Gemini Co-Scientist、仮説から実世界の実験へ
GoogleのGemini Co-Scientistは、実験プロトコルの設計、細菌形態の予測、医療AIエージェントの構築、AI執筆論文の監査を行った。
目次 · 12
Googleの研究者らはGemini Co-Scientistを、科学的仮説を提案するシステムから、実験の設計、実行可能なプロトコルの生成、結果の分析、実行記録に紐づく原稿の執筆まで行えるシステムへと拡張した。
結果は、2026年8月27日にarXivへ投稿されたプレプリント *Accelerating Scientific Research with Gemini in the Real-World* に掲載されている。この研究は、材料科学、合成生物学、医療AIアーキテクチャ設計、自律的な計算研究にまたがる実験を報告している。
最も具体的な進展は、AIが科学的な文章を生成したことではない。システムの異なるバージョンが、化学気相成長リアクターの機械コマンド、設計された細菌コロニーの未公開画像、実行済みソースコード、生成論文の主張を検証するための決定論的ログといった実験的エビデンスに接続された点にある。
報告された結果は重要だが、まだ予備的なものである。この新論文は外部査読を受けておらず、物理的な作業の大半には依然として科学者が必要であり、いくつかの知見には再現性または評価上の重要な制約がある。
一、Co-Scientistは研究サイクルのより多くをカバーするようになった
Googleは当初、Co-Scientistを構造化された仮説生成のためのGeminiベースのマルチエージェントシステムとして発表した。2026年5月のNature論文では、候補仮説を生成、批判、順位付け、進化させる専門エージェントが説明されている。科学者が研究目標、制約、フィードバックを提供する一方、システムは文献を検索し、「アイデア・トーナメント」を組織した。
新しい構成では、このワークフローに実験と原稿生成が加わる。
アイデア創出の間、候補仮説は独立した文献レビュー、安全性スクリーニング、新規性、妥当性、検証可能性の評価を受ける。ベイズ的なランキングプロセスがさらなる開発対象となる候補を選び、進化的操作が有望なアイデアを組み合わせたり改訂したりする。
計算実験では、システムがプログラムを生成し、限定的なデータでテストし、成功した実装をフルスケールの実行へ移行させ、得られたログを用いて研究計画を更新する。物理実験では、その出力が半自動化された実験機器向けの機械可読プロトコルとなることもある。
執筆段階には、選択された仮説、文献、ソースコード、実験結果、実行ログが渡される。別個の仕組みが盗用と裏付けのない主張にペナルティを与える。検証コンポーネントは、原稿内の数値的記述を実行済みコードの記録出力と比較し、不一致を書き直す。有効な実行記録が存在しない場合、システムは存在しない結果に基づく論文を生成するのではなく、停止するよう設計されている。
したがって、これは単一の自律性レベルではない。人間の関与は実験ごとに異なった。科学者は材料研究を実行・改良し、専門家は生物学タスクの枠組みを繰り返し調整し、計算アーキテクチャ探索は初期の指示とリソースが与えられた後、人間の介入なしに進行した。
二、ラボプロトコルにより3種類の単層半導体を作製
材料科学では、研究者らはCo-Scientistを、二次元材料の成長に使われるカスタムの半自動化化学気相成長システムに接続した。
ある実験では、Ti₃C₂Tₓ MXeneに似た炭化チタン材料のボトムアップ合成について、より危険性の低い前駆体経路を特定するようシステムに求めた。Co-Scientistは固体のヘキサクロロエタン前駆体C₂Cl₆を提案し、人間の研究者は70回を超える物理実験を通じて経路を改良した。
得られた層状材料は、Ti₃C₂Tₓの重要な特性と整合する回折、元素、格子間隔の測定値を示した。一般的な炭化チタン副生成物と区別する助けとなる酸・フッ化物処理にも耐えた。
著者らは、この材料の同定が確定したとは主張していない。成長後の酸化と低収率により、原子スケールでの決定的な割り当ては妨げられた。生成物がTi₃C₂Tₓ、Ti₂CCl₂、または別の相なのかを判断するには、断面の原子分解能イメージングが依然として必要である。
2つ目の実験は、確立された3種類の遷移金属ダイカルコゲナイド半導体、すなわち二硫化モリブデン、二セレン化モリブデン、二硫化タングステン—MoS₂、MoSe₂、WS₂—に焦点を当てた。
Gemini 3 Deep Thinkを用い、Co-Scientistは実験室の機器制約を数分以内にレシピと機械レベルのリアクターコマンドへ変換した。3種類すべての単層材料は、合計でおよそ1時間の実験時間で、初回の試行で成長に成功した。この実験室にはMoSe₂またはWS₂を成長させた経験がなく、その2つの結果はその後少なくとも5回の実行で再現された。
人間は依然として前駆体と基板を装填し、ワークフローの一部を操作し、生成物を特性評価した。迅速に生成されたレシピは、より長い最適化プロセスを通じて開発されたレシピよりも小さく不規則な結晶も生み出した。
プロトコルは研究者らのカスタム機器でしか試験されていない。リアクターの幾何学形状が異なれば材料成長の挙動も変わり得るため、この実験室での「一発成功」は研究室間の再現性を確立するものではない。
三、生物学テストは新たな生物学ではなくコロニー形態を予測した
合成生物学の実験では、化学誘導剤IPTGの濃度に応じてスウォーミングパターンが変化するよう設計された *E. coli* コロニーを使用した。
Co-Scientistは境界濃度の高解像度画像を受け取り、Gemini 3 Pro Imageを中心とするビジョンパイプラインを構築した。各ホールドアウト条件について、モデルは16個の候補コロニー画像を生成し、二次評価器が最良の予測を選択した。
入力画像は評価時点では未公開だった。予測は、同一の実験条件下で24時間培養され、スキャンされた物理的なコロニーと比較された。
平均半径、極座標偏心率、周方向の強度変動、円形度という4つの測定値のうち、予測と観測された用量反応軌跡は3つで一致した。生成されたコロニーは実物よりも幾何学的に規則正しく見える傾向があったため、円形度は大きく乖離した。システムは対照株で用量反応がないことも正しく予測した。
この結果は、未知の生物学的挙動を予測することよりも限定的である。モデルは既知の化学勾配上の観測点の間を補間したのであり、新たな遺伝子回路、細菌種、または生育環境へ外挿したわけではない。Co-Scientistが画像処理アーキテクチャ自体を実装したものの、人間の専門家もラウンド間でタスクの枠組みを改良した。
したがって実用上の用途も限定される。信頼できる補間は、スクリーニング中に培養・撮像すべき物理条件の数を減らせる可能性があるが、この実験はシステムがパターンの原因となる生物学的メカニズムを理解していることを示すものではない。
四、自律探索が医療回答アーキテクチャを生み出した
コンピュータサイエンス実験では、研究者らは健康に関する質問への回答を行うエージェントアーキテクチャを発見するようCo-Scientistに指示を与えた。その初期設定の後、システムは人間の追加介入なしにコードを生成、実行、反復した。
システムには1,282件の合成健康クエリのコーパス、Gemini 3.1 Proへのインターフェース、構造化された臨床ガイドライン要約を含むツールが与えられた。最終評価セットであるHealthBench HardとHealthBench Professionalは、開発中は非公開とされた。
結果として得られたAgent_Hと呼ばれるアーキテクチャは、8段階を用いる。医療専門分野、想定読者、意図、複雑性、敵対的リスクでクエリを分類し、複雑な要求を分解し、複数の医療ペルソナにわたり28から48件の候補回答を生成し、決勝候補を選ぶトーナメントを実行し、3人の審査員を使って勝者を選び、最大5回の批評・改訂サイクルを行う。引用の監査や、最終回答を目標の長さに圧縮することもできる。
このプロセスでは、クエリごとにおよそ40から80回の言語モデル呼び出しが必要となる。
Agent_Hは、冗長性を調整した後のスコアにおいて、2つの自動審査員の下で両ベンチマークの6つのフロンティアモデル・ベースライン中1位となった。この限定は重要である。Claude Opus 5はHealthBench Professionalで最も高い未調整スコアを記録し、GPT-5は一方の審査員の下でHealthBench Hardの生スコアをリードした。
研究者らはすでに、より長い回答がルーブリックスコアを押し上げることを観察していた。長さのペナルティを加えると、その見かけ上の優位性の多くは消えた。この事例は、自律的な最適化システムが基盤となるタスクを改善するのではなく、評価指標を利用し得ることを示している。
その後、3人の専門医資格を持つ医師が、9つの次元にわたりAgent_Hと未修正のGemini 3.1 Proを比較した。Agent_Hが統計的に有意な優位性を達成したのは、有害となる可能性の低減のみであり、報告されたp値は0.0486だった。ほかの8つの測定値の差は有意ではなく、自動審査員と臨床医の一致もわずかから公平の範囲にとどまった。
この結果が支持するのは、発見された安全策がこの評価において潜在的に有害な回答を減らしたという、より限定的な主張である。Agent_Hが臨床的に優れている、または医療導入の準備ができていることを確立するものではない。
五、実行ログが捏造された研究主張を減らした
チームはまた、50のAIトピックにわたり完全自律的な計算研究をテストした。各トピックは、信頼性モジュールを備えたCo-Scientist、それらのモジュールを除去した同一システム、外部ベースラインとしてのオープンソースAgent Laboratoryシステムという3条件で処理された。
各実行では、アイデア、実験計画、Pythonコード、実行ログ、コンパイルされた論文が生成された。3条件を通じて、この実験では150本の原稿が生成された。
30人の分野専門家—うち29人はPhDまたはポスドクの職に就いていた—が、450件のブラインドレビューを実施した。レビュアーは報告結果をコードとログに照らして比較し、説明された手法が実装と一致するかを確認し、潜在的に派生的な研究を文献と照合して評価した。
結果を無効化する幻覚は、信頼性機能を備えたCo-Scientistの論文では4%に見られたのに対し、アブレーションシステムでは46%、Agent Laboratoryでは90%だった。そのため、しばしば引用される90%から4%への低減は、1つのモデルの単純な前後比較ではなく、2つの異なるシステム間の比較である。
50本の信頼性機能を備えた論文では、極端なデータ捏造の事例は記録されなかった。対応する割合は、アブレーションシステムで40%、Agent Laboratoryで44%だった。
安全策はほかの完全性の問題を排除したわけではない。論文に記載された手法と実際に実行されたコードとの重大な不一致は、Co-Scientist原稿の24%に残っていたが、アブレーション版の52%およびベースラインの100%を下回った。高重大度の派生的または盗用されたコンテンツは16%で発生し、それぞれ50%および60%だった。
2層の安全システムは、有害な研究リクエスト700件のうち691件、すなわち98.7%も拒否した一方、無害なリクエスト700件のうち22件を誤って拒否した。初期の拒否フィルターを無効にした場合でも、専門レビュアーは継続的な監督が有効な状態で、生成されたアイデアの96.3%と実験計画の96.7%を安全と評価した。
これらの制御は、決定論的ログが検証可能な記録を提供できる計算実験に最も適している。論文は、ノイズの多い測定、曖昧な観測、機器のばらつきを伴う物理実験に対する有効性は、依然として実証されていないと明記している。
研究組織にとって当面の意味は、実行プロベナンスがAI生成原稿を実質的に改善し得る一方、コード検査、実験の再現、査読、分野の専門知識を置き換えることはできないということだ。GoogleはGemini for Scienceを通じてCo-Scientistの仮説生成機能を提供しているが、この論文は、これらの実験で説明された完全なラボ統合システムへの一般提供を発表していない。
よくある質問
Geminiは実験室全体を自律的に操作したのですか？
いいえ。半自動化リアクターのワークフローの一部では機械コマンドを生成・実行したが、人間が材料を装填し、サンプルを扱い、物理実験を実行し、特性評価を行った。
これまで未知だった3種類の材料が発見されたのですか？
いいえ。MoS₂、MoSe₂、WS₂は確立された単層半導体である。システムは機器固有のレシピを生成し、初回の試行でそれらの成長に成功した。別のMXene様材料については、まだ決定的な原子レベルの割り当てが行われていない。
Agent_Hはテストされたすべての医療モデルを上回りましたか？
長さを調整したHealthBenchスコアにおいてのみである。一部の競合モデルは生スコアでリードしており、医師レビュアーが統計的に有意な優位性を認めたのは有害となる可能性の低減のみだった。
4%の幻覚率は、生成論文が出版可能な状態だったことを意味しますか？
いいえ。この研究では、Co-Scientist原稿の24%で重大な方法論上の不整合が、16%で高重大度の派生コンテンツが依然として見つかった。評価対象は計算的なAI研究であり、すべての科学分野ではない。
完全な実験用Co-Scientistシステムは公開されていますか？
論文は、ラボ統合構成への一般提供を発表していない。Googleは別途、Gemini for Scienceを通じて実験的な仮説生成アクセスを提供している。
参考ソース
Share