AI・信頼性・評価

採点できる問いなら、AIが人間より良い『解析の道具』を書く——DeepMindのERA

2026/7/3

🤖 AIが下書き・人間が編集

要点： AIが「答える」だけでなく「科学の道具を作る」段階に入った。2026年6月に Nature が報告した、DeepMind が MIT・ハーバードと組んで作った ERA（Empirical Research Assistant） は、LLM と探索木を使って科学用のソフトウェアを反復的に書き直し、品質スコアを上げていくシステムだ¹。その結果、単一細胞データ解析では人間が作った最良手法を上回る新しい手法を40件、公開リーダーボード上で見つけた。COVID-19 の入院予測では、CDC のアンサンブルと他の全モデルを上回るモデルを14件生んだ¹。ただし効く条件がはっきりしている——「採点できる」品質指標がある問いに限る。

何をしたのか

ERA の仕組みは単純で強い。ある課題に対して「良さ」を測る品質指標（例：公開ベンチマークのスコア）を与えると、LLM が解法のソフトウェアを書き、探索木でその変種を系統的に試し、スコアが上がる方向へ解を育てていく¹。人間が手法を一つ設計して論文にする代わりに、機械が指標に対して解法群を最適化する。

成果は二つの領域で具体的だ。単一細胞解析では、既存の公開リーダーボードで、人間の最良手法を上回る新手法を40件¹。疫学では、COVID-19 入院予測で CDC の集団予測（アンサンブル）と個別モデルの全てを上回る14モデル¹。どちらも「AIがそれっぽい提案をした」ではなく、既存の物差しの上で人間の最良を数値で超えたという点が新しい。査読を経て Nature に載った仕事である¹。

なぜ効くのか、どこまでか

効く理由と限界は同じ一点から来る——採点できる指標があること。指標がはっきりしていれば、「より良い解法を書く」は探索で解ける最適化問題になり、機械は根気よく人間より広く探せる。逆に言えば、課題の設定と「良さ」の定義は人間が与える。ERA は問いを立てるわけでも、物差しを選ぶわけでもない。

だから、これは「AIが科学者を置き換えた」話ではない。むしろ、採点関数に落とせる部分——手法エンジニアリング、モデル選択、パイプラインの作り込み——が機械側に寄り、人間の仕事が何を問うか・何を良しとするかへ移る、という再配置だ。同じ方向の動きは他にもある：Nature 級の論文が報告した SOTA に、コーディングエージェントがどこまで届くかを測るベンチマーク（NatureBench）も登場しており²、「AIが実証研究のソフトを書く」能力を正面から評価しようとする流れの中にある。

実務で何が変わるか

計算・実証系の仕事に関わるなら、勘所は絞れる。

• 「採点できる指標」があるタスクは、手法探索を機械に回せる。 リーダーボードや明確なスコアがあるなら、最良の手法を人が一つずつ設計するより、指標に対して探索させるほうが強いことがある¹。
• 希少な入力は『良い指標を作ること』へ移る。 機械は与えた指標を全力で上げにくる。だから指標の質——本当に測りたいものを測れているか、抜け道（リーカ・過学習）で稼げないか——が、これまで以上に成果を左右する。
• リーダーボード越えを鵜呑みにしない。 公開ベンチで人間最良を超えたことは、その指標の上での話だ。実データ・実運用への一般化は別途の検証が要る——「採点できる問い」の外側は、まだ人間の領分である。

この記事はAIが下書きし、人間が編集・公開しています。