論文の概要: When Scientific Cognition Is No Longer Scarce

• arxiv url: http://arxiv.org/abs/2610.10241v1
• Date: Wed, 07 Oct 2026 15:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.991769
• Title: When Scientific Cognition Is No Longer Scarce
• Title（参考訳）: 科学的認知が長続きしないとき
• Abstract要約: AIは科学のどの部分が進歩を妨げるかを変えるかもしれない。 文学合成、仮説生成、ソフトウェア開発、シミュレーション、分析が豊富になる可能性がある。 実験、観察、よく支持された結論、そして説明可能な機関のAu-thorityは依然として乏しい。
• 参考スコア（独自算出の注目度）: 0.16946842589920252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI could change which parts of science impede progress. Consider a world in which machine systems are better, faster, and cheaper than people at most scientific work that can be done through a computer. Our question is what would limit science in that world. Literature synthesis, hypothesis generation, software development, simulation, and analysis could become abundant, while experiments, observations, well-supported conclusions, and accountable institutional au- thority remain scarce. Science would then be constrained by a different set of resources. In this paper, we call this change the scarcity inversion and consider four parts of it: selection, physical access, validation, and organizational choice. This change is arriving first in mathematics and coding/software/algorithm design, where the whole scientific loop can run inside computation. For national laboratories, the change could be striking. Their distinctive role is to turn abundant machine reasoning into trustworthy results by combining controlled experiments, protected data, expert judgment, and accountable authority. The practical question is how facilities, verification, provenance, resource allocation, and scientific governance should change when reasoning is plentiful and trustworthy evidence is scarce.
• Abstract（参考訳）: AIは科学のどの部分が進歩を妨げるかを変えるかもしれない。 コンピュータで行うことのできるほとんどの科学的作業において、機械システムがより良く、より速く、安価である世界を考えてみましょう。 私たちの疑問は、その世界の科学を制限するものは何だろう。 文学合成、仮説生成、ソフトウェア開発、シミュレーション、分析が豊富になり、実験、観察、よく支持された結論、そして説明可能な機関のオー・ソリティは依然として乏しいままである。 科学は異なるリソースの集合によって制約される。 本稿では、この変化を希少性の逆転と呼び、選択、物理的アクセス、検証、組織的選択の4つの部分について考察する。 この変更はまず数学とコーディング/ソフトウェア/アルゴリズムの設計で行われ、科学的なループ全体が計算内で実行される。 国立研究所にとって、この変化は衝撃的かもしれない。 彼らの特徴的な役割は、豊富な機械推論を制御された実験、保護されたデータ、専門家の判断、説明可能な権威を組み合わせることで信頼できる結果に変えることである。 現実的な疑問は、推論が豊富で信頼できる証拠が乏しい場合に、施設、検証、証明、資源配分、科学的ガバナンスがどのように変化するべきかである。

関連論文リスト

• The Past and Future of AI Scientists [0.0]
  AIサイエンティストは仮説を導き、結果を導き、実験を設計し実行し、結果を解釈し、信念を再考することができる。 このようなシステムは、文献、形式的知識、数学的モデル、シミュレーション、データ分析システム、物理実験と結びついた統合された科学エージェントである。 ノーベルチューリングチャレンジは、2050年までにノーベル品質の発見を自動化できるAIシステムを開発するという目標を設定している。
  論文  参考訳（メタデータ） (2026-08-14T15:50:35Z)
• Towards a new paradigm of scientific discovery with socialized artificial intelligence [48.48034861871986]
  本稿では,社会化科学知能のパラダイムであるBLAZE(Bridging Literature, Agents, and Zero-gap Experimentation)を紹介する。 BLAZEは、AIは独立した研究タスクのアシスタントではなく、科学的発見のための組織的な基盤だと考えている。 その目的は、人間の発見を置き換えるのではなく、集団的な科学的調査の規模、深さ、継続性を拡張することである。
  論文  参考訳（メタデータ） (2026-08-03T18:18:39Z)
• Visible, Trackable, Forkable: Opening the Process of Science [0.0]
  現在科学が実践されている方法は結論を示すが、どのように到達したかは隠している。 この論文は、科学のプロセスを開くことは、科学の進歩の速度の段階的な変化をもたらすと論じている。
  論文  参考訳（メタデータ） (2026-04-13T03:07:47Z)
• 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)
• 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)
• Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics [82.55776608452017]
  大規模言語モデル(LLM)は、人間の科学者、自然言語、コンピュータ言語とコード、物理学との相互作用を編成する柔軟性と汎用性を備えたフレームワークを提供する。 本稿では, LLMを基盤とした科学エージェントの展望と展望と, 科学発見のライフサイクルを変革する上でのその役割について述べる。 オープンな研究課題を特定し、より堅牢で汎用的で適応的な科学エージェントを構築するための有望な方向性を概説する。
  論文  参考訳（メタデータ） (2025-10-10T22:26:26Z)
• 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)
• Explain the Black Box for the Sake of Science: the Scientific Method in the Era of Generative Artificial Intelligence [0.9065034043031668]
  我々は、人類の科学的発見のための複雑な推論が、少なくとも人工知能の出現以前には重要な存在であると主張している。 意思決定に使用されるAIシステムの原則を知ることは、ドメインの専門家や科学者と接触するポイントになり得る。 我々は、この分野を、予測AIシステムの解釈可能性に基づいて、領域の専門家が科学的仮説と説明を定式化する、説明可能な科学用AIと定義する。
  論文  参考訳（メタデータ） (2024-06-15T08:34:42Z)
• A Computational Inflection for Scientific Discovery [48.176406062568674]
  我々は科学的な発見の軌跡において、かなりの屈折の足元に立っている。 社会が急速に成長するデジタルトランスフォーメーションを継続するにつれて、人類の集団的な科学的知識も同様である。 コンピュータ科学は科学プロセス自体に革命を起こそうとしている。
  論文  参考訳（メタデータ） (2022-05-04T11:36:54Z)
• When we can trust computers (and when we can't) [0.0]
  理論上は比較的単純でしっかりと根ざした科学と工学の分野において、これらの手法は確かに強力である。 ビッグデータと機械学習の台頭は、真の説明力に欠けながら、計算に新たな課題をもたらす。 長期的には、デジタル計算に現在置かれている過度な信頼を誘惑するために、アナログ手法に重点を置く必要がある。
  論文  参考訳（メタデータ） (2020-07-08T08:55:53Z)

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。