論文の概要: Discovery Foundation Models: Toward Open-Ended Discovery Intelligence

• arxiv url: http://arxiv.org/abs/2609.15973v1
• Date: Mon, 14 Sep 2026 17:56:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.547705
• Title: Discovery Foundation Models: Toward Open-Ended Discovery Intelligence
• Title（参考訳）: Discovery Foundation Models: オープンソースのディスカバリインテリジェンスを目指して
• Abstract要約: オープンエンド発見のための汎用モデルシステムとしてDiscovery Foundation Models (DFM) を定式化する。 DFMは、修正可能な研究状態上で動作し、問題発見、定式化、表現構築、仮説形成、介入、エビデンス・グラウンドド・リビジョン、継続的な発見改善にまたがる7つの結合機能をサポートしている。 GALILEOは、Dry-Lab推論、ロボットとハンドオンのWet-Lab実験、外部の生物学的証拠、反復仮説と設計修正がクローズドな物理発見ループを形成する実際の治療・発見システムである。
• 参考スコア（独自算出の注目度）: 12.795168111957343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models have progressed from learning and reasoning over existing knowledge, to increasingly learning through action, tool use, and outcome feedback. We argue that the next frontier is a further transition: from solving and acting within problems specified by humans to participating in the process by which new problems, representations, explanations, and knowledge are created. We refer to this capability as Discovery Intelligence. We formulate Discovery Foundation Models (DFMs) as general-purpose model systems for open-ended discovery. A DFM operates over a revisable research state and supports seven coupled capabilities spanning problem discovery, formulation, representation construction, hypothesis formation, intervention, evidence-grounded revision, and continual discovery improvement. We instantiate this framework with Zetema, which couples explicit research-state dynamics, verification and experimental gating, external grounding, and cross-task Discovery Skill evolution. We further ground the framework with GALILEO, a real therapeutic-discovery system in which Dry-Lab reasoning, robotic and hands-on Wet-Lab experimentation, external biological evidence, and iterative hypothesis and design revision form a closed physical discovery loop. We then formulate a unified approach to capability formation and process-centered evaluation, enabling discovery behavior to be trained, improved, and measured beyond final-answer performance. Together, these components establish discovery as a learnable, executable, and evaluable capability of foundation-model systems. We view this shift as a broader progression in intelligence scaling: from learning over existing knowledge, to learning from action outcomes, and ultimately to participating in the construction, testing, and revision of the structures through which new knowledge is discovered. Code: https://github.com/Gen-Verse/DFM-Plans
• Abstract（参考訳）: ファウンデーションモデルは、既存の知識の学習と推論から、アクションやツールの使用、成果フィードバックを通じての学習へと進化してきた。 次のフロンティアは、人間が指定した問題の解決と行動から、新しい問題、表現、説明、知識が生み出されるプロセスへの参加へと、さらに移行した、と我々は主張する。 私たちはこの能力をディスカバリインテリジェンスと呼んでいる。 オープンエンド発見のための汎用モデルシステムとしてDiscovery Foundation Models (DFM) を定式化する。 DFMは、修正可能な研究状態上で動作し、問題発見、定式化、表現構築、仮説形成、介入、エビデンス・グラウンドド・リビジョン、継続的な発見改善にまたがる7つの結合機能をサポートしている。 このフレームワークは、明確な研究状態のダイナミクス、検証と実験的ゲーティング、外部接地、クロスタスクディスカバリスキルの進化を兼ね備えている。 GALILEOは、Dry-Lab推論、ロボットとハンドオンのWet-Lab実験、外部の生物学的証拠、反復仮説と設計修正がクローズドな物理発見ループを形成する実際の治療・発見システムである。 次に、機能形成とプロセス中心評価に対する統一的なアプローチを定式化し、最終回答性能を超える発見行動の訓練、改善、測定を可能にした。 これらのコンポーネントは共に、基礎モデルシステムの学習可能、実行可能、評価可能な能力として発見を確立する。 既存の知識を学習し、行動の結果から学び、最終的に新しい知識が発見される構造の構築、テスト、修正に参加することまで、私たちはこの変化をインテリジェンススケーリングの幅広い進歩と捉えています。 コード:https://github.com/Gen-Verse/DFM-Plans

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)
• Intentmaking and Sensemaking: Human Interaction with AI-Guided Mathematical Discovery [72.49593499512092]
  インテントメイキングという別のワークフローを特定し、特徴付けします。 私たちはこれをセンスメイキングの自然な拡張と捉えています。 これらのテーマのドキュメンテーションは、科学的発見のためのAIツール設計へのアプローチを示唆している。
  論文  参考訳（メタデータ） (2026-05-07T09:30:25Z)
• Theory of Space: Can Foundation Models Construct Spatial Beliefs through Active Exploration? [83.13508919229939]
  宇宙の理論は、自己指向的かつ活発な探索を通じて情報を得るエージェントの能力として定義される。 重要な革新は空間的信念の探索であり、各ステップでモデルが空間的表現を明らかにするように促す。 この結果から,現在の基盤モデルでは,活発な探査において,コヒーレントで変更可能な空間的信念の維持に苦慮していることが示唆された。
  論文  参考訳（メタデータ） (2026-02-04T19:06:40Z)
• Accelerating Scientific Research with Gemini: Case Studies and Common Techniques [105.15622072347811]
  大規模言語モデル(LLM)は、科学研究を加速するための新たな道を開いた。 先進的なAIモデルとどのように協力したかを示すケーススタディのコレクションを提示する。
  論文  参考訳（メタデータ） (2026-02-03T18:56:17Z)
• Unlearning as Ablation: Toward a Falsifiable Benchmark for Generative Scientific Discovery [0.0]
  大きな言語モデル(LLM)は本当に新しい知識を生成するのか、それとも単に記憶された断片をリミックスするだけなのか? 建設科学的発見のフレーバーとして,非学習的アズ・アブレーションを提案する。
  論文  参考訳（メタデータ） (2025-08-25T05:24:15Z)
• From Reasoning to Learning: A Survey on Hypothesis Discovery and Rule Learning with Large Language Models [3.861418246476623]
  人工知能(AGI)の追求において、新たな知識を学習し、推論し、生成するモデルの必要性が高まっている。 このサーベイは、大規模言語モデルに基づく仮説発見を調べるための構造化レンズを提供する。 仮説生成、適用、検証における既存の作業を合成し、重要な成果と臨界ギャップの両方を特定します。
  論文  参考訳（メタデータ） (2025-05-28T03:40:02Z)
• 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)
• Open-world machine learning: A review and new outlooks [117.33922838201993]
  オープンワールド機械学習の全体像を論じる。 未知の拒絶、新奇な発見、継続的な学習を調査する。 これは研究者がそれぞれの分野でより強力なAIシステムを構築するのを助けることを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T06:25:26Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)

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。