論文の概要: Mechanist: AI as a Scientific Instrument for Discovering the Mechanisms of Intelligence

• arxiv url: http://arxiv.org/abs/2608.12036v1
• Date: Wed, 12 Aug 2026 13:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.590476
• Title: Mechanist: AI as a Scientific Instrument for Discovering the Mechanisms of Intelligence
• Title（参考訳）: メカニスト:知性のメカニズムを解明するための科学機器としてのAI
• Abstract要約: メカニスト(Mechanist)は、AIを科学機器として利用し、AIインテリジェンスの基礎となるメカニズムを自律的に発見するエージェントシステムである。 Claude Codeや既存のAI科学者システムと比較すると、Mechanistはより価値のあるメカニズムを生み出し、実験をより確実に実行する。
• 参考スコア（独自算出の注目度）: 114.82582862454052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI models have achieved remarkable success across diverse domains, yet the mechanisms underlying their capabilities and the risks they may pose remain poorly understood. As AI development becomes faster and increasingly automated, mechanistic exploration remains largely manual, widening the gap between what models can do and our ability to understand and control them. To bridge this gap, we introduce Mechanist, an agentic system that uses AI as a scientific instrument for the autonomous discovery of mechanisms underlying AI intelligence. To support autonomous mechanistic discovery, we construct an interpretability-focused knowledge graph of approximately 13,000 papers and integrate it with a multidisciplinary database of 43 million papers spanning 26 fields. We further curate a library of 32 foundational methods for mechanism analysis, causal intervention, and validation. Compared with Claude Code and existing AI-scientist systems, Mechanist generates more valuable mechanism hypotheses and executes experiments more reliably. Mechanist also demonstrates a progression from discovering model behaviors to explaining and controlling AI models. Specifically, Mechanist first uncovers a counterintuitive safety risk in scientific laboratories, showing that unsafe traits can transfer across modalities through apparently safe training data. Mechanist then develops a mechanism theory of belief, revealing how models represent world knowledge, form beliefs, infer the beliefs of others, and how these mechanisms emerge during pretraining. Finally, Mechanist translates these mechanistic insights into practical interventions that improve model performance across diverse scenarios and steer scientific foundation models toward generating DNA sequences with specified properties.
• Abstract（参考訳）: AIモデルは様々な領域で顕著な成功を収めてきたが、その能力とそれらが引き起こすリスクのメカニズムはいまだに理解されていない。 AI開発が迅速かつ自動化されるにつれて、メカニスティックな探索は主に手作業で行われ、モデルができることと、それらを理解し制御する能力のギャップを広げます。 このギャップを埋めるために、AIを科学機器として使用するエージェントシステムであるMechanistを導入し、AIインテリジェンスの基礎となるメカニズムを自律的に発見する。 自律的な機械的発見を支援するために,約13,000の論文の解釈可能性に着目した知識グラフを構築し,26の分野にまたがる4300万の論文の多分野データベースと統合する。 さらに、メカニズム分析、因果介入、検証のための32の基本的な方法のライブラリーをキュレートする。 Claude Codeや既存のAI科学者システムと比較すると、Mechanistはより価値のあるメカニズムを生み出し、実験をより確実に実行する。 メカニストはまた、モデル行動発見からAIモデルの説明と制御に至るまでの進歩をデモしている。 具体的には、メカニストはまず、科学実験室で反直感的な安全リスクを発見し、安全でない特性が、明らかに安全なトレーニングデータを通じて、モダリティを越えて移動可能であることを示した。 その後、メカニストは信念のメカニズム理論を開発し、モデルが世界の知識をどのように表現し、信念を形成し、他人の信念を推測し、これらのメカニズムが事前訓練中にどのように現れるかを明らかにする。 最後に、メカニストはこれらの力学的な洞察を、様々なシナリオにわたるモデルパフォーマンスを改善する実践的な介入に翻訳し、特定の性質を持つDNA配列を生成するための科学的基礎モデルを構築します。

関連論文リスト

• From Observation to Insight: Mechanistic World Models and the Quest for Autonomous Discovery [60.11725132433485]
  科学的発見は基本的に知識組織の問題であると主張する。 本稿では,表現,計算,学習の中心に再利用可能な機構を配置する新しい設計パラダイムであるメカニスティック・ワールド・モデルを紹介する。
  論文  参考訳（メタデータ） (2026-07-14T08:03:27Z)
• AI Scientists as Engines of Discovery: A Case for Development within Reformed Institutions [0.10102237605686408]
  エージェント人工知能(AI)システムは、科学的な発見を支援し、加速し、部分的に自動化し始めている。 我々は、適切に設計されたマルチエージェントシステムは、受動的計算ツールからAI科学者へと進化するかもしれないと論じる。 このようなシステムは、目的に適した科学的エコシステム内で開発され、展開されなければならない。
  論文  参考訳（メタデータ） (2026-06-22T05:06:29Z)
• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• Prospects for Using Artificial Intelligence to Understand Intrinsic Kinetics of Heterogeneous Catalytic Reactions [2.0971479389679337]
  鍵となるフロンティアは、AIをマルチスケールモデルとマルチモーダル実験に統合することである。 一貫性のないデータ品質と モデルの複雑さは 機械的な発見を制限する 生成AIとエージェントAIは、モデル生成を自動化し、不確実性を定量化し、実験でカップル理論を組み込むことができる。
  論文  参考訳（メタデータ） (2025-10-21T04:35:26Z)
• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
  自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。 AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。 これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
  論文  参考訳（メタデータ） (2025-03-28T14:00:27Z)
• SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning [0.0]
  人工知能の鍵となる課題は、科学的理解を自律的に進めるシステムを作ることである。 3つのコア概念を活用するアプローチであるSciAgentsを提案する。 この枠組みは研究仮説を自律的に生成し、基礎となるメカニズム、設計原則、予期せぬ材料特性を解明する。 我々のケーススタディでは、生成AI、オントロジ表現、マルチエージェントモデリングを組み合わせて、生物学的システムに似た知能の群を活用できるスケーラブルな能力を実証している。
  論文  参考訳（メタデータ） (2024-09-09T12:25:10Z)
• Empowering Biomedical Discovery with AI Agents [15.125735219811268]
  我々は「AI科学者」を懐疑的な学習と推論が可能なシステムとして想定する。 バイオメディカルAIエージェントは、人間の創造性と専門知識と、大規模なデータセットを分析するAIの能力を組み合わせる。 AIエージェントは、仮想細胞シミュレーション、プログラム可能な表現型の制御、細胞回路の設計、新しい治療法の開発など、幅広い領域に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-04-03T16:08:01Z)
• Competition of Mechanisms: Tracing How Language Models Handle Facts and Counterfactuals [82.68757839524677]
  解釈可能性研究は、経験的成功と大規模言語モデル(LLM)の科学的理解のギャップを埋めることを目的としている。 本稿では,個々のメカニズムではなく,複数のメカニズムの相互作用に着目した,メカニズムの競合の定式化を提案する。 本研究は, 種々のモデル成分間の機構とその競合の痕跡を示し, 特定の機構の強度を効果的に制御する注意位置を明らかにした。
  論文  参考訳（メタデータ） (2024-02-18T17:26:51Z)
• Properties from Mechanisms: An Equivariance Perspective on Identifiable Representation Learning [79.4957965474334]
  教師なし表現学習の主な目標は、データ生成プロセスが潜在プロパティを回復するために「反転」することである。 この論文は「進化を支配するメカニズムの知識を活用して潜伏特性を識別するのか?」と問う。 我々は、可能なメカニズムの集合に関する知識が異なるため、不特定性の原因の完全な特徴づけを提供する。
  論文  参考訳（メタデータ） (2021-10-29T14:04:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。