そもそもAIエージェントとは何か

一般的なチャットAIは「聞かれたら答える」ものだ。これに対し、AIエージェント（agent）は自ら手を動かして作業をこなす。ソフトウェアをインストールし、ツールを呼び出し、プログラムを実行したうえで、結果をまとめて報告してくれる。Paper2Agentが行うのは、1本の論文をこうしたエージェントに変えることである。

読むだけの文書から、手を動かすエージェントへ

論文の多くは読むためのもので、使うためのものではない。論文の手法を自分の研究に応用しようとすれば、研究者はまず著者のソフトウェアをインストールし、データをどう入力するかを理解しなければならない。この段階だけで何日も足止めされることもある。

Earth.comが10月4日に報じたところによると、スタンフォード大学のポスドク研究員ジアチェン・ミャオ（Jiacheng Miao）氏と准教授ジェームズ・ゾウ（James Zou）氏らが開発したPaper2Agentは、この手間を省く。ユーザーが平易な言葉で質問すると、エージェントが論文そのもののコードを実行して答えるのだ。この研究は学術誌『Nature』に掲載された。

仕組みは3段階に分かれ、それぞれを1つのエージェントが担当する。

  • 環境を構築する：1つ目のエージェントが、コードの実行に必要なソフトウェア環境をインストールする。

  • ツールを作る：2つ目のエージェントが、論文の主要な手法を、ほかのAIからも呼び出せるツールとしてパッケージ化する。

  • 結果を検証する：3つ目のエージェントが、論文で報告された結果や図表と照らし合わせて各ツールをテストし、失敗を繰り返すツールは除外する。

Paper2Agentの3つのエージェントによる流れ：環境構築、ツール化、論文の結果との照合テストを経て、最後にMCPとしてパッケージ化する
Paper2Agentの3段階：環境を構築し、手法をツール化し、論文の結果と照らし合わせてテストする。合格したツールはMCPとしてパッケージ化される（AI生成イメージ）

テストに合格したツールは、論文の本文、データ、よく使われる分析手順とともに、Model Context Protocol（MCP）でパッケージ化される。MCPは、AIが外部のツールやデータにアクセスするための共通規格で、いわばAIの世界の万能コンセントだ。ゾウ氏によれば、MCPを使うと、AIは論文をエージェントがアクセスしやすい形で表現できる。それは「ほとんどファイリングシステムのようなもの」だという。

数字で見る

Google DeepMindのゲノムモデル「AlphaGenome」を例に取ると、システムは約45分で、人手を一切介さずに22個のツールを構築した。個人のノートPCで動作し、費用はわずか14ドルだった。

複数のツールを連携させる必要がある30問のオープンエンドな研究課題では、エージェントのスコアは82.7%に達した。コードを直接読ませたClaudeは56.7%にとどまり、別のAI研究アシスタントであるBiomniは72.2%だった。

規模を広げたテストでは、計算生物学の論文100本のうち74本がエージェント化に成功し、システムが提案した599個のツールのうち593個がテストに合格した。300問でのスコアは91.2%で、コードを直接読ませた場合の80.3%を上回った。失敗の主な原因は、コードがない、データがない、あるいはソフトウェアをインストールできないことだった。

Paper2Agentのテスト結果：成功率82.7%、論文100本中74本を変換、ツール599個中593個が合格、約45分で22個のツールを構築、費用14ドル
主な数字：オープンエンドな研究課題でのスコアは82.7%、論文100本中74本がエージェント化に成功、AlphaGenomeでは約45分・14ドルで22個のツールを構築（AI生成イメージ）

3つのエージェントが連携して乾癬の遺伝子を探す

最も注目を集めた実験は、3つの論文エージェントに役割を分担させたものだ。まずAlphaGenomeエージェントが、CD4+ T細胞（免疫反応を調節する白血球の一種）では、乾癬に関連するゲノム上の部位が、近くにあるほかのどの遺伝子よりもGPR137という遺伝子に強く影響すると予測した。

研究チームは次に、既存の2本の論文から作ったエージェントをつないでデータを照合した。その結果、5つの候補遺伝子のうち一致したのはGPR137だけで、しかもそれは刺激を受けた細胞でのみ見られた。この過程では新たな実験は一切行われておらず、使われたのはすべて既存のデータだった。

限界もはっきりしている

著者らは、エージェントは独立した科学者ではないと強調する。研究の方向を決めるのはあくまで研究者であり、証拠を評価するのも人間だ。エージェントを公開した人は、その土台となるソフトウェアを保守し続けなければならない。セキュリティや所有権、学術的な功績の帰属をどう扱うかも、まだ答えが出ていない。著者らはまた、将来は学術誌が論文に「エージェントの利用可能性（agent availability）」の項目を求めるようになるかもしれないと提案している。

台湾にとっての意味

研究機関にとって、Paper2Agentで最も注目すべきは精度ではなく、失敗に終わった26本の論文のほうだ。原因は、コードがない、データがない、実行環境を構築できない、のいずれかだった。

台湾の公的研究機関や大学は、毎年大量のプロジェクト報告書や実験データを生み出している。だがプログラムやデータは個人のパソコンに散らばっていることが多く、プロジェクトが終わると誰も保守しなくなる。知識管理が「PDFのアーカイブ」にとどまっていれば、今後広がるエージェント型の働き方にはつながらない。

左はPDFや段ボール箱が山積みになった古い資料室、右はコード、データ、実行環境が整然と収まり、AIエージェントがそのまま動ける研究室
知識はアーカイブするだけでなく、実行できなければならない。コード、データ、実行環境をそろえて納品してこそ、研究成果はエージェントにつながる（AI生成イメージ）

現実的な第一歩として、取り組むべきことは2つある。

  • コード、データ、実行環境を研究成果の一部として納品する。報告書を1本提出して終わりにしない。

  • まず内部データのアクセス権限、保守の責任、功績の帰属に関するルールを定める。報告書に「語らせる」のはその後だ。

出典