OmniScientist、原データから研究を進めるマルチモーダルAI科学者

はじめに

AI科学者は、仮説の生成、コード実行、原稿作成まで研究工程を自動化しつつあります。しかし既存のシステムは、テキスト、ラベル、コード、あるいは事前に抽出された特徴量を中心に推論することが少なくありません。空間的な配置、時間的な変化、複数チャネル間の関係、実験手順の細部に重要な情報がある場合、こうした入力制約は研究の出発点そのものを狭めます。

OmniScientistは、この問題に対して、生データを研究ライフサイクル全体へ接続する設計を提示します。

主なポイント

• 異種の生データを対象にする。 画像、信号、音声、動画、3D構造、軌跡、表、数式、グラフなどを扱う構成です。単一の数値要約だけに依存しない点が中心的な特徴です。
• 研究工程を一続きにする。 知覚層に加え、研究着想、実験、執筆を担当する3つの自律エージェントを配置します。観察結果は研究課題、実験上の判断、最終的な主張に影響し得ます。
• 検査をコード化する。 着想、厳密性、主張に関するチェックをコードで実行し、新規性の確認、統計的妥当性、実行の来歴、数値の追跡可能性を支援します。
• 複数分野で評価する。 5つの分野群、4種類の科学的証拠、複数のモダリティにまたがる36件の実データ事例を対象にしました。報告では、すべての事例で生データからコンパイル済み原稿までの工程を完了し、平均総合論文スコア6.3を得ています。

意義と限界

この研究の重要性は、対応モダリティの多さだけではありません。知覚を研究開始前の前処理で終わらせず、観察を仮説、実験、執筆へ継続的に反映させようとしている点にあります。視覚的な特徴や時系列の変化、構造間の関係が、固定された特徴量ではなく研究上の判断材料になる可能性があります。

また、実行履歴や数値の追跡可能性を重視することで、自動生成された研究結果を点検しやすくする方向性も示しています。ただし、コード化されたチェックは科学的真理を保証するものではありません。36件すべてで工程が完了したという結果は、提示された条件でパイプラインが動作したことを示しますが、仮説の新規性、結論の正しさ、専門家による再現性を単独で証明するものではありません。

今後は、生データの知覚が分野をまたいで安定するか、生成された発見を独立実験で再現できるか、そして自動検査が隠れたバイアスや実験設計の誤りを検出できるかが焦点になります。OmniScientistは、AI科学者の評価軸を工程数から証拠へのアクセス、接続、追跡へ広げる試みといえます。

出典：Hugging Face Daily Papers