科学者の時間を、科学の創造へ還す

允中　凹非寺発

科学者が本当に「研究」に費やせている時間は、皆さんが想像するよりはるかに少ないのかもしれません。

新しい研究テーマを前にしたとき、出発点となるのは、ひらめきから生まれた仮説ではありません。まず待ち受けているのは、次のような細かな準備作業の連続です。

文献やデータがさまざまなデータベース、表計算シート、フォルダ、実験記録に散在しており、一つひとつ確認しながら少しずつ突き合わせなければならない；
重要な手法や実験条件は論文の細部に埋もれており、それらを見分けて統合するだけで多くの労力を消耗する；
ようやく有望な仮説を立てても、検証しようとすると、環境構築やパラメータ調整、繰り返しの試行錯誤に足止めされる；
ようやく結果が得られても、データのクリーニング、グラフや表の作成、結論の解釈など、まだ大量の作業が残っている……

言い換えれば、科学者にとって最も貴重な時間は、本来ならより大胆な問いを立て、より深いメカニズムを理解し、より重要な発見を成し遂げるために使われるべきです。しかし実際には、検索、整理、検証、再現、コミュニケーションといった「力仕事」に費やされることが少なくありません。

では、こうした時間を科学者に取り戻す方法はあるのでしょうか。

本日、深勢科技がその答えを示しました。

同社が正式に発表した**玻尔・科学空間（公開テスト版）**は、研究者と AI 科学者が協働するために設計されたデスクトップ環境です。

ローカルおよびクラウド上の科学データ、計算資源、実験リソースに接続するとともに、さまざまな分野に対応した AI 科学者を研究プロセスに直接組み込むことができます。

調査、仮説立案、検証、再現、図表作成、査読まで、研究の全工程を通して、研究者が担うのは次の2つだけです。

問いを立てること、そして確認すること。

それ以外の「力仕事」は、科学空間に任せることができます。

科学的な問いを起点に、研究タスクの全工程をつなぐ

01 調査段階：情報収集にとどまらず、高品質な判断と実行可能な仮説の出発点を提供

新しい研究テーマに向き合う際、本当に難しいのは「より多くの論文を検索すること」ではありません。大量の情報の中から、どれがすでにコンセンサスとなっているのか、どれがいまだ議論の対象なのか、そしてどの問いがまだ答えられていないのかを見極めることです。

玻尔・科学空間では、研究者は対話形式で研究上の問いを投げかけることができます。

玻尔・科学空間に搭載された総合研究エキスパート SciMaster は、研究上の問いに沿って文献や特許を自動検索し、論文中の文章、図表、分子、数式を理解したうえで、構造化された調査結果をまとめます。

さらにその結果をもとに、研究上のコンセンサス、矛盾、空白を整理し、根拠があり検証可能な研究仮説の立案を支援します。

仮説に研究を前進させる価値があると判断された場合、AI 科学者は既存の研究、利用可能なデータ、実験条件を組み合わせ、実行可能な実験設計案を作成できます。研究変数、技術的アプローチ、重要な手順、結果の判定方法まで明確に示します。

これにより、科学的な調査は単なる情報収集にとどまらず、高品質な判断と、その後の研究活動の出発点となります。

02 研究実行段階：仮説を議論にとどめず、クリックひとつで検証

仮説を検証へと移す段階で、本当に時間のかかる作業が始まります。

研究者は適切なモデルや手法を選ぶだけでなく、データの取得、ソフトウェアのインストール、環境構築、パラメータ設定、タスクの実行、障害対応、結果分析まで行わなければなりません。失敗すれば、別のパラメータに変えて再び試す必要があります。

玻尔・科学空間では、AI 科学者が研究目標に応じてタスクを自動的に分解し、対応するデータ、モデル、ソフトウェア、計算資源を呼び出して、計算、シミュレーション、データ分析を実行します。また、重要な段階では結果を確認します。

研究者は科学的な問いを軸に次の指示を継続して出すことができ、複数のツールや作業環境を何度も切り替える必要はありません。

生物学、医学、創薬、材料科学などの分野に向けて、玻尔・科学空間には BioMaster、PharmMaster、MatMaster などの AI 分野別エキスパートが組み込まれており、さまざまな実際の研究タスクに対応しています。

研究者は問いを立てるだけで、AI 科学者が検証を実行します。

BioMaster：生物医学分析を実行可能・追跡可能・再利用可能に

バイオインフォマティクス研究では、論文、公共データベース、コードリポジトリ、分析ソフトウェアの間を何度も行き来しなければならないことが少なくありません。

本当に時間がかかるのはコードを実行することだけではありません。正しいデータを見つけ、分析手法を再現し、バージョン依存関係を解決し、パラメータを照合し、結果が生物学的に信頼できる意味を持つか判断する必要があります。

典型的な3つのタスクを例に見てみましょう。

**論文分析の再現：**BioMaster は論文の手法を理解し、GEO などの公共データや著者のコードと関連付け、データ取得、環境上での実行、コードのデバッグ、結果の検証まで行います。公開論文を、実際に実行でき、さらに活用できる研究資産へと変換します。

**単一細胞データ分析：**同じ科学的な問いを軸に、データ処理、RNA velocity などの分析フロー、研究用の図表作成を一貫して組織化します。前段階の結果を保持し、研究者がその結果に基づいて追加分析を続けることもできます。

**遺伝子変異の解釈：**TP53 などの遺伝子変異を中心に、ClinVar、UniProt、PDB、AlphaFold など複数のデータソースを横断して、エンティティの照合、エビデンスの検証、統計分析、可視化を行います。出典とエビデンスレベルを備えた構造化された結果を生成します。

BioMaster は、分散していたデータ検索と計算の手順を、検証可能な分析フローとして組織化します。これにより研究者は、結果の判断、メカニズムの理解、次の研究の設計により多くの時間を割けるようになります。

PharmMaster：標的調査から分子設計まで、創薬研究の流れをつなぐ

創薬研究には、標的の調査とプロジェクト立案、特許状況、作用機序、構造活性相関、構造解析、分子設計、創薬可能性の評価など、さまざまな工程があります。

各工程で必要とされる情報、モデル、ツールは異なります。また、研究上の結論は、上流と下流のタスクの間で継続的に引き継がれなければなりません。

ITK 標的阻害剤のプロジェクト立案・開発を例にすると、PharmMaster は次のようなことを実行できます。

研究目標に沿って幅広く資料を収集し、特許分析と競合状況分析を正確に行い、プロジェクト立案に向けた調査と意思決定を加速する；
分子認識と文脈的な意味の関連付けにより、SAR 分析とその解釈を行う；
計算タスクを自動的に開始し、起点分子のスクリーニングを実行する。さらに、共結晶構造解析、逆合成解析、新規分子の推薦、活性および ADMET 特性の評価などを進め、分子発見・最適化のプロセス全体で研究開発担当者を包括的に支援する。

個々の工程が分断された単発タスクや複雑なツールの組み合わせではなく、同じ研究目標に基づいて継続的に進められる研究開発ワークフローになります。

研究者は各ステップの根拠と結果を確認し、それに基づいて設計方針を調整しながら、候補分子の次の最適化へ進むことができます。

MatMaster：性能目標を起点に材料設計とシミュレーションを組織化

材料研究では、文献エビデンス、構造設計、性能予測、メカニズム検証の間に関連性を構築する必要があります。

高温用誘電体薄膜を例にすると、研究者は関連する材料系を体系的に整理し、構造と性能の関係を理解したうえで、DFT や分子動力学などの手法を用いて候補材料の安定性と作用メカニズムを検証する必要があります。

研究者は玻尔・科学空間上で、目標とする性能、動作温度、材料に関する制約を記述できます。

MatMaster はそれに基づき、分野調査、候補材料系の設計、計算シミュレーション、結果分析を行い、今後さらに実験で検証する価値のある材料の方向性と、その根拠を提示します。

これにより、研究者の関心は「要件を満たす材料を探すこと」から、「どの材料系を優先して検証すべきか、そしてその理由は何か」へと進みます。

03 成果出力段階：信頼できる論文を書き、確かな査読を行う

研究が終わった後にも、最後の関門が残っています。

どうすれば結果を明確に書けるのか。引用は信頼できるのか。データと結論は一致しているのか。査読者からの問いに対して、証拠は十分な説得力を持っているのか。

玻尔・科学空間では、ライティングアシスタントが研究データと分析結果に基づき、思考の整理、論文構成の設計、厳密な文章化を支援し、LaTeX などの編集可能な形式で出力します。

レビュアシスタントは、論文の論理、引用元、図表のデータ、裏付け資料を確認し、さらなる確認や補強が必要な箇所を提示します。

研究成果は、全世界・全時代にわたって蓄積された科学知識の上に築かれます。そして同時に、人類の知識体系へと再び組み込まれ、検証、議論、確認を受ける必要があります。

玻尔・科学空間は、執筆とレビューのワークフローを通じて、計算や実験の結果を、構成が明確で、証拠を追跡でき、専門家によるさらなる検証を受けられる科学的成果へと変換することを支援します。

なぜ玻尔・科学空間では、AI が実際の研究タスクを実行できるのか

AI を本当に研究プロセスに組み込むうえで重要なのは、単純にモデルのパラメータ数や対話能力を増やすことではありません。科学を理解し、タスクを組織化し、ツールを呼び出し、検証を受けるための完全な環境を提供することが重要です。

01 大規模な研究要素：知識、計算、実験リソースを接続

Science Navigator は2億件を超える文献と特許に接続し、AI が継続的に更新される科学知識からエビデンスを検索できるようにします。

DeployMaster は5万を超える代表的な科学計算ツールを厳選してデプロイします。さらに、深勢科技が独自開発した「深势・宇知」のモデルやツールである DPA、Uni-Mol、Uni-AIMS などの大規模モデル、Uni-FEP、Uni-Dock などの計算ツール群と緊密に連携し、タスクに応じてモデルやソフトウェアを即座に呼び出せるようにします。

ウェットラボでの実験実行においては、Uni-Lab-OS がすでに150を超える大分類、1,800種類の機器・装置に接続しており、現在もより広範な実験機器エコシステムへの接続を進めています。将来的には、これらのデータ、サンプル、操作、結果が統合され、統一された閉ループ型の研究フローに組み込まれる予定です。

こうした豊富で Agent-ready な研究要素が、AI による実際の研究タスク実行の基盤となります。

02 マルチモーダルな知識理解と組織化：エビデンスを正確に抽出し、知識間の関係を体系的に把握

Uni-Parser は、論文、図表、分子構造、数式、表、実験記録など、マルチモーダルな科学情報を効率的に処理できます。

テキスト、数式、表という3種類の構造化コンテンツについて、解析精度はいずれも98%を超えています。

また、図表、フローチャート、分子式、化学反応式などの複雑な視覚情報も効果的に認識し、分散したデータを統一的かつ追跡可能な、機械可読形式へ変換できます。

Science Navigator と大規模知識モデル LKM は、文献、特許、データ、研究記録の間に存在するエンティティの関係、エビデンスの出典、研究の流れをさらに整理します。これにより AI は、1つの科学的な問いを軸に、既存のコンセンサス、主要な相違点、研究上の空白を理解できるようになります。

03 エージェントのオーケストレーションと長期実行：高度な計画能力と高い耐障害性を備えた SciX フレームワーク

SciX エージェントフレームワークは、研究目標を実行可能なステップに分解し、知識、モデル、ソフトウェア、計算資源、実験リソースを調整しながら、重要な段階で確認・検証を行います。タスクが途中で行き詰まった場合も、自動的に診断と修正を行うことができ、非常に高いタスク耐障害性を備えています。

Sandbox は、タスクに対してバッチ処理、分離、復旧が可能な実行環境を提供し、異種計算リソース間のスケジューリングにも対応します。累計約185万回の起動を対象とした統計期間において、作成成功率は98.8%に達しています。

これにより AI は、1回の研究対話から完全な研究ワークフローへ移行し、調査、仮説推論、計算シミュレーション、結果分析、成果出力を継続的に実行できます。

04 協調進化：ツール、エージェント、人間が実際のタスクに対するフィードバックを通じて共に進化

検索、読解、計算の呼び出し、実験の実行は、その都度、現在の問いに対する処理プロセスを構成します。また、科学者による修正、計算結果、実験データ、失敗の経験も、「科学のトレーニング場」を共同で形成します。これらは、ツール、エージェント、人間の経験の蓄積と訓練向上に向けた長期的な糧となり、次の研究タスクをよりよく遂行するための重要なフィードバックとなります。

より多くのプロセスが実行、検証、再利用されるにつれて、検証済みの手法は再利用可能な能力やワークフローとして蓄積されていきます。EvoMaster エージェントの自己学習・自己進化メカニズムにより、プラットフォームは「ますますあなたを理解する」ようになり、研究組織がタスクの経験を研究体制全体に十分に蓄積できるよう支援します。これにより、繰り返しの設定や試行錯誤を減らすことができます。

玻尔・科学空間に関する上述の技術成果については、今後さらに多くの進展を順次皆さんにお届けする予定です。

研究者に向けて、そして研究組織に向けて

玻尔・科学空間は、研究者が知識、データ、ツールを呼び出すための統合ワークベンチとして利用できるだけでなく、研究チームが AI 科学者を組織し、研究プロセスを再利用し、研究経験を蓄積するための協働環境にもなります。

**研究者にとって、**データベース間の検索、環境構築、ツールの切り替え、結果の整理に費やす時間を削減し、研究プロセスをツール操作ではなく科学的な問いが主導するものにします。
**研究グループや研究開発チームにとって、**重要な手法、パラメータ、プロセス、結果を追跡可能な記録として残し、検証済みの分析フローを確認、再利用、反復改善できるようにします。
**研究機関や企業の研究開発組織にとって、**内部データ、計算資源、専門ツール、分野の知見を接続する統一環境を提供し、人間の科学者と AI 科学者が実際のタスクで協働できるようにします。

玻尔 107 計画：AI 時代に解決する価値のある科学的な問いを探す

研究効率が向上し続ける一方で、より根本的な問いがますます重要になっています。

より多くの研究プロセスを AI が支援できるようになったとき、どの科学的な問いを優先して探究すべきなのでしょうか。

この問いをもとに、深勢科技は「玻尔 107 計画」を立ち上げました。世界中の研究者から、重要な科学的価値と探究の可能性を持つ問いを募り、玻尔・科学空間と AI 科学者の能力を活用して、採択された問いに対し、科学的調査、仮説推論、計算シミュレーション、結果検証に至るまでの研究支援を提供します。価値のある科学的な問いを、提起する段階から継続的な探究へと前進させます。

深勢科技は世界中の研究者と協力し、長期的に取り組む価値のある重要な問いを継続的に見いだし、人間の科学者と AI 科学者が協働して科学的発見を推進する新たな道を探りたいと考えています。

重要な問いを見いだし、価値あるアイデアを検証し、本当に解決する価値のある科学的な問いの解明に AI 科学者を参加させる。