Nature に実証された科学 AI の実力：数週間～数ヶ月の作業を数時間で実行

Google DeepMind と FutureHouse が Nature に掲載した研究は、AI が科学研究の複数フェーズを自動化できることを初めて系統的に実証しました。仮説生成、実験設計、データ分析、さらには医薬品候補の提案まで、従来は数週間～数ヶ月かかる思考プロセスを数時間～数日で実行する能力を備えた 2 つのマルチエージェント AI システムです。

ERA：Google DeepMind の汎用科学サポート AI

仕組み

ERA は Gemini ベースのマルチエージェント構造を採用し、科学文献の検索、コード作成と探索的解決策の実装、複数技術の組み合わせ、結果の評価と最適化を統合します。木探索アルゴリズムを用いて数千の選択肢を検討し、与えられた目標に対して出力コードを最適化します。

つまり、単なるコード生成ではなく「論文を読んで → 実装方法を決定して → コードを書いて → テストして → 改善する」というサイクル全体を自動化するわけです。

Nature 論文での検証範囲

ERA は 6 つの科学分野でベンチマークを通過しました：

  • ゲノミクス：ゼブラフィッシュ脳の 70,000 以上のニューロン活動の予測タスク。従来は数週間～数ヶ月を要する物理的シミュレーション構築を自動化し、既存ライブラリを手動で組み合わせたアプローチを上回るモデルを数時間で構築。
  • 公衆衛生：COVID-19 入院予測で、14 のモデルが CDC の最良予測を上回る精度を実現。
  • 衛星画像解析：大気 CO2 濃度マッピングの自動化。
  • 神経科学予測：複雑な生物学的データからの洞察抽出。
  • 時系列予測：小売売上、太陽光パネルの最適設計など実践的なタスク。
  • 数学：証明作成支援。

8 つの Nature 論文にも ERA が直接適用され、科学者がより「創造的で重大な課題に注力できる」状況を作り出しました。

Co-Scientist と Robin：医薬品発見に特化したシステム

Google DeepMind の Co-Scientist と FutureHouse の Robin は、ERA の医薬品応用に特化したバージョンです。

Co-Scientist（Gemini ベース）:

  • 急性骨髄性白血病の新規薬剤候補の提案
  • 肝線維症の新規治療標的の発見
  • 抗菌薬耐性の遺伝的メカニズムの解明

Robin（OpenAI o1-mini と Claude 3.7 を使用）:

  • 加齢黄斑変性症の治療候補の特定
  • 未試験の薬剤候補を新しい用途で提案
  • 実験生物学の発見支援に特化

両システムは「独立した専門化した AI エージェントが異なるタスクを実行」する構造であり、仮説の反復的生成と検証を自動化しながらも「研究者と協働し、科学者が常にループ内にいる設計」を強調しています。これは AI による「置き換え」ではなく、人間の意思決定を加速させる「支援」です。

実践への道のり：今日から試験可能な領域

新着成果の特筆すべき点は、これらが理論段階ではなく、すでに企業や研究機関で試験されている点です。

ゲノミクス分野では、シングルセルRNA配列データ統合で「人間設計の最高水準のアプローチを超える 4 つの新しい方法」を発見。従来は月単位だった解析タイムラインが数日に短縮されています。

感染症予測では、CDC の最良モデルを超える精度で米国の呼吸器ウイルス（インフルエンザ、COVID-19、RSV）の入院動向を予測。このレベルの予測精度があれば、医療資源の事前配置や公衆衛生対応の優先順位付けが可能になります。

計算モデリングの民主化がもたらす変化

これまで計算モデリングは「博士号を持つ専門家の独占領域」でした。PhD 級の背景知識、コーディング能力、統計的リテラシー、そして数ヶ月の試行錯誤が必須でした。

ERA が「数時間で専門家レベルの仕事を実現する」ようになれば、中小規模の研究機関や企業でも高度な科学分析にアクセス可能になります。不治の病とされてきた疾患の新規治療法発見、気候変動や水資源管理への AI 応用、再生可能エネルギー開発の加速—これらはすべて、計算能力の民主化によって初めて達成可能な課題です。

同時に「AI が提案した治療法は臨床試験による厳格な検証が必須」という原則は揺るがない。AI は仮説生成と候補抽出を数時間に短縮する一方で、検証と意思決定責任は依然として人間が負う構造になっています。

アップデート：実験計画・装置制御・論文執筆まで自動化、検証モジュールで不正結果を抑制（2026-08-29）

Google DeepMindがCo-Scientistを拡張し、仮説生成にとどまらず実験計画、実験装置の制御、論文執筆までを自動実行できるようにしたと発表した。仮説導出、実験実行、論文生成を繰り返す閉ループ構造を採用し、GeminiベースのマルチエージェントにGemini 3 Deep ThinkとGemini 3 Pro Image技術を統合している。

新たに導入した検証モジュールは、生成したコードの実行ログと結果を照合することで不正確な結果を減らす仕組みだ。DeepMindが公開した数値によると、検証モジュールを有効にした場合のハルシネーション率は4%にとどまり、無効時の46%から大幅に改善した。完全なデータ捏造の発生率も0%（比較システムは44%）に抑えられ、盗用コンテンツの割合も60%から16%に低下したという。有害な研究方向への提案を拒否する精度は98.7%に達した。

具体的な実験結果として、材料科学分野では25ラウンドの反復で2D材料の合成レシピ開発に成功。生物学分野では遺伝子組み換え大腸菌の挙動予測で4つの機能のうち3つが実際の結果と一致した。コンピュータ科学分野では医療AIシステムの設計を完全自動で実施したが、医師による評価では性能面に限界も見られたという。

DeepMindはこれらの成果について、研究加速の可能性を示す一方、「現在のLLMが本当に新しい知見を発見しているのか、学習データの再構成に過ぎないのか」という議論も同時に呼んでいると説明している。完全自動化までの道のりはまだ長いとしている。