な同意取得と匿名化処理が求められる。 * 対策: 医療機関との信頼関係を構築し、データ利用に関する明確な同意取得プロセスと、堅牢なセキュリティ対策を提示する。匿名加工情報に関する専門知識を持つパートナーや、医療情報連携基盤を構築する企業と連携し、法規制に準拠したデータ活用モデルを構築する。 3. 障壁3: 医師の受容とワークフローへの統合: 新しいAIシステムが医師の既存の診療ワークフローにスムーズに統合されなければ、普及は難しい。AIが医師の仕事を奪うという懸念や、AIの判断に対する責任の所在も課題となる。 * 対策: 開発段階から現場の医師を巻き込み、UI/UX（User Interface/User Experience: ユーザーインターフェース/ユーザーエクスペリエンス）を最適化する。AIが医師の負担を軽減し、診療の質を向上させる具体的なメリットを明確に提示し、導入後のトレーニングと継続的なサポートを提供する。AIはあくまで医師の意思決定を支援するツールであり、最終的な責任は医師にあることを明確にする。 4. 障壁4: 費用対効果と保険償還: 高度な医療AIシステムは開発・導入コストが高額になる傾向があり、その費用対効果が明確でなければ、医療機関への導入が進まない。保険償還の対象となるかどうかも、普及の重要な鍵となる。 * 対策: 臨床的有用性を示すエビデンスを早期に確立し、医療経済評価（例: 診断精度の向上による治療費削減、早期発見による予後改善など）を行う。保険償還制度への組み込みを目指し、関連学会や行政と連携して働きかける。

✅ 確認済みソース

以下は本分析において確認できたデータです。それ以外の記述は公開報道・公式HP・推定に基づきます。