DeskRex.ai

open α

テーマ

データベース

自動化

発見

サインイン

リサーチの結果の保存、レポートの作成、共有が行えます。

サインイン

レポートの一覧に戻る

Causal AIスタートアップ資金調達・市場予測2025：6大ラウンドと2035年16億ドルへ

🗓 Created on 10/9/2025

  • 📜要約
  • 📊ビジュアライズ
  • 🖼関連する画像
  • 🔍詳細
    • 🏷Causal AIの定義と2025年の技術潮流（LLM統合・リアルタイム因果など）
    • 🏷資金調達ニュース総覧（2023〜2025）：Causaly、Causal Labs、Traversal、Samaya AI、TakeUp、Filuta
    • 🏷注目ユースケースと事業モデル：ヘルスケア、金融、SRE、ホスピタリティ、シミュレーション
    • 🏷市場規模と採用予測：CAGR38%の根拠、主要ハブとベンダーマップ
    • 🏷実装課題と今後10年のシナリオ：データ品質、規制対応、M&Aと価格モデルの行方
  • 🖍考察
  • 📚参考文献
    • 📖利用された参考文献
    • 📖未使用の参考文献
    • 📊ドメイン統計

📜 要約

主題と目的

本調査は、Causal AI（因果推論を中心にしたAI技術）分野におけるスタートアップの資金調達ニュース（主に2023–2025年）と、研究論文・専門家見解に基づく今後の技術潮流・市場予測を整理し、投資家・起業家・導入企業が取るべき実務的アクションを提示することを目的とします。対象情報は以下を含みます。
  • 資金調達実績（企業名・額・投資家・時期）と示唆
  • 研究・専門家が指摘する主要技術トレンド（LLM統合、多エージェント、知識グラフ連携等）
  • 市場予測（代表的な市場レポートの数値）と成長ドライバー
  • 実装上の主要課題と、PoC／投資判断で重視すべき評価軸
主要参照（抜粋）：Roots Analysis（市場予測）、学術整理（A Dozen Challenges）、Judea Pearlインタビュー、Causal Multi‑Agentレビュー、富士通 Causal Knowledge Graph、主要資金調達報道等（本文中に出典リンクを併記します）。

回答

要点の早見
  • 近年、Causal AI分野には資金が流入しており、特に「ドメイン特化（製薬・金融・SRE・ホスピタリティ等）」のスタートアップが注目を集めています。出資はシード～シリーズA/Bに集中しています。
  • 研究者・専門家は、LLMとの組合せ、多エージェント設計、因果知識グラフによるドメイン知識注入、マルチモーダル因果表現学習などを重要潮流と評価しますが、識別性・未観測交絡・ベンチマーク不足といった根本課題も強調されています。
  • 市場予測は高成長を想定する報告が多く、Roots Analysisは2035年に約16.3億ドル、CAGR約38%を見込んでいますが、予測値にはソース間で幅があります（下表参照）。
  1. Causal AIの定義・学術的ポイント（要約）
  • Causal AIは「観察データから介入（what‑if）や反事実（counterfactual）に答えられる能力」を重視する技術群で、Judea Pearlらの因果の梯子（観察 → 介入 → 反事実）が基盤概念です。
    causalens.com
  • 学術的に未解決の課題として、識別可能性、未観測交絡、評価ベンチマークの不足などが指摘されています（例：A Dozen Challenges）
    arxiv.org
    。
  1. 主要技術潮流（2025時点、専門家・論文が指摘する点）
  • LLM統合（LLMは非構造化データから因果ヒント抽出や自然言語インターフェースに有用だが、幻覚対策が必須）
    causalens.com
    、
    sonicviz.com
    。
  • Causal Multi‑Agent（発見・反証・評価の専門エージェント群で相互検証）による堅牢化（反事実評価や相互検証が幻覚軽減に有効）
    arxiv.org
    。
  • 自動化された因果発見パイプライン（Causal‑Copilot 的な自動化ツール）の登場自動化エージェント（Causal‑Copilot）。
  • マルチモーダル因果表現（画像＋テキスト等）と創発的表現の研究進展（CausalVLR 等）
    github.com
    。
  • 因果ナレッジグラフ／ドメイン知識の統合（富士通の事例などが示す企業実装）
    fujitsu.com
    。
  • オープンソース／ライブラリ（DoWhy / PyWhy, CausalNex 等）の成熟でPoC→本番化の障壁が低下
    pywhy.org
    、
    github.com
    。
  1. 代表的な資金調達ニュース（2023–2025：主要ラウンド一覧） 以下は調査で抜粋した代表ラウンド（出典リンク付）。
企業ラウンド調達額主要投資家分野出典
CausalySeries B$60MICONIQ Growth 等ライフサイエンス（プレクリニカル）
causaly.com
TraversalSeed＋Series A 合計$48MSequoia / Kleiner Perkins 等エンタープライズSRE（因果ML）
traversal.com
Samaya AIベンチャーラウンド$43.5MNew Enterprise Associates 等金融向け（Causal World Models）
fortune.com
TakeUpSeries A$11M1848 Ventures リードホスピタリティ向け収益最適化
thesaasnews.com
Filuta AIシード$4.2MRockaway Ventures 等シミュレーション／シンボリック＋ニューラル
vestbee.com
Causal Labsシード$5.5M〜$6.0M（報道差）—気象予測（物理×因果）
fortune.com
,
businesswire.com
  1. 資金調達から読み取れる傾向（分析）
  • ドメイン特化型が資金を集める傾向：医薬・金融・SRE・シミュレーション等、介入結果が明確にビジネス価値へ結びつく分野で投資が集中しています（例：Causaly、Samaya、Traversal）。
  • 投資ステージはシード〜シリーズA/Bが主流で、投資家はPoCでの定量効果や顧客導入実績を重視します（出資に大手VCや戦略的コーポレートが混在）。
  • 技術面の強み（LLM連携やKG等）よりも「検証可能なKPI（介入効果）」と「顧客データアクセス」がディール成否を左右することが多いです。
  1. 市場予測（代表的レポートの比較）
  • Roots Analysis：2025年約 $63.37M → 2035年約 $1,628.43M（CAGR ≒ 38.35%）
    rootsanalysis.com
    。
  • MarketsandMarkets：短期（2024→2030）の高成長案（出典参照）
    marketsandmarkets.com
    。
    （注）報告書間で定義や対象範囲が異なるため数値には幅があり、特に楽観的な推計も存在します。Roots Analysis の高CAGRは「低いベースからの急伸」を示す点に注意してください。
    rootsanalysis.com
  1. 実務的インサイト（短期で実行できるアクション）
  • 投資家向け（Due Diligenceの重点）
    1. PoCでの「介入効果の定量化（Delta KPI）」と「顧客データへの継続アクセス」を必須確認項目にする。
    2. 規制リスクの高い領域（医療・金融）は、監査証跡・検証レポートが整っているかを重視する。
  • 起業家向け（資金調達・成長戦略）
    1. 垂直特化で「顧客が実際に介入（操作）できるユースケース」を作り、PoCで数値を提示する。
    2. LLMを活用するなら多段検証（反証エージェントや事実検証）をプロダクト要件に組み込み幻覚対策を示す。
    3. 初期はPoC→効果実証→成果連動型の価格に移行するビジネスモデルが好まれる。
  • 事業会社（導入側）向け
    1. まず小さな業務領域で反事実PoC（target‑trial emulation を含む）を回し、KPIで効果を評価する。
    2. データガバナンス（メタデータ・欠損処理・バイアス評価）を整備し、第三者検証を組み込む。
  1. 評価指標（PoC・投資判断で推奨される具体指標）
  • 介入後の主要KPI変化（%増減）、費用削減額、誤検出率の改善などの「業務インパクト値」。
  • 再現性：別期間・別データセットでの結果一致率。
  • 検証可能性：因果経路の可視化と監査証跡の有無。
  • 計算コスト／スループット：本番運用に必要なスケールとコスト見積もり。
  1. 実装上のリスク（研究者・論文が警告する点）
  • 識別可能性と未観測交絡の問題、ベンチマーク不足、LLM由来の幻覚や誤帰属、データ品質不足が普及の主要阻害要因です（詳細は学術整理参照）
    arxiv.org
    。
  1. 今後10年の分岐（概念図）
主要出典（抜粋）
  • Roots Analysis（市場予測）:
    rootsanalysis.com
  • Causaly 資金調達:
    causaly.com
  • Samaya（Fortune）:
    fortune.com
  • Traversal 発表:
    traversal.com
  • 富士通 Causal Knowledge Graph:
    fujitsu.com
  • 学術整理（A Dozen Challenges）:
    arxiv.org

    （本文で引用した出典は回答内に随時記載しています）

結果と結論

主要な結果
  • 資金供給は活発で、特にドメイン特化型スタートアップが資金を引き付けています（代表例：Causaly、Samaya、Traversal 等）。上場やM&Aに向けたシナリオは、PoCでの効果実証と規制対応力が鍵です。
  • 技術潮流としては「LLM統合」「多エージェントによる相互検証」「因果知識グラフによるドメイン知識注入」「マルチモーダル因果表現学習」が成長を牽引していますが、識別性や検証体系の不足が市場拡大のボトルネックです。
  • 市場レポートは高CAGRを示すものが多いが、予測値には幅があり「データ品質」「検証」「規制対応」の整備度合いでシナリオが分岐します（Roots Analysis の 2035 年予測は約 $1.63B、CAGR ≒ 38%）
    rootsanalysis.com
    。
結論（実行優先事項、短期）
  1. 投資家は「ドメイン特化かつPoCで介入効果を定量提示できるチーム」に優先投資する。デューデリではデータアクセス権と再現性を必須項目とすること。
  2. 起業家は早期に「検証用テンプレート（target trial emulation 等）」「ドメイン専門家」「データコネクタ／KG連携」を揃え、PoCで数値を示してから拡張商流に移ること。
  3. 事業会社は小さな介入領域で短期PoCを回し、効果が出たら段階的にスケールする。XAI（説明可能性）と監査証跡を導入要件に組み込むこと。
次の提案
  • ご希望であれば、（A）投資検討用のDue Diligenceチェックリスト、（B）産業別（医療／金融／SRE）PoC設計テンプレート（KPI・データ要件・スケジュール）、または（C）上記スタートアップ6社を含むベンダー別の技術評価・資金調達履歴の詳細一覧を作成します。どれを先に作成しましょうか。

コード実行

import React from 'react';

const CausalAIReport = () => {
  const fundingData = [
    { company: 'Traversal', amount: 48, round: 'シード+シリーズA', lead: 'Sequoia, Kleiner Perkins', focus: 'AI SREエージェント（因果機械学習）', url: 'https://www.traversal.com/post/%20launch-announcement' },
    { company: 'Samaya AI', amount: 43.5, round: 'ベンチャー', lead: 'New Enterprise Associates', focus: '金融向けCausal World Models', url: 'https://fortune.com/2025/05/14/samaya-ai-startup-financial-services-raises-43-5-million-vc-funding/' },
    { company: 'TakeUp', amount: 11, round: 'シリーズA', lead: '1848 Ventures', focus: 'ホスピタリティ向け因果推論モデル', url: 'https://www.thesaasnews.com/news/takeup-raises-11-million-in-series-a' },
    { company: 'Filuta AI', amount: 4.2, round: 'シード', lead: 'Rockaway Ventures', focus: '複合型AI（シンボリック+サブシンボリック）', url: 'https://vestbee.com/insights/articles/filuta-ai-secures-4-2-m' }
  ];

  const marketGrowth = [
    { year: 2025, value: 63.37, source: 'Roots Analysis' },
    { year: 2030, value: 456.8, source: 'MarketsandMarkets推定' },
    { year: 2035, value: 1628.43, source: 'Roots Analysis' }
  ];

  const adoptionStats = [
    { category: 'AI先進企業の現在の利用率', percentage: 56, description: '既にCausal AI技術を使用または実験中' },
    { category: '2026年までの採用計画', percentage: 25, description: '今後2年以内に採用を計画' },
    { category: '合計（近い将来の採用率）', percentage: 70, description: 'AI駆動型組織の約70%が因果推論を組み込む予定' }
  ];

  const applications = [
    { field: '創薬・医薬品開発', examples: ['新規治療標的の発見', '臨床試験の最適化', '患者サブグループの特定', '薬剤再配置', '外部対照群（ECA）生成'], impact: '開発期間短縮、成功率向上、個別化医療の実現' },
    { field: 'ヘルスケア診断', examples: ['疾患進行の因果因子理解', '個別治療効果（ITE）推定', '根本原因の特定'], impact: '診断精度向上、治療計画の最適化' },
    { field: '金融サービス', examples: ['信用リスク評価', '不正検出', 'アルゴリズム取引', '経済システムモデリング'], impact: 'デフォルトリスク要因の理解、ハルシネーション削減' },
    { field: 'マーケティング', examples: ['広告予算最適化', '顧客エンゲージメント戦略', 'キャンペーン効果の定量化'], impact: '真の因果効果に基づくROI向上' },
    { field: '製造・サプライチェーン', examples: ['生産ライン最適化', '品質欠陥の根本原因分析', 'ダウンタイム削減'], impact: '効率向上、コスト削減' },
    { field: 'IT運用（SRE）', examples: ['根本原因分析', 'インシデント予防', '自律的トラブルシューティング'], impact: '90%以上の精度でインシデント解決' }
  ];

  const keyTechnologies = [
    { name: '因果推論（Causal Inference）', description: '変数間の因果関係を特定し、介入の影響を評価', examples: ['潜在的結果フレームワーク', '構造方程式モデリング', 'グラフィカルモデル（DAG）'] },
    { name: '因果発見（Causal Discovery）', description: '観測データから因果構造を学習', examples: ['PCアルゴリズム', 'FCIアルゴリズム', 'NOTEARS', 'GES'] },
    { name: '反実仮想分析', description: '「もし〜だったらどうなるか」シナリオの評価', examples: ['反事実的公平性モデル', 'シミュレーション'] },
    { name: 'Causal World Models', description: '経済システムなど複雑なシステムの因果関係をモデリング', examples: ['Samaya AIの関税影響分析'] }
  ];

  const challenges = [
    { category: 'データ品質', issues: ['欠損データ', '不整合なコーディング', '測定誤差', '患者選択の偏り'], impact: 'モデルの妥当性低下' },
    { category: '計算スケーラビリティ', issues: ['大規模・高次元データセット処理', '計算リソースの必要性'], impact: '運用コスト増加' },
    { category: '専門知識の不足', issues: ['疫学、統計学、AI、ドメイン知識の統合', '学際的専門家の不足'], impact: '導入の障壁' },
    { category: '透明性と説明可能性', issues: ['ブラックボックス性', '意思決定プロセスの不透明さ'], impact: '規制当局の懸念、公衆の不信感' },
    { category: '倫理的課題', issues: ['プライバシー', '同意', 'データ所有権', 'バイアス'], impact: '社会的受容の障壁' }
  ];

  const futureDirections = [
    { direction: 'AGIの中核要素', description: '人間のような因果的推論能力を持つAIモデルの開発' },
    { direction: '自動因果探索', description: 'AI駆動の因果仮説生成による科学的発見の加速' },
    { direction: 'ビジネス意思決定の標準化', description: '企業の意思決定支援ツールへの標準統合' },
    { direction: '倫理的AIと公平性', description: '因果的公平性モデルによる差別の防止' },
    { direction: 'LLMとの統合', description: '大規模言語モデルの因果推論能力強化' }
  ];

  const openSourceTools = [
    { name: 'PyWhy（DoWhy, EconML）', maintainer: 'Microsoft Research', focus: '因果推論エコシステム', url: 'https://www.pywhy.org/' },
    { name: 'CausalNex', maintainer: 'McKinsey QuantumBlack', focus: 'ベイジアンネットワーク因果推論', url: 'https://github.com/quantumblacklabs/causalnex' },
    { name: 'CausalVLR', maintainer: 'HCPLab-SYSU', focus: '視覚言語因果推論', url: 'https://github.com/HCPLab-SYSU/CausalVLR' },
    { name: 'causal-learn', maintainer: 'コミュニティ', focus: '因果探索アルゴリズム（PC, FCI, GES）', url: 'https://github.com/py-why/causal-learn' }
  ];

  return (
    <div className="min-h-screen bg-gradient-to-br from-blue-50 to-indigo-50 p-8">
      <div className="max-w-7xl mx-auto">
        {/* ヘッダー */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h1 className="text-4xl font-bold text-gray-800 mb-4">Causal AI スタートアップ資金調達動向と市場予測</h1>
          <p className="text-gray-600 text-lg">因果推論技術の最新トレンドと今後の展望（2025年）</p>
        </div>

        {/* 資金調達動向 */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h2 className="text-3xl font-bold text-gray-800 mb-6 border-b-4 border-indigo-500 pb-2">💰 主要スタートアップの資金調達</h2>
          <div className="overflow-x-auto">
            <table className="w-full">
              <thead className="bg-indigo-100">
                <tr>
                  <th className="px-4 py-3 text-left text-sm font-semibold text-gray-700">企業名</th>
                  <th className="px-4 py-3 text-left text-sm font-semibold text-gray-700">調達額</th>
                  <th className="px-4 py-3 text-left text-sm font-semibold text-gray-700">ラウンド</th>
                  <th className="px-4 py-3 text-left text-sm font-semibold text-gray-700">主要投資家</th>
                  <th className="px-4 py-3 text-left text-sm font-semibold text-gray-700">技術的焦点</th>
                </tr>
              </thead>
              <tbody>
                {fundingData.map((item, index) => (
                  <tr key={index} className="border-b hover:bg-gray-50">
                    <td className="px-4 py-3">
                      <a href={item.url} target="_blank" rel="noopener noreferrer" className="text-blue-600 hover:text-blue-800 font-semibold underline">
                        {item.company}
                      </a>
                    </td>
                    <td className="px-4 py-3 font-bold text-indigo-600">${item.amount}M</td>
                    <td className="px-4 py-3 text-sm">{item.round}</td>
                    <td className="px-4 py-3 text-sm">{item.lead}</td>
                    <td className="px-4 py-3 text-sm">{item.focus}</td>
                  </tr>
                ))}
              </tbody>
            </table>
          </div>
          <div className="mt-4 text-sm text-gray-600">
            <p><strong>出典:</strong> <a href="https://www.traversal.com/post/%20launch-announcement" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Traversal</a>, <a href="https://fortune.com/2025/05/14/samaya-ai-startup-financial-services-raises-43-5-million-vc-funding/" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Fortune</a>, <a href="https://www.thesaasnews.com/news/takeup-raises-11-million-in-series-a" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">The SaaS News</a>, <a href="https://vestbee.com/insights/articles/filuta-ai-secures-4-2-m" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Vestbee</a></p>
          </div>
        </div>

        {/* 市場成長予測 */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h2 className="text-3xl font-bold text-gray-800 mb-6 border-b-4 border-green-500 pb-2">📈 Causal AI市場規模の成長予測</h2>
          <div className="grid grid-cols-1 md:grid-cols-3 gap-6">
            {marketGrowth.map((item, index) => (
              <div key={index} className="bg-gradient-to-br from-green-50 to-emerald-50 rounded-xl p-6 border-2 border-green-200">
                <div className="text-sm text-gray-600 mb-2">{item.year}年</div>
                <div className="text-4xl font-bold text-green-600 mb-2">${item.value}M</div>
                <div className="text-xs text-gray-500">{item.source}</div>
              </div>
            ))}
          </div>
          <div className="mt-6 bg-yellow-50 border-l-4 border-yellow-400 p-4">
            <p className="text-sm font-semibold text-gray-700">📊 年平均成長率（CAGR）: <span className="text-yellow-600 text-xl">38.35%</span> （2025-2035年）</p>
            <p className="text-xs text-gray-600 mt-2">2025年の63.37百万ドルから2035年には16.2億ドルへと約<strong>25.7倍</strong>の成長が見込まれる</p>
          </div>
          <div className="mt-4 text-sm text-gray-600">
            <p><strong>出典:</strong> <a href="https://www.rootsanalysis.com/causal-ai-market" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Roots Analysis</a>, <a href="https://www.marketsandmarkets.com/Market-Reports/causal-ai-market-162494083.html" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">MarketsandMarkets</a></p>
          </div>
        </div>

        {/* 採用動向 */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h2 className="text-3xl font-bold text-gray-800 mb-6 border-b-4 border-purple-500 pb-2">🎯 AI先進企業の採用動向（2023年調査）</h2>
          <div className="space-y-4">
            {adoptionStats.map((stat, index) => (
              <div key={index} className="bg-purple-50 rounded-lg p-4">
                <div className="flex items-center justify-between mb-2">
                  <span className="font-semibold text-gray-700">{stat.category}</span>
                  <span className="text-3xl font-bold text-purple-600">{stat.percentage}%</span>
                </div>
                <div className="w-full bg-gray-200 rounded-full h-3">
                  <div className="bg-purple-600 h-3 rounded-full" style={{width: `${stat.percentage}%`}}></div>
                </div>
                <p className="text-sm text-gray-600 mt-2">{stat.description}</p>
              </div>
            ))}
          </div>
          <div className="mt-6 bg-purple-100 border-l-4 border-purple-500 p-4">
            <p className="text-sm font-semibold text-gray-700">💡 重要な洞察</p>
            <p className="text-sm text-gray-600 mt-2">AI駆動型組織の約70%が近い将来に因果推論を組み込む予定であり、因果関係がAIにおける次の主要なフロンティアであるという業界全体の認識を示している</p>
          </div>
          <div className="mt-4 text-sm text-gray-600">
            <p><strong>出典:</strong> <a href="https://medium.com/@alexglee/causal-ai-current-state-of-the-art-future-directions-c17ad57ff879" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Medium - Causal AI: Current State-of-the-Art</a></p>
          </div>
        </div>

        {/* 主要応用分野 */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h2 className="text-3xl font-bold text-gray-800 mb-6 border-b-4 border-red-500 pb-2">🔬 Causal AIの主要応用分野</h2>
          <div className="grid grid-cols-1 md:grid-cols-2 gap-6">
            {applications.map((app, index) => (
              <div key={index} className="bg-gradient-to-br from-red-50 to-orange-50 rounded-xl p-6 border-2 border-red-200">
                <h3 className="text-xl font-bold text-gray-800 mb-3">{app.field}</h3>
                <div className="mb-3">
                  <p className="text-sm font-semibold text-gray-700 mb-2">具体例:</p>
                  <ul className="list-disc list-inside text-sm text-gray-600 space-y-1">
                    {app.examples.map((example, i) => (
                      <li key={i}>{example}</li>
                    ))}
                  </ul>
                </div>
                <div className="bg-white rounded-lg p-3 mt-3">
                  <p className="text-xs font-semibold text-gray-700">期待される影響:</p>
                  <p className="text-xs text-gray-600 mt-1">{app.impact}</p>
                </div>
              </div>
            ))}
          </div>
          <div className="mt-4 text-sm text-gray-600">
            <p><strong>出典:</strong> <a href="https://link.springer.com/article/10.1007/s43441-025-00849-0" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Springer - Real-World Data and Causal ML</a>, <a href="https://medium.com/@alexglee/causal-ai-current-state-of-the-art-future-directions-c17ad57ff879" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Medium</a>, <a href="https://www.traversal.com/post/%20launch-announcement" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Traversal</a></p>
          </div>
        </div>

        {/* 主要技術 */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h2 className="text-3xl font-bold text-gray-800 mb-6 border-b-4 border-blue-500 pb-2">⚙️ Causal AIの主要技術</h2>
          <div className="space-y-4">
            {keyTechnologies.map((tech, index) => (
              <div key={index} className="bg-blue-50 rounded-lg p-5 border-l-4 border-blue-500">
                <h3 className="text-lg font-bold text-gray-800 mb-2">{tech.name}</h3>
                <p className="text-sm text-gray-700 mb-3">{tech.description}</p>
                <div className="bg-white rounded p-3">
                  <p className="text-xs font-semibold text-gray-600 mb-1">代表的手法:</p>
                  <div className="flex flex-wrap gap-2">
                    {tech.examples.map((example, i) => (
                      <span key={i} className="bg-blue-100 text-blue-800 text-xs px-3 py-1 rounded-full">{example}</span>
                    ))}
                  </div>
                </div>
              </div>
            ))}
          </div>
          <div className="mt-4 text-sm text-gray-600">
            <p><strong>出典:</strong> <a href="https://medium.com/@alexglee/causal-ai-current-state-of-the-art-future-directions-c17ad57ff879" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Medium - Causal AI技術解説</a>, <a href="https://fortune.com/2025/05/14/samaya-ai-startup-financial-services-raises-43-5-million-vc-funding/" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Fortune - Samaya AI</a></p>
          </div>
        </div>

        {/* 課題 */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h2 className="text-3xl font-bold text-gray-800 mb-6 border-b-4 border-orange-500 pb-2">⚠️ Causal AI導入における主要課題</h2>
          <div className="grid grid-cols-1 md:grid-cols-2 gap-4">
            {challenges.map((challenge, index) => (
              <div key={index} className="bg-orange-50 rounded-lg p-5 border-2 border-orange-200">
                <h3 className="text-lg font-bold text-gray-800 mb-3">{challenge.category}</h3>
                <ul className="list-disc list-inside text-sm text-gray-600 space-y-1 mb-3">
                  {challenge.issues.map((issue, i) => (
                    <li key={i}>{issue}</li>
                  ))}
                </ul>
                <div className="bg-white rounded p-2">
                  <p className="text-xs font-semibold text-orange-600">影響: {challenge.impact}</p>
                </div>
              </div>
            ))}
          </div>
          <div className="mt-4 text-sm text-gray-600">
            <p><strong>出典:</strong> <a href="https://link.springer.com/article/10.1007/s43441-025-00849-0" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Springer - CML課題分析</a>, <a href="https://www.rootsanalysis.com/causal-ai-market" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Roots Analysis</a></p>
          </div>
        </div>

        {/* 将来の方向性 */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h2 className="text-3xl font-bold text-gray-800 mb-6 border-b-4 border-teal-500 pb-2">🚀 Causal AIの将来展望</h2>
          <div className="space-y-3">
            {futureDirections.map((direction, index) => (
              <div key={index} className="bg-teal-50 rounded-lg p-4 border-l-4 border-teal-500 hover:shadow-md transition-shadow">
                <h3 className="text-lg font-bold text-gray-800 mb-2">{direction.direction}</h3>
                <p className="text-sm text-gray-600">{direction.description}</p>
              </div>
            ))}
          </div>
          <div className="mt-6 bg-teal-100 border-l-4 border-teal-600 p-4">
            <p className="text-sm font-semibold text-gray-700">🔮 専門家の見解</p>
            <p className="text-sm text-gray-600 mt-2">Gartnerは、Causal AIが2〜5年以内に「高い影響」をもたらすと予測。AIの次のステップは、単なるより良い予測ではなく、より深い理解であり、Causal AIがその道をリードしている</p>
          </div>
          <div className="mt-4 text-sm text-gray-600">
            <p><strong>出典:</strong> <a href="https://medium.com/@alexglee/causal-ai-current-state-of-the-art-future-directions-c17ad57ff879" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">Medium - Future Directions</a></p>
          </div>
        </div>

        {/* オープンソースツール */}
        <div className="bg-white rounded-2xl shadow-xl p-8 mb-8">
          <h2 className="text-3xl font-bold text-gray-800 mb-6 border-b-4 border-gray-500 pb-2">🛠️ 主要オープンソースツール</h2>
          <div className="grid grid-cols-1 md:grid-cols-2 gap-4">
            {openSourceTools.map((tool, index) => (
              <div key={index} className="bg-gray-50 rounded-lg p-5 border-2 border-gray-300 hover:border-gray-500 transition-colors">
                <h3 className="text-lg font-bold text-gray-800 mb-2">
                  <a href={tool.url} target="_blank" rel="noopener noreferrer" className="text-blue-600 hover:text-blue-800 underline">
                    {tool.name}
                  </a>
                </h3>
                <p className="text-sm text-gray-600 mb-2"><strong>開発:</strong> {tool.maintainer}</p>
                <p className="text-sm text-gray-700">{tool.focus}</p>
              </div>
            ))}
          </div>
          <div className="mt-4 text-sm text-gray-600">
            <p><strong>出典:</strong> <a href="https://www.pywhy.org/" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">PyWhy</a>, <a href="https://github.com/quantumblacklabs/causalnex" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">CausalNex GitHub</a>, <a href="https://github.com/HCPLab-SYSU/CausalVLR" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline">CausalVLR GitHub</a></p>
          </div>
        </div>

        {/* まとめ */}
        <div className="bg-gradient-to-r from-indigo-500 to-purple-600 rounded-2xl shadow-xl p-8 text-white">
          <h2 className="text-3xl font-bold mb-4">📌 重要なポイント</h2>
          <ul className="space-y-3 text-sm">
            <li className="flex items-start">
              <span className="mr-2">✓</span>
              <span>Causal AIスタートアップは大規模な資金調達に成功（Traversal $48M、Samaya AI $43.5Mなど）</span>
            </li>
            <li className="flex items-start">
              <span className="mr-2">✓</span>
              <span>市場は2025年の$63.37Mから2035年には$1,628.43Mへと約26倍成長（CAGR 38.35%）</span>
            </li>
            <li className="flex items-start">
              <span className="mr-2">✓</span>
              <span>AI先進企業の70%が近い将来に因果推論を組み込む予定</span>
            </li>
            <li className="flex items-start">
              <span className="mr-2">✓</span>
              <span>創薬、ヘルスケア、金融、マーケティング、製造など多様な分野で実用化が進む</span>
            </li>
            <li className="flex items-start">
              <span className="mr-2">✓</span>
              <span>データ品質、専門知識不足、透明性などの課題が存在するが、規制当局も積極的に対応</span>
            </li>
            <li className="flex items-start">
              <span className="mr-2">✓</span>
              <span>AGIの中核要素、LLMとの統合、倫理的AIなど将来の発展が期待される</span>
            </li>
          </ul>
        </div>

        {/* フッター */}
        <div className="mt-8 text-center text-sm text-gray-600">
          <p>本レポートは2025年の最新情報に基づいて作成されました</p>
          <p className="mt-2">主要参考文献: Roots Analysis, MarketsandMarkets, Medium, Springer, Fortune, GitHub等</p>
        </div>
      </div>
    </div>
  );
};

export default CausalAIReport;

🖼 関連する画像

Image for cmgipyfse004fvyjn44krryax
Image for cmgipyfsd003vvyjnrd5egyih
Image for cmgipyfsd003wvyjngwbpxuwi
Image for cmgipyfsd003xvyjntvbldjf0
Image for cmgipyfsg0051vyjnpxmkumhh
Image for cmgipyfsd003zvyjn6nlm19xr
Image for cmgipyfsd0040vyjnp64yvjp2
Image for cmgipyfsd0041vyjn8dhmf8wb
Image for cmgipyfsd0042vyjn743im6gc
Image for cmgipyfse0043vyjniiy7huds
Image for cmgipyfse004dvyjnxzyjd14v
Image for cmgipyfsg004zvyjn381s76ei
Image for cmgipyfsf004gvyjn09m9dv92
Image for cmgipyfsf004hvyjnm50udusv
Image for cmgipyfsf004jvyjnbwcyuvkg
Image for cmgipyfsf004kvyjngbn1j900
Image for cmgipyfsf004lvyjn9ba3x9a7
Image for cmgipyfsf004ivyjnm1vzy4ft
Image for cmgipyfsg004xvyjnn4vl1az6
Image for cmgipyfsg004yvyjnbbdgpgxu
Image for cmgipyfsg0050vyjndahwe86j
Image for cmgipyfsg0052vyjnrqhd5zg7
Image for cmgipyfsg0053vyjnxccub1hz
Image for cmgipyfsg0054vyjngq8lqpz2
Image for cmgipyfsh0055vyjn6y5egqvu
Image for cmgipyfsh0056vyjn8j8dctbd
Image for cmgiq6yek005qvyjn2n1v6flr
Image for cmgiq6yel005rvyjnhkvelz3l
Image for cmgiq6yel005svyjnsd0emmt7
Image for cmgiq6yel005tvyjnzq1rx397
Image for cmgiq6yel005uvyjnwnuqu2gb
Image for cmgiq6yel005vvyjn6k0zasht
Image for cmgiq6yel005wvyjn3sj0r57w
Image for cmgiq6yel005xvyjn93expvsq
Image for cmgiq6yel005yvyjnira3e330
Image for cmgiq6yel005zvyjn2aryu4ry
Image for cmgiq6yem006avyjn11lw2dwz
Image for cmgiq6yem006bvyjniil2kuok
Image for cmgiq6yem006cvyjndaoi5jfl
Image for cmgiq6yem006dvyjnqm3v0yf6
Image for cmgiq6yem006evyjngxspl9bs
Image for cmgiq6yem006fvyjnl53st3n5
Image for cmgiq6yem006gvyjnc32865js
Image for cmgiq6yem006hvyjn3j7kj6w6
Image for cmgiq6yem006ivyjnpoy69e64
Image for cmgiq6yem006jvyjnu9e9mlcw
Image for cmgiq6yeo006uvyjnmyysbeqg
Image for cmgiq6yeo006vvyjnrbwrmev8
Image for cmgiq6yeo006wvyjn5vf46tln
Image for cmgiq6yeo006xvyjna6pnkjx1
Image for cmgiq6yeo006yvyjnn81ictgz
Image for cmgiq6yeo006zvyjnevecu9ib
Image for cmgiq6yeo0070vyjnq7fc65te
Image for cmgiq6yeo0071vyjnsonswiry
Image for cmgiq6yeo0072vyjnmn2pgn08
Image for cmgiq6yeo0073vyjnv763x5rm
Image for cmgiq6yep007evyjnjdbc24u9
Image for cmgiq6yeq007fvyjny3g239cs
Image for cmgiq6yeq007gvyjnw9xas0jn
Image for cmgiq6yeq007hvyjnewy0o116
Image for cmgiq6yeq007ivyjnz80jq8lf
Image for cmgiq6yeq007jvyjnhjhrk04o
Image for cmgiq6yeq007kvyjnm1ij7qgu
Image for cmgiq6yeq007lvyjnzxleo6gc
Image for cmgiq6yeq007mvyjno5acfum4
Image for cmgiq6yeq007nvyjnwoxyms8f

このレポートが参考になりましたか？

あなたの仕事の調査業務をワンボタンでレポートにできます。

詳細を見る

🔍 詳細

🏷Causal AIの定義と2025年の技術潮流（LLM統合・リアルタイム因果など）

画像 1

Causal AIの定義と2025年の技術潮流（LLM統合・リアルタイム因果など）

定義と学術的背景

Causal AIとは、「単なる相関ではなく因果関係（介入や反事実を含む問い）を明示的に扱い、介入下の結果予測や説明可能な意思決定を可能にするAI技術」の総称と考えられます。因果思考の古典的枠組みや「因果の梯子（Ladder of Causation）」はJudea Pearlによって体系化されており、観察（相関）→介入→反事実という3層の問いを区別することがCausal AIの本質を理解する鍵になります
causalens.com
。さらに、因果研究の実務には「潜在的結果フレームワーク」「構造方程式モデル（SEM）」「有向非巡回グラフ（DAG）／グラフィカルモデル」といった複数の方法論が並存しており、近年はこれらを機械学習や表現学習と結び付ける研究が活発です
arxiv.org
。
上記の学術的土台があるため、Causal AIは「分布シフトへの頑健性」「介入に基づく行動シミュレーション」「説明可能性（なぜそうなったのかの提示）」「公平性評価の改善」といったメリットを提供し得ますが、一方で同分野は識別可能性、未観測交絡、ベンチマーク不足といった根源的課題を抱えていることも指摘されています
arxiv.org
。

2025年の主要技術潮流（要点）

以下は、2025年時点で調査結果が示す主要な潮流と、それぞれが意味するインパクトのまとめです。
  • LLM（大規模言語モデル）との統合と「関数近似器」としての利用
    • LLMは非構造化データ（テキストや画像の記述）から因果的ヒントを取り出す能力や、因果推論パイプライン中の自然言語インターフェースとして急速に注目されています。一方で、LLM単体は「ずさんな方法」で因果的推論を行うことがあり、制御性と忠実性の担保が必須であると指摘されています
      causalens.com
      、
      sonicviz.com
      。
    • 意味すること：LLMは因果処理の「入力・補助」を劇的に拡張するが、幻覚や誤帰属を減らす仕組み（検証エージェント、多段評価）が必須と考えられます
      arxiv.org
      。
  • Causal Multi‑Agent LLMs（多エージェントLLM）パラダイムの台頭
    • 複数のLLMベースの専門エージェント（発見エージェント、評価エージェント、反証エージェント等）が協調して因果発見・効果推定を行うアーキテクチャが提案され、事実確認や反事実評価、因果グラフの議論・修正などで成果が報告されています
      arxiv.org
      。
    • 意味すること：単一LLMの幻覚や「見せかけの相関」依存を、多エージェント内の相互検証で補う設計が現実的な対策として注目されていますが、計算コストと評価指標の整備が課題です
      arxiv.org
      。
  • リアルタイム／自動化された因果発見と「Causal Co‑Pilot」類の登場
    • 因果分析のフルパイプラインを自動化し、自然言語クエリから適切な因果手法を選び実行する試み（例：Causal‑Copilot）や、臨床試験設計支援（TrialGenie）といった自動化ツールが報告されています自動化エージェント（Causal‑Copilot）。
    • 意味すること：実運用では「専門家のレビュー（Human‑in‑the‑Loop）」を組み合わせた自動化が現実的で、特にAIOps/根本原因分析や臨床試験設計で即効性があると考えられます。
  • 多モーダル因果表現学習と創発的表現
    • 画像＋テキスト等の非構造化高次元データから因果的表現を学ぶフレームワーク（例：CausalVLR、創発表現の研究）が成果を出しつつあります
      github.com
      、
      neurips.cc
      。
    • 意味すること：医療画像やビデオ解析、複合センシング環境で因果的な説明や介入効果推定が実用的になる可能性があります。
  • 知識統合：因果ナレッジグラフとドメイン知識の融合
    • 企業の実装例として、富士通は「Causal Knowledge Graph」によってナレッジグラフと因果分析を統合するアプローチを提示しています
      fujitsu.com
      。また、データと専門家知識を融合するハイブリッド設計の有効性も報告されています
      journalwjaets.com
      。
    • 意味すること：ドメイン固有の因果制約（物理法則や臨床知見）を初期化に使うことで発見の精度と解釈性が大きく向上すると考えられます。
  • オープンソース／ツールの成熟化
    • DoWhy／PyWhy（因果エコシステム）、CausalNex、CausalVLRなどがコミュニティで広く利用され、実務導入の敷居を下げています
      pywhy.org
      、
      github.com
      、
      github.com
      。
    • 意味すること：実装と再現性が改善されることで、企業内PoCから本番適用までの時間が短縮されると考えられます。

産業応用の具体例（2025時点）

  • 創薬・医療：ターゲット検証、臨床試験デザイン、リアルワールドエビデンス（RWE）活用でCausal AIが採用されつつあり、創薬プラットフォームへの組み込みが進んでいます（例：Vizuroの医薬向けプラットフォーム事例）
    vizuro.com
    。
    → 示唆：規制や臨床検証のハードルはあるものの、成功すれば開発コスト低減と失敗率低下という明確な経済価値が期待されます。
  • 自然言語処理（NLP）：因果不変性や反事実検証を組み込むことで翻訳や事実確認、説明生成が改善される研究が増加しています（例：CRAT等）CRAT (Chen et al.)。
    → 示唆：LLMベースの説明責任や根拠提示の強化に直結しますが、評価基準の整備が必要です。
  • 企業意思決定／AIOps：因果モデルは単なる予測を超えて「どの介入が効果的か」を示すため、マーケティングや運用最適化での導入が進んでいます
    sonicviz.com
    、
    narwal.ai
    。

スタートアップ動向・資金調達への示唆

  • エコシステム：2025年時点で多数のCausal AIスタートアップが出現しており、San Francisco、New York、London、Bangalore、Toronto がホットスポットとして挙げられています（例：StartUs Insights の注目企業リスト）
    startus-insights.com
    。
    → 示唆：地理的な分布はVCや企業顧客の分布と一致しており、特定領域（ヘルスケア／マーケティング／製造）に特化したプレーヤーが資金を集めやすい傾向が見られます。
  • 市場予測と採用ペース：業界レポートや調査は「2～5年で実運用への影響が高まる」との評価が多く、オープンソースの普及が採用速度を加速していることが報告されています
    sonicviz.com
    。
    → 示唆：短中期での事業化が見込める一方、技術的検証（識別性、バリデーション）とドメイン規制対応を示せる企業が資金獲得で有利と考えられます。

実務的インサイト（投資家・起業家向け）

  1. 投資家向け：LLMとの結合（特にマルチエージェント設計）と、ドメイン知識（医療・製造など）をプロダクトに組み込めるチームに注目すべきです。検証可能なベンチマークや第三者評価を重視してください
    arxiv.org
    、
    arxiv.org
    。
  2. 起業家向け：
    • 最初はドメイン特化（医療、マーケ、製造）で「因果的に行動を変えられる」明確なユースケースを示すこと。製薬や臨床試験最適化のように金銭価値が明確な分野が有利です
      vizuro.com
      。
    • LLMを使う場合は多段検証（反証エージェント、事実照合）を設計し、幻覚対策をプロダクト要件に組み込むこと
      arxiv.org
      。
    • 専門家知識の形式化（知識グラフ）を早期に取り入れ、説明可能性と監査可能性を実装することが差別化になります
      fujitsu.com
      、
      journalwjaets.com
      。

ツール・リソース（抜粋）と参考（導入の出発点）

  • DoWhy / PyWhy（因果エコシステム）:
    pywhy.org
  • CausalNex（QuantumBlack／McKinsey）:
    github.com
  • CausalVLR（視覚言語の因果推論フレームワーク）:
    github.com
Pythonサポート例 - CausalNex バッジ
（参考：上記ツール群は導入の敷居を下げ、PoC→本番化の速度を上げるための出発点として有用です
pywhy.org
、
github.com
、
github.com
。）

まとめと示唆

  • 事実：2025年時点でCausal AIは学術理論と実用ツールの両方で急速に成熟しており、LLM統合や多エージェント化、知識グラフとの融合といった技術潮流が顕在化しています
    arxiv.org
    、
    fujitsu.com
    。
  • 意味すること：言い換えると、今後数年で「因果的に行動を最適化できる」プロダクトをいかに実証し、監査・規制対応を整備するかが、投資回収の鍵になると考えられます
    sonicviz.com
    。
  • 実践的な行動案：投資家はドメイン知見と評価フレーム（外部検証）を重視し、起業家はLLMの利便性を因果的堅牢性で補強する設計を優先してください
    journalwjaets.com
    、
    vizuro.com
    。
（本節で引用した主要出典：Judea Pearlインタビュー、Causal MAS survey、A Dozen Challenges in Causality、富士通Causal Knowledge Graph、Vizuro（製薬事例）、PyWhy/DoWhy、CausalNex、CausalVLR、StartUs Insights 等 — 各リンクは本文中に示しました。）
copy url
source logosonicviz.com
Cavique, 2024
Quanta Intelligence, 2024
AI Tech Park, 2025
Cavique, 2024
Link Springer, 2023
AI Tech Park, 2025
CausalityLink, 2025
AI Tech Park, 2025
Leenkup, 2025
Link Springer, 2023
CauSE Workshop, 2025
PyWhy, 2025
CausalVLR GitHub, 2025
PyWhy, 2025
PyWhy, 2025
QuantumBlack GitHub, 2025
Link Springer, 2023
AI Tech Park, 2025
AI Tech Park, 2025
AI Tech Park, 2025
Coruzant, 2025
https://ai-techpark.com/technological-predictions-causal-ai/
Causality-software-engineering.github.io
https://causality-software-engineering.github.io/cause-workshop-2025/
https://causalitylink.com/resources_/the-future-of-ai-in-2025-and-beyond/
https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2024.1488359/full
https://coruzant.com/cloud/machine-learning-in-2025-trends-challenges-and-opportunities/
https://github.com/HCPLab-SYSU/CausalVLR
https://www.leenkup.com/read-blog/27233_causal-ai-in-2025-expert-predictions-and-key-trends.html
https://link.springer.com/article/10.1007/s00330-023-10121-4
https://www.pywhy.org/
https://quantaintelligence.ai/2024/09/14/technology/causal-ai-trends-to-watch-in-2025
copy url
source logocausalens.com
Causal AI Conference
copy url
source logoarxiv.org
copy url
source logojournalwjaets.com
copy url
source logoneurips.cc
copy url
source logoporsche.com
copy url
source logooreilly.com
copy url
source logoarxiv.org
Preface
Executive Summary
1 Introduction
2 Cross-Disciplinary AI+MPS Opportunities
2.1 Advocate for Diverse Funding Streams
2.2 Pursue the Science of AI
2.3 Establish Scalable AI Infrastructures
2.4 Facilitate Interdisciplinary Collaborations
2.5 Cultivate Key AI Techniques for Science
2.6 Leverage AI for Conducting Research
2.7 Educate and Train an AI+MPS Workforce
2.8 Empower AI Innovation
3 Domain-Specific Opportunities
4 Summary and Conclusions
Acknowledgments
Artificial Intelligence (AI)
Mathematical and Physical Sciences (MPS)
National Science Foundation (NSF)
MPS
AST
CHE
DMR
DMS
PHY
NSF
Department of Energy (DOE)
National Aeronautics and Space Administration (NASA)
STEM
Artificial intelligence (AI)
MPS
1.1
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
3
4
https://www.whitehouse.gov/wp-content/uploads/2025/07/Americas-AI-Action-Plan.pdf
2.3
2.7
2.1
2.5
2.6
3
2.3
2.2
2.2
2.3
artificial intelligence (AI)
Mathematical and Physical Sciences (MPS)
https://www.nobelprize.org/prizes/physics/2024/press-release/
https://www.nobelprize.org/prizes/chemistry/2024/press-release/
National Science Foundation (NSF)
AST
uncertainty quantification (UQ)
CHE
DMR
DMS
PHY
1.1
4
1.2
1.3
1.2
1.3
2.5
2.6
3
2.2
2.8
2.1
2.3
2.4
3
STEM
2.7.1
2.7.2
2.7.3
2.7.4
2.7.5
2.7.3
``machine learning'' (ML)
ML
ML
ML
boosted decision trees (BDTs)
deep neural networks (DNNs)
convolutional neural networks (CNNs)
2.2.2
large language models (LLMs)
ML
generative adversarial networks (GANs)
variational autoencoders (VAEs)
normalizing flows (NFs)
simulation-based inference (SBI)
2.5.1
2.6.1
LLMs
2.5.4
Large language models (LLMs)
LLMs
LLMs
``artificial general intelligence'' (AGI)
https://lean-lang.org
LLMs
Reinforcement learning (RL)
RL
RL
RL
RL
2.5.6
Boolean satisfiability problems (SATs)
satisfiability modulo theories (SMT)
https://nap.nationalacademies.org/catalog/27241/artificial-intelligence-to-assist-mathematical-reasoning-proceedings-of-a-workshop
simulation-based inference
SBI
SBI
SBI
2.5.1
Scientific machine learning (SciML)
2.5.2
RL
RL
2.5.7
2.2.3
2.6
2.5.7
2.6
2.6
2.5
2.6
3
2.2.1
Hamiltonian neural networks (HNNs)
Lagrangian neural networks (LNNs)
2.2.2
2.2.3
2.2.1
2.8.1
2.3.3
UQ
2.5.3
UQ
RL
RL
RL
2.5.5
AGI
3
https://doi.org/10.1038/s41540-021-00189-3
https://access-ci.org
principal investigatorss (PIs)
PIs
NSF
DOE
https://aiinstitutes.org
https://www.nsf.gov/mps/che/centers-chemical-innovation
Mathematical and Scientific Foundations of Deep Learning (MoDL)
National Institute for Theory and Mathematics in Biology (NITMB)
2.4
Cyberinfrastructure for Sustained Scientific Innovation (CSSI)
https://www.nsf.gov/funding/opportunities/cssi-cyberinfrastructure-sustained-scientific-innovation
CSSI
Computer and Information Science and Engineering (CISE)
2.2
2.5
https://www.schmidtsciences.org/schmidt-science-polymaths/
2.7.1
2.7.2
2.7.3
https://www.nsf.gov/funding/opportunities/mps-ascend-mathematical-physical-sciences-ascending-postdoctoral
IAIFI
https://iaifi.org/fellows.html
https://schmidtsciencefellows.org
large language models (LLMs)
2.2.1
2.5
1.2.3
2.5.6
2.8.1
2.5.1
2.5.2
2.6.1
1.2.3
large language models (LLMs)
uncertainty quantification (UQ)
2.5.1
2.5.3
3.4
2.3.3
2.2.3
https://access-ci.org
https://www.cloudbank.org
National AI Research Resource (NAIRR)
https://nairrpilot.org
graphics processing unit (GPU)
NAIRR
application programming interface (API)
API
Model as a Service (MaaS)
API
GPUs
https://github.com/NVIDIA/cuEquivariance
GPU
2.5.6
high-performance computing (HPC)
2.3.3
https://open-reaction-database.org
NAIRR
Data lifecycle management (DLM)
DLM
NAIRR
DLM
DLM
DLM
density functional theory (DFT)
Crystallographic Information Framework (CIF)
https://www.iucr.org/resources/cif
Inorganic Crystal Structure Database (ICSD)
https://icsd.products.fiz-karlsruhe.de
Protein Data Bank (PDB)
https://www.rcsb.org
2.8.2
2.5
2.6
1.2.1
simulation-based inference (SBI)
2.5.1
2.1.3
2.7.1
2.7.5
2.3.3
2.3.3
https://ml4physicalsciences.github.io/2024/
Conference on Neural Information Processing Systems
NeurIPS
https://lhco2020.github.io/homepage/
https://plasticc.org/
2.5
2.6
2.8.2
3
simulation-based inference (SBI)
SBI
SBI
normalizing flows (NFs)
variational autoencoders (VAEs)
SBI
Large Hadron Collider (LHC)
LHC
SBI
https://www.pnas.org/doi/10.1073/pnas.1912789117
SBI
SBI
Physics-informed neural networks (PINNs)
uncertainty quantification (UQ)
UQ
UQ
UQ
UQ
UQ
UQ
UQ
2.3
2.4
2.6.1
reinforcement learning (RL)
2.6.2
LHC
RL
UQ
2.5.5
2.6.2
machine learning (ML)
2.2.3
SBI
2.5.1
SBI
2.5.6
2.5.2
2.5.1
UQ
2.2
2.6.2
https://doi.org/10.17226/27457
knowledge graphs (KGs)
2.4
2.5.2
uncertainty quantification (UQ)
2.1.3
science, technology, engineering, and mathematics (STEM)
2.8.2
2.4.2
2.1.3
IAIFI
computer science (CS)
2.7.5
large language models (LLMs)
machine learning (ML)
LLM
graphics processing units (GPUs)
application programming interface (API)
STEM
2.4.1
STEM
2.3
https://www.forbes.com/sites/katharinabuchholz/2024/08/23/the-extreme-cost-of-training-ai-models/
2.5.6
Low Rank Adaptation (LoRA)
graphics processing units (GPUs)
deep neural networks (DNNs)
2.6.1
large language models (LLMs)
2.4.3
uncertainty quantification (UQ)
2.5.3
2.2.3
2.5.4
2.3.2
retrieval augmented generation (RAG)
LLMs
RAG
retrieval augmented generation assessment (RAGA)
RAGAs
RAG
2.3.1
2.3.2
2.2.2
2.8.1
2.4
National Science Foundation (NSF)
Department of Energy (DOE)
National Aeronautics and Space Administration (NASA)
reinforcement learning (RL)
simulation-based inference (SBI)
graphic neural networks (GNNs)
RL
Physics-informed neural networks (PINNs)
GNNs
SBI
SBI
RL
graphics processing unit (GPU)
ordinary differential equations (ODEs)
Astrophysics Data System (ADS)
Strasbourg astronomical Data Center (CDS)
RL
RL
2.5
Simulation-based inference (SBI)
SBI
SBI
SBI
general-relativistic magnetohydrodynamic (GRMHD)
PINNs
Uncertainty quantification (UQ)
RL
RL
GRMHD
SBI
https://www.nobelprize.org/prizes/chemistry/2024/press-release/
CHE
DMR
3.3
density functional theory (DFT)
machine-learned interatomic potentials (MLIPs)
physics-informed neural networks (PINNs)
Center for Computer-Assisted Synthesis (CCAS)
CCAS
2.5
Simulation-based inference (SBI)
SBI
SBI
Uncertainty quantification (UQ)
large language models (LLMs)
PINNs
3.2
Machine-learned interatomic potentials (MLIPs)
MLIPs
MLIPs
Physics-informed neural networks (PINNs)
PINNs
large language models (LLMs)
LLMs
Knowledge graph (KG)
KGs
KGs
2.5
Simulation-based inference (SBI)
SBI
Uncertainty quantification (UQ)
MLIPs
LLMs
reinforcement learning (RL)
artificial general intelligence (AGI)
scientific machine learning (SciML)
Defense Advanced Research Projects Agency (DARPA)
https://sam.gov/workspace/contract/opp/8e9428a0783e483f954d93555dd8cc77/view
https://sam.gov/opp/104a7ef9ccef4fa1b47aa9eaf4c89d0a/view
deep neural networks (DNNs)
uncertainty quantification (UQ)
SciML
partial differential equations (PDEs)
physics-informed neural networks (PINNs)
PDEs
stochastic differential equations (SDEs)
DNNs
PDEs
SDE
UQ
DNN
reinforcement learning (RL)
RL
RL
RL
https://lean-lang.org/
https://github.com/google-deepmind/alphafold
https://github.com/RosettaCommons/RoseTTAFold
https://github.com/nadavbra/protein_bert
Mathematical and Scientific Foundations of Deep Learning (MoDL)
Mathematical Foundations of AI (MFAI)
DNNs
https://doi.org/10.1137/16M1080173
PDEs
PDE
DNNs
ordinary differential equations (ODEs)
SDEs
graphic neural networks (GNNs)
neural tangent kernel (NTK)
reproducing kernel Hilbert space (RKHS)
random matrix theory (RMT)
DNNs
RMT
PDEs
SDEs
UQ
generative adversarial networks (GANs)
GAN
GAN
Variational autoencoders (VAEs)
VAEs
SDEs
SDE
PDEs
2.5
Simulation-based inference (SBI)
SBI
Uncertainty quantification (UQ)
UQ
UQ
UQ
UQ
UQ
large language models (LLMs)
LLMs
PDEs
PDEs
RL
RL
AGI
DNNs
DNNs
RMT
SDEs
UQ
Topological data analysis (TDA)
TDA
TDA
TDA
UQ
machine learning (ML)
simulation-based inference (SBI)
Laser Interferometer Gravitational-wave Observatory (LIGO)
Large Hadron Collider (LHC)
reinforcement learning (RL)
RL
positioning, navigation, and timing (PNT)
ML
LHC
SBI
https://iml-wg.github.io/HEPML-LivingReview/
LIGO
LIGO
SBI
Electron-Ion Collider (EIC)
EIC
EIC
retrieval augmented generation (RAG)
RL
large language models (LLMs)
3.4.2
https://www.nobelprize.org/prizes/physics/2024/summary/
LHC
LLMs
neural networks (NNs)
quantum field theorys (QFTs)
uncertainty quantification (UQ)
graphics processing units (GPUs)
2.2
3.5.3
2.5
Simulation-based inference (SBI)
SBI
SBI
Uncertainty quantification (UQ)
UQ
UQ
LHC
LIGO
EIC
High-luminosity LHC (HL-LHC)
EIC
Laser Interferometer Space Antenna (LISA)
HL-LHC
LIGO
Deep Underground Neutrino Experiment (DUNE)
SBI
partial differential equations (PDEs)
UQ
noisy intermediate-scale quantum (NISQ)
NISQ
NISQ
2.3