AIの研究アシスタントは、アイデアを出すのは得意でも、以前のアイデアがなぜ失敗したかを覚えておくのは苦手です。新しいプレプリントで紹介されたSage-Taiyiは、その弱点を直すために作られました。最も説得力のある根拠はベンチマークのスコアではなく、その提案を受けて大きく改善した2つの化学反応です。
設計は心理学のメタ認知、つまり自分の考え方について考えることから着想を得ています。1つ目の層は科学的な探索を担い、問いを目標に分解し、アイデアを出して磨き、実験や論文、人間の専門家からの証拠を蓄えます。2つ目の層は、その証拠が何を裏付けているか、どの前提が揺らいでいるか、どの問いが未解決かを常に把握し、それをもとに次に何を調べるか、どの推論手法を使うかを選びます。狙いは、エージェントが最新の結果ばかりを追いかけ、3回前の失敗を忘れてしまうのを防ぐことです。
チームが10分野50本の論文から265のタスクを作ったTaiyi-Benchで、Sage-Taiyiは総合54.0を記録し、比較対象で最も強かったAI Scientist-v2の47.9を上回り、8つの指標すべてで1位になりました。基盤モデルはGPT-5.6-Solで、比較対象にはCodexやClaude Codeに組み込んだ同じモデル、Claude Opus 5、ほかの研究用エージェントが含まれるため、改善はモデルの強さではなく構造によるものとされています。データの混入を抑えるため、論文はモデルの学習データの締め切り以降のものから選ばれています。
より重みがあるのは実験室での結果です。化学、材料科学、工学の分野で専門家が指導する5つの共同研究で、システ ムの提案が実際に試されました。コバルト触媒によるカルボニル化の条件を最適化すると収率は痕跡量から84%に上がり、光触媒によるアリル位アミノ化は13%から69%に伸びました。化学の研究グループなら注目するような改善です。
慎重になるべき理由も十分にあります。ベンチマークは著者ら自身のもので、アイデアは文献に基づく自動の検証器が採点しています。チームは人間の専門家とよく一致すると述べていますが、それでもモデルがモデルを採点していることに変わりはありません。5つの共同研究は専門家の指導のもとで行われたため、システムの貢献と、それを導いた科学者の貢献を切り分けるのは困難です。2つの優れた反応の結果からは、提案がどのくらいの頻度で外れるのかもわかりません。プレプリントのため査読は受けておらず、1回の実行にかかる計算コストも示されていません。