# AI研究自動化 ## 定義 科学研究のライフサイクル全体——アイデア創出・文献調査・実験設計・コード実装・実験実行・データ解析・論文執筆・査読——をAIシステムが自律的に遂行すること。従来のAI活用が個々のコンポーネントの部分自動化にとどまっていたのに対し、エンドツーエンドの完全自動化を目指す概念。2026年に Sakana AI らが発表した The AI Scientist(Lu et al., Nature 651, 2026)により、機械学習分野で初の実証が行われた。(Source: [[@2026__Nature__Towards end-to-end automation of AI research]]) ## 背景と動機 LLM 以前は AI によるサポートは狭い領域(化学構造探索・数学的証明・材料科学・タンパク質立体構造予測)に限られていた。LLM の登場で仮説生成・文献レビュー・実験コーディングの部分自動化が進んだが、構想から発表までを一貫して自律実行するシステムは 2026 年まで存在しなかった。(Source: [[@2026__Nature__Towards end-to-end automation of AI research]]) ## 中心課題 自律生成した科学的成果を**スケーラブルに自動評価**することが困難。The AI Scientist ではこの課題に対して The Automated Reviewer(自動査読者)を構築し、人間査読者と同等の均衡精度を達成した。(Source: [[@2026__Nature__Towards end-to-end automation of AI research]]) ## 既知の実装 ### The AI Scientist (Sakana AI, 2026) 2つのモードで動作: 1. **テンプレートベース版**: 人間が提供するコードテンプレートを起点に Aider が逐次修正する。アイデア生成 → 線形実験実行 → 論文執筆 の3フェーズ。 2. **テンプレート自由版**: 初期コードをLLMが生成し、並列化エージェントツリー探索で最適化。4ステージ(予備調査→ハイパーパラメータ調整→研究アジェンダ実行→アブレーション)。 使用モデル(テンプレート自由版): OpenAI o3(推論)・Claude Sonnet 4(コード生成)・GPT-4o(視覚言語)・o4-mini(査読)。 代表的スケーリング特性: - 基盤モデルの世代が上がるほど論文品質が向上(R² = 0.517, P < 0.00001) - 実験ノード数(計算予算)を増やすほど論文スコアが向上 ## 横断的知見 - 現時点では計算実験ドメインのみで実証されている。自動化可能な実験室があれば他ドメインへの応用が可能と著者は示唆するが、実証はない。(Source: [[@2026__Nature__Towards end-to-end automation of AI research]]) ## 未解決の問い - 計算実験以外のドメイン(化学実験・生物実験・社会科学)への適用が可能か？ - AIが「大きな概念的飛躍」を伴う革新的アイデアを生み出せるか？ - 査読プロセスへの過負荷・科学的誠実性への影響はどう管理するか？ - ハルシネーション(不正確な引用等)を実用レベルまで低減できるか？ - AIが生成した論文を同格に扱う標準的な開示基準はどう設計すべきか？ ## 関連 - [[エージェント型科学探索]] — テンプレート自由版が採用するオープンエンド探索アプローチ - [[自動査読]] — AI研究自動化の品質評価インフラ - [[エージェント型コーディング]] — 実験フェーズで利用するコーディング支援(Aider等) - [[Sakana AI]] — The AI Scientist の開発元 - [[自動化のアイロニー]] — AI が研究プロセスを自動化した場合の人間能力への影響という視点 ## 出典 - [[@2026__Nature__Towards end-to-end automation of AI research]] — The AI Scientist。Nature 651, 914–919, 2026。