AIが仮説を立て、実験まで自動化へ　日本が320億円を投じる「ARiSE」とは？

このサイエンス関連ニュースのまとめ

・JSTが2.5年で320億円を投じるAI for Scienceの国家プロジェクト「ARiSE」を始動
・材料、生命科学、無人研究施設などを対象に科学基盤モデルやAIエージェントを開発
・日本の科学・工学の理論とAIを融合する「Theory-driven AI for Science」で国際競争力の確立を目指す

科学技術振興機構(JST)は10月13日、9月29日に採択課題が決定された「AI for Science革新的研究推進事業(ARiSE:AI to Redesign Scientific Exploration)」に関する説明会を開催。ARiSEの創設背景や今後の事業運営の方向性を示した。

ARiSEは、文部科学省(文科省)が2026年3月に策定した「AI for Scienceの推進に向けた基本的な戦略方針」に基づくフラッグシップ事業である。

AIを単に研究データの分析へ利用するだけでなく、仮説の生成、実験計画、シミュレーション、実験の実行、結果の解析、次の仮説の構築といった研究プロセス全体へ組み込み、従来は到達が困難だった科学的発見の実現と社会実装の加速を目指す。

予算総額は基金として320億円で、研究期間は2026年10月以降から2029年3月末までの約2年半。2026年5月12日から6月30日まで研究開発提案を募集し、「戦略ターゲット型」12件と「国際・融合型」19件の計31件を採択した。

日本のAI for Science政策では、ARiSEで日本の強みを生かした先端研究へ集中投資する一方、SPReADとSPReAD＋で幅広い研究分野への波及と人材・研究環境の整備を進める (資料提供:JST。以下すべて同様)

事業統括(PD)は東北大学理事・副学長の青木孝文氏が務める。戦略ターゲット型の推進統括(PO)には国立情報学研究所(NII) 所長の黒橋禎夫氏、国際・融合型のPOには理化学研究所革新知能統合研究センター副センター長の上田修功氏が就任した。

科学者がAIを「使う」だけでは競争力にならない

JST 理事長の橋本和仁氏は、AIの技術進化が速く、現時点で将来の姿を正確に見通すことは困難だとしたうえで、「分からないから何もしないという選択肢はない」とARiSEを始動した背景を説明した。

米国や中国では政府だけでなく民間企業もAIへ巨額の投資を行っている。日本が投資額だけで競争することは難しい一方、海外で開発されたAIを利用するだけでは、基盤技術や計算資源を他国へ依存することになりかねない。

そこでARiSEでは、日本が高品質なデータや科学的知識を蓄積してきた材料科学や生命科学などへ集中投資し、科学研究に必要な基盤モデルやAIエージェントを国内でも開発できる体制を整える。

橋本氏は、ARiSEについて「今できる最高のことへ投資する第一歩」と位置付ける。世界の技術動向を見ながら研究計画を柔軟に変え、世界トップレベルの研究者や研究機関と連携しながら進めることが重要になるとの見方を示し、ARiSEの研究提案としても、AI研究者と対象分野の研究者が共同代表者として参加することを必須としたとする。

既存のAIモデルを科学分野へ持ち込むだけではなく、材料、生命、数学、物理などの専門知識を基にAI技術自体も進化させる必要があるためで、AI研究者と各分野の研究者が互いの領域へ入り込み、科学とAIの双方を発展させることを狙ったものだという。

計算資源、国際連携、研究データを最初から研究計画へ

ARiSEには、5つの特徴があるという。

1つ目は、AI研究者とドメイン研究者による共同提案を必須とした点。2つ目は、AIモデルの学習や推論に必要な計算資源の利用計画を、研究提案時から作成する点で、これはAI for Scienceにおける研究費の多くがGPUをはじめとする計算資源の利用料金に充てられる可能性があり、それを事前に把握しておき、必要な計算資源を賄うための計算に用いられる。

橋本氏によると、ARiSEでは計算資源を使い放題にするわけではないが、研究者が計算資源の不足によって研究を進められなくなる事態を避けるため、必要量を研究計画へ盛り込ませたという。

3つ目は国際連携の推進である。AI研究は世界の研究機関や企業が推進していることから、日本国内だけで閉じるのではなく、海外の世界トップレベルの研究者とも連携する形で国際的な研究ネットワークへ参加し、最前線で何が行われているのかを理解する必要があるためだという。

4つ目は研究データの取り扱い。研究成果やデータを広く共有するオープンサイエンスを推進する一方、すべてを公開するのではなく、日本の競争力や国益に関わるデータを保護する「オープン・アンド・クローズ戦略」を採る。

そして5つ目が研究セキュリティの確保である。特定研究開発プログラムとして、研究提案の選考時から評価者と被評価者の双方にセキュリティ対応を求める。

集中投資する戦略ターゲット型と自由度を重視する国際・融合型

ARiSEは「戦略ターゲット型」と「国際・融合型」の2種類の枠組みで構成されて進められることとなる。戦略ターゲット型は、国として集中的に強化する分野を定め、チームによる大規模な研究開発を進めていこうという取り組み。2026年度は、マテリアル、ライフサイエンス、大型研究施設・研究装置に関する3ターゲット/5カテゴリーが研究対象として採択された。

具体的には70件の応募から12件が採択された。カテゴリーごとの内訳は、マテリアル分野が3つのターゲットに分けられ、ターゲット1-1が1件、ターゲット1-2が1件、ターゲット1-3が4件、ライフサイエンス分野を対象とするターゲット2が4件、大型研究施設・研究装置分野を対象とするターゲット3が2件となっている。

ARiSEの戦略ターゲット型は、マテリアル、ライフサイエンス、大型研究施設・研究装置を対象に、AI研究者と各科学分野の研究者が連携して研究開発を進める

課題当たりの研究費は、ターゲット1-1と1-2が総額30億円程度、ターゲット1-3が総額10億円程度、ターゲット2と3が総額20億円程度を上限とする。

一方の国際・融合型は、研究分野を限定せず、科学分野固有の理論や法則、構造的知識をAIへ組み込む独創的な研究を対象としたもので、133件の応募から19件が採択された。研究費は原則として1件当たり総額2億円だが、目標達成に必要な場合は最大6億5000万円を上限に提案できる。

ARiSEの研究提案では、既存AIの適用にとどまらず、科学分野固有の理論や構造的知識をAIへ組み込む研究や、AIに適した研究データの構築、自動計測・分析技術などを対象とする

世界最高水準の材料データを国家的AI基盤へ

戦略ターゲット型の中核の1つが、「AI for Materialsを実現するマテリアルAI基盤の構築」である。日本は大学や研究機関、企業が積極的に新材料の研究開発を長年にわたって推進してきた背景があり、中でも物質・材料研究機構(NIMS)を中心として、材料特性や実験結果など世界最高水準の材料データが蓄積されてきたことはユニークな取り組みといえる。

同プロジェクトでは、これらのデータと、国内で開発されている大規模言語モデルや領域特化型モデル、AI研究者の技術を組み合わせ、国家的なマテリアルAI基盤を構築することを目指すこととなる。

同基盤は、材料データや解析ツールを含むサイバー側のAI-Readyデータ・ツール群、材料基盤モデル、材料の探索や設計、計算、実験、解析、知識獲得を支援するAIエージェント、実際の実験設備を接続したフィジカル側のAI-Ready先端実験群で構成される。

AIが材料候補を提案するだけでなく、実験装置を操作し、得られたデータから新たな設計や実験条件を導き出す研究サイクルを構築し、最終的には一部のAI専門家だけでなく、幅広い材料研究者がAIを利用できる共同研究基盤として展開し、材料開発の期間短縮と国際競争力の向上につなげることを目指していくという。

戦略ターゲット1-1の採択課題概要。世界最高水準の材料データならびに知識資産とAI研究力を組み合わせる形で国家的マテリアルAI基盤の構築を目指す

40億パラメータ級のゲノム言語モデルを構築

ライフサイエンス分野では、「ゲノム言語モデル(gLM)による次世代生命科学研究基盤の創出」を進める。

一般的な大規模言語モデルは、文章や単語を学習するが、ゲノム言語モデルはDNAやゲノム配列を生命科学における言語として学習し、生命現象の理解やゲノム設計を支援するものとなる。

同プロジェクトでは、既存の70億パラメータ級モデルを基に、植物、動物、ヒト、微生物など全生物ドメインを対象とする40億パラメータ級の基盤モデルを構築。設計した配列や仮説を実験で検証し、その成否を再び学習データへ戻す「Design、Build、Test、Learn(DBTL)」の循環を形成。成功例だけでなく、失敗例や遺伝資源も学習へ還元する。

モデルは共同利用基盤として生命科学研究者へ提供し、Bio-AGILEコンソーシアムを通じて社会実装にもつなげる。ゲノム情報を扱うことから、バイオセキュリティやモデルの安全性確保も研究課題へ含めるとする。

戦略ターゲット2の採択課題概要。DBTLの循環をベースとした基盤を構築することで、次世代の生命科学研究につなげていくことを目指す

AIが研究する時代に向けた無人研究施設

大型研究施設・研究装置分野では、「Science by AIのための無人研究施設の開発」を進める。

AIは仮説生成や論文作成などの知的作業を担えるようになりつつある一方、実際の研究施設では、装置の準備や試料の搬送、補給、復旧などを人間へ依存している。また、個々の実験装置を自動化しても、多種多様な実験を並行して継続運転するためには、施設全体を自動化することも必要になる。

同プロジェクトでは、実験要求を入力すると、AIが研究目的の設定、仮説生成、実験計画、結果解析、次の実験決定までを自律的に進める情報基盤を構築することを目指すほか、実験の目的や条件に応じて装置、時間、物品を割り当てる運用基盤や、試料・物品の搬送、補給、復旧までを自動化する物理基盤の開発が進められることとなる。

1台の実験ロボットではなく、研究施設全体をAIとロボットで運用し、がん、免疫、ワクチン、老化、再生医療などの研究要求へ継続的に対応できる「Human-OVER-the-Loop」型の無人研究施設を目指すとするが、黒橋氏によると、かつて2050年ごろの実現を想定していた構想が、AIとロボット技術の進化によって2040年、さらに2030年ごろへと前倒しされつつある取り組みだという。

戦略ターゲット3の採択課題概要。ロボット技術を活用した大規模実験基盤を構築することで、安定した人に依存しない施設運用の実現を目指す

AIに科学の理論を組み込む「Theory-driven AI」

国際・融合型のPOを務める上田氏が重視するのが、「Theory-driven AI for Science」である。

現在の主流であるデータ駆動型AIは、大量の観測データやシミュレーションデータから規則性を学び、予測や推定を行う。しかし、深層学習モデルはブラックボックスになりやすく、出力結果が科学的に正しいことを保証するものではない。

物理法則や支配方程式を学習時の制約として与えるPhysics-informed AIも広がっているが、科学理論は偏微分方程式や保存則だけで成り立っているわけではなく、対称性、不変性、因果構造、境界条件、スケーリング則なども、科学者が現象を理解するために活用してきた重要な知識となる。

Theory-driven AIは、これらの理論を単なる制約条件として与えるだけではなく、AIモデルの構造、表現空間、学習原理そのものへ組み込むことを目指すものだという。データと理論を同時に学ぶことで、少量のデータでも推定できる能力、学習していない条件へ適用する汎化能力、科学的な説明可能性の向上を目指すとする。

日本はAI関連論文数の量的競争では主要国に後れを取る一方、科学・工学の理論と知識をAIへ融合するTheory-driven AI for Scienceにより、質の競争で国際競争力の確立を目指す

上田氏は、日本のAI関連論文数が主要国と比べて少ないことを踏まえ、量の競争ではなく、日本が蓄積してきた科学・工学の理論や知識をAIへ融合する質の競争へ転換すべきだと説明した。

Theory-driven AIは科学理論を制約条件として与えるだけでなく、モデル構造や表現空間、学習原理へ反映し、少量データでの推定、未知条件への汎化、科学的理解の深化を目指す

AIが自ら仮説の正しさを検証

Theory-driven AIの代表例として採択されたのが、「数理物理統合AIの創成」だという。現在の生成AIは、数学や物理に関するもっともらしい仮説を提示できるようになっているが、その仮説が正しいかどうかは、人間の研究者が確認する必要がある。

同プロジェクトでは、数理物理の理論とAIを双方向に融合し、AIが科学的仮説を生成するだけでなく、数理物理に基づいて仮説の正しさを自律的に検証する技術を開発。数学や物理の未解決問題へ挑むとともに、その過程で生まれたAI理論や検証技術を、科学のほかの分野へ展開することを目指すという。

上田氏は、科学理論を作る研究者と、その理論をAIへ実装する研究者が共同で新たな成果を生み出すことが、AIと科学の「共進化」につながると説明する。既存のAI技術を科学へ適用するだけでなく、新たな科学理論を基に新しいAIを作り、そのAIによって新たな科学的発見を生み出す循環を構築しようという考えである。

数学と物理の理論をAIへ組み込み、科学的仮説の生成だけでなく、その正しさをAI自身が検証する数理物理統合AIの研究構想

人間を外すのではなく発見能力を拡張するMOF研究

もう1つ、国際・融合型の採択された中から、多孔性金属錯体(MOF)を対象とする「国際連携AI駆動型MOF-X研究基盤の構築」も紹介が行われた。

MOFは、構造内に多数の微細な空間を持ち、二酸化炭素などの気体の吸着・分離をはじめ、多様な用途への活用が期待される材料だが、同じ材料でも合成条件や実験条件によって性能が変わるため、現在も試行錯誤による探索が多いという。

そこで同プロジェクトは、AIが研究者に代わってすべてを実行するのではなく、人間の発見能力をAIによって拡張することを掲げ、動的科学表現、反実仮想推論、研究者によるフィードバックという3つの技術を組み合わせ、「何を変えると何が変わるのか」という科学的仮説をAIが生成。研究者が仮説や推論過程を評価し、その結果を再びAIへ戻すことで、実験、計算、先端計測、データ、AI、研究者の判断を循環させ、MOF研究から他の材料や研究分野へ展開できる国際的なAI研究基盤を構築することを目指すとしている。

MOF研究では、人間を研究から外すのではなく、AIによる動的科学表現、反実仮想推論、研究者のフィードバックを組み合わせ、人間の発見能力を拡張する

がんの仕組みに基づいて考えるAIは作れるのか

このほか、がん研究をテーマにした「がん空間解析データを起点とした基盤モデルの構築と応用」も採択された。

内視鏡画像などからがんを検出するAIは実用化が進んでいる一方、がんがどのように発生し、周囲の細胞や免疫機構と相互作用しながら進行するのかについては、未解明の部分が多い。

同プロジェクトでは、がん組織、がん細胞や免疫細胞などを細胞の配置や形態、遺伝子発現、細胞間相互作用などを統合することで、俯瞰した状態から各細胞の行動を推測し、その行動からがん組織の状態変化を予測できるようにすることを目指し、がん細胞と周辺環境の関係を時間と空間の両面から解析することで、データの特徴だけを学ぶAIから、がんの仕組みに基づいて考えるAIへと発展させ、がんの機序の発見、予後予測、治療法の探索へつなげる取り組みだとする。

がん組織の形態、遺伝子発現、細胞間相互作用などを統合し、データから学ぶだけでなく、がんの仕組みに基づいて考える基盤モデルの構築を目指す

作られた基盤モデルを日本の研究者全体へ

ARiSEでは、採択された一部の研究チームだけがAI基盤を利用するのではなく、開発した基盤モデル、AIエージェント、評価方法などを日本の研究者全体へ広げることも重視する。

黒橋氏は、研究成果の中には競争力や研究セキュリティの観点から非公開とすべきものもあるとしながら、一般的な研究基盤として利用できる成果は、可能な限り広く展開すべきだと説明。NIIが運営する学術情報ネットワーク「SINET」や研究データ基盤「NII RDC」とも連携し、ARiSEで作られたモデルやデータ、ツールを研究者が利用できる環境を構築することを目指すという。

また、分野内の連携だけでなく、マテリアル、ライフサイエンス、大型研究施設の間で知識やノウハウを共有し、将来的にはほかの科学分野へ展開することも目指す。

AI技術の進化が速いため、採択時の研究計画を固定的に実行するだけでは、研究終了時に技術が陳腐化する可能性もある。POが研究の進捗を確認しながら、研究項目の拡張、国際連携パートナーの追加、共同イベントの開催などを機動的に支援することで、常に最新の取り組みにアップデートしていくことも狙う。

ARiSEでは国際連携パートナーの追加、共同ワークショップの開催、海外イベントへの参加などを通じ、日本のAI for Scienceを世界の研究ネットワークへ接続する

ARiSEではAI研究者と各科学分野の研究者が互いの領域へ越境し、新たなAIモデルやAIエージェントと科学的成果、人材を生み出すことで、3～5年後の科学研究プロセスの革新を目指す

国内計算資源を科学研究へ回す

ARiSEの実行において大きな課題となるのが、AIモデルの学習と推論に必要な計算資源である。

商用のフロンティアモデルをAPI経由で利用するだけでも費用が発生し、モデルを独自に学習・追加学習するには大量のGPUが必要になる。

橋本氏は、国内の大学や研究所の研究費が海外のAI事業者へ流れ続けることへの懸念を示し、国内にある計算資源を計画的に利用することがARiSEの重要な狙いの1つだと説明する。研究チームに応募段階で提出してもらった必要な計算資源量と利用計画を活用して、理化学研究所のAI向けスーパーコンピュータ「理究」をはじめ、大学、公的研究機関、民間企業の計算資源を組み合わせていく予定で、必要に応じて海外の商用計算資源も利用するが、国産モデルや国内計算基盤も活用し、費用、研究セキュリティ、技術の自律性を含めた最適な構成を選ぶとする。

「強いAI」の時代に人間の研究者は何を担うのか

ARiSEが扱うのは、研究作業の効率化だけではなく、その先には人間の研究者が担うべき役割の変化が見えてくる。人間が新しい発想をひらめくときは、何日も考え続けた時であったり、ひたすら考えているときに、ふとリラックスした瞬間であったりという話がある。安定した実験データを大量に取得できる無人研究施設が普及した際、研究者のそうしたひらめきや、失敗から偶然生まれる発見はどうなっているのか。プロジェクトが緒に就いた段階であるため明確な答えはないが、ARiSEの研究サイクルを通じて、人間が担うべき判断や創造性が明らかになる可能性があり、これは科学研究に限らず、AIと人間が共存する社会全体の設計にも示唆を与える可能性があるといえる。

ARiSEが目指すのは、海外のAIを日本の研究者が使えるようにすることだけではなく、むしろ日本が蓄積してきた材料データ、ゲノムデータ、科学理論、実験技術、ロボット技術などをAIと組み合わせることで、科学研究の方法自体を作り直すことである。

AI研究者と専門領域を持つ科学者たちが互いの領域へ越境し、AIが科学を進歩させ、科学から得た理論がAIを進歩させる。この共進化を実現できるかどうかが、日本のAI for Scienceにおける次の一手となるといえるだろう。