生命は作ることができるのか

life tips & 雑記禅とライフティップ旅と歴史スポーツとアート本とTVと映画と音楽機械学習と数学物理・数学本ブログのナビ

生命と非生命のあいだ

生命と非生命のあいだというテーマで書籍は何冊も出版されている。「生命と非生命のあいだ」アイザック・アシモフ、「生命と非生命のあいだ」小林憲正、「生命と非生命のあいだ」ピータークロフォード、「生命と非生命のあいだ」福岡伸一

このテーマは、生命の起源を探る分野で非常に興味深い問いであり、生命がどのようにして非生命から生まれたのか、地球でどのような「奇跡」が起きたのかについて、多くの研究者が理論を提唱している領域となる。

生命の起源に関する主要な理論としては以下のようなものがある。

化学進化説（原始スープ仮説）
- アレクサンダー・オパーリンやジョン・ホールデンが提唱。
- 原始地球の環境で、無機分子（メタン、アンモニア、水など）が雷や紫外線のエネルギーを受けて有機分子（アミノ酸など）を形成。
- 1953年のミラー・ユーリーの実験では、この理論の証拠となるアミノ酸の生成が確認されました。
深海熱水噴出口仮説
- 地球深海の熱水噴出口（ブラックスモーカー）で、化学物質と熱エネルギーを使った生命の発生。
- 高温・高圧の環境で、硫化物などの無機物が触媒となり、有機分子が生成された可能性があります。
パンスペルミア説
- 地球外からの生命の起源を仮定。
- 隕石や彗星が有機物や生命の前駆体を地球にもたらした可能性があります。
RNAワールド仮説
- 現代のDNAやタンパク質よりも先に、自己複製が可能なRNA分子が登場したという理論。
- RNAは遺伝情報の保存と触媒機能の両方を持つため、生命の起源における重要な役割を果たしたと考えられます。

これらのメカニズムを考えた時、生命の起源が必然的な現象だったのか、あるいは極めて偶然的な出来事だったのかを問う、いわゆる「地球で「奇跡」は起きたのか？」というこの問いは重要なものとなる。これに対して”必然説”としては、地球上の特定の条件（液体の水、適度な温度、安定した化学環境）が生命の発生を必然的に引き起こしたとする仮説が考えられておりこの場合、生命の発生は宇宙全体でも普遍的に起こり、宇宙には生命が溢れていることとなる。

また、”偶然説”としては、生命の発生には、非常に稀な条件が必要であり、地球は「奇跡的」にそれを満たした。これには例えば、月の存在が潮汐や地球の気候安定化に寄与したことや、小惑星の衝突が化学環境を変化させたことなどが偶然の要素として挙げられている。この偶然説に立つと、宇宙に我々以外の生命体が現れる確率は少なくなる。

また、「生命と非生命のあいだ」を考えると、哲学的視点として以下のようなものが挙げられる。

エマージェンス（創発）の視点: 生命は複雑系の自己組織化によって誕生した現象であり、非生命と生命の間には明確な境界がないとする見方。
定義の曖昧さ: 生命とは何か？という問いそのものが議論の対象で、例えば、ウイルスのような存在は、非生命と生命の中間に位置するものと見なされる。

「生命と非生命のあいだ」というテーマは、生命の起源やその本質に迫る非常に興味深い問題で、この問いは、科学、生物学、哲学、そして天文学など、多くの分野で議論されているものとなる。

生命は作ることができるのか

このように「必然」または「偶然」に「生命が作られた」と考えると、次のステップとして「それを人間が行うことができるのか」という考えに至るのは自然な流れとなる。科学技術の進展により、生命の起源やその再現可能性についての理解が進んでいるが、生命を「完全に作る」とはどういうことかについては、いまだ議論が続いている。以下にそれらについて述べる。

1. 合成生物学による人工生命の作成: 合成生物学は、遺伝子を組み替えたり、人工的なDNAを合成することで新しい生物や生命のような機能を持つシステムを作る研究分野で、科学者はすでに「最小限の遺伝子」を持つ細菌を人工的に作成し、これが基本的な生命活動（増殖や代謝）を維持できることを確認している。2010年には、クレイグ・ヴェンター率いる研究チームが、人工的に合成したゲノムをもつ「Mycoplasma mycoides」という細菌を作り出し、これが細胞内で生命活動を営むことができることを示している。これは、完全に新しい生命をゼロから創造したわけではなく、既存の生命体に人工的なDNAを組み込んだものだが、人工生命への大きな一歩とされている。

2. 自己複製分子の創出: 生命の特徴の1つに「自己複製」がある。RNAワールド仮説という理論によれば、生命の起源は自己複製可能なRNA分子にあるとされており、RNAが触媒作用（リボザイムとしての機能）を持ち、自己複製を繰り返すことで初期の生命体が誕生したのではないかと考えられている。実験室では、RNAやDNAのような自己複製分子が部分的に作られ、自己複製のプロセスが示されているが、これだけで完全な生命と呼べるかはまだ議論の余地がある。

3. 細胞機能の人工的な再現: 生命のもう一つの特徴は、膜で囲まれた細胞の中で代謝が行われ、エネルギーを得て環境に応答できることとなる。人工細胞（プロトセル）と呼ばれる実験も進んでおり、脂質膜で囲まれた小さな構造体の中に、代謝や情報伝達機能を組み込むことで、生命らしい振る舞いをさせる試みが行われている。例えば、ATPを生成してエネルギー供給を行うような人工的な代謝系が開発され、分裂のような振る舞いをするプロトセルも実現している。しかし、これらの人工細胞は非常に単純で、自然界の生命体に見られる複雑な調整機能までは再現できていない。

4. 生命の定義に関する哲学的問題: 科学的に生命を作ることが可能だとしても、「生命」とは何をもって定義されるのか、という哲学的な問いもある。もし自己複製が生命の最低限の条件だとすれば、自己複製可能な分子から始まる生物的システムを生命と呼ぶことができるかもしれない。しかし、知性や意識、進化の可能性といった要素も含めて生命を捉えると、より高次の複雑さを持つものを「生命」と呼ぶべきだ、という考え方もある。

現時点では、生命をゼロから完全に作ることは技術的に不可能だが、生命の一部の機能（例えば自己複製や代謝）を持つシステムを人工的に作成することは可能で、生命の再現には複数の側面があり、完全な生命を再現するためには、さらに多くの発見や技術が必要となる。ただし、合成生物学の進展により、生命の本質についての理解が深まりつつあり、将来的には人工生命が誕生する可能性もある。

生物と非生物の違いは何か

生命と非生命を分ける明確な境界があると仮定した時、生物は特定の条件を満たすことで生命を持っているとみなされ、非生物はその条件を満たさないために生命を持たないと考えることができる。以下に、その特徴について考えてみる。

1. 自己複製: 生物は、自己の遺伝情報を次世代に伝えることができる。例えば、細菌から人間まで、すべての生物は自己複製のメカニズムを持ち、遺伝子情報を子孫に受け継がせることが可能となる。一方、非生物は自己複製の能力がなく、自分自身を複製して次世代を残すことはできない。

2. 代謝とエネルギーの利用: 生物は、栄養を取り入れてそれをエネルギーに変換し、体内で化学反応（代謝）を起こす。代謝により、生物は成長し、修復し、環境に適応するためのエネルギーを得ている。非生物はエネルギーを消費して成長したり、代謝したりすることはない。例えば、石や金属はエネルギーを必要とせず、変化するために自らのエネルギーを使うこともない。

3. 成長と発達: 生物は環境に応じて成長し、発達するプロセスを持っている。成長とは細胞分裂や組織の変化を伴い、サイズや複雑さを増していく。非生物も物理的な要因で形状が変わることはあるが、成長と発達はしない。例えば、鉱物が風化して形が変わることはあるが、それは生命活動に基づくものではなく、成長と呼べるものではない。

4. 刺激への応答: 生物は外部の刺激に応じて反応を示す。例えば、植物は光に向かって成長し、人間や動物は危険や食物などに反応することで生存に必要な行動を取る。非生物は刺激に反応することはない。たとえば、石は熱や光、音の刺激に対して自らの意思で反応することはできない。

5. 恒常性（ホメオスタシス）: 生物は、体内の環境を一定に保つための調整機能（ホメオスタシス）を持っている。これにより、外部環境が変化しても、体温や血糖値などを一定に保つことができる。非生物にはそのような調整機能がなく、環境に影響されて変化するだけで、例えば、水の温度は外部環境に応じてそのまま変わるだけで、自ら一定の温度を保とうとはしない。

6. 進化の可能性: 生物は、世代を重ねる中で進化する可能性を持っている。進化とは、遺伝情報に少しずつ変化が蓄積され、環境に適応していく過程で、これにより、新しい形質や種が生まれることがある。非生物は遺伝情報を持たないため、進化することはない。例えば、鉱物や化学物質が時間とともに進化して新しい種類になることはない。

生物は自己複製、代謝、成長、刺激への応答、恒常性、進化といった特徴を持つことで、非生物と区別されると考えることができる。しかし、ウイルスのように生物と非生物の境界線にあるものも存在し、生物学上の「生命」の定義を議論する上での興味深い例となっている。ウイルスは自己複製を行うが、それは宿主細胞に依存しており、独自に代謝や成長を行うことができない。そのため、生命の定義にはまだ完全な一致はなく、引き続き研究と議論が続けられている。

コンピューターによりそれらを実現することは可能か

以下に、前述の特徴をコンピューターを用いて再現することについて考える。これらについて考えることは強いAIを作る為のアプローチにもつながる。

1. 自己複製: コンピューターはプログラムやデータのコピーを作成することができ、自己複製の基本的な部分は再現できる。コンピューターウイルスなどは自己複製の一例であり、ある種の「生命のような」特性を持っているとも言える。ただし、自然界の生物が持つような進化や適応を伴った複雑な自己複製システムを再現することは難しく、デジタル空間で自己増殖するAIやアルゴリズムには、環境変化に柔軟に対応するための進化機能が必要となる。現在は一部のアルゴリズムで自己進化や自己適応を行う研究もあるが、自然の自己複製機能には及ばない。

2. 代謝とエネルギーの利用: 生物はエネルギーを使って生命活動を行いますが、コンピューターは電力をエネルギー源とし、デジタル処理を行います。コンピューター内でのエネルギー消費は単なる計算のためであり、生命の代謝のような複雑な化学プロセスやエネルギー交換とは異なる。ただし、AIシステムやロボットは、計算リソースや電力消費量を自己調整する仕組みを導入でき、これが代謝に似た働きを果たすような研究も行われている。実際の代謝機能とは異なるものの、エネルギー管理の面で一定の自己調整は可能となる。

3. 成長と発達: 生物が成長し発達するように、コンピューターやAIも経験や学習データの蓄積によって成長するように見える場合がある。機械学習や深層学習アルゴリズムは大量のデータを処理し、新たな知識を蓄え、応用能力を高めることで「成長」するように見える。ただし、生物が持つ物理的な形の変化や、生物の内部構造の進化的発達と同じ意味での成長は、コンピューターでは実現できていない。

4. 刺激への応答: 現代のAIやロボットは、センサーやカメラ、音声認識などを通して環境からの刺激に反応し、特定の行動を取ることが可能となる。例えば、自律ロボットは周囲の状況を感知し、障害物を避けたり、命令に従って行動したりする。これにより、コンピューターが刺激に応答することは実現されているが、人間や動物のような本能的な反応や感情的な反応を完全に再現することは難しく、限定的な応答にとどまっている。

5. 恒常性（ホメオスタシス）: 一部のコンピューターシステムは、自動調整機能を使って「恒常性」に似た状態を維持する。たとえば、サーバーは温度が上がりすぎると冷却システムが作動したり、負荷が増えるとリソースを増やしてシステムを安定させるといった調整を行う。ただし、これもプログラムによって定義された動作であり、生物が持つ柔軟で複雑な自己調整機能とは異なる。

6. 進化の可能性: コンピューター上のアルゴリズムは”遺伝的アルゴリズムの概要と適用事例および実装例について“で述べている遺伝的アルゴリズムや”進化的アルゴリズムの概要とアルゴリズム及び実装例について“でも述べている進化的プログラミングを用いて進化的なプロセスを模倣することができる。遺伝的アルゴリズムは、最適な解を求めるために「進化」するアルゴリズムであり、世代を重ねて適応的に改善されていく。しかし、この進化は人間が設定した目標に基づいたものであり、自然環境における生物進化のように予測不可能で多様な適応進化ではない。

現段階では、コンピューターは生物の特徴を部分的に再現することが可能ですが、それらはプログラムや設定されたアルゴリズムに基づくものであり、生物が持つ柔軟で自己調整的な生命活動とは異なり、感情や意識といった要素を含む「完全な生命」としての再現は、まだ実現できていない。生命をコンピューターで「完全に再現する」ためには、生物が持つ複雑で多層的な機能を理解し、それらを構築する新たな技術や理論が必要となる。

これらを実現するためには、”人工生命とエージェント技術“で述べているマルチエージェント技術や、スウォームインテリジェンス等の分散型アルゴリズム、セルオートマトンや遺伝的アルゴリズムなどの環境適用型アルゴリズム、さらに”GANの概要と様々な応用および実装例について“で述べているGANや生成系機械学習ニューラルネットワークを用いた生成系アルゴリズムや、”因果推論と強いAIの実現に向けた考察“で述べた因果推論のアプローチなども重要となってくる。

実装例

生物の一部の特徴を模倣したコンピューターの実装例について述べる。これらの例は、AIやロボティクスの分野で実際に使用されているか、応用が検討されている技術となる。

1. 自己複製：自己増殖プログラム

概要: 自己複製プログラムとして代表的な例がコンピュータウイルスで、コンピュータウイルスは自己複製することで増殖し、複数のシステムに拡散する。
実装例: 自己複製プログラムとして、Pythonで以下のような簡単な自己複製スクリプトを書くことができる。このプログラムは自分自身をコピーして複製を生成している。

import shutil
import os

def replicate():
    script_name = __file__
    destination = f"{os.path.splitext(script_name)[0]}_copy.py"
    shutil.copy(script_name, destination)
    print(f"Created a copy: {destination}")

replicate()

このスクリプトを実行すると、自分自身を複製し、コピーが生成される。

2. 代謝：リソースの自己管理

概要: サーバーのオートスケーリング機能は、代謝の一部を模倣するもので、リソース使用量が増えたときに新しいインスタンスを追加し、負荷が下がるとインスタンスを削減する。
実装例: クラウド環境（例えば、AWS）で自動スケーリング設定を行うことで、システムが負荷に応じてコンピューティングリソースを増減でき、AWS LambdaやGoogle Cloud Functionsでは、CPUやメモリの使用量に応じて処理リソースを動的に管理することが可能となる。

3. 成長と発達：強化学習エージェント

概要: 強化学習（Reinforcement Learning, RL）は、経験から学習し、自己の行動を改善していくプロセスで、これは生物の成長・発達に似ている。
実装例: Pythonで強化学習エージェントを実装して、迷路やシミュレーション内で学習するプログラムを作成でき、以下は、簡単なQ-learningの例となる。

import numpy as np

# 簡単な環境の設定（状態数、行動数、報酬）
state_size = 5
action_size = 2
q_table = np.zeros((state_size, action_size))
learning_rate = 0.1
discount_factor = 0.9

def choose_action(state):
    return np.argmax(q_table[state, :])

def update_q_table(state, action, reward, next_state):
    best_next_action = np.argmax(q_table[next_state, :])
    q_table[state, action] += learning_rate * (reward + discount_factor * q_table[next_state, best_next_action] - q_table[state, action])

# 仮の学習プロセス
for _ in range(100):  # 100エピソード
    state = np.random.randint(0, state_size)
    action = choose_action(state)
    reward = np.random.choice([-1, 0, 1])  # 仮の報酬
    next_state = (state + action) % state_size
    update_q_table(state, action, reward, next_state)

このコードは、シンプルなQ-learningエージェントで、環境内で行動しながら報酬に基づいて行動方針を改善している。

4. 刺激への応答：音声アシスタントの応答システム

概要: SiriやAlexaなどの音声アシスタントは、ユーザーの音声入力（刺激）に応答することで反応する。音声認識を用いてコマンドに従った行動を取るシステムも、基本的な「刺激への応答」を模倣している。
実装例: Pythonで、音声認識と音声合成を利用した応答システムを簡単に実装できる。

import speech_recognition as sr
import pyttsx3

recognizer = sr.Recognizer()
synthesizer = pyttsx3.init()

with sr.Microphone() as source:
    print("Say something:")
    audio = recognizer.listen(source)

    try:
        text = recognizer.recognize_google(audio)
        print("You said:", text)
        synthesizer.say(f"You said: {text}")
        synthesizer.runAndWait()
    except sr.UnknownValueError:
        print("Could not understand audio")
    except sr.RequestError:
        print("Could not request results")

音声を認識して応答するこのプログラムは、入力（音声）に対する出力（音声応答）を生成する。

5. 恒常性：システムの自己調整

概要: サーバーの冷却システムや負荷分散システムは、温度や負荷に応じて自己調整を行う。たとえば、データセンターのサーバー温度管理においては、熱が上がると冷却装置が自動で作動するように設定されている。
実装例: CPU温度に応じた自動シャットダウンプログラムをPythonで作成することが可能となる。

import psutil

def check_cpu_temp():
    # CPU温度をチェック（実際にはハードウェア依存）
    temp = psutil.sensors_temperatures()['coretemp'][0].current
    if temp > 70:  # 70度以上ならば
        print("CPU temperature too high! Shutting down...")
        # 実際にシャットダウンするなら以下を有効に
        # os.system("shutdown -h now")
    else:
        print(f"Current CPU temperature: {temp}°C")

check_cpu_temp()

CPUの温度が一定以上になったときにアラートを出したり、シャットダウンを実行したりすることで、恒常性を保つ役割を果たす。

6. 進化の可能性：遺伝的アルゴリズム

概要: 遺伝的アルゴリズム（Genetic Algorithm, GA）は、生物の進化に着想を得たアルゴリズムで、解の候補が「世代」を経て適応的に進化する。これはある意味で、自然界における進化のプロセスを再現している。
実装例: Pythonで簡単な遺伝的アルゴリズムを使用して、最適解を見つけるコードを実装することが可能となる。

import random

def fitness(individual):
    return sum(individual)

def mutate(individual):
    index = random.randint(0, len(individual) - 1)
    individual[index] = 1 - individual[index]

population = [[random.randint(0, 1) for _ in range(10)] for _ in range(20)]

for generation in range(100):
    population = sorted(population, key=fitness, reverse=True)
    next_generation = population[:5]  # 最良5個体を維持
    while len(next_generation) < 20:
        parent1, parent2 = random.sample(population[:10], 2)
        offspring = parent1[:5] + parent2[5:]
        mutate(offspring)
        next_generation.append(offspring)
    population = next_generation

このコードは、遺伝的アルゴリズムを用いて個体群の「適応度」が高まるように進化させている。

一般的なソリューションへの応用例

これらの実装例には、幅広い応用の可能性がある。以下にそれらについて述べる。

1. 自己複製プログラムの応用例

クラウドシステムのデプロイ: クラウド環境では、サーバーやコンテナの自己複製機能を活用して、トラフィックの増加に応じて新しいインスタンスをスケーリングし、負荷を分散する。これにより、システムがダウンすることなく、スムーズにサービスを提供可能となる。
災害復旧（ディザスタリカバリ）: 自己複製を行うシステムは、災害時にバックアップシステムやデータを自動的に複製し、復旧を迅速に行う。バックアップデータが複製されることで、物理的な障害が発生してもサービスが停止するリスクを軽減する。

2. リソースの自己管理の応用例

負荷管理システム（オートスケーリング）: Webアプリケーションやモバイルアプリでは、ユーザーのアクセスが多くなると自動でサーバーを追加するオートスケーリングが使われる。これにより、負荷が高まる時間帯やイベント開催時のサーバー過負荷を回避可能となる。
省エネ管理システム: データセンターや”電力貯蔵技術とスマートグリッドとGNN“でも述べているスマートグリッドシステムでは、エネルギー消費を最適化するために、自律的なリソース管理を行い、必要に応じて電力消費を調整する。

3. 強化学習エージェントの応用例

ロボティクス: 強化学習を使って、ロボットが動作の最適化や障害物の回避を学習する。例えば、自動倉庫のピッキングロボットは、商品を迅速かつ効率的に取り扱うために強化学習を利用し、作業効率を向上させている。
ゲームAI: ゲーム開発では、強化学習を使ってNPC（ノンプレイヤーキャラクター）がリアルタイムにプレイヤーの行動に応じた戦略を学習し、よりダイナミックなゲーム体験を提供する。

4. 音声アシスタントの応答システムの応用例

カスタマーサポート: 音声アシスタントをカスタマーサポートシステムに組み込むことで、ユーザーが自然言語で質問を入力し、自動応答システムが回答を提供することが可能となる。企業の顧客サービスにおいて、効率的なサポートが実現する。
家庭用スマートデバイス: スマートスピーカーやホームオートメーションでは、ユーザーの音声命令に応じて家電の制御やスケジュール管理を行う。これにより、家庭での利便性が向上する。

5. システムの自己調整の応用例

データセンターの温度管理: データセンターでは、AIを用いて温度や湿度をリアルタイムで監視し、冷却システムを自動的に調整することで、恒常的な運用温度を維持する。これにより、エネルギー消費を最小限に抑えながら、機器の安全性を確保する。
金融システムのリスク管理: 株式市場や金融システムでは、急激な変動やリスクに対応して、リスクを自動的に調整するためのAIが使用される。マーケットの状況を見てポートフォリオのバランスを調整することで、恒常的な収益を維持し、リスクを低減する。

6. 遺伝的アルゴリズムの応用例

製造業の最適化: 遺伝的アルゴリズムは、製造工程の最適化に利用され、複雑な工程の中で資源や時間の効率を最大化するために使用される。例えば、自動車の組立ラインにおいて、部品の配置や作業者の動きの最適化を行う。
マーケティング戦略の最適化: マーケティングキャンペーンのターゲティングや広告費の最適配分に遺伝的アルゴリズムを使用し、最適な戦略を自動で見つけ出す。例えば、ユーザーの属性や過去の行動に基づいて最適な広告を出すために、遺伝的アルゴリズムを利用することがある。

これらの応用例では、生物の特徴を模倣することで、従来のシステムよりも自律的で効率的な動作が可能になり、例えば、自動スケーリングによりクラウドのコスト効率が向上したり、自己調整機能でエネルギー消費を削減したりするなど、各業界での実務に活用されているケースが多くある。このように、生物の持つ「適応力」「自己管理」「学習能力」を技術に応用することは、今後さらに進展する可能性が高い。

参考図書

生物的な特徴をコンピューターで実現するための理論や実践についての書籍について述べる。

1. 自己複製や自己調整に関する参考書
– 『Towards open-ended evolution in self-replicating molecular systems』
– 『Energy Harvesting Autonomous Sensor Systems: Design, Analysis, and Practical Implementation』
– 『Self-replicating Robotic Systems』

2. 強化学習とロボティクスの応用に関する参考書
– 『reinforcement learning』
– 『Deep Reinforcement Learning Hands-On』 by Maxim Lapan – 強化学習の実装に役立つハンズオンガイドで、強化学習エージェントの設計と訓練に役立つ。
– 『Introduction to robotics』 – ロボット制御や自律動作の基礎から学べる一冊で、特に強化学習の応用にも触れられている。

3. 進化計算（遺伝的アルゴリズム）の応用に関する参考書
– 『Evolutionary Algorithms in Engineering and Computer Science: Recent Advances in Genetic Algorithms, Evolution Strategies, Evolutionary Programming, Genetic Programming and Industrial Applications』 – 遺伝的アルゴリズムの理論と実用例が詳細に解説されている。
– 『Genetic Algorithms in Search, Optimization, and Machine Learning』 by David E. Goldberg – 遺伝的アルゴリズムを用いた問題解決の方法について学べるクラシックなテキスト。
– 『Introduction to evolutionary algorithms』 – 遺伝的アルゴリズムや進化戦略の基本的な考え方や実装方法について、わかりやすく解説されている。

4. 自己管理システム
– 『Optimization and Energy Management in Smart Grids』 – スマートグリッドやエネルギー効率管理システムの設計・運用について解説されている。
– 『Self-Organizing Complexity in Psychological Systems』自律的な管理システムや分散型エネルギー管理の概念を学べる。
– 『Self-Organizing Networks: Self-Planning, Self-Optimization and Self-Healing for GSM, UMTS and LTE』

5. AI音声アシスタントと自然言語処理に関する参考書
– 『自然言語処理の基礎』 – 音声アシスタントの基礎技術となる自然言語処理（NLP）について、基礎から学べるテキスト。
– 『Speech and Language Processing』 by Daniel Jurafsky and James H. Martin – NLPと音声処理の分野での基本書で、音声アシスタントの開発に役立つ。
– 『ディープラーニングによる自然言語処理』 – AI音声アシスタントのバックエンドを支えるディープラーニング技術について解説されている。

『生命とは何か』 (エルヴィン・シュレーディンガー著): 物理学者シュレーディンガーが生命の本質を考察した古典的名著。