DeepMindがCo-Scientistを実験室で実行する研究システムへ拡張

DeepMindがCo-Scientistを発想段階の先へ押し進める

Google DeepMindは、AI研究システムCo-Scientistが仮説生成の段階から、実験計画の立案、コード作成、実験装置の一部操作、結果分析、科学論文の草稿作成まで含む、より広い科学ワークフローに参加するようになったと述べている。Googleはこの更新をクローズドループ型の研究プロセスと説明しており、2025年2月に同社が公開したCo-Scientistの版からの大きな拡張だとしている。

提供されたレポートによると、新システムは現在のGeminiモデルを基盤としており、研究課題を受け取って仮説を導き出し、それを実験計画や機械可読なプロトコルに落とし込み、得られたデータを分析したうえで、論文相当の出力を生成するよう設計されている。Googleはまた、このシステムに検証モジュールが含まれており、生成文中の数値的な主張を、生成したコードの実行ログと照合して、捏造や不整合を減らそうとしているとも説明している。

これは重要だ。科学分野におけるAIシステムの中心的な弱点の一つは、もっともらしい言葉と信頼できる証拠の間にあるギャップだからだ。限定されたワークフロー内であっても、書いた内容を実際に実行した内容につなげられるシステムは、機械生成された研究成果における最も明白な失敗モードの一つに対処している。信頼性の問題を一気に解決するわけではないが、実用的な科学的自律性がまずどこで改善されるべきかを示している。

三つの分野、三段階の自律性

レポートは、材料科学、生物学、コンピューターサイエンスにまたがる検証の取り組みを説明しており、それぞれの分野で機械の独立性の度合いが異なっていた。材料分野では、Co-Scientistが人間が実行するための合成レシピを提案した。生物学では、専門家のフィードバックを取り入れた予測パイプラインを構築した。コンピューターサイエンスでは、Googleによるとシステムは完全に自律して動作した。

この段階的な構造は重要だ。Googleは万能の自律科学者を主張するのではなく、スペクトルを示しているように見える。物理実験が高コストで繊細な場面では人間が主導し、専門家の監督が依然として中心となる場面では協働し、実験環境自体がすでにソフトウェアネイティブな場面ではより高い自律性を発揮するという整理だ。この区分は、AIシステムが通常、デジタル領域では湿式実験室や先端材料施設より速く進めるという現実を反映している。後者では、タイミング、汚染、ハードウェアのばらつき、安全制約が自動化を制限する。

材料の例は、可能性と限界の両方を示している。レポートによれば、Co-Scientistは半自動の高温炉と組み合わされ、これまで主に危険なエッチングで作られていた、注目度の高い二次元材料へのより安全な経路を見いだした。25回の人間による改良を経て、チームはターゲット材料に似た特性を持つ層状構造を作り出した。ただし、原子構造の決定的な確認はまだ保留中だとレポートは述べている。

この但し書きは重要だ。システムはレシピ生成を加速し、探索空間を狭めたかもしれないが、科学的主張の最も強い形はまだ確立されていない。言い換えれば、この結果はプロセス実証としては有望だが、ターゲット材料が意図どおり完全に実現したことの最終証明ではない。

速度向上には実務上のトレードオフが伴う

第二の材料実験では、3種類の半導体薄膜が一回目で合成できたとレポートは述べている。Co-ScientistはGemini 3 Deep Thinkを用いて装置を直接制御し、Googleはこれによってレシピ開発が数日から数分に短縮されたとしている。この時間比較がより広い利用でも成り立つなら、研究開発におけるAIの最も明確な商業的論点の一つを示している。つまり、研究者が手順調整に多くの時間を費やす実験環境で、高コストな反復サイクルを圧縮できるという点だ。

同時に、レポートはいくつかの制約も挙げており、この発表を単純な実験室自動化の突破口と読むことはできない。人間は依然として試料と前駆体材料を手作業で投入する必要があった。高速モードでは、より慎重に最適化されたレシピよりも小さく、均一性の低い結晶が生成された。また、そのレシピを他の研究室に移植できるかどうかも未解決のままだ。

こうした詳細が重要なのは、再現性が研究における決定的な基準だからだ。特定の装置構成、特定の研究室設定、特定のチームの監督のもとでうまく動くシステムは、まだ一般化できることを示していない。科学的自動化の価値は、手順が装置、操作者、環境条件の変化に耐えたときに高まる。レシピの移植を未解決の問題として挙げることで、このレポートは、説得力のある実証と広く展開できるプラットフォームの間に、いかに多くの技術的作業が残っているかを間接的に示している。

この一歩がAI研究基盤にとって重要な理由

今回の更新で最も重要なのは、個々の実験そのものではないかもしれない。仮説生成、実行計画、装置制御、分析、論文執筆を一つの連結したシステムにまとめるという発想だ。このアーキテクチャは、最先端AI開発者が科学ツールの次の段階をどう見ているかを示している。つまり、研究者を個別の段階で補助するチャットボットではなく、提案・実行・観測の内部記録を保持しながら、作業を複数の段階へ運べるオーケストレーターだ。

このようなシステムが成熟すれば、探索空間が広く反復コストが高い分野の研究経済を変える可能性がある。材料探索、生物予測、モデル設計はいずれも、研究者が手作業で試せる組み合わせをはるかに超える候補に直面する領域だ。選択肢を素早く絞り込み、実行可能な手順を書き、主張から結果までの構造化された履歴を残すツールは、完全自律に達しなくても十分に価値を持つだろう。

ただし、この発表はAI科学報道におけるより大きな傾向の中にある。能力の拡大が独立した検証を上回りがちだという傾向だ。提供されたレポートは結果をGoogleに帰属させ、三つの分野にまたがる実験を説明しているが、ここでは外部再現の証拠は示されていない。これは作業の価値を損なうものではないが、主張の受け取り方には影響するはずだ。最も妥当な読み方は、Googleがより統合された研究エージェントを示しており、実験的に裏付けられた成功例と目に見える限界がある、というものだ。汎用の自律科学者が到来したということではない。

• Googleは、Co-Scientistが仮説から論文草稿まで研究ループのより多くを担うようになったと述べている。
• システムは材料科学、生物学、コンピューターサイエンスで、異なる自律性の水準のもとで試験されたという。
• 検証モジュールは、数値的な記述を実行ログと照合して、捏造結果を減らすことを狙っている。
• 手作業の実験工程や再現性、より高速な運用による品質トレードオフなど、未解決の課題は残っている。

AI業界にとって、これは依然として意味のある変化だ。競争の焦点は、どのモデルが論文を要約できるか、どのモデルがアイデアを出せるかだけではなくなっている。どのシステムが推論を装置、データパイプライン、監査可能な出力と結びつけられるかが、ますます重要になっている。ここで説明されているCo-Scientistは、その方向への一歩だ。

この記事はThe Decoderの報道に基づいています。元の記事を読む。