Introducing AutoDiscovery: Automated scientific discovery, now in AstaLabs｜AstaLabsが自動科学発見ツール「AutoDiscovery」を発表 | AIニュース最前線

***更新 3/2: さらに 3 ヶ月延長*** [AutoDiscovery](https://autodiscovery.allen.ai/) を立ち上げて以来、研究者たちは腫瘍学、気候科学、海洋生態学、昆虫学、サイバーセキュリティ、音楽認知、社会科学などにおいて 20,000 件以上の仮説を生成してきました。アクセス期間を**さらに 3 ヶ月間延長**し、クレジット割り当てを更新します。 **すべてのアカウントに 500 の仮説クレジットが付与されます。**（各クレジットは、AutoDiscovery があなたのデータ上で 1 つの仮説を生成・検証できる権利を表します。）もし残高が 500 を下回っていた場合、不足分を追加しました。もし 500 を超えて残っていた場合は、その全額を維持します。また、元の割り当てを使い果たしてしまった場合でも、再アクティブ化され、フルの 500 が付与されます。 [AstaLabs で AutoDiscovery をお試しください](https://autodiscovery.allen.ai/)し、発見した結果をお知らせください。 *以下に原文を続けます。* すべてのデータセットには、まだ誰も探していない発見が潜んでいます。パターンはそこにあるのです——行と列の中に待機しています——しかし、それらを表面化させるには、適切な問いを立てる必要があります。科学において、どの問いを立てるべきかを知ることは往々にして最も困難な部分であり、今日の多くの AI ツールはその点で役立ちません。これらは目的指向型であり、作業を開始する前にあなたが研究課題を提供することを待っているのです。 これは、従来の統計ワークフローから、[Google の AI コサイエンティスト](https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/) や [FutureHouse の](https://www.futurehouse.org/) プラットフォームのような洗練されたマルチエージェント研究システムに至るまで、あらゆるものに当てはまります。これらのツールは文献の要約、実験設計、仮説の大規模な検証を行えますが、それでもまだ「何を調査すべきか」を人間が指示するのを待っている状態です。 そのため私たちは、[Asta プラットフォーム](https://asta.allen.ai/)内で実験機能として利用可能な [AutoDiscovery](https://asta-autodiscovery.allen.ai/runs)（旧称：[AutoDS](https://allenai.org/blog/autods)）を開発しました。これは問いから始めるのではなく、データから始め、自ら質問を投げかけます。自然言語で仮説を生成し、実験計画を提案し、それを実行するための Python コードを作成し、統計結果を解釈し、得られた知見を用いて新たな仮説を生成します。構造化されたデータセットを与えて探索させれば、一夜にして数百もの実験を実行しても、再現可能でさらに調査を進められる新規な研究方向の完全なリストが得られます。 研究者たちはすでに、AutoDiscovery を活用して、20 年間にわたる海洋生態系データにおける栄養段階関係の解明や、治療方針の決定に役立つ可能性のあるがん変異における相互排他性パターンの特定など、分野を超えた驚くべき隠れたパターンを浮き彫りにしています。社会科学における AutoDiscovery のいくつかの発見は、独立した検証の後、昨年 11 月に査読付き論文として発表されました（https://arxiv.org/abs/2511.12529）。 AutoDiscovery は、科学者とデータの関係を変革します。静的なリポジトリであったデータセットを、影響力のある新たな問いを引き出すための対話型調査の道具へと変えるのです。 初期パートナーによる事例研究や詳細な技術解説は [こちら](https://allenai.org/blog/autodiscovery-impact) でご覧いただけます。また、以下では AutoDiscovery の概要とその仕組みについてさらに詳しく説明します。 ***「AutoDiscovery は、データを用いた深い調査に似ていますが、思考の速度で実行されます。」—— サンチャイタ・ハズラ氏（ユタ大学社会行動科学学部経済学者）*** ## AutoDiscovery が何を追求するかを決定する方法 オープンエンドな探索を任された AI システムには、古典的な失敗モードが存在します。どの手がかりを追跡する価値があるかを判断するための原理的な方法がない場合、システムはランダムに彷徨うか、あるいはトレーニングデータに埋め込まれたバイアスをそのまま引き継いでしまいます。AutoDiscovery はこれに対し、「ベイズ的驚き（Bayesian surprise）」を用いて探索を導くという重要な洞察によって解決します。これは、証拠を見た後にシステムの信念がどれだけ変化したかを測る指標です。 実験を実行する前に、AutoDiscovery は仮説が真であるかどうかについて事前の信念（prior belief）を持っています。これは確率分布として表現されます（この「信念」は基盤となる言語モデル内の世界知識に由来し、モデルに対して複数回クエリを行うことで抽出されます）。結果を確認した後、システムは事後の信念（posterior belief）へと更新されます。「驚き」とは、その変化の大きさを指すもので、実験データがもたらした情報獲得量を定量化するか、あるいはデータがどのようにしてシステムの内部推計の見直しを促したかを示すものです。 重要なのは、AutoDiscovery が信念の変化（驚き）の大きさだけでなく、その変化の「方向」も追跡している点です。正のシフトは、証拠によってシステムが仮説がより真である可能性が高いと考える方向へ動いたことを意味し、負のシフトは、証拠によって仮説がデータセット内で支持されていないと考える方向へ動いたことを意味します。負のシフトであっても、それは非常に驚くべきこととなり得る場合があり、特に既存の常識に反する証拠がある場合には、その価値は極めて高いものとなります。 この設計は、よく知られた科学的直観を反映しています：*我々の期待を意味ある形で変化させる結果は、単に既知の仮定を確認するだけの結果よりも、しばしばより興味深いものです*。驚異を追及することで、AutoDiscovery は自然と予期せぬ方向へと引き寄せられ、それは明白なパターンではなく、真の発見を表す可能性が最も高い結果となります。 しかし、驚異だけでは不十分です。可能な科学的問いの空間は実質的に無限であり、それを探索するには知的な検索が必要です。AutoDiscovery は、モンテカルロ木探索（Monte Carlo Tree Search: MCTS）を用いてこの空間を効率的にナビゲートします。MCTS は新しい仮説の探索と既知の手がかりへの優先付けをバランスさせ、計算リソースを最も有望な探究の枝へと配分します。 ベイズ的驚異と MCTS を組み合わせることで、AutoDiscovery は「次に何を調査すべきか」という問いに答えるために、人間研究者と協働するための原理に基づき、スケーラブルな方法を提供します。 *「通常、数週間あるいは数ヶ月を要する手動の探索的モデリング分析が、たった一日で完了しました。」 — フレッド・ハッチンソンがんセンターの生物統計学ポストドクター研究員、Stephen Salerno 博士* ## AutoDiscovery が発見したものをナビゲートする AutoDiscovery は、マサチューセッツ大学アマースト校との研究協力として始まり、昨年にオープンソースコードと共に[発表されました](https://allenai.org/blog/autods)。しかしこれまで、科学者がこれを実行するための手軽でホストされた方法はありませんでした。科学分野の初期パートナーやインフラストラクチャのサポートのために Google Cloud Platform と連携して作業を行った結果、より多くの研究者の手元に届ける準備が整いました。 AstaLabs において、AutoDiscovery の進捗と発見結果は、実験が完了するにつれて埋まっていく表（上記左パネル）に表示されます。各行はシステムがテストした仮説を表しています。**Surprisal** スコア（驚異度スコア）を確認することで、新しい証拠がシステムの信念を**Before**（以前）から**After**（以後）へとどのようにシフトさせるかを見ることができます。これは、各発見がシステムの期待にどの程度挑戦し、あるいは確認したかを定量化するものです（上記右パネル参照）。さらに、生成された仮説のシーケンスを観察することで、探索ツリー（上記中央パネル）が成長していく過程として発見の進捗を追跡することもできます。 表内の任意の行または探索ツリーのノードをクリックすると、詳細を検索できます。 ## ケーススタディ：がん変異における相互排他性の発見 これを具体化するために、スウェーデンがん研究所のポール・G・アレン研究センターの腫瘍内科医と共に、乳がんの変異データセットを探索した際に AutoDiscovery が見つけたものについて考えてみましょう。 変異の共起パターンを広く探索することから始まり、システムは段階的により具体的な仮説を生成・検証しました。ある探究の枝分かれがゲノム研究における発見につながりました：PIK3CA 変異を持つ患者において、TP53 変異は偶然に期待される頻度よりも少ないことが示されました。これは潜在的な相互排他性パターンであり、2 つの変異が機能的に重複しているか、あるいは両方の変異を保有する細胞が生存できないことを示すシグナルです。 AutoDiscovery のこの仮説に対する事前信念は中立でした。事前分布の平均値は 0.50 で、このパターンが成立するかどうかに不確実性があることを反映しています（0 は偽であると信じる、1 は真であると信じる）。データを分析した後、事後分布は平均値 0.82 へと劇的にシフトしました。この大きな信念の更新は強い驚きとして記録され、システムがこの発見をフラグ付けし、関連する仮説の探索を継続した理由です。 共同で研究を行った腫瘍専門医たちは、このシグナルに衝撃を受けました。AutoDiscovery は手作業では探索不可能なあまりにも広大な検索空間から、妥当な相互排他性の関係を浮き彫りにし、発見を検証・解釈するための具体的な後続調査を即座に提案しました。 ***「AutoDiscovery の、ありふれた場所に隠れているかもしれない発見を明らかにする能力は、特にがん研究において極めて価値があります。」 — スウェーデンがん研究所免疫腫瘍学センター所長で医療腫瘍医のケリー・ポールソン博士*/ ## AstaLabs の始め方 [AstaLabs にログイン](https://asta-autodiscovery.allen.ai/runs) して、ご自身のデータをアップロードする前にワークフローをエンドツーエンドで確認するために「Example Sessions」データセットを試してみてください。ご自身での分析を実行する準備ができたら： - セッションを設定します。「+ New exploration」をクリックしてウィザードを開き、ファイルをアップロード（CSV、JSON、Parquet など）してください。また、システムの信念を初期化するためにコンテキストの説明を入力します。反復処理を行う場合は、「Advanced Settings」から「Intent」フィールドに過去のランからの知見を貼り付けて検索を精緻化できます。最後に、実験予算を設定して実行する仮説の数を制御します。 - 発見された結果をリアルタイムで追跡します。「Start Run」をクリックすると、実験が完了するたびにライブテーブルが更新されます。「Surprisal score（驚異度スコア）」を確認して、最も驚くべき発見を見つけてください。画面を離れても問題ありません。分析が完了した時点で結果はそこにあります。 - 詳細を検証します。任意の行をクリックすると「Inspector Panel」が開きます。ここでは作業内容を確認できます：完全な仮説、統計分析、そして結果生成に使用された実際の Python コードを表示可能です。これは再現可能で拡張可能な、完全に透明性の高い成果物です。 AutoDiscovery の実行は計算リソースを多く消費するため、通常は数時間かかります。そのため、早期アクセスユーザー向けに、一度限りのクレジット付与によりコストを負担しています。自動的に 1,000 の「Hypothesis Credits（仮説クレジット）」が付与されます（仮説 1 つ = クレジット 1）。このクレジットは 2026 年 2 月 28 日まで利用可能です。 クレジットを賢く使うにはどうすればよいでしょうか？**最初の実行はテストドライブだと考えてください**。まずは小さなバッチ（仮説 10 未満程度）から始めて、何が可能かを確認することをお勧めします。出力に慣れたら、自信を持って 1 セッションあたり 50〜100 の仮説まで拡大し、大規模データセットに対する詳細な分析を行ってください。（注：実行は最大 500 個の仮説まで制限されています。） アップロードされたデータが機密情報ではないことを確認するよう求められます。ソースとなるデータセットは、分析完了から 7 日後に自動的に削除されます。AutoDiscovery は、発見を再現・拡張するために必要な出力（仮説、計画、コード、結果）のみを保持します。 今日すぐに[AstaLabs で AutoDiscovery をお試しください](https://asta-autodiscovery.allen.ai/runs)——何が発見されるか驚くかもしれません！サポートや詳細情報が必要ですか？[こちらまでお問い合わせください](mailto:asta-support@allenai.org)。 *AutoDiscovery などの新機能への早期アクセスを得るために、Asta Preview に**登録**してください。詳しくは*[こちら](https://asta.allen.ai/preview)*をご覧ください。 ## Ai2 の最新ニュースに関する月次更新を受け取るには購読してください。

AstaLabsが自動科学発見ツール「AutoDiscovery」を発表

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト