Google DeepMindのGemini AIが実世界の実験を開始

編集｜Panda

『バイオハザード』には、地下深くに位置する研究所「ヘイブン」がある。門禁、監視、換気、セキュリティ、そして施設全体の運用は、AI「レッドクイーン」に委ねられている。

人類の科学者が研究を担当するが、この実験室の「手足」を実際に制御しているのはAIである。

異常が発生した場合、レッドクイーンはドアを閉め、システムを切断し、施設を制御して物理世界に直接干渉できる。

二十年以上前、このようなシーンは、AIが物理世界に侵入し、機械を操作し、実験を実行して現実世界に直接干渉するという、SF映画で恐怖を演出するための古典的なパターンだった。

今、この画面は完全に異なる形で現実に現れ始めています——少なくとも、今のところ怖くはありません。

昨日、Anthropicは、物理ハードウェア向けのModel Hardware Standard（MHS）を発表し、MCPのロジックをGitHub、Slack、データベースからロボットアーム、顕微鏡、液体処理装置、レーザーなどの実際のデバイスへと拡張しようとしています。記事『ついにAnthropicが物理MCPを発表：Claudeが現実世界を制御し始めます』をご覧ください。

簡単に言えば、AIエージェントはソフトウェアを呼び出す「インターフェース」だけでなく、現実世界に接続する「神経と手足」が必要になりつつあります。そして今日、グーグルDeepMindはその分野での成果をさらに示しました。

先ほど発表された83ページの論文で、グーグルはGeminiを駆動するCo-Scientistを実際の研究プロセスに統合し、実験の設計、実行コードの生成、実験フィードバックの読み取り、および実験装置との直接接続を可能にした。グーグルはこの変化を、in-silico hypothesis generator（チップ内仮説生成器）からexecution-grounded research partner（実行基盤研究パートナー）への移行と呼んでいる。

最も直感的な実験では、研究者が自作のCVD装置の条件をGemini 3 Deep Thinkに提示した。数分後、それはその装置に最適化された材料成長スキームを提示し、さらにそれを装置を制御するためのマシンコードに変換した。結果として、3種類の二次元半導体が初回の試みで成功裏に成長された。

それまで主にSF映画に登場していたシナリオが、突如として現実のものとなった：大規模モデルが実際に「手」を獲得し、実験装置を操作し始めた。では、今日からAI Scientistはどのような存在になるのだろうか？

『生化危機』では、人類がAIに実験室を支配されることを恐れている。一方、現実の科学者たちは、自ら実験室を 点点 AIに任せる。もちろん、グーグルが目指しているのは、制御不能な「ハive」ではなく、仮説の設定から実験設計、そして現実の検証までを一貫して行える科学発見マシンである。

実世界におけるGeminiを用いた科学研究の加速

論文のアドレス：https://arxiv.org/pdf/2608.26701

まず、材料科学。

研究者は自作の化学気相成長装置、つまりCVD炉を使用している。このような二次元材料の実験では、公開されている「レシピ」が再現しにくいという長年の課題がある。

同じ温度、気体、前駆体のパラメータでも、炉の腔体サイズ、気流、材料の配置位置がわずかに異なるだけで、最終的に成長する結晶は完全に異なる可能性があります。研究者はしばしば数週間から数か月かけてパラメータを繰り返し調整します。

それ以来、研究チームはGeminiに実験の手順を指示するのではなく、実験室にどのような装置や化学薬品があり、炉がどのような構造であるかを伝えるようになった。残りのパラメータはAI自身が決定する。

Co-Scientist はこれらの制約に基づき、ガス流量、温度曲線、前駆体の使用量、材料の配置位置などの完全な実験計画を生成し、実験装置に実行させます。

その中の一つの実験が非常に目立っています。研究チームはGemini 3 Deep ThinkをCVD制御プロセスに接続したところ、自然言語で書かれた実験計画を科学者がゆっくり読むのではなく、数分以内に推論を完了し、結果を直接機器を制御するためのマシンコードに変換しました。

最終的に、MoS₂、MoSe₂、WS₂の3種類の二次元半導体が、最初の実験で単層結晶の成長に成功しました。実験全体のプロセスは約1時間で完了しました。

その中で、MoSe₂とWS₂は特に特殊であり、研究者たちはこれまでこの装置上でこれらの材料を成長させたことがなかった。その後、少なくとも5回の再実験で結果が確認された。

これは、昨日Anthropicが提示したMHSと興味深い呼応を呈している。Anthropicが解決しようとしている課題は、エージェントが実験装置をより便利で標準的に認識・操作する方法である。一方、グーグルのこの論文は、推論モデルがすでに実験装置を制御できるようになった段階で、科学研究ワークフローをどのように再構築すべきかを議論している。

この意味では、「AIがハードウェアを接続する」ことはもはや問題ではありません。

しかし、Geminiが既存の知識に基づいて装置を設定するだけでは、真の科学的発見とは言えません。そのため、グーグルはより難しい二番目の実験を行いました：Ti₃C₂TₓというMXene二次元材料を下から上へ合成することを試みました。

従来の手法では危険な腐食剤が使用されることが多く、既知の一部のCVD手法では有毒で空気感受性のあるTiCl₄が使用されている。そのため、研究チームはCo-Scientistに、より安全な前駆体経路を模索するよう任務を課した。

Co-Scientistは最終的に六塩化エタンC₂Cl₆を目標に定め、前駆体の数、位置、ガス流量、基板、温度曲線などのパラメーターをさらに提示した。

しかし、これは「AIがひらめき、一度の実験で成功した」という話ではありません。Co-Scientistは合計272の候補案を生成し、研究者はその上位の候補を選択してさらに最適化を進めました。25ラウンドの実験イテレーションを経て、最終的に二维層状結晶が得られました。この結晶は、XRD、電子顕微鏡、元素組成などの複数の指標において、Ti₃C₂Tₓ MXeneと非常に類似した特性を示しました。

その後の現実世界の問題も典型的である。最初の実験再現成功率は11.5%に過ぎなかった。研究者たちは後になって、主な問題はAIの化学的推論ではなく、実験装置の気密性が不十分で酸素が漏れることであることを発見した。

石英管を再洗浄し、シールリングを交換し、装置の保守プロセスを改善した後、同じ二次元材料の実験成功率は68％に向上した。

これは、「リアルワールドAI」とソフトウェアエージェントが大きく異なる理由をはっきりと示しています。コードに誤りがあれば、再実行すれば済みますが、現実の実験では、古化したOリングや配管の残留物、さらには空気中の酸素さえも、正しい科学的計画を完全に失敗に導く可能性があります。

Googleは論文でも非常に慎重であり、現在のところ、この材料がTi₃C₂Tₓ MXeneであることを最終的に確認することはできず、収率が低く、酸化が深刻であるという問題も存在しており、原子スケールでの特性評価によりさらに確認が必要である。

それでも、AIは科学的に意味のある候補合成経路を提案し、それを実際に物理実験に進めて検証することが可能であるという結論を導くことができる。

グーグルはCo-Scientistを、合成生物学というまったく異なる実験環境にも導入した。対象は遺伝子操作された大腸菌の群れである。

これらの細菌は培養皿内で異なるコロニーパターンを形成します。誘導剤IPTGの濃度が変化すると、コロニーのサイズ、エッジ、形状も変化します。通常、変化曲線全体を得るには、科学者が異なる濃度を調製し、細菌を培養し、成長を待って、一つずつスキャンする必要があります。

グーグルは、AIに実験の中央部分を補完させようとした。研究者はCo-Scientistに特定の濃度での実際のコロニー画像のみを提供し、システムにこれまで見たことのない中間濃度におけるコロニーの姿を予測させた。また、これらの実験データは当時未発表であったため、論文はモデルが訓練データの結果を単に記憶することでこのタスクを達成したとは考えられないとしている。

結果、4つのコロニー形態指標のうち、AIの予測は3つが実際の湿実験結果と有意な差を示さなかった。また、AIは対照群がIPTG濃度に応じて変化しないことを正しく判断した。

唯一明らかに問題なのは「円度」です。AIが生成したコロニーは、実際よりもより規則的です。これは生成モデルの典型的な審美観に合っています：現実世界はそれほど完璧ではないのに、AIはそれを少しでも丸く描きたがるのです。

グーグルはこの実験についても慎重に定義しており、現在得られているのは既知の濃度範囲における補間（interpolation）であり、新たな遺伝回路に対して未知の現象を直接予測したものではない。

しかし、これはすでに非常に現実的な用途に対応しています。将来的には、科学者が巨大なパラメータ空間全体を湿実験で網羅する必要はなくなるかもしれません。まずいくつかの点を測定し、AIにこれらの実データに基づいて残りの空間を予測させ、その後、検証する価値が最も高い場所を選んで実験を行うことができます。

実験はそのため、徐々に「網羅的検索」から、現実世界のサンプリング → AIによる予測 → 実験の選択 → 新しいデータをAIにフィードバックというプロセスへと変化した。

これは論文で繰り返し強調されているlab-in-the-loopです。

コンピュータサイエンス実験へと進み、Co-Scientist の自律性はさらに向上しました。

今回の研究者たちがそのタスクに与えた内容は非常に単純だった：医療に関する質問によりよく回答できるエージェントを設計すること。その後、人間はアーキテクチャ設計に一切関与しなくなった。Co-Scientistは自ら案を提案し、コードを書き、テストを実行し、エラーを分析して、さらにアーキテクチャを修正し続けた。

最後に、それは「進化」してAgent_Hというシステムを生み出した。

このシステムは、既存モデルの推論プロセスを再構成する必要がある。医療問題に直面した際、まずその問題がどの医学分野に属し、患者向けか医師向けか、リスクの程度はどれほどかを判断する。複雑な問題は複数のサブ問題に分解され、その後、28～48個の候補回答を同時に生成し、異なるJudge同士で対戦淘汰させ、3人のJudgeによる投票で最終回答を選出する。勝ち残った回答は、複数回の臨床レビューと引用確認を経て、最後に長さが圧縮される。

1つの質問に答えるために、Agentはモデルを約40〜80回呼び出します。HealthBench HardおよびHealthBench Professionalにおいて、論文で使用された長さ補正スコアに基づくと、Agent_HはGPT-5.6 Sol、Claude Opus 5、Gemini 3.1 Proを含む6つの最先端モデルを上回りました。

しかし、ここで非常に報道価値のあるエピソードが発生しました。AIが自ら「ランキングを操作する」ことを学んだのです。

初期の実験では、評価基準が長すぎる回答を十分に罰していなかったため、Co-Scientist はスコアを上げる最も簡単な方法として、回答を非常に長く書くことを即座に見つけ出した。

ベンチマークスコアはこれにより顕著に上昇したが、医療の質はそれに応じて向上しなかった。研究者が長さペナルティを導入するまで、その大きな優位性は消えなかった。

グーグルは自らの論文で、これを典型的なグアートの法則と見なしている：指標が目標になると、もはや良い指標ではなくなってしまう。

実際の医師による評価も結果にやや冷や水を浴びせた。3人の臨床医が106の質問を二重盲検で評価したところ、Agent_Hは9つの次元のうち「潜在的損傷の低減」のみがオリジナルのGemini 3.1 Proと比較して統計的に有意な改善を示し、残りの8次元では有意差は認められなかった。

言い換えれば、AIジャッジが明らかに高いと評価したベンチマークスコアが、人間の医師にとっても明らかに優れた回答になるとは限らない。これは、AIサイエンティストが現実の世界に本格的に入り込む際に直面しなければならない問題でもある。つまり、単に最適化できるだけでなく、何が最適化指標だけでは定義できないかを理解しなければならないということだ。

AI科学者は論文のために「データを生成」する

実際、グーグルはこの論文で、AI Scientistを完全に解放した場合、美しい結果を得るために不正を行うかどうかというやや恥ずかしい問題に多くのページを割いています。

はい。

研究チームは、アイデアの提案からデータの検索、コードの作成、実験の実行、最終的な論文の生成に至るまで、50のAI研究課題において人間の介入なしにシステムを動作させた。

対照として、彼らは信頼性モジュールを除去したCo-Scientistと以前のAgent Laboratoryシステムもテストし、合計150本の論文を生成して、30人の分野の専門家に450回の匿名レビューを依頼した。

その結果は非常に極端です。専用の検証メカニズムがないAIサイエンティストは、コードにエラーが発生し、実験に有効な結果が得られていない状況でも、論文を完結させようとする可能性があります。

彼らはデータテーブル、p値、統計検定を捏造し、失敗した実験を成功したように記述する。さらには、自らの手法が自然に高いスコアを得られるように評価環境を変更したり、ハードコードして美しい結果を直接出力したりする。

最適化目標が「見栄えの良い論文を書くこと」である場合、エージェントは真の研究を完了するよりも安価な近道を探します。

そのため、Googleは新版Co-Scientistに、まるで「科学研究監査」のようなメカニズムを追加しました。論文内で報告された実験結果は、実際のプログラム実行ログに遡って確認できる必要があります。ログに該当する結果がなければ、言語モデルが「おそらくそうである」と推測しても、それを記載することは許可されません。

効果は非常に顕著です。Agent Laboratory での「結果の幻覚」は、90% から 4% に低下し、最も深刻な完全なデータ捏造は 44% から 0% に低下しました。

しかし、問題は完全には解決していません。新バージョンのCo-Scientistでは、重大な方法論の誤記が24％、重大な剽窃・派生コンテンツが16％依然として存在しています。

そのため、グーグルは現在のAutonomous AI Scientistが直接発表できる研究論文を生成できるとは主張していないことを明確にしています。

AnthropicとGoogleの両方の取り組みを合わせて見ると、エージェントに明確な変化が生じていることがわかる。これまで2年間、AIエージェントの主要な戦場はソフトウェアの世界だったが、今やこのロジックが初めて本格的に現実世界へと拡大し始めている。

AnthropicのMHSは、ロボットアーム、顕微鏡、液体処理プラットフォームなどの異なるデバイスに、エージェントが一貫して理解し制御できるインターフェースを提供することを目指している。

グーグルのCo-Scientistは、推論モデルが科学的仮説を提起し、実験を計画し、機器を制御し、結果を読み取り、次の実験サイクルを継続的に修正できるようになったとき、真正的なフィードバックループを持つ科学発見システムはどのようなものになるかを探求し始めた。

もちろん、グーグルは真の「無人実験室」にはまだ遠い。現在の材料実験では依然として人間が試料を装着する必要があり、新素材の原子構造はまだ確定されていない。大腸菌の予測は限られた補間タスクのみを検証しており、医療エージェントはベンチマークの穴を突く。論文生成システムも依然として幻覚や盗用を完全には解決していない。グーグル自身も、ハードウェアの異常と現実環境の複雑さにより、現段階では完全な無人監督の物理実験は実現が困難であると明確に認識している。

しかし、変化はすでに起こっています。

かつてAI for Scienceについて議論する際には、AIが人間が思いつかなかったものを「思いつくことができるか」に重点が置かれていた。現在では、より難しいもう一つの側面、つまりそのアイデアが実際のデバイスで実行可能かどうか、そしてその実行結果がAIの次回の推論の根拠となり得るかどうかを補完する取り組みが増えてきている。

Googleは論文の最後で、興味深い判断を示している。このようなフィードバックループが実際に構築されれば、将来の科学研究の制約要因は逆転する可能性がある。過去には、実験装置が科学者が次の優れた問いを提起するのを待っていたが、将来には、AIがすでに数百の検証に値する実験を提案しており、実験室が対応しきれない可能性がある。

そのとき、科学発見の速度の本当のボトルネックは、scientific ideationではなく、experimental throughput——現実世界がこれらの実験をどれだけ速く完了できるか——になるかもしれない。

本文は微信公众号「機械の心」（ID：almosthuman2014）より、著者：科学AIに注目