Sakana AIは、既製のコーディングエージェントを組み合わせて課題設定から論文執筆までを進める足場「The Agentic Scientist」をオープンソースで公開した。これを使った誤差拡散学習法（ED法）の研究が、ALIFE 2026の口頭発表に採択された。人間が問いと検証条件を決めて結果を確認する「Co-Discovery（共同発見）」を提案している。
AIサイエンティストの第3フェーズ：人間と共同発見する「The Agentic Scientist」
ブログ（英語）：https://pub.sakana.ai/agentic-scientist/
GitHub：https://github.com/SakanaAI/AI-Scientist-v3
論文：https://arxiv.org/abs/2610.18933
Sakana AIは2024年から、その時点での生成AIの能力を測る試みとして、AIだけでどこまで研究を進められるか を探求してきました。The AI Scientist（2024年8月）、v2（2025年3月）、そしてNature掲載（2026年3月）と、成果を報告してきました。今回、第3フェーズとなる「The Agentic Scientist」を公開しました。
近年、CodexやClaude Codeなどのコーディングエージェントは、長時間の開発作業を自力でこなせるようになりました。一方で、研究に必要な手順を踏まずにエージェントに任せると、スコアを少しずつ上げるだけの探索になりやすく、なぜ改善したのかが説明されないまま終わりがちです。
The Agentic Scientistは、既製のコーディングエージェントを複数組み合わせ、課題設定・仮説探索・実験・検証・論文執筆までを進めるための足場（scaffold）です。結果が満たすべき条件を実験前に定め、論文中の主張を一つずつ実験データに対応づけることで、人間がどこを確かめればよいかを明確にします。
当社の研究者がこのシステムを使って行った誤差拡散学習法（ED法）の研究は、国際会議 ALIFE 2026 の口頭発表に採択されました。この研究では、The Agentic Scientistが仮説の提案・実験・論文の取りまとめを担い、人間の研究者が問いと検証の条件を決め、途中の方向づけを行い、結果を確認し、著者として責任を負いました。そのほか、Doc-to-LoRAなど既存研究を発展させる形でも成果が得られています。
私たちは、高度なエージェントを駆使しながら人間とともに発見を目指すCo-Discovery（共同発見）を、これからの科学研究のあり方の一つとして提案します。
The Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery Blog: https://pub.sakana.ai/agentic-scientist/ GitHub: https://github.com/SakanaAI/AI-Scientist-v3 arXiv: https://arxiv.org/abs/2610.18933 Since 2024, we’ve used The AI Scientist as a way to test how far AI alone can take scientific research, from v1 to v2 to the paper published in Nature earlier this year. The Agentic Scientist is the next step in that line of work, built for the era of coding agents. Coding agents such as Codex and Claude Code now carry out long software tasks on their own. Handing them a research problem, however, tends to produce a strong hyperparameter optimizer rather than a scientist: scores go up, but ideas stay narrow, and the reasons for the gain are rarely examined. The Agentic Scientist makes the research loop explicit. It wraps off-the-shelf coding agents in a scaffold that controls what they see, what they write, how they are evaluated, and how results are handed to the next stage. Parallel workers test hypotheses against rubrics defined before any experiment runs, share successes and failures through a common memory, and then ablate the winning program to generate evidence. We used an early version of the system to study Error Diffusion, a biologically motivated alternative to backpropagation. Our researchers set the question and the rubric, chose directions at each stage, and verified the results, references, and claims before submission. The resulting paper was accepted as an oral presentation at ALIFE 2026. In autonomous runs, the system also raised Doc-to-LoRA retrieval accuracy from 52% to 98% on multi-needle tasks and designed a learned evolution strategy that improves over its CMA-ES reference on unseen tasks. Alongside it we release AutoIllustrate, a pipeline for scientific figures that keeps an editable http://draw.io file as the source of truth, so every diagram can be corrected by hand. Humans define the question and the standards of evidence; agents expand the experiments researchers can run. We call this Co-Discovery, and we are releasing both systems as open source for the community to build on.引用元の投稿をXで見る
出典: Sakana AI · x.com