論文解説: OmniScientist — 生データを直接「見る」AI科学者。36ケースを1つのエンジンで走らせる

研究の全工程を自動化しても、AIが見ているのが「誰かが作った要約表」だけなら、たどり着ける発見は最初から限られる。生の波形・画像・3D点群を研究の全期間で直接観測させ、検問をPythonのコードで強制する OmniScientist を、36ケースの結果と地震波データの21.7%という発見まで論文本文から解説。

OmniScientist: An Omni-Modal Omni-Discipline AI Scientist

要約表だけを渡された新人研究者

新人研究者に「この病理画像から何か発見して」と頼むとします。ただし渡すのは画像ではなく、誰かが先に作った特徴量の表 — 平均輝度、面積、いくつかの統計値だけ。彼はまじめに統計を回し、それらしい論文を書き上げるでしょう。けれど「この組織はまだらだ」「ここだけ核の密度が違う」という、画像を見なければ思いつきようがない問いは、最初から候補に入りません。

論文が指摘するのは、まさにこの構図です。近年のAI科学者は、着想からコード実行、原稿の執筆まで、工程としてはほぼ全部を自動化できるようになりました（§1）。しかし多くのシステムがデータに触れる口は、テキスト・コード・ラベル・事前に用意された要約に限られている。エージェントは探究を始める前から、人間が選んだ表現を受け継いでしまう。論文はこれを「工程は完結しているのに、証拠が欠けている（workflow-complete but evidence-incomplete）」と表現します（§1）。

どの関係がインターフェースを生き延びるか

「画像も波形もトークンに直列化できるのだから、テキストで渡しても同じでは」という反論に、論文はこう答えます。問題は何が直列化できるかではなく、どの関係がインターフェースを生き延びるかだ（§3.1）。

キャプションは局所的な形態を落とす。順序のない特徴ベクトルは時間の並び順を消す。少数のスカラーはチャネル間の食い違いを隠す。三成分地震計の3チャネルが同じ瞬間に立ち上がっている、という事実は「振幅の平均値」には残りません。空間・時間・チャネル間・統計・手続きといった関係は、要約を作った時点で捨てられているのです。

下の図は、この「要約で何が消えるか」を手で触って確かめるためのものです（論文の実験ではなく、たとえ話としての体感用）。

証拠を4つの家族に分ける

論文は、扱う対象を「画像」「表」といった表現ではなく、解釈にどんな推論が要るかで4つに分類します（§3.1, Table 2）。すなわち、知覚的（画像・顕微鏡像・スペクトル・波形・3D構造）、記号的（文書・数式・配列・知識グラフ）、量的統計的（表・測定値・分布）、手続き的（軌跡・シミュレーション・エージェントの実行ログ）の4ファミリーです。

この分け方が効くのは、同じエンジンが地震波にもCADメッシュにも知識グラフにも乗るからです。新しい分野を足す作業は、仕様ファイルを1枚書くだけ。パイプラインの中核にも、分野固有の研究コードにも手を入れません（§3.2）。評価スイートは5つの学問大分類・36ケースで、規模は12本のFeynman方程式から500万辺の生物医学知識グラフまで。36ケース中28が知覚的ファミリーで、残り8つは「目で見ても得るものが少なく、テキストのみのベースラインが強いはずの領域」の対照群として置かれています（§3.2）。

論文はこの差を3つのケースで具体的に見せます（Figure 2）。三成分の地震波形、染色された病理タイル、3DのCADモデル。いずれも生の記録から読み取った構造的な手がかりがそのまま発見を運んでいるのに対し、同じ成果物を事前計算のベクトルとして受け取ると、その関係は取り除かれた状態で届く。違いは原稿の書きぶりではなく、立てられる問いの範囲そのものに出ます（§3.1, §5.4）。

知覚層: いきなり絵にしない

知覚層（perception layer）は、生の成果物をエージェントに見せる係です。ただし論文の設計で面白いのは、すぐには絵にしないところ（§4.1）。まずFFTのピークやトレンド点といった数値的な性質を、そのモダリティの言葉のまま取り出す。描画して「見る」のは、空間的・構造的なパターンがどうしても必要なときだけです。しかも視覚的な観測には予算がかかっています。着想段階の画像予算は次の式で決まります。

$B$ は1回の着想で許される画像の閲覧回数、$g$ はデータに含まれるラベル群の数です。目安は群の数の2倍で、それを下限8・上限24で挟む形です。群が増えれば見る回数も増えるが、青天井にはしない、ということです（§5.1）。

この式が言っているのは要するに、群が2つしかない単純なデータでも最低8回は絵を見られ、群がいくら増えても24回で打ち止め、ということです。

実際の使われ方は付録Dに出ています。36ランで337回の知覚呼び出しがあり、うち173回が look_at_*（描画して見る系）。信号・音声・映像・3D・軌跡はいずれも「そのまま数値で読む」リーダーと「描画して見る」リーダーの両方を持ち、エージェントが選びます。表・数式・配列・グラフのように、画像にする意味が薄いものは画像にしません。

そして重要なのは、この層が研究の全期間で使えることです。着想・実験・執筆のどの段からも同じ知覚ツール群を呼べる設計になっており（Figure 3の破線）、Figure 4 は16ケース・11モダリティ・4つの証拠ファミリーすべてについて、層が実際に読んだ生の観測と、そこから出た発見を並べています（§4.1）。