State of AI Report 2025(Air Street Press)
Research(AI駆動型の生命科学・物質科学と研究プロセスの変革)
（主にP52,53,54の内容）
AIが単なる**「便利な道具」や「特定の作業をこなす専門家」**というレベルを超えて、**自ら問いを見つけ、仮説を立て、実験し、学び続け、新しい知識を創造していく「自律的な研究者」**になる、という未来を描いています。
例えるなら、AIが**「好奇心旺盛で、常に学び続ける科学者チーム」**を組織し、人間と同じように、あるいは人間以上に効率的に、科学の未踏領域を探索していくようなイメージです。
1. 「オープンエンド学習」：AIはなぜ、飽くなき探求者になるのか？
従来のAIは、与えられたタスク（例えば「猫の画像を認識する」や「特定の病気を診断する」）をこなすように訓練されてきました。しかし、「オープンエンド学習」は、その限界を打ち破ります。
- 終わりなき探求: 「オープンエンド」とは、**「終わりがない」**という意味です。この学習システムは、人間から「これを学びなさい」と指示されなくても、自ら新しい課題を見つけ出し、それを解決し、その過程で得た知識やスキルを蓄積していきます。
- 「面白くて、学べること」を探す: AIは、ただランダムに課題を見つけるのではありません。**「新しくて、かつ自分にも学習可能な課題」**を選び出します。そして、その課題をクリアすることで得たスキルを、次にさらに難しい課題に挑戦するために再利用します。これは、まるで人間の子どもが遊びの中から新しいスキルを学び、成長していく過程に似ています。
- 世界モデルが後押し: この自律的な探求を可能にしているのが、ページ46-49で説明されたような**「インタラクティブで持続性のある世界モデル」**です。AIが自分で作った仮想世界の中で自由に実験し、失敗し、そこから学ぶことができるようになったため、現実世界での試行錯誤の限界を超えて学習が進められるようになりました。
具体的な例（ページ52）：
-
OMNI-EPIC: AI自身が仮想環境や評価基準を作り出し、「これは学習する価値がある」と判断したタスクを選んで、そのスキルをどんどん貯めていきます。 -
Kinetix: AIが自動生成された広大な仮想空間で一般的な動きのパターンを学び、それを人間が設計したような複雑な環境でも応用できるようにします。 -
Darwin Gödel Machine: AIが自分のプログラムコードを自ら書き換え、それが本当に改善されたかを試行錯誤で検証し、より良いコードだけを残していくことで、継続的に性能を向上させます。
2. 「AIエージェント」：AIが研究チームを組む時代へ
AIが単独で動くのではなく、複数のAIが協力し合って一つの研究目標に取り組むようになりました。これが「AIエージェント」が活躍する「AIラボ」の概念です。
-
役割分担と協調: まるで人間の研究室に教授、ポスドク、実験助手、レビュー担当者がいるように、AIもそれぞれの役割を持ったエージェントとして連携します。
- あるAIは「仮説を考える係」、別のAIは「実験計画を立てる係」、さらに別のAIは「コードを書いて実験を実行する係」といった具合です。
- 研究サイクルの高速化: これらのAIエージェントが連携することで、仮説の生成から検証、そして新しい知識の発見までのサイクルが、人間の何倍もの速さで回るようになります。人間はAIチームからの結果を受け取り、最終的な判断や次の方向性を示す役割に集中できるようになります。
具体的な例（ページ54）：
-
Stanford’s Virtual Lab: これは、AIが「主任研究員（PI）」となり、他の専門家AIエージェントと「研究ミーティング」を開いて、タンパク質の構造解析ツールなどを連携させながら、新しい抗体（ナノボディ）を設計しました。実際にSARS-CoV-2の新しい変異株に結合する抗体を発見しています。 -
DeepMind’s Co-Scientist:Gemini 2.0を基盤としたマルチエージェントシステムで、AI同士が仮説を出し合い、議論し、実験計画を改善していきます。血液がんの薬候補や、肝臓病の新しい治療標的を発見し、さらには細菌のメカニズムに関する新しい科学的知見まで見つけ、それが実験で検証されました。
3. 「進捗を測る物差し」：AIはどこまで研究者になれたのか？
この新しい「自律的研究AI」の能力を測るためのベンチマーク（評価基準）も開発されています。
-
人間を超える研究能力を目指して（ページ53）:
-
MLGym: AIが、視覚、言語、強化学習、ゲーム理論など、様々なオープンエンドなタスクでどれだけ学習できるかを評価するジム（演習場）です。 -
PaperBench: AIが最新の学術論文（ICML 2024の論文）の内容をどれだけ正確に再現できるかを、数千の細かいタスクに分解して評価します。現状ではまだ人間の研究者との間に大きなギャップがあることが示されています。 -
EXP-Bench/MLR-Bench: AIが与えられたコードから、実験を設計し、実装し、実行し、分析するといった、研究の一連の流れをどれだけこなせるかを評価します。
-
まとめると、「AIエージェントとオープンエンド学習による自律的研究システム」とは、AIが自らの意思で学び続け、新しい知識を創造し、さらに他のAIと協力して研究を進める「究極の科学研究パートナー」になるという、AI技術の最も野心的で、かつ人類の知識発展に最も大きな影響を与える可能性を秘めたフロンティアなのです。
Q:AIエージェントとマルチエージェントというキーワードについて解説してください
A:
AI研究において「AIエージェント」と「マルチエージェント」は、現代のAIシステムの自律性、協調性、そして複雑な問題解決能力を理解する上で非常に重要な概念です。これらを分かりやすく解説します。
AIエージェント（AI Agent）
AIエージェントとは、**「特定の環境内で自律的に行動し、目標達成を目指すAIプログラムやシステム」**のことです。
人間を例にとると、私たち自身が「エージェント」です。私たちは目や耳で周囲の情報を「知覚」し、脳で考えて「意思決定」し、手足を使って「行動」し、その結果からまた学びます。AIエージェントもこれと同じような仕組みを持っています。
AIエージェントの基本的な要素:
- 知覚（Perception）: 環境から情報を受け取るセンサーのような機能。（例：カメラで画像を見る、テキストを読み込む、データを受け取る）
- 推論・意思決定（Reasoning/Decision-making）: 知覚した情報に基づいて、次に何をすべきかを判断する頭脳のような機能。（例：LLM（大規模言語モデル）を使って思考する、ルールに基づいて判断する）
- 行動（Action）: 環境に影響を与える出力装置のような機能。（例：ロボットアームを動かす、テキストを生成する、別のシステムに指示を送る）
- 環境（Environment）: エージェントが知覚し、行動する対象となる世界。（例：現実世界、仮想シミュレーション、ソフトウェアシステム）
- 目標（Goal）: エージェントが達成しようとする目的。（例：特定のタスクを完了する、情報を収集する、最適化を行う）
現代のAIエージェントの進化:
特に最近では、**LLM（大規模言語モデル）**がAIエージェントの「推論・意思決定」部分の核となることが増えています。LLMは自然言語を理解し、複雑な思考や計画、自己修正まで行えるため、非常に賢く柔軟なエージェントを作り出すことが可能になっています。
例:
- ロボット: カメラで周囲を認識し（知覚）、搭載されたAIで経路を計算し（推論）、車輪やアームで移動・作業する（行動）。目標は「荷物を運ぶ」。
- チャットボット: ユーザーの質問をテキストで受け取り（知覚）、LLMで回答を生成し（推論）、テキストで返信する（行動）。目標は「ユーザーの問い合わせに答える」。
-
論文中の例:
AlphaEvolveはコードを編集し（行動）、テストで評価し（知覚）、最適なコードを探す（目標）。
マルチエージェント（Multi-Agent）
マルチエージェントとは、**「複数のAIエージェントが、共通の環境や目標のもとで相互作用するシステム」**のことです。
単一のAIエージェントが「賢い個人」だとすれば、マルチエージェントシステムは「賢いチーム」や「社会」のようなものです。それぞれのAIエージェントが個別の役割や目標を持ちながら、互いに協力したり、競争したり、調整し合ったりしながら、より複雑な問題の解決や、大規模なシステムの運用を目指します。
マルチエージェントシステムの主な特徴:
- 複数のエージェント: 2つ以上のAIエージェントが存在します。
-
相互作用（Interaction）: エージェント同士が情報を交換したり、行動が互いに影響し合ったりします。
- 協調（Cooperation）: 共通の目標達成のために協力し合う。
- 競争（Competition）: 限られたリソースを巡って競い合う。
- 調整（Coordination）: 行動のタイミングや順序を合わせる。
- 分散性（Distribution）: 各エージェントが独立して意思決定を行うため、中央集権的な制御が不要な場合が多い。
- 複雑な問題解決: 単一のエージェントでは困難な、大規模で複雑な問題解決に適しています。役割分担や専門化が可能です。
- 創発性（Emergence）: 個々のエージェントの単純な行動の組み合わせから、システム全体として予期せぬ、より高度な振る舞いや知性が現れることがあります。
マルチエージェントである理由・メリット:
- 分業・専門化: 各エージェントが得意な役割に特化できる。
- 堅牢性（Robustness）: 一つのエージェントが故障しても、他のエージェントがその機能を補うことができる。
- スケーラビリティ: 問題の規模が大きくなっても、エージェントの数を増やすことで対応しやすい。
- 複雑なシステムのモデリング: 交通システム、サプライチェーン、生態系など、相互作用する要素が多い現実世界のシステムを表現しやすい。
例:
- 自動運転車の群れ: 各車両がエージェントとして周囲の情報を共有し、協力して交通の流れを最適化したり、事故を回避したりする。
- ゲームのNPC（Non-Player Character）: 敵キャラクターや味方キャラクターが互いに連携してプレイヤーと対戦したり、クエストを進行させたりする。
-
論文中の例（AIラボ）:
-
Stanford’s Virtual Lab: 「主任研究員（PI）エージェント」が全体を統括し、「専門家エージェント」がタンパク質構造解析ツールを操作するなど、役割分担して協力し、新しいナノボディを発見しました。 -
DeepMind’s Co-Scientist: 複数のAIエージェントが仮説を生成、議論、実験計画の立案といった役割を分担し、共同で新しい科学的発見を目指します。
-
まとめ:
- AIエージェント: 自律的に知覚し、推論し、行動する個々の賢いAI。
- マルチエージェント: そのAIエージェントが複数集まって相互作用し、より大きな目標を達成しようとするシステム。