DiscoveryRSI：再帰的自己改善で科学仮説の提案を学ぶAI

背景と概要

科学的発見で本当に難しいのは、新しく聞こえる推測を書くことではありません。その推測を修正と調査を重ねて、検証できる研究へ育てることです。既存の研究エージェントの多くは最終的な成果物だけで評価されます。仮説が何度も修正されながら変化していく過程から、モデルが学ぶ機会はほとんどありませんでした。DiscoveryRSI の論文は、このギャップを埋めようとするものです。

著者はまず「価値があり検証可能な仮説」を操作的に定義します。条件は四つあり、すべてが同時に必要です。重要な不確実性に向けた証拠に基づく主張であること。実行可能な調査計画があること。どの結果が支持で、どの結果が反証になるかという明確な判定基準があること。そして代替説明が挙げられていることです。最後の条件は、研究者が自分の好む答えだけを追うのを防ぎます。

この定義の上に、論文は DiscoveryRSI フレームワークを提案します。モデルが再帰的自己改善によって仮説提案の力を高める仕組みです。あわせて、その向上を測る DFM-Bench も導入しています。対象は四つのライフサイエンス分野です。

深掘り分析

DiscoveryRSI はまず、マルチエージェントの進化的探索で仮説ツリーを作ります。複数のエージェントが同じ研究方向について仮説を提案し、批判し、修正します。ツリーの枝は、それぞれ異なる発展経路を表します。選ばれた調査は、実行可能な Harbor タスクにコンパイルされます。研究は文章による説明にとどまらず、実際に動かして記録を残せるものになります。 再帰的な学習を支えるのは三つの仕組みです。仮説クレジット最適化は、科学的評価の結果を、文書に記録された個々の研究上の貢献へ帰属させます。どの修正が仮説の質を本当に高めたかが分かり、功績が軌跡全体に薄く配分されることはありません。harness リプレイは、既存の研究実行を振り返り、有効な戦略と繰り返し現れる失敗パターンを見つけて、研究ワークフロー自体の改善に使います。再発見は、受け入れられた改善を新しい調査に適用し、そこで得た経験を次の学習に回します。三つがつながり、探索が経験を生み、経験がワークフローとモデルを改善し、改善後のシステムがまた探索する、という閉じたループになります。

DiscoveryRSI は仮説の良し悪しをどう測るのでしょうか。答えは DFM-Bench です。仮説、修正、発展経路、研究実行の四層で品質を評価します。最終仮説に総合点を一つ付けるだけでなく、複数回の修正を経て研究が実際に進展を積み上げているかも見ます。四つのライフサイエンス分野の自動評価では、仮説の品質が基盤モデルの 4.86 から、2 回の自己改善後に 5.39 へ向上しました。伸びが最大だったのは反証可能性とデータ解決可能性です。判定基準と実行可能な調査を重視する設計と整合する結果です。 専門家評価も別の手がかりになります。予備的な人手評価では、DiscoveryRSI-27B が仮説の重要性と、主張が妥当で証拠に縛られているかという点で、GPT-6 Luna を上回りました。研究経路に沿った改善幅も大きいと評価されています。最も示唆的なのは、将来の文献との照合です。モデルのカットオフ後に発表された研究を基準にすると、DiscoveryRSI-27B の仮説一致率は 6.3% でした。GPT-6 は 2.5%、Claude Opus 5 は 2.3% です。ただし人手評価はまだ予備的な結果で、サンプル規模や網羅性には追加の検証が必要です。

業界への影響

第一に、「良い仮説」が感覚的な評価から、定義でき測定できる対象に変わります。反証可能性やデータ解決可能性といった指標は、研究エージェントの改善に明確な最適化の方向を与えます。自動研究ツールを作るチームは、この四要素の定義を自社の出力を点検するチェックリストとして使えるでしょう。

第二に、モデル規模の問題があります。自分の研究過程から再帰的に学んだ 27B のモデルが、専門家評価の一部の項目で GPT-6 Luna を上回りました。計算資源が限られるオープンソースのコミュニティにとっては前向きな材料です。この課題では、規模そのものと同じくらい、過程から学ぶ工夫が効く可能性があります。

第三に、エンジニアリングへの示唆です。調査を実行可能な Harbor タスクにコンパイルし、個々の研究上の貢献にクレジットを帰属させる設計は、産業界の自動研究パイプラインの参考になります。創薬のターゲット探索や実験計画の設計が例ですが、論文が評価したのはライフサイエンス分野のみで、こうした実運用までは検証していません。DFM-Bench は、単発の出力の質だけでなく、異なるエージェントが積み上げる進展を比べられる多層の物差しにもなります。

今後の展望

一致率 6.3% は、実際の発見を安定して予見するまでの距離がまだ大きいことも示しています。GPT-6 の 2.5% や Claude Opus 5 の 2.3% を大きく上回る数字ですが、大半の仮説は後に発表された研究と対応していません。この数字は信頼できる予測の証明ではなく、相対的な改善として読むべきです。

論文からは二つの未解決の問いが残ります。一つは汎用性です。評価は四つのライフサイエンス分野に限られており、仮説ツリーの探索、Harbor へのコンパイル、再帰的学習というループが他の学問分野でも働くかは分かっていません。もう一つは人手評価の規模です。専門家の数を増やし、対象を広げることで、重要性や証拠範囲での優位が保たれるかが見えてきます。

次の焦点は、報告された 2 回の自己改善を超えても、仮説の品質が 4.86 から 5.39 への流れを保って上がり続けるかどうかです。上がり続けるなら、過程レベルのクレジット帰属が成長を支えられる証拠になります。頭打ちになるなら、このループの限界そのものが、この分野にとって有用な知見になるはずです。