科学AIの自律性レベル

高橋, 恒一

doi:10.51094/jxiv.818

##article.authors##

高橋, 恒一理化学研究所科学研究基盤モデル開発プログラム

DOI:

https://doi.org/10.51094/jxiv.818

キーワード:

人工知能、科学の自動化、 AI駆動科学

抄録

科学技術研究は、長期的なAI応用の中でも最も波及効果が大きいと見込まれる分野の一つである。AIを自動化技術と捉えた場合、その効用は人間の操作や指示の削減あるいは簡略化の程度に比例する。したがって、科学AIの効用はその自律性と密接に関連すると考えられる。本稿では、米国自動車技術会（SAE）が提示した自動運転のレベル分類にヒントを得て、実験科学分野における科学AIの自律性を0から6までの7段階で設定することを提案する。各レベルについて、その定義、実現に向けたマイルストーン、および学術、技術、社会へのインパクトについて論じる。

利益相反に関する開示

開示すべき利益相反関係はありません。

ダウンロード *前日までの集計結果を表示します

ダウンロード実績データは、公開の翌日以降に作成されます。

引用文献

Workshop summary, AI Scientist Grand Challenge, The Alan Turing Institute, London, February 26-27 (2020) https://www.turing.ac.uk/sites/default/files/2021-02/summary_of_discussion_workshop_2020_ai_scientist_grand_challenge_clean.pdf

高橋恒一, 科学AIの自律性レベル設定 Setting Levels for the Autonomy of Scientific AI, 人工知能学会第二種研究会資料, SIG-AGI-020-04 (2022)

岡村麻子, 林和弘, セミナーシリーズ「AIとデータで変わる科学と社会」理化学研究所高橋恒一氏講演録：－AIは科学の営みをどう変えうるか－, STI Horizon 8(4) (2022)

Takahashi, K., Accelerating Life Sciences by Robotic Biology, poster presentation at AAAI Spring Symposium on Computational Approaches to Scientific Discovery (SS-23-04), March 27-29, Palo Alto, CA (2023)

渡部匡己, 都築拓, 海津一成, 高橋恒一, 「人工知能による科学研究の加速」, 人工知能学会全国大会論文集 2016, 30:1–4 (2016)

高橋恒一, 渡部匡己, 「現代科学を超えて―AI駆動型科学へ」実験医学別冊「あなたのラボにAI（人工知能）×ロボットがやってくる」, Eds. 夏目徹, 羊土社 (2017)

高橋恒一, 「第五の科学自動化」In AI事典第3版. 近代科学社 (2019)

Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles, SAE J3016 (2021)

Lindsay, R.K. et al., Applications of Artificial Intelligence for Organic Chemistry: The Dendral Project, McGraw-Hill Book Company (1980)

Shortliffe, E.H. and Buchanan, B.G. "A model of inexact reasoning in medicine", Mathematical Biosciences. 23 (3–4): 351–379 (1975)

Burger B. et al., A mobile robotic chemist, Nature 583(7815):237-241 (2020)

Kanda G. et al., Robotic search for optimal cell culture in regenerative medicine, eLife 11 (2022).

Coutant, A., et al., Closed-loop cycles of experimental design, execution, and learning accelerates systems biology model development in yeast, PNAS 116(36) (2019)

Lu, Chris et al. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery. arXiv:2408.06292 (2024)

Bostrom, N., Superintelligence: Paths, Dangers, Strategies, Oxford University Press (2014)

Kraemer, R. D., and I. G. Harrison. A decision support system for the Military Airlift Command, the Airlift Deployment Analysis System. No. ORNL/TM-11201. Oak Ridge National Lab., TN (USA) (1989)

Popper, K.. The Logic of Scientific Discovery. Hutchinson & Co. (1959)

Taniguchi, T. et al, Symbol emergence in robotics: a survey, Advanced Robotics 30(11-12) (2016)

Udrescu, S., Tegmark, M., AI Feynman: a Physics-Inspired Method for Symbolic Regression, arXiv:1905.1148 (2019)

Schmidt M., Lipson H., Distilling Free-Form Natural Laws from Experimental Data, Science 324, 81 (2009)

Friston, K., The free-energy principle: a unified brain theory? Nature reviews neuroscience 11(2) (2010)

Taniguchi, T. et al, Collective Predictive Coding as Model of Science: Formalizing Scientific Activities Towards Generative Science, arXiv:2409.00102 (2024)

高橋恒一, 将来の機械知性に関するシナリオと分岐点, 人工知能 33(6) p. 867-872 (2018)

Takahashi, K., Scenarios and branch points to future machine intelligence, arXiv:2302.14478 (2023)

BEATLESS、長谷敏司、角川書店 (2012)

Chiang, T. Catching crumbs from the table. Nature 405, 517 (2000)