30秒サマリー
- マルチモーダル・多分野対応のAI科学者システムの論文がarXivで公開された
- 画像・音声・3D構造など多様な生データを直接処理し、仮説生成から論文執筆まで全工程を自動化
- 36件の実データ実験で全ケース完走し、平均論文スコア6.3を記録
何が起きたか
Bobo Li、Hao Feiほか計5名の研究チームは2026年8月13日、「OmniScientist」と題した論文をarXiv（cs.AI）に投稿した。なお著者の所属機関は原文に記載がなく、本記事では言及しない。同システムは、仮説生成・実験・論文執筆を担う3つの自律エージェントと知覚レイヤーで構成され、生データから査読可能な原稿を生成するエンドツーエンドのパイプラインを実装している。
既存のAI研究支援システムがテキストやコード、あらかじめ集計されたスカラー値を主な入力とするのに対し、OmniScientistは画像・信号・音声・動画・3D構造・軌跡・表・数式・グラフなど多様なモダリティの生データを直接処理する点が特徴とされる。論文によれば、新規性スクリーニング・統計的妥当性・実行来歴・数値トレーサビリティをコードレベルで自動検証する仕組みも組み込まれている。
評価は5分野・4種類の科学的証拠を含む36件の実データケースで実施された。全36件で生データから最終論文（コンパイル済み原稿）の生成を完了し、参照推論バックボーン使用時の平均論文スコアは6.3だったと論文は報告している。また、事前集計スカラー特徴量のみを入力とする比較変種との対比実験では、直接知覚が評価7次元すべてで改善し、対戦比較の85%で優位だったとされる。
原典ハイライト
論文は「既存システムが空間・時間・チャネル間・手続き的関係など科学的に重要な情報を利用できていない」と問題提起し、生データへの直接アクセスこそが証拠に根ざした科学的発見に不可欠だと主張している。36ケース全件完走という結果はその主張を裏付ける根拠として示されている。出典：arXiv:2608.13558 [cs.AI]（査読前プレプリント）
出典: arXiv cs.AI（論文）
So What?（なぜ重要か）
AIによる研究自動化はこれまで「テキストと数値の世界」に限られていたが、OmniScientistはマルチモーダルな生データを直接扱うことでその制約を突破しようとしている。仮説生成から論文執筆まで一気通貫で自動化できるとすれば、R&Dサイクルの大幅な短縮が現実的な選択肢となってくる。ただし本論文はarXivへの投稿段階であり、査読を経た知見ではない点に留意が必要。
日本企業への示唆
製薬・素材・機械学習応用などの研究開発部門を持つ日本企業にとって、こうしたAI科学者システムの実用化動向は見逃せない。現時点では研究用システムだが、類似アーキテクチャが商用化された場合、仮説探索や実験設計の人的工数が劇的に変わりうる。自社のR&Dデータが画像・センサー・3D構造など多様なモダリティで存在する場合、それをAIに活用させる準備（データ品質・形式標準化）を今から進めておくことが競争力維持につながる。
背景・経緯
ファウンデーションモデルの進化を背景に、仮説生成・コード実行・論文作成の一部を自動化するAI研究支援ツールは近年急増している。しかし論文が指摘するとおり、多くは前処理済みの数値やテキストを入力とし、実験データの生の多様性を扱えない。OmniScientistはその空白を埋めようとする試みとして位置づけられる。なお、本論文は査読前のプレプリントとしてarXivに公開されたものであり、内容の確定性は今後の査読プロセスによる。
