GoogleのAI co-scientistは、仮想的な研究パートナーとして働くGeminiベースのマルチエージェント型AIシステムです。研究目標を平易な言葉で渡すと、専門化されたエージェントのチームが新しい仮説を生成し、批評し、ランク付けして、引用付きの候補リストを返します。2025年のデモから、2026年5月には査読付きのNature論文へと進み、現在はGemini for Science内の「Hypothesis Generation」ツールになっています。
注目を集めたのは「スーパーバグ」の話です。インペリアル・カレッジのチームが10年かけて到達した仮説を、約2日で再現しました。懐疑的な人たちもたどり着く正直な見方は、関連する論文をすべて読み、答えを統合したのが人間よりはるかに速かったということであり、何もないところからアイデアを生み出したわけではない、というものです。それでも非常に有用ですが、主張としては別物です。
アクセスは限定されています。個人の研究者はlabs.google/scienceで登録し、企業のR&DにはGoogle Cloud経由で非公開プレビューが提供されます。公開価格はまだありません。ウェットラボを運営していないなら、大事なのはその形です。明確に定義された1つの仕事のために採用された、専門のAIチームメイトということです。これはまさに、eeselが今日オンにできるサポートやコンテンツの業務で使っているモデルです。
GoogleのAI co-scientistとは実際に何か
まず、何ではないかから始めましょう。チャットボットではなく、整った要約を渡すだけの文献検索ツールでもありません。Googleはこの点を明確にしています。co-scientistは新しい知識を発見することを目的としており、すでに知られていることを言い換えるのではなく、「明らかに新規性のある研究仮説と提案」を作り出すものです。
内部では、Gemini上で動くエージェントの集団です。「急性骨髄性白血病の薬剤再配置の候補を提案して」のような目標を自然言語で与えると、システムは科学的手法の各役割を担う専門エージェントを立ち上げます。アイデアを出すもの、査読者のように批評するもの、ランク付けするもの、残ったものを磨くものです。出力は、ランク付けされた仮説のセットと、実際にラボへ持ち込める研究概要です。
このプロジェクトには確かな経歴があります。Google Researchが2025年2月に最初に公開し(Juraj GottweisとVivek Natarajanが主導)、100以上の機関でのテストを経て、2026年5月にNatureに掲載されました。注目すべきはこの流れです。デモ、1年間の実際のラボ検証、そして査読付き論文という流れは、よくある「すごいエージェントを作りました」というブログ記事よりはるかにハードルが高いものです。
マルチエージェントシステムの仕組み
いちばん分かりやすいのは、3拍子のリズムで想像することです。アイデアを生成し、議論し、進化させ、これを繰り返します。
この作業を6つの専門エージェントが分担し、その上に7つ目がいます。DeepMindのNature解説では、次のように明確に挙げられています。
- Generationは、文献に基づいて注力分野と最初の仮説を提案します。
- Proximityは、アイデアをクラスタリングして重複を除き、システムが1つの答えの周りを回らず広く探索できるようにします。
- Reflectionは、仮想の査読者として、各仮説の正しさと新規性をチェックします。
- Rankingは「アイデアトーナメント」を行い、仮説同士を一対一で比較します。
- Evolutionは、上位のアイデアを磨き、組み合わせ直します。
- Meta-reviewは、すべてを統合して最終的な研究ロードマップにまとめます。
それらすべての上にSupervisorエージェントがいて、あなたの目標を計画に分解し、専門エージェントをワーカーキューに割り当てます。これによってシステムは計算量を増減できます。これが、トレンチコートを着た1つのモデルではなく、本物のマルチエージェントシステムにしている部分です。エージェントは並列に動いて互いに入力を与え合い、複数の道筋を同時に探ります。
Agentforce deep researchの設計、OpenAI Frontierのような企業向けエージェントプラットフォーム、あるいはHebbiaのようなリサーチツールについて読んだことがあれば、このパターンはおなじみでしょう。大きくて曖昧なタスクを役割に分け、それぞれを専門家に任せ、全体を統括する。co-scientistは、その考え方を最も難しい仕事、つまり未解決の科学的問いに押し進めたものです。
アイデアトーナメントと、計算の大半が検証に使われる理由
競争の部分が巧みなところです。RankingエージェントはEloベースのトーナメントを行い、仮説同士がシミュレーションされた科学的討論で対戦します。AlphaGoやAlphaStarのセルフプレイの考え方を借りたものです。評価の高い仮説は昇格し、弱いものは脱落し、残ったものがさらに進化します。
多くの報道が触れていない点がこれです。Googleによると、システムの計算の大半は、仮説の生成ではなく検証に使われています。主張は、文献やChEMBL、UniProtといったデータベースと照合され、裏付けと事実の正確さが確認されます。ブレインストーミングより検証を重視するこの姿勢が最も重要な設計上の選択であり、ビジネスAIにも同じ教訓があります。難しいのは答えを生成することではなく、出す前にそれが正しいと確かめることです。AI hallucinationsに悩まされたことがある人なら、この発想がよく分かるはずです。
トーナメントは実際に品質を反映しているのでしょうか。Googleは、内部のEloスコアが、博士レベルの科学問題を集めたGPQA「diamond」セットでの実際の正答率と一致するかを検証しました。
青い線は上昇しています。自己評価のEloが高いほど、正解である確率も実際に高くなる傾向がありました。そして、推論に時間をかけるほど、co-scientistは素のGemini 2.0ベースラインから大きく引き離しました。これは独立した正解データではなく、Google自身もそう述べていますが、「長く考え、より多く議論する」アプローチが効果を生むという確かなシグナルです。
誰もが引用するスーパーバグの話
では、これを有名にした出来事です。Googleは、抗菌薬耐性に関する問いにco-scientistを向けました。カプシド形成型のファージ誘導性染色体アイランド(cf-PICI)は、なぜこれほど多くの細菌種にまたがって広がるのか、という問いです。ロンドン大学インペリアル・カレッジのJosé Penadés教授のチームは、約10年をかけてこれを解明してきましたが、まだ答えを公表していませんでした。
同じ問いを与えられたシステムは、約2日でチームの中心的な仮説にたどり着きました。Penadésが驚いたのも無理はなく、それは1回のまぐれ当たりにとどまりませんでした。
"It's not just that the top hypothesis they provide was the right one. It's that they provide another four, and all of them made sense. And for one of them, we never thought about it, and we're now working on that."
「さらに4つの仮説、うち1つは考えたこともなかった」という部分が、わくわくするところです。この発見はその後Cellに掲載されました。
しかし、この話は「AIがスーパーバグ問題を2日で解決」と圧縮され、その見出しが激しい議論を呼びました。これについて最も支持を集めたHacker Newsのスレッドは、反対の主張をはっきり述べました。
"The point isn't that it's bad, the point is that the AI did not discover the solution to the problem independently, as news headlines had implied."
技術的な指摘はもっともです。co-scientistは公開文献を読みますが、同じグループの関連研究はすでに出ていました。そのため、先行論文を書いた科学者は、無意識のうちに答えへ導いたのと同じ枠組みでプロンプトを書いてしまうかもしれません。あるコメント投稿者の言葉を借りれば、ゼロからの発見というより「a search engine for information from its training data」に近いものでした。
では、画期的な成果か、誇大宣伝か。同じスレッドで最も有用だった意見は、どちらの極端も退けました。
"'Knowing all of the relevant literature' is a great first step for solving a problem! ... 'This paper from a lower-tier journal two years ago suggests you should look at X' is a very valuable thing to have!"
これが正直な結論です。co-scientistは、シャワー中に独創的なひらめきを得る人工のアインシュタインではありません。これまでに作られた中で最も速く、最も網羅的な文献統合ツールであり、関連論文のすべてを同時に視野に入れ、無名の学術誌に埋もれた発見をあなたの問いにぴったり結び付けられます。そう捉えれば、2日の話は今でも驚くべきものですが、見出しが語った話とは違う、ということです。
実際に得意なこと:3つのラボ結果
スーパーバグの事例以外にも、Googleは難易度が段階的に上がる3つの生物医学上の問題で、エンドツーエンドのラボ実験を行いました。
| 用途 | 薬剤再配置 | 新規ターゲットの発見 | メカニズムの説明 |
|---|---|---|---|
| 例 | 急性骨髄性白血病 | 肝線維症 | 抗菌薬耐性 |
| 課題 | 組み合わせ探索 | 新規ターゲットの特定 | 複雑なシステムの理解 |
| 難易度 | 中 | 高 | 非常に高い |
| 結果 | 薬剤が臨床用量で腫瘍細胞を抑制 | 候補が瘢痕化反応を阻害、p<0.01 | cf-PICIのメカニズムを再現 |
薬剤再配置の事例が最も具体的です。co-scientistは急性骨髄性白血病に効く可能性のある既存薬を提案し、その後のラボ試験で、提案された化合物が複数の細胞株で臨床的に妥当な濃度において腫瘍の生存率を抑えることが確認されました。
スタンフォードのチームと行い、Advanced Scienceに掲載された肝線維症の研究は、さらに新しい領域へ進み、ラボで瘢痕化に関連する反応の91%を阻害した再配置候補を見つけました。使った科学者たちは、その価値を一貫して「自分の仕事をやってくれた」というより「自分なら見落としていたものを拾ってくれた」と表現しています。
"Co-Scientist feels like a collaborator that's read everything available about biomedical science, with the reasoning capabilities to find the connections that we're currently missing."
最も近くで使う人たちの語り方がいかに慎重かに注目してください。思考を構造化し、抜けを見つけ、優先順位を付けますが、問いを立て、実験を行うのは依然として人間です。これは、役に立つAI agentと自信過剰なものを分ける、人間が関与するのと同じパターンです。
今日、実際にどこで使えるか
実際のところを確認しましょう。ほとんどの人は、ログインしてすぐ使うことはできません。
経路は2つあり、どちらも限定されています。個人の研究者は、Googleが段階的に開放している実験的なHypothesis Generationツールについて、labs.google/scienceで関心を登録できます。企業のR&Dチームは、Google Cloudを通じてエンタープライズ向けバージョンを利用でき、現在はDaiichi Sankyo、Bayer Crop Science、米国国立研究所などのパートナーとともに非公開プレビュー中です。
正直な注意点が2つあります。Googleはco-scientistについて、利用ごとの料金、クォータ、利用制限をいずれも公表していません。そのためコストは未知数です。また、このツールは生物医学に大きく偏っています。目玉の成果はすべて薬剤再配置、ターゲット発見、疾患メカニズムであり、たとえば材料科学や経済学の分野では、適合性ははるかに未検証です。まだ初期で、招待ベースで、今のところ明確にライフサイエンスを狙っています。
研究ラボを運営していない人にとっての意味
これを読む人の大半は、がん細胞株にエージェントを向けることはないでしょう。では、サポートリーダーやマーケターにとってco-scientistがなぜ重要なのか。それは、日常の仕事を静かに作り変えつつあるパターンの、最も明快で賭け金の高い証拠だからです。つまり、明確に定義された1つの仕事のために採用された専門のAIチームメイトが、その仕事をこなすスキルとコンテキストを持って登場するということです。
生物学を取り除けば、co-scientistはテンプレートです。目標を与え、エージェントの集団に推論を任せ、出力を信頼する前に労力の大半を検証に使い、最終判断は人間が握る。これは、チケットに回答する場合でも記事を下書きする場合でも、優れたビジネスエージェントが従うレシピそのものです。違いは、Googleのものがリサーチプレビューであるのに対し、ビジネス版は今日の午後にオンにでき、多くの場合人間のエージェントのコストのほんの一部で済むことです。
eeselを試す
Googleはラボのためにco-scientistを作りました。eeselは、あなたのチームが実際に回している仕事のために、すぐ働けるAIチームメイトを作ります。順番待ちリストに並ぶ代わりに、数分で採用できます。
co-scientistを機能させているのと同じ考え方を、サポートとコンテンツに向けたものです。AIヘルプデスクのチームメイトは既存のキューに加わり、過去のチケットとヘルプセンターから学んで返信を下書きまたは送信します。本番の顧客に触れる前に、実際の過去チケットでシミュレーションできます。AIブログライターは、リサーチから下書きまでのループを最初から最後まで行います。どちらも1つのアカウントで動き、すでに使っているツールとつながり、数分で稼働します。無料で始められ、営業電話は不要です。チームメイトの仕組みをご覧ください。