論文の概要: OmniScientist: An Omni-Modal Omni-Discipline AI Scientist

• arxiv url: http://arxiv.org/abs/2608.13558v1
• Date: Thu, 13 Aug 2026 17:59:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.639633
• Title: OmniScientist: An Omni-Modal Omni-Discipline AI Scientist
• Title（参考訳）: OmniScientist:Omni-Modal Omni-Discipline AIサイエンティスト
• Abstract要約: 私たちはOmniScientistを紹介します。OmniScientistはエンド・ツー・エンド、オムニ・モーダルなAI科学者で、生の証拠から直接研究を行います。 認識層と、アイデア、実験、書き込みのための3つの自律エージェントは、決定論的パイプライン内で動作する。 我々はOmniScientistを5つの専門科、科学的証拠の4つの科、画像、信号、音声、ビデオ、三次元構造、軌道、表、公式、グラフを含む36の実データケースで評価した。
• 参考スコア（独自算出の注目度）: 39.38448883079899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in foundation models have enabled AI scientists to automate increasingly complete research workflows, from hypothesis generation and code execution to manuscript preparation. Yet workflow coverage alone does not provide access to the full evidence on which scientific discovery depends. Existing systems typically reason over text, code, labels, or precomputed summaries, leaving scientifically decisive spatial, temporal, cross-channel, and procedural relations unavailable to the agent. We introduce OmniScientist, an end-to-end, omni-modal AI scientist that conducts multidisciplinary research directly from heterogeneous raw evidence. A perception layer and 3 autonomous agents for ideation, experiment, and writeup operate within a deterministic pipeline, allowing observations to shape research questions, experimental decisions, and final claims throughout the research lifecycle. By running idea, rigour, and claim checks in code, the system enforces novelty screening, statistical validity, execution provenance, and numerical traceability. We evaluate OmniScientist on 36 real-data cases spanning 5 discipline families, 4 families of scientific evidence, and modalities including images, signals, audio, video, 3-D structures, trajectories, tables, formulae, and graphs. The system completes the full path from raw data to a compiled manuscript in all 36 cases and achieves a mean overall paper score of 6.3 with the reference reasoning backbone. In paired comparisons against a blind variant that receives only precomputed scalar features, direct perception improves all 7 evaluation dimensions and wins 85% of head-to-head judgments. These results show that lifecycle-wide perception is essential for evidence-grounded scientific discovery and provides a practical path toward broadly capable AI scientists.
• Abstract（参考訳）: 基礎モデルの最近の進歩により、AI科学者は仮説生成やコード実行から原稿の準備まで、ますます完全な研究ワークフローを自動化できるようになった。 しかし、ワークフローのカバレッジだけでは、科学的発見が依存する完全な証拠にアクセスできない。 既存のシステムは、通常、テキスト、コード、ラベル、または事前計算された要約を理にかなっているため、科学的に決定的な空間的、時間的、横断的な、手続き的関係はエージェントに利用できない。 我々はOmniScientistを紹介した。OmniScientistはエンド・ツー・エンド、オムニ・モーダルなAI科学者で、異質な生の証拠から直接多分野の研究を行っている。 認識層と3つの自律エージェントによる思考、実験、書き込みは決定論的パイプライン内で動作し、観察者は研究のライフサイクル全体を通して研究の疑問、実験的な決定、最終的なクレームを形成できる。 アイデア、厳密さ、クレームチェックをコードで実行することで、システムは新規性スクリーニング、統計的妥当性、実行証明、数値トレーサビリティを強制する。 我々はOmniScientistを5つの専門科、科学的証拠の4つの科、画像、信号、音声、ビデオ、三次元構造、軌道、表、公式、グラフを含む36の実データケースで評価した。 本システムは、生データから編纂された原稿への全パスを全36ケースで完了し、基準推論バックボーンを用いて、平均紙スコア6.3を達成する。 事前計算されたスカラー特徴のみを受けるブラインド変種とのペア比較では、直接知覚は7つの評価次元をすべて改善し、頭対頭判定の85%を獲得する。 これらの結果は、エビデンスに基づく科学的発見にはライフサイクルワイドな認識が不可欠であることを示し、幅広い能力を持つAI科学者への実践的な道筋を提供する。

関連論文リスト

• Externalizing Research Synthesis and Validation in AI Scientists through a Research Harness [22.631467433443362]
  Xcientistは、研究合成と実験的検証を検査可能な契約統治プロセスに外部化する研究ハーネスである。 Xcientistの文献は、証拠、アイデアステート、実装計画、アブレーション記録、修復痕跡を永続的な研究成果として整理している。
  論文  参考訳（メタデータ） (2026-06-17T09:52:14Z)
• Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
  サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。 その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。 2つの実行は、構造的に異なる条件下でこれを検証します。
  論文  参考訳（メタデータ） (2026-05-31T16:05:41Z)
• ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence [57.37494162084001]
  チェーン・オブ・エビデンス(Chain-of-Evidence, CoE)は、すべてのクレームがエビデンス・ソースにトレース可能であることを要求する検証可能なフレームワークである。 CoE Auditはポストホック監査であり、スコア検証、仕様違反、参照検証、メソッドコードアライメントという4つの整合性チェックが全システムに均一に適用される。
  論文  参考訳（メタデータ） (2026-05-25T21:30:27Z)
• AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
  研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。 我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。 障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
  論文  参考訳（メタデータ） (2026-05-18T17:08:26Z)
• The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
  本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。 通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
  論文  参考訳（メタデータ） (2026-04-27T16:23:09Z)
• Embodied Science: Closing the Discovery Loop with Agentic Embodied AI [73.54118756665221]
  我々は、科学的発見をクローズドループとして再編成し、エージェント推論と物理的実行を密結合するパラダイムであるエンボディド・サイエンスを論じる。 本研究では,実験環境の知覚,科学的知識の推論,身体的介入の実行,その後の探索を促進するための成果の内在化といった,統合された知覚・言語・行動発見(PLAD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T09:20:12Z)
• Virtuous Machines: Towards Artificial General Science [0.0]
  ドメインに依存しないエージェント型AIシステムが、科学的なワークフローを独立してナビゲートできることを示します。 このシステムは視覚的作業記憶、精神的な回転、イメージの鮮明さに関する3つの心理学的研究を自律的に設計し実行した。
  論文  参考訳（メタデータ） (2025-08-19T00:35:56Z)
• AIGS: Generating Science from AI-Powered Automated Falsification [17.50867181053229]
  本稿では,重要な研究プロセスを代表する役割を担ったマルチエージェントシステムである,フルプロセスAIGSシステムのベビーステップとして,Baby-AIGSを提案する。 3つのタスクの実験では、Baby-AIGSは経験豊富な人間の研究者と同等ではないが、有意義な科学的発見を産み出すことができた。
  論文  参考訳（メタデータ） (2024-11-17T13:40:35Z)

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。