EN 日本語
Scientific Program

AI as a Scientist 発見の最前線を切り拓く。

ノーベル・チューリング・チャレンジ サイエンス・オブ・サイエンス 常時稼働オペレーション

膨大なデータ、計算資源、自律化した実験設備が当たり前になった時代にふさわしい科学の方法論を再定義します。AI が文献の読解から仮説立案、実験計画、検証まで研究者と並走し、科学を常時稼働する発見エンジンへと進化させます。

ビジョンを見る プロセスを見る

プログラムの位置付け

AI as a Scientist は北野宏明（沖縄科学技術大学院大学 客員教授／The Systems Biology Institute 代表理事／Sony Group Corporation Chief Technology Fellow／Sony Computer Science Laboratories 社長兼 CEO）が構想・指揮し、運営・基盤は SBI と SBX が担っています。

  • AI を高自律な科学エージェントとして設計。
  • 閉ループ実験と知識統合を標準プロセス化。
  • ガバナンス・来歴・評価指標を初期段階から組み込む。
  • 人と AI のハイブリッド体制で自律性を段階的に拡張。
挑戦

Nobel Turing Challenge

自律的な発見能力を独立検証で評価する国際ロードマップ。

焦点

Science of Science

科学的ブレークスルーの作り方を形式化し、ガバナンスと評価を埋め込む。

目的

Continuous Operation

領域を越えて常時進化する発見ループを構築する。

01 ビジョン
Vision

職人技から、常時稼働する科学エンジンへ

従来の科学は、仮説選定のバイアス、実験サイクルの遅さ、そして人間が処理しきれない文献量といった制約に縛られてきました。AI as a Scientist は、広大な仮説空間を継続的に探索し、自ら設計した実験を実行し、得られた知見を完全な来歴とともに知識へ編み込むシステムを実装します。

「高自律でハイインパクトな研究を実施できるAI科学者が必要だ。『AI as a Scientist』こそが科学の未来へ至る唯一の解かもしれない。」― 北野宏明

なぜ重要なのか

  • 01 年間数百万本の論文の中で重要知見が埋もれてしまう。
  • 02 生命・工学システムは相互依存が高く、仮説空間が爆発的に拡大する。
  • 03 真にバイアスのない探索には従来ツールを超える自律性が必須。
02 アプローチ
Approach

人格型AIではなく、プログラム化された科学プロセスを作る

Programmatic science

読解・推論・実験・検証を担う複数のエージェントを連携させ、開始段階からガバナンスと透明性を織り込んだ科学プロセスを構築します。

  • 人とAIのハイブリッドで自律性を段階的に拡大。
  • 監査可能なオープンドメイン仮説探索。
  • 引用可能で再現性のあるディスカバリーパイプライン。

単一人格の“AI科学者”ではない

単一の「AI研究者」を模倣するだけでは、適用領域が限定され、仕様が曖昧で、説明責任も弱いままです。私たちは科学プロセスそのものを再構築します。

  • 人格ではなくプロセスを重視。
  • 個別デモに閉じないスケール設計。
  • 来歴が不透明な仕組みは排除。
Evidence

自律的な発見を裏付けるシグナル

データから仮説、実験、検証知識へ循環する自動化科学サイクルの図
閉ループ化した研究サイクル。
ボードゲームから科学発見までのタスク複雑性と時間スケールを比較した図
科学タスクは桁違いの規模。
チェス・将棋・囲碁の状態空間と計算資源の比較チャート
状態空間の爆発に備える。
遺伝子研究における論文数のロングテール分布
発見はロングテールに眠る。
ロボカップのヒューマノイドロボットが自律的にサッカーをする様子
実機実験で磨かれる自律性。
03 ロードマップ
Roadmap

ノーベル・チューリング・チャレンジが初代ロードマップを定義

Nobel Turing Challenge は、AI システムが独立検証された最前線の発見を継続的に生み出すことをロードマップとして掲げています。重視するのは栄誉ではなく、能力の獲得と成果のケイデンス。自律性・保証・コミュニティ連携をどう設計するかの指針となります。

原則

  • A Science of science ― 発見プロセスを科学的に記述する。
  • B オープン仮説空間 ― テーマを事前に狭めない。
  • C 常時稼働 ― 発見を止めないオペレーション。
System properties

AI 科学者を定義する特性と評価

コア特性

  • 読解 → 計画 → 実験 → 解析 → 共有の全工程を自律制御。
  • 完全な来歴と監査可能性で再現性と説明責任を確保。
  • 領域・モダリティを越えて汎用的に展開。

評価軸

  • 新規性・正確性・独立再現の達成度。
  • コミュニティでの受容と波及効果。
  • 高インパクト成果を持続的に生み出すケイデンス。
Method

エンドツーエンドのディスカバリーループ

01

知識抽出

文献・データ・コードを機械可読な知識グラフやモデルへ正規化し、不確実性を定量化する。

02

仮説生成

記号推論と統計的アプローチを組み合わせ、仮説を列挙・優先付けして情報価値を最大化する。

03

ロボティック実験

自動化ラボが 24 時間体制でプロトコルを実行し、結果を即座にモデルへフィードバックする。

04

検証と知識統合

独立再現や逆張りテストを経て知識を集約し、完全な来歴とともに公開する。

Autonomy tiers

自律性を段階的に高め、成功を測る

自律レベル

  • T1 ― 人が仮説の選別と優先付けを担う段階。
  • T2 ― AI が設計し、人が監督しながら実行する段階。
  • T3 ― 監査・拒否ゲート付きでエンドツーエンド自律化する段階。
  • T4 ― 多領域を自己評価と自己学習で横断する段階。

成功指標

  • 科学指標：再現性、独立再現率、事前知識を超える新規性、クロスドメインの頑健性。
  • インパクト指標：被引用数、社会・産業実装、臨床／産業への展開、ハイインパクト成果の頻度。
Case studies

研究実装と人材育成のハイライト

Digital Twins in Oncology

多成分治療の設計研究で Garuda と SBML モデルを活用し、がんシステムにおけるロバストネスのトレードオフを最適化しています。

研究プログラムを見る

Talent & Education

SBI は IIT Delhi iGEM チームを継続支援し、東京で AI for Science ミーティングを主催して次世代の人材と AI の協働を育成しています。

チーム発表を見る
References

参考文献・リソース

  • Kitano, H. (2021). Nobel Turing Challenge: creating the engine for scientific discovery. npj Systems Biology & Applications.
  • Kitano, H. (2016). Artificial Intelligence to Win the Nobel Prize and Beyond: Creating the Engine for Scientific Discovery. AI Magazine.
  • National Academies (2023). AI for Scientific Discovery ― 2050年を見据えた目標を整理した報告書。
  • Nobel Turing Challenge ― 関連出版物と公式サイト。
Maintained by

AI as a Scientist とその基盤は The Systems Biology Institute (SBI) と SBX が維持・提供しています。© 2025 AI as a Scientist.