よい説明を聞くと、何かがわかった気がする。筋道が通っていて、先行研究も挙がり、次の実験まで書いてあるなら、なおさらだ。
ただし、自然にはプレゼンテーションを褒める習慣がない。どれほど美しい仮説でも、細胞はその通りに振る舞ってくれるとは限らない。
Googleなどの研究者が開発したCo-Scientistは、この説明と実験のあいだに置かれたAIだ。論文を要約するだけではなく、新しい仮説と検証の進め方を提案する。Juraj Gottweisらの研究を読むと、AIが科学者になるかという大きな問いより先に、仮説を育てる仕事の分業が目に入る。
ひとつの答えを、すぐには出さない
Co-Scientistでは、Gemini 2.0を基盤とする複数のエージェントが役割を分担する。案を生むもの、批評するもの、比較して順位をつけるもの、改良するもの。似た案を見つけたり、全体を見渡してレビューしたりする役もある。研究者の目標を受けた監督役が、仕事を配る。［1］
特徴は、もっともらしい回答を一度出して終わらないことだ。仮説同士を比べ、弱点を探し、その結果を次の生成へ戻す。研究者も目標や制約を伝え、方向を変えられる。科学者を席から退かせるというより、考えを試す相手を増やす設計になっている。
この構造には魅力がある。思いつきに、すぐ反論が返る。自分では読みきれない隣接領域へ、探索が伸びる。案を捨てる前に、別の形へ組み替えられる。ひとつの頭の中では順番待ちになりやすい仕事を、分けて走らせるわけだ。
けれど、批評者が増えたことと、現実に近づいたことは同じではない。全員が同じ前提を見落としていたら、活発な議論はその前提の周りを上手に回る。会議の議事録は厚くなる。世界のほうは、一行も書き換わっていない。
紙の外へ出た候補
研究チームは、システム内の順位だけで終わらせず、生物医学の課題で実験を行った。急性骨髄性白血病に対して、既存の薬剤・化合物を別の用途で試す実験では、AIが提案し、専門家が検討して選んだ薬剤を細胞で試した。その一つKIRA6は、KG-1aという細胞株で生存率を抑えた。一方、別の細胞株では感受性が大きく違った。［1］
この違いは、成果につく小さな但し書きではない。むしろ、実験をした意味そのものだ。同じ病名のもとでも、効き方は一様ではない。仮説が世界に触れた瞬間、説明の滑らかさとは別の凹凸が現れる。
薬の候補が得られ、細胞で作用が確かめられたことは前進である。ただ、患者に効く薬ができたわけではない。体内での振る舞い、安全性、病気の多様さなど、細胞実験だけでは答えられない問題が残る。論文自身も、臨床への移行の難しさを明記している。
「AIが発見した」と一行に縮めると、この長い距離は消えやすい。仮説を提案した。専門家が選んだ。実験で確かめた。条件による違いが見えた。これらを別々の動詞で残したほうが、成果は小さくなるどころか、どこが新しかったのか鮮明になる。
批評の量より、反証への出口
研究には、人間による評価も含まれる。ただし、その一部は11の研究目標を用いた小規模な比較だ。内部のトーナメント順位も、独立した真偽判定ではない。公開文献の偏り、誤った引用や推論、アクセスできない知識、他分野へ広げた場合の性能といった課題がある。すべてのコードが公開されているわけでもない。［1］
そこで、ここからは編集上の問いになる。AIが仮説を大量につくれるようになったとき、希少になるものは何だろう。発想の数ではなく、一つを現実にぶつける機会かもしれない。
実験には時間がかかる。設備や試料が要る。結果が思わしくなくても、次に役立つ形で残さなければならない。仮説が安く速く生まれるほど、どれを試すか、何が起きれば棄却するか、どの結果なら次へ進むかという設計が、相対的に重くなる。
企業の新規企画にも、似た場面はある。顧客が望むはずだという説明をAI同士で磨くことはできる。しかし顧客の反応そのものは、その議論の中にはいない。説明の質を上げる作業と、説明が外れる場を設ける作業。この二つをつながないまま前者だけが速くなると、確信の製造だけが効率化されかねない。
逆に、試した結果を次の仮説へ戻せるなら、生成の速さは違った意味を持つ。外れた案が単なる失敗ではなく、探索する範囲を変える材料になる。ただし、これはこの研究から実務への示唆を考えたもので、企業経営での効果を実証した結論ではない。
Co-Scientistの面白さは、AIがひとりで正解を宣言する姿よりも、仮説が批評され、選別され、外へ出ていく経路にある。最後の審査員は、もう一体の雄弁なAIとは限らない。
その仮説が間違っているとしたら、何に会えば、私たちはそれを知れるだろう。