「Apodex Discovery」とは何か──561業界を調査して選んだ423件の「本物の難題」でAIの発見能力を測る枠組み

論文「Apodex Discovery」は、アポロ計画の比喩から始まる。アポロが月に到達できたのは、技術者が難しい方程式を解けたからだけではなく、遠い野望を「明確な目標・シミュレーション・検証・繰り返しの修正からなるミッション設計」に落とし込んだからだ、という書き出しだ。2026年8月11日にarXivで公開されたこの論文は、AIが直面している課題も同じ転換点にあると位置づけている。フロンティアモデルは、問題・ツール・成功基準が明確に与えられれば難しいタスクを解けるが、現実の重大な課題は、実行可能な形にも検証可能な形にもなっていない状態でやってくることが多い、という指摘だ。要旨だけでなくarXiv HTML版の本文、および運営元Apodexの公式サイトも確認した。

3行まとめ

1. 論文の所属欄には「Apodex」と明記されており、「Mr. Tianqiao Chen, the project lead of this work, who proposed the concept of the heavy-duty solver」と謝辞にある。Apodex公式サイトにも「Mr. Tianqiao Chen, Founder & CEO of Apodex」の発言が掲載されている
2. 561業界・16セクターの調査は、10名のSTEM博士研究者からなるチームが2カ月かけて行った、と本文に明記されている。初回公開された20件の課題は、AAVカプシド設計・薬剤再転用/再製剤化・臨床試験分析/橋渡し・LLM向けデータ・LLM訓練/システムという5つの問題ファミリーに分類される
3. Apodex独自のharness「ApodexHarness」は、GPTと組み合わせた場合0.592（OpenHandsは0.560）、Opusと組み合わせた場合0.611（OpenHandsは0.578）と、同じベースモデルで比較してもオープンソースのharness「OpenHands」を上回ったと報告している

「重装備ソルバー」と3つの構成要素

論文は「discoverative AI（発見的AI）」を構築・評価する枠組みとして、基盤モデル・harness・ツール・制御ポリシーから構成される「heavy-duty solver（重装備ソルバー）」というシステムを提案している。これには3つの中核要素がある。

1. 問題探査プロセス: 561業界・16セクターを調査し、423件の高価値な実世界課題を集め、初回リリース向けに20件を選定した
2. 共通の環境-タスク-エピソード抽象化: データ・ツール・制約・フィードバック・軌跡の記録、そして中間成果物と最終提出物の検証を提供する
3. HDS6という評価軸: 最終タスクの成否とは独立に、ツール（Tools）・修復（Repair）・代替案（Alternatives）・一貫性（Coherence）・証拠（Evidence）・範囲（Scope）の6軸を評価する

AAVカプシド設計と薬剤再利用での結果

論文が報告している応用例のひとつが、AAVカプシド設計だ。生存率・親和性（tropism）・構造予測・生成設計にわたって、Apodexは公表済みの最先端を7%上回ったとしている。薬剤再利用・再製剤化の課題では、タスク特化型のバイオメディカル環境を使うことで、同じクローズドブックのバックボーンと比較して、GPT-5.5の平均正規化予測スコアを2.5ポイント、GPT-5.6-solを7.6ポイント改善したとしている。制御されたアブレーション実験では、固定された「TRACES」エピソードインターフェースによって、性能差を特定のソルバー構成要素に帰属できることが示されたという。論文はこの枠組みを「あらかじめ定義されたベンチマークを超えて、真の発見を目指す検証可能な調査へとAI評価を進める試み」と位置づけている。

テストに出る問題を先に教えない、というベンチマークの作り方

多くのAIベンチマークは、正解が決まった問題を大量に集めて、AIがそれをどれだけ解けるかを測る。この作り方には、正解が既に世の中に存在する問題しか出せない、という限界がある。Apodex Discoveryが「561業界を実際に調査して423件の課題を集めた」というプロセスにこだわっているのは、既存の教科書的な問題集ではなく、現実の産業が抱える「まだ答えの分かっていない」課題そのものをベンチマークにしようとする試みだと理解できる。「正解を知っているかどうか」ではなく「未知の課題に対してどう調査を進めるか」を測ろうとするアプローチは、この記事で紹介した他の論文（ASI-BenchやOmniScientistなど）とも通じる、2026年8月に相次いで見られた「AIの科学的発見能力」を測ろうとする一連の動きの一部だと位置づけられる。

運営元はShanda創業者ティエンチャオ・チェンが率いる「Apodex」

論文本文の著者所属欄には「Affiliation: Apodex」とだけ書かれており、脚注にはこうある。

"We gratefully acknowledge Mr. Tianqiao Chen, the project lead of this work, who proposed the concept of the heavy-duty solver."

（本研究のプロジェクトリードであり、heavy-duty solverの概念を提案したTianqiao Chen氏に深く感謝する）

Apodexの公式サイト（discovery.apodex.com）を確認すると、トップページに次の発言が掲載されている。

"Helping humanity discover the unknown is the ultimate value of AI to humankind." — Mr. Tianqiao Chen, Founder & CEO of Apodex

（人類が未知を発見する手助けをすることこそ、AIが人類にもたらす究極の価値だ　── Apodex創業者兼CEO、Tianqiao Chen氏）

Tianqiao Chen（陳天橋）は、中国のオンラインゲーム大手Shanda（盛大網絡）の創業者として知られる人物で、近年は脳科学研究への大規模な資金提供（Tianqiao and Chrissy Chen Institute）で知られている。今回のApodex Discoveryは、その同氏が創業者兼CEOとして率いる新しいプロジェクトという位置づけになる。

Apodex公式のドキュメントサイトが自ら配布している技術報告書PDF（docs.apodex.com/apodex/1.0.pdf）を直接取得すると、arXiv版と同じ論文本文に加えて、表紙に29名の共著者名がフルで記載されていることを確認できた（2026年9月4日にPDFの1ページ目を取得し、カンマ区切りで機械的に数え直した）。筆頭著者はBrian Wang氏で、末尾には「† Technical Lead. Corresponding author: sheng@apodex.com」とあり、Sheng Wang氏がTechnical Lead・責任著者として明記されている。謝辞にあるTianqiao Chen氏は著者リストには含まれず、あくまで「heavy-duty solverという概念を提案し、HDS6の6軸を定義し、全体設計を形作った」人物として別枠で謝辞対象になっている、という役割の切り分けが本文から読み取れる。

20件の課題の中身：AAVカプシド設計からLLM訓練の診断まで5ファミリー

本文を読むと、初回公開された20件の課題がどんな5つのファミリーに分類されるかが具体的に説明されていた。

本文によれば、この561業界・16セクターの調査自体は「a two-month effort by a ten-person team of STEM Ph.D. researchers（STEM分野の博士号を持つ研究者10名からなるチームによる2カ月の取り組み）」によって行われ、423件の候補問題のレジストリを作った上で、そこから20件を初回リリース向けに選定した、とされている。

TRACESベンチマーク自体の規模についても、本文には「currently instantiates seventeen executable environments with hidden verifiers, spanning 218 episodes...two of these environments support the full verification-repair loop（現時点で、隠された検証器を持つ17の実行可能環境を用意しており、218エピソードにわたる。うち2つの環境が、完全な検証-修復ループをサポートしている）」と明記されている。Apodex公式サイトのトップページでは、ライブベンチマークとして「1,182 trajectories・17 environments」という数字が掲示されており、AAVカプシドのボードには「Four tasks・18 episodes・11 solvers evaluated（4タスク・18エピソード・11のソルバーを評価）」という注記があった。

独自harness「ApodexHarness」はOpenHandsを上回ったと自己申告

論文はさらに、Apodex独自のharnessである「ApodexHarness」と、オープンソースのコーディングエージェントharness「OpenHands」を、同じ基盤モデルの上で比較した結果も報告している。

"Our ApodexHarness illustrates that harness design effects can persist regardless of the foundation model with which the harness is paired. It outperforms OpenHands when paired with both GPT (0.592 vs. 0.560) and Opus (0.611 vs. 0.578), providing a comparison unconfounded by model choice because both harnesses were tested on the same two models."

（我々のApodexHarnessは、harnessの設計による効果が、組み合わせる基盤モデルによらず持続することを示している。GPTと組み合わせた場合（0.592対0.560）、Opusと組み合わせた場合（0.611対0.578）のいずれでもOpenHandsを上回っており、両方のharnessを同じ2つのモデルでテストしているため、モデル選択に左右されない比較になっている）

同じ基盤モデル（GPT・Opus）を使ってharnessだけを差し替えた比較である点は、条件をそろえた検証として一定の説得力がある。ただし論文自身も「harness設計とモデル選択それぞれの相対的な影響を正確に定量化するには、主効果と交互作用の形式的な分解が必要」と、この比較だけでは因果関係の切り分けが完全ではないことを認めている。

423件の候補問題リストそのものは公開範囲を確認していない

• 論文自体は85ページ・図9点・表38点という大部の技術報告で、本記事は本文の中でも導入部・問題ファミリーの説明・harness比較の記述を中心に確認しており、付録にあるとみられる個別タスクの詳細な採点基準・具体的な統計解析コードの例までは網羅していない
• 423件の候補問題レジストリのうち、初回公開されたのは20件（TRACESベンチマークとして17の実行可能環境）にとどまる。残り400件超がどんな業界・課題なのかの具体的なリストは、この記事の確認範囲では公開が確認できなかった
• 7%・2.5ポイント・7.6ポイントという改善幅、およびApodexHarness対OpenHandsの数値（0.592対0.560など）は、いずれも論文著者自身（Apodex社）による自己申告値であり、第三者による独立した追試の有無は確認していない
• Apodex公式サイトの「Live leaderboard」は、この記事執筆時点でのスナップショット（1,182 trajectories・17 environments）を記載したものであり、今後数値が更新される可能性がある動的なページだと考えられる
• 「Apodex」という語はGoogle検索では医薬品メーカーApotexとスペルが近く混同されやすいため、検索の際は「Discovery」を併せて入れる必要がある点も付記しておく

関連記事

• AI医療診断 最新事例と課題──画像診断・創薬・カルテ【2026年】
• Deep Research（ディープリサーチ）ツールの実力比較、用途別の使い分けが見えてきた
• LLMベンチマークの読み方──MMLU・HumanEval・Arenaの注意点【2026年版】