研究者ら、科学研究の新たな形式として「エージェントネイティブ・アーティファクト」を提案

IEEE Spectrumは、科学研究における基本的な慣行に異議を唱える、37人の著者による提案を取り上げた。研究者は、人間が読める論文を主要な成果物として扱うのをやめるべきだという。代わりに彼らが求めるのは、AIエージェントのために構築された、機械実行可能な研究パッケージだ。これは人々が科学にアクセスできなくなるべきだという主張ではない。人工知能が現在、従来の論文では収めきれないほど詳細な情報を必要としている、というのが彼らの論点である。

この提案は、2026年4月27日にArXivへ投稿され、5月19日に改訂されたThe Last Human-Written Paperに示されている。著者らは、その代替形式をAgent-Native Research Artifact（ARA）と呼ぶ。この形式は、科学的な主張、実行可能なコード、研究履歴、生の証拠を、一つの構造化パッケージにまとめる。

この構想が生む対立は、挑発的なタイトルが示す以上に鋭い。科学は、機械が検証しやすくなりつつも、人々が疑問を投げかけにくくなってはならない。したがって本質的な争点は、AI読者と人間の読者の対立ではない。機械効率と、研究を理解可能にする物語的、編集的、社会的な機能とのせめぎ合いである。

論文は、選定された機械学習ベンチマークで大幅な改善を報告している。しかし、その結果自体が警告も示している。過去の失敗に関する詳細な記録は、AIエージェントを有用な研究へ導きうる一方で、時代遅れの考え方に縛り付ける可能性もある。

IEEE Spectrumの記事が実際に提示した論点

この提案は、科学における主要な成果物を、説得のための文書から、操作可能なパッケージへと変える。

従来の論文は、研究プロジェクトを線形の論証として提示する。問題を導入し、手法を説明し、結果を報告し、その結果がなぜ重要なのかを論じる。コード、データ、補足ファイル、実験記録は通常、この中心的な物語の外側に置かれる。

ARAは、この階層を逆転させる。構造化パッケージが主要な記録となり、読みやすい論文はその内容から生成される一つの表示形式になる。AIエージェントは個々の主張を調べ、証拠をたどり、コードを実行し、実験を形作った意思決定を追跡できる。

37人の研究者はARAを、相互に接続された4つのレイヤーに整理している。認知レイヤーには、問題、概念、実験、反証可能な主張を記録する。物理レイヤーには、実行可能なコード、構成設定、依存関係、ハードウェア要件、シードを含める。

探索グラフは、分岐、却下されたアプローチ、失敗、方針転換を保持する。証拠レイヤーには、各主張を支える結果、ログ、曲線、その他の出力を収める。相互参照により、ある主張は実験、コード、証拠へと結び付けられる。

この構造は、著者らがStorytelling TaxとEngineering Taxと呼ぶ二つの問題に対応する。Storytelling Taxは、研究者が数カ月にわたる分岐を含む作業を、一つの成功した経路へ圧縮するときに生じる。その圧縮の過程で、失敗した実験や退けられた仮説はしばしば消えてしまう。

Engineering Taxは、説得に十分な情報と、実行に十分な情報の差を表す。査読者は、ある手法がなぜ機能するはずかを理解できても、それを再現するために必要なすべての設定を持っているとは限らない。実験を試みるAIエージェントは、その隔たりを確実に埋められない。

著者らはさらに、三つの支援システムを提案している。Live Research Managerは、AIアシスタントを用いた通常の作業中に意思決定を記録する。ARA Compilerは、既存の論文やリポジトリを新しい構造へ変換する。

続いてARAネイティブの査読プロセスが、構造的完全性、論証の厳密さ、再現性を確認する。人間の査読者は、重要性、新規性、科学的センスに関わる判断を引き続き担う。

IEEE Spectrumの分析がこの提案をニュースに値するものにしているのは、AIを論文要約に使う段階を越えているからだ。研究を読み、再現し、発展させる自律システムを中心に、科学コミュニケーションそのものを再設計すべきかを問うている。

この違いは重要だ。検索ツールは論文を取得対象の文書として扱う。ARAは研究を、エージェントが行動できる環境として扱う。

この提案は、PDFにノートブックやリポジトリを添付するだけの発想よりも踏み込んでいる。その中心的な主張は、物語形式の論文は情報を失うコンパイル結果だというものだ。補足ファイルを増やしても、主張、判断、実装の詳細、生の証拠のつながりが必ずしも回復されるわけではない。

そのためARAは、制度に直接的な要求を突き付ける。大学、学会、ジャーナル、資金提供機関、研究チームは、構造化アーティファクトを第一級の成果物として認める必要がある。その認識がなければ、ARAは代替物ではなく、手の込んだ補足資料にとどまる。

AIエージェントが科学出版社に圧力をかける理由

AIシステムは人間の読者とは異なる形で研究を利用するため、出版社はいま形式の問題に直面している。

人は通常、タイトル、要旨、図、結論から読み始める。関心や専門性に応じて各セクションを行き来する。よく書かれた物語は、なぜ問いが重要なのか、証拠が論証をどう変えるのかを理解する助けになる。

技術的な作業を行うAIエージェントには異なるニーズがある。正確な主張を特定し、依存関係を解決し、構成設定を見つけ、コードを調べ、報告された数値を生の出力へ結び付けなければならない。また、確認済みの結果と、仮説や放棄されたアイデアを区別する必要もある。

PDFにもこうした詳細を含めることはできるが、一貫した形で公開されることは少ない。表は解析しにくい場合がある。数式は抽出時に構造を失うことがある。ある手法が、本文、付録、コード、文書化されていない会話に散在する設定に依存していることもある。

ARAの研究者らは、ICML 2024の23本の論文に関連する、専門家が注釈を付けた8,921件の再現要件を調査した。対応するPDFで完全に指定されていたものは45.4％にとどまったと報告している。コード開発要件では、十分な情報が提供されていた割合は37.3％だった。

特定された情報欠落のうち26.2％は、欠落したハイパーパラメーターによるものだった。これらの数値は、ARAに対する独立監査ではなく、提案著者ら自身の分析によるものだ。それでも、よく知られた再現性の問題を、異例なほど具体的に描き出している。

基礎となるベンチマークは、AIエージェントが機械学習研究を再現できるかを評価するPaperBenchである。再現には、論文についての質問に答える以上のことが求められる。エージェントは実験を再構築し、専門家の採点者が評価できる出力を生成しなければならない。

圧力を受けているのは出版社だけではない。研究者は、プロジェクトが進行中の段階で、より多くの構造化情報を記録する必要がある。研究室は、機密情報を開示せずに内部の意思決定を保存するための方針を必要とする。

会議の査読者には、数千のファイルやイベントを含みうるアーティファクトを閲覧するためのツールが必要になる。アーキビストには、環境、依存関係、来歴、アクセス権限について安定した標準が必要となる。研究機関もまた、どのような機械の行為を有効な検証とみなすか決めなければならない。

論文が執筆負荷への回答として示すのは自動化である。Live Research Managerは、人間とエージェントの作業を観察し、意思決定を構造化された記録へ変換する。このアプローチは、AIアシスタントがプロジェクト全体を通じて参加することを前提としている。

この前提は、一部のコンピューターサイエンス研究室には適している。だが、ウェットラボの生物学、臨床研究、フィールド調査、質的研究には、より自然には当てはまらない。そうした領域の証拠の多くは、物理的な観察、インタビュー、計測機器、試料、アクセスが制限された記録から始まる。

著者らは、評価対象が機械学習に限られることを認めている。計算環境の外で行われる実験については、物理レイヤーと探索レイヤーに大幅な適応が必要になる可能性があるとしている。この制約は、当面の主張の範囲をかなり限定する。

科学出版は、コードを実行しない読者にも役立っている。政策立案者、ジャーナリスト、学生、学際的な研究者、影響を受けるコミュニティが必要とするのは、リポジトリをたどることではなく説明だ。エージェントだけに最適化された形式では、こうした読者に応えられない。

したがって、この提案のより強い形は二重出版である。構造化された研究オブジェクトには実行可能な詳細を保持させ、人間向けの物語には目的、不確実性、意味合いを説明させる。論文自体も、物語をコンパイルされた表示形式と呼ぶことで、実質的にこのアプローチを支持している。

IEEE Spectrumは現実の圧力点を明らかにしているが、実際的な対応は散文を放棄することを求めない。必要なのは、PDFがプロジェクトの唯一の権威ある表現である状態を終わらせることだ。

IEEE Spectrumが示す中核的な対立は、知識と物語の間にある

機械可読な構造はより多くの研究詳細を保存できるが、詳細だけで科学的理解が生まれるわけではない。

著者らは設計原則を「Knowledge over Narrative」と要約している。この言葉は、提案の最も鋭い洞察と、その中心的な弱点を同時に示している。研究知識は、論証の組み立て方から常に切り離せるわけではない。

物語は失敗を隠し、不確実性を滑らかに見せることがある。しかし、なぜある問題に注目すべきなのか、どの前提が倫理的な重みを持つのか、どこで証拠がなお曖昧なのかを説明することもできる。こうした機能を、主張、依存関係、実行可能なタスクへ還元するのは難しい。

科学論文が説得力を持つのは、科学には判断が必要だからである。読者は、問いが重要か、比較が公正か、説明が証拠に合っているかを評価する。機械検証可能なパッケージは、こうした判断を自動化することなく支援できる。

それでもARAの4層構造には、明確な利点がある。主張と証拠のリンクは、根拠のない結論を露わにしうる。構成設定の記録は、再現の試行に費やされる無駄を減らせる。探索履歴は、複数のチームが同じ失敗したアプローチを繰り返すのを防ぎうる。

提案されたPAPER.mdのエントリーポイントも、段階的な情報開示を支える。エージェントはまず簡潔な概要を読み、その後、特定の問いに必要なファイルだけを読み込める。この設計は、より深い資料を保存しながら、コンテキスト使用量の管理に役立つ。

このアプローチは、研究オブジェクトを見つけやすく再利用しやすくする従来の取り組みを拡張する。FAIR原則は、データが発見可能、アクセス可能、相互運用可能、再利用可能であるべきだと定めた。ほかのシステムでは、ワークフロー、来歴、ノートブック、原子的な主張をパッケージ化している。

ARAは、それらすべての側面を実行と意思決定の履歴によって結び付けようとする。その新規性は、個々のファイル形式そのものより、それらの間の結び付きにある。ある主張は、実験、コードパス、出力、そしてそれ以前の意思決定の連鎖を指し示せる。

研究者が忠実に維持すれば、この構造は科学研究の監査を容易にするだろう。また、選択的な報告をより見えやすくする可能性もある。査読者は、報告された手法が成功するまでに、どれだけのアプローチが失敗したかを調べられる。

しかし、網羅的な記録は新たな解釈上の問題も招く。失敗した実験は、悪い仮説ではなく、欠陥のある実装を反映しているかもしれない。あるエージェントは、特定の環境でしか当てはまらなかった過去の失敗を、普遍的な制約として扱う可能性がある。

論文自体の拡張テストは、そのリスクを示している。ARAを備えたエージェントは、五つのRE-Benchタスクで有用な最初の一手をより早く見つけた。彼らは、論文ベースのエージェントが再発見しなければならなかった失敗の痕跡とヒューリスティックにアクセスできた。

より高性能なモデルを使った二つのタスクでは、初期の優位性が最終的に最良の結果にはつながらなかった。論文ベースのエージェントは、文書化された手順を超えて探索を続けた。ARAエージェントは、アーティファクトに記録された戦略にとどまった。

この結果は、最も単純な売り文句を弱める。より構造化されたコンテキストが、常により優れたオープンエンドな研究を生むとは限らなかった。場合によっては、知らないことがより広い探索空間を維持した。

重要なトレードオフは、記憶と探索の間にある。科学システムには、無用な繰り返しを避けるための十分な記憶が必要だ。同時に、継承された結論が見えない境界へと変わるのを防ぐ仕組みも必要となる。

人間の研究者はすでにこの問題に直面している。文献レビューは過去の研究を基盤にする助けとなるが、受け入れられた枠組みが別の問いを立てる意欲を削ぐこともある。機械エージェントは明示的な構造に一貫して従うため、その影響を増幅しかねない。

ARAは、失敗した分岐に来歴、日付、モデル能力、適用範囲の条件を付加することで、このリスクに対処できる。ハードウェア、データ、手法が変化した場合、エージェントは古い結果の重みを下げられる。また、記録されたグラフの外側で意図的な探索予算を与えることもできる。

こうした保護策は、実装上の些細な詳細ではない。エージェントネイティブなアーティファクトが地図になるのか、檻になるのかを左右する。地図は既知の地形を示しつつ、その境界の外に余地を残す。

最善の結果は、両方の表現を維持することだろう。人間には、説明責任を伴う著者性を備えた明確な物語を提供する。エージェントには、散文では効率的に保持できない運用上の詳細を含む、検証可能な研究オブジェクトを提供する。

ベンチマーク上の改善は重要だが、まだ決定打ではない

報告された結果は追加検証を正当化するものであり、科学論文を全面的に置き換える根拠にはならない。

著者らは、理解、再現、拡張、自動レビューを評価している。最も直接的な比較では、エージェントにARAパッケージ、または関連コードを伴う従来型の論文を与える。その後のテストで、各表現が研究タスクをどれほど支援するかを測定する。

PaperBenchとRE-Benchにまたがる質問応答では、論文は正答率が72.4％から93.7％へ上昇したと報告している。これは450問にわたる21.3ポイントの差である。この結果は、構造化アーティファクトがエージェントによる正確な技術情報の発見を助けることを示唆する。

再現では、報告された成功率は57.4％から64.4％へ上昇している。評価対象は、15本のPaperBench論文から抽出した150のサブタスクだ。7ポイントの改善は有用だが、それでも3分の1超のタスクは成功していない。

拡張の結果はより複雑である。ARAは、五つのオープンエンドなタスクのうち三つで最高スコアを達成し、五つすべてで有効な初期方向をより早く見つけた。しかし、過去の失敗記録が、より強力なエージェントを制約する場合もあった。

これらはプレプリントにおける著者らの結果である。この研究はArXivへの投稿時点で、従来型のジャーナル査読を通過していなかった。独立チームはなお、比較を再現し、アーティファクト構築プロセスがARA条件に有利に働いていなかったかを検証する必要がある。

論文はいくつかの重要な限界を開示している。選定された論文とARA形式に精通した評価者が、人手で注釈付けされたベンチマークの構築を支援した。未知のテーマ、特殊な方法論、あるいはキュレーションの度合いが低いアーティファクトでは、性能が異なる可能性がある。

コンパイラも、元の論文に存在しない情報を回復することはできない。著者が実験設定を省略していれば、抽出システムがそれを信頼できる形で再構築することはできない。したがって、変換された既存論文はソース文書の欠落の多くを引き継ぐ。

ライブキャプチャはより多くの情報を保存できるが、別の依存関係を生む。このシステムは、研究上の意思決定がAI仲介のワークフローを通過することを前提としている。そのワークフロー外での会話、手作業の実験、私的メッセージ、記録されない判断は、欠落したままになり得る。

セキュリティは、より大きな未解決の問題である。論文によれば、サンドボックス化された実行、コンテンツレベルの異常検出、きめ細かなアクセス制御を含む本番環境の要件は、まだ実装されていない。エージェントが未知の研究パッケージを実行する前に、こうした制御は必要である。

悪意あるアーティファクトには、危険なコードや誤解を招く指示が含まれる可能性がある。侵害された依存関係は結果を改変し得る。機密性の高いトレースは、未発表のアイデア、個人情報、セキュリティ上の発見、または機密データセットを露出させるおそれがある。

プライバシーも包括的なキャプチャと衝突する。却下されたすべてのアイデアと会話を保存することは、機械にとって価値があるように聞こえる。だが、各推測的なコメントが永続的なアーティファクトの一部になるなら、研究者は自由に発言しにくくなるかもしれない。

選択的アクセスはその懸念を軽減できるが、制限された証拠は検証上の複雑さを生む。レビュー担当者は、何が、なぜ非公開にされたのかを知る必要がある。機関はまた、生成された要約や派生出力を通じて非公開資料が漏洩するのを防がなければならない。

自動レビューは別の不確実性をもたらす。提案されたARA Sealは、構造、厳密性、実行を段階的に検査する。しかし、構造的な完全性は、主張が科学的に重要であることや、概念的に妥当であることを保証しない。

大規模言語モデルも一貫しない判断を下し得る。論文は、モデルベースの厳密性監査器に関する病理的事例として、検出された問題と付与されたスコアの不一致を報告している。提案されたアーキテクチャ内であっても、人間によるレビューは依然として必要である。

これらの限界は改善効果を打ち消すものではない。計算分野では、並行するアーティファクトから導入を始めるべき理由を示している。会議は、可読な人間向け論文と通常の査読を維持しながら、ARAパッケージの提出を求めることができる。

その後、チームは執筆負担、レビュー担当者の時間、再現率、セキュリティインシデント、アーティファクトの再利用を比較できる。こうした測定は、ベンチマーク性能だけを根拠に論文を置き換えるよりも、強い証拠を提供するだろう。

この提案は、インフラストラクチャ研究として理解するのが最も適切だ。検証可能な形式と、それを支えるツールを提示している。科学コミュニケーションの普遍的な到達点を確立したわけではない。

エージェントネイティブ研究が機能するかを示す三つのシグナル

次の段階は、刺激的な見出しではなく、導入、独立した再現、運用上の安全性によって判断されるべきだ。

第一のシグナルは、会議、ジャーナル、あるいは主要な研究所による導入である。信頼できるパイロットでは、定義された範囲の計算系投稿に対して構造化アーティファクトを求める必要がある。また、アーカイブ規則とレビュー担当者の責務も定めなければならない。

任意のGitHubアップロードは有用だが、制度的な受容を検証するものではない。研究者は、出版要件、引用慣行、資金ルール、昇進のインセンティブに反応する。形式がインフラになるのは、こうした制度がそれを認める場合に限られる。

第二のシグナルは、独立した再現である。外部チームは、未見の論文、異なるエージェント、複数のモデルファミリーを用いて、報告されたARA比較を再構築すべきだ。また、各アーティファクトの作成と維持にかかるコストを開示すべきである。

有用な研究は、三つの効果を分離するだろう。一つは、より良いフォーマットによる効果である。もう一つは、論文では利用できない情報を追加することによる効果である。三つ目は、評価者がアーティファクトの構築方法を知っていることによる効果だ。

この分離は重要である。詳細な研究パッケージであれば、どのようなものでも短いPDFを上回る可能性がある。より難しい問いは、ARA固有のオントロジーが、プロジェクトや機関をまたいで持続的な便益をもたらすかどうかだ。独立したテストなら、その差を明らかにできる。

第三のシグナルは、信頼できるセキュリティおよびガバナンスモデルである。エージェントが共有アーティファクトを実行する前に、エコシステムにはサンドボックス化、依存関係の制御、来歴確認、権限管理、永続的な監査ログが必要となる。これらの保護策は組織をまたいで機能しなければならない。

ガバナンスは著者性も定義しなければならない。エージェントが意思決定を記録し、主張を修正し、実験を実行し、要約を生成するなら、読者はどの貢献が人間によるものかを知る必要がある。帰属は、作業完了後に生成される不透明な項目になってはならない。

公開されているARA repositoryは、実験のためのコードと例を提供している。この公開性は、独立研究者が提案されたスキーマを検査する助けとなり得る。また、潜在的な採用者に、純粋に理論的な標準ではなく、テスト可能な具体物を提供する。

短期的な導入は、おそらく不均一になる。機械学習と計算システムは、実験がすでにコード、構成、ログ、測定可能な出力を伴うため、最も明確に適合する。他の分野では、異なる物理的・倫理的な制御が必要になる。

研究者は、IEEE Spectrumの問いを、人間ではなく機械のために書けという命令として解釈すべきではない。むしろ、一つの文書にあらゆる読者の役割を担わせることをやめよという要求として捉えるべきだ。

論文は人間向けのインターフェースであり続けられる。エージェントネイティブなパッケージは、運用上の記録になり得る。それぞれの形式がどの科学的機能を適切に果たすかを証拠が示すまで、どちらも黙ってもう一方を置き換えるべきではない。

この分担は、ナレッジワーカーにとって実用的なワークフローも提供する。チームは構造化されたソース資料を保持しながら、同僚向けに読みやすい説明を作成できる。検索可能なナレッジベースも、証拠を保持しつつ検索を容易にするという同じ大まかな原則に従っている。

難しいのは、ファイルを増やすことではない。主張、意思決定、コード、証拠の間にある信頼できるつながりを維持することだ。こうしたつながりは、ソフトウェアの変更、人員の入れ替わり、解釈をめぐる不一致を乗り越えなければならない。

IEEE Spectrumは、意図的に劇的な見出しの下にある真剣な提案を取り上げた。科学出版の未来は、人間が書いた最後の論文になる可能性は低い。むしろ、二種類の読者のために誠実に設計された最初の研究記録になる可能性が高い。

研究者はARAを採用する前に、具体的な問いを投げかけるべきだ。このパッケージは、人間の理解を損なわずに、研究をより検証しやすくするだろうか。独立した再現、制度的パイロット、安全な実行が「はい」と答えるなら、エージェントネイティブなアーティファクトは論文の隣に正式な位置を得るに値する。それまでは、科学者はこの形式を実験し、読みやすい物語を残し、機械効率を科学コミュニケーションの唯一の尺度として扱うことに抵抗すべきである。