「OmniScientist」とは何か──生データを直接読む「AI科学者」は、数値だけ渡されたAIに85%勝った

「AI科学者」を名乗るシステムはすでにいくつも登場しているが、その多くは仮説立案からコード実行、原稿執筆までの「ワークフローの網羅性」を追求してきた。2026年8月13日にarXivで公開された論文「OmniScientist: An Omni-Modal Omni-Discipline AI Scientist」は、ワークフローを網羅するだけでは足りないと指摘する。既存システムはテキスト・コード・ラベル・事前計算済みの要約の上でしか推論できず、科学的発見を左右する空間的・時間的・チャネル横断的・手続き的な関係性そのものにはアクセスできていない、という問題意識だ。

著者はBobo Li・Hao Fei・Tianjie Ju・Mong-Li Lee・Wynne Hsuの5名。PDF本文の所属表記を確認すると、Bobo Li・Tianjie Ju・Mong-Li Lee・Wynne Hsuの4名がシンガポール国立大学（National University of Singapore）、責任著者（*マーク）のHao Fei氏のみオックスフォード大学（University of Oxford）に所属している。「シンガポール国立大学の研究者ら」という括り方は大枠では誤りではないが、正確には両大学の共同研究であり、責任著者はオックスフォード大学籍だった。

3行まとめ

• OmniScientistは5分野36件の実データ課題全てで論文完成まで到達（NUS・オックスフォード大学、著者5名、arXiv:2608.13558）
• 評価は7指標×0〜10点満点・2種のLLM審査員パネルによる採点で、比較対象の推論バックボーンは9種類。ただし36件フル評価を完走したのはClaude Sonnet 5だけで、GPT-5.6は10件中9件・Kimi K2.7は9件中6件の完了にとどまる
• 「盲目版に85%勝利」という数字は36件中5件だけの比較実験の結果。1回のフル実行コストはバックボーンにより0.03〜4.34ドル、GitHubスターは136件

生データを直接見る「知覚レイヤー」

OmniScientistは、異種混合の生の証拠データから直接、複数分野にまたがる研究を行うエンドツーエンドのオムニモーダルAI科学者だ。知覚レイヤーと、着想（ideation）・実験（experiment）・執筆（writeup）を担う3つの自律エージェントが、決定的な（deterministic）パイプラインの中で動作し、観測データが研究の問い・実験上の意思決定・最終的な主張の内容までを一貫して形作る設計になっている。着想の妥当性・厳密さ・主張内容のチェックをすべてコードとして実行することで、新規性のスクリーニング、統計的妥当性、実行の来歴（provenance）、数値のトレーサビリティを担保しているという。

5分野・36件の内訳——物理科学から知識工学まで

PDF本文のTable 1を確認すると、36件の内訳は次の5分野に分かれている。それぞれの分野に、実際にダウンロード可能な公開データセット（NFFA-EUROPE、STEAD、Kather CRC、PlantVillage、SemanticKITTIなど）が1件ずつ割り当てられている。

論文はこれとは別に、扱う証拠を「知覚に基づく推論が要求される種類」で4つのファミリーに分類している。(1) perceptual（画像・顕微鏡写真・スペクトル・波形・3D構造など知覚的な証拠）、(2) symbolic（自然言語や数式・配列・知識グラフなど記号的な証拠）、(3) quantitative-statistical（表・測定値・分布などの定量統計的な証拠）、(4) procedural（実験プロセスの記録）の4つだ。

システムは、生データから完成した原稿までの全経路を36件すべてで完了させ、参照となる推論バックボーン（Claude Sonnet 5）を使った場合の論文平均スコアは6.3（0〜10点満点）だったとしている。

評価の仕組み——7指標・2審査員パネル・9種類のバックボーンモデル

論文のSection 5によると、評価は「7つの評価指標×0〜10点満点」で行われる。5つは通常の査読基準（新規性・健全性・明瞭性・重要性・再現性）、残り2つはこのタスク固有の指標（マルチモーダル根拠付け・事実的正確性）だ。採点はdeepseek-v4-flashとgemini-2.5-flash-liteという2つのモデルによる「異系統2審査員パネル」が行い、7指標の平均が総合スコアになる。

推論バックボーンとして比較されたモデルは9種類——Claude Sonnet 5（主軸）、GPT-5.6、GLM-5.2、Kimi K2.7、Qwen3.5（9B/27B/122B）、Gemma-4（26B/31B）だ。知覚モデル（生データを実際に読む役割）は、どのバックボーンで走らせる場合でも常にClaude Sonnet 5に固定されており、比較で変わるのは「推論」を担うモデルだけという設計になっている。

この表（論文のTable 4）を見ると、36件全事例を割り当てられ、かつ36件すべてを完了させたのはClaude Sonnet 5だけだった。GPT-5.6・GLM-5.2・Kimi K2.7は「評価対象の一部（サブセット）」にしか割り当てられておらず、GPT-5.6は10件中9件、Kimi K2.7は9件中6件の完了にとどまっている。論文自身も「GPT・GLM・Kimiは特定のサブセットで評価され、比較のための参考として含めている」と明記しており、36件フルスイートでの横並び比較が成立しているのはClaude Sonnet系のみだ。

なお、1回のフル実行（3段階）にかかるコストはバックボーンによって0.03ドル〜4.34ドルの幅があると論文に記載されている。

「85%の勝利」は36件中5件だけの比較結果だった

論文のSection 5.3を確認すると、事前計算されたスカラー特徴量だけを受け取る「盲目版」との頭対頭比較は、36件中5件でのみ実施されていた。原文はこう書いている。

"Across the 5 cases featuring a scalar-blind counterpart, the perception-enabled framework consistently outperforms, winning 85% of the comparisons averaged over cases."

（訳：スカラー盲目版の対応が用意された5件において、知覚を備えたフレームワークは一貫して優位を示し、事例平均で比較の85%に勝利した）

つまり「85%の頭対頭勝利」は36件全体で行われた検証ではなく、そのうちの5件だけを対象にした比較実験の結果だ。この5件では、マルチモーダル根拠付け（+2.8点）と重要性（+1.8点）で特に大きな差が出た一方、事実的正確性は両条件でほぼ同水準だったという。これは、どちらの条件でも「報告した数値はすべて実行ログに遡って裏付けられる」という同じ検証（provenance verification）が課されているためだと論文は説明している。

「要約を読むAI」と「生データを見るAI」の違い

多くのAI科学者システムは、実験データそのものではなく、人間が事前に集計・要約した数値やラベルを渡されて、それをもとに次の判断をする。これは、研究者が自分で顕微鏡を覗くのではなく、助手がまとめたグラフだけを見て論文を書くようなものだ。要約の過程で、研究者本人なら気づけたはずの異常な波形や、複数のセンサーにまたがる時間的なズレといった手がかりが失われてしまう。OmniScientistが「知覚レイヤー」を独立したコンポーネントとして持たせているのは、この「要約の前」の生データに直接アクセスさせることで、こうした手がかりを拾えるようにするためだと読める。論文が「盲目版（事前計算されたスカラー特徴量だけを受け取る比較対象）」との対比較で85%の判定に勝ったとしている点は、この設計判断――生データを直接見ることの価値――を裏付けるために組まれた実験だと理解できる。

全事例が高スコアだったわけではない——「凝縮系」は10点満点中の事実的正確性が1.0だった

論文のTable 6（Sonnet 5バックボーンでの全36事例の内訳）を見ると、事例ごとのばらつきは小さくない。全分野・全指標平均は6.3だが、個別事例では最高が7.5前後（地質学/岩石物理、生態音響など）、最低は物理科学分野の「凝縮系/ナノ材料」で新規性2.5・重要性2.0・事実的正確性1.0という際立って低いスコアが記録されている。「36件すべてで原稿完成まで到達した」ことと「36件すべてが高品質な論文になった」ことは別で、論文自身のデータを見ても事例間の質のばらつきは大きい。

またLeave-one-outアブレーション（構成要素を1つずつ外す実験）では、先行研究検索（prior-art search）を外すと総合スコアが6.9から5.7へ低下し、新規性チェックを外すと新規性スコアが1点満点分低下したと報告されている。スコアと原稿の文字数の相関は弱く（ρ=0.16）、長く書けば評価が上がるわけではないという設計上の主張も本文にあった。

GitHubリポジトリはスター136・実装は公開されている

GitHub APIで確認すると、Omni-Scientist/OmniScientistリポジトリは本記事執筆時点でスター136件。ソフトウェア一式が公開されており、論文のプロジェクトページ（omni-scientist.github.io）からもリンクされている。ただし、この記事ではリポジトリのコードを実際にクローンして動かす検証までは行っていない。

独立した第三者による追試・査読は確認できていない

この論文はarXivへの投稿履歴を確認する限りv1（2026年8月13日提出）のみで、査読を経た出版物としての掲載は本記事の確認範囲では見つかっていない。36件の評価に使われた採点は、論文の著者自身が用意した2つのLLM（deepseek-v4-flash・gemini-2.5-flash-lite）による自動採点であり、人間の専門家による査読や、著者と利害関係のない第三者機関による独立検証ではない。「頭対頭で85%勝利」という数字も、比較対象を用意できた5事例に限られている。この記事を書いている自分自身はGitHubリポジトリのコードを実行しておらず、論文の主張が実際に再現できるかどうかは確認していない。

関連記事

• 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
• AI論文検索・読解ツール おすすめ比較【研究者向け2026年】
• マルチモーダルAIとは？画像・テキスト・音声の統合解説【2026年】