8月10日、MIT Technology Reviewが「AI for science needs reasoning, not just data」と題した記事を公開した。執筆したのは元Google CEOのEric Schmidt（現在はSchmidt Sciencesを共同創設）と、Schmidt Sciences AIセンターでAI for Science担当を務めるSuhas Mahesh（材料探索へのAI応用を専門とする）だ。「AlphaFoldのような成功をそのまま他の科学領域に適用できると思っているなら、それは根本的な誤解だ」——二人はそう断言する。科学AIの本質的な限界と、AIエージェントがその限界を超える可能性について論じた内容を紹介する。

AlphaFoldは「テンプレート」にならない

2024年、Google DeepMindのDemis HassabisとJohn Jumperはタンパク質の立体構造を予測するニューラルネットワーク「AlphaFold」によりノーベル化学賞を受賞した。この成果を受け、生物・化学・材料分野のスタートアップが数十億ドルを調達し、「データ＋AIで科学を加速できる」という期待が一気に高まった。

しかし著者たちはこう指摘する。AlphaFoldの成功条件は再現が極めて難しい。

AlphaFold成功の核心にあったのはProtein Data Bank（タンパク質構造データベース）の存在だ。このデータベースは約17万件の実験済みタンパク質構造を収録しているが、その構築には53年の国際的な科学協力と約210億ドル相当の実験コストがかかったとされる。

さらに深刻な問題がある。タンパク質結晶学は再現性が異例なほど高い実験技術であり、ノーベル賞の受賞歴が25件以上に上る。だが、生物学や化学の大半の実験はそうではない。細胞株は劣化し、試薬には微量の不純物が混じり、実験室の湿度が変動する。現代のニューラルネットワークを訓練できるほど一貫性・精度・スケールを兼ね備えたデータセットを多くの分野で用意するには、新しい計測手法と標準化されたアプローチが必要であり、それはすぐには実現しない。

鍵は「データ」ではなく「推論」——AIエージェントの登場

記事が提示する代替案はAIエージェントだ。エージェントとは、各種ツール（デジタルまたは物理的）へのアクセスを与えられたAI推論エンジンであり、大規模言語モデル（LLM）を動力源とする。

ここで「推論」という用語について注意が必要だ。LLMの文脈では「推論（inference）」はモデルが出力を生成するプロセスを指すが、本記事における「推論」は科学的推論（scientific reasoning）——仮説を立て、証拠に照らして検証し、判断を修正していく思考プロセス——を意味する。著者らが主張するのは、AIエージェントがLLMの生成能力を基盤としつつ、この科学的推論のプロセスをソフトウェアとして模倣できるようになった、という点だ。科学者が常に行ってきた「不確実な状況下での推論」——複数の計算手法を組み合わせ、結果を見ながら判断を修正していく——を、エージェントアーキテクチャで実装できるという主張である。

具体例として挙げられているのが、Googleが2025年5月に発表した**AI Co-Scientist**だ。研究者がこのシステムに与えたのは1ページの概要と一つの問い——「抗生物質耐性はどのように細菌種間で伝播するか」。するとシステムは複数のサブエージェントを起動した。

• 文献から仮説を立案するエージェント
• 査読者のように仮説を批判的に検討するエージェント
• 仮説をトーナメント形式でランク付けするエージェント
• 勝ち残った仮説を精緻化するエージェント

最終的にCo-Scientistが導き出した結論は「耐性遺伝子がバクテリオファージ（細菌に感染するウイルス）に乗って宿主間を移動している」というものだった。この仮説は正しかった。インペリアル・カレッジ・ロンドンの研究者チームが10年間の湿式実験を経て同じ結論に到達しており、その論文はCo-Scientistが参照していない段階でまだ査読中だった。

エージェントがもたらす三つの変化

記事はエージェントの普及が科学にもたらす影響を三点に整理している。

1. 再現性の危機への構造的な解決策

科学界では長年、実験結果の再現ができないという「再現性の危機」が問題視されてきた。エージェントは自身の行動を自動的にログに記録するため、どのステップがどの結果を生んだかを正確に追跡できる。

2. 科学的「記憶」の増幅

研究者間の知識継承は非効率で属人的だ。エージェントが実験プロセスに深く組み込まれるようになれば、研究室の全履歴が標準化されたリポジトリとして蓄積される。

3. 速度の根本的な変化

「会議で議論するより実験した方が早い」という状況になれば、研究の進め方そのものが変わる。1時間で1,000本の論文を読み込み、500種の分子を設計し、翌朝には失敗から学習するエージェントは、実験コストを下げ、研究者が従来は「リスクが高くてやれなかった」大胆な問いを追えるようにする。

現時点の限界

エージェントは現時点では幻覚（ハルシネーション）を起こすことがあり、判断の一貫性にも課題がある。また、メモリとコンテキスト長の制約から、長時間の自律的な稼働には限界がある。ただし記事は、これらは技術的な障壁であり時間とともに解消されるとみている。

記事は最後にこう締めくくる。AIエージェントは微積分・統計的推論・分光法・コンピュータに匹敵する「全分野を横断する道具」になりうる——過去にそのような道具が登場したのはほんの数回だった、と。

関連リンク

• AlphaFold（Google DeepMind） — 本記事の起点となったタンパク質構造予測モデル
• AI Co-Scientist論文（Nature） — Googleが発表したマルチエージェント科学推論システム
• 再現性の危機（Nature, 2016） — 科学界が直面する構造的問題の概説

詳細はAI for science needs reasoning, not just dataを参照していただきたい。