科学的手法へのAI統合は、単なる自動化を超え、新たな知見の創出へと進化を遂げた。大規模言語モデル（LLM）や特化型エージェントは、理論物理学や数学における複雑な課題を解決する能力を示している。実際、専門家との対話的な推論プロセスを通じて、これまで解明されていなかったブラックホール方程式の対称性や数学的証明が導き出された。

バイオサイエンス分野では、Google DeepMindの共同創設者であるデミス・ハサビス(Demis Hassabis)氏らが主導したAlphaFoldが、タンパク質構造の理解に革命をもたらした。理論にとどまらず、AIは実用的な創薬をも牽引している。Insilico Medicineなどの企業は、AIを活用して標的タンパク質の特定と分子設計を行い、AIのみで発見された初の薬剤「rentosertib」をヒト臨床試験へと送り出した。これらのシステムは、予測AIとナレッジグラフを組み合わせることで高い精度を維持している。

さらに、自律型システム「AutoRA」の開発は、AIが研究ライフサイクルを独自に管理する未来を示唆している。これらのエージェント型システムは、最小限の監視で仮説の策定から実験設計、結果の分析までを一貫して行う。こうしたツールの進化に伴い、科学界にはAIによる発見のスケールメリットを最大限に活用しつつ、低品質なAI生成研究を防ぐための厳格な基準維持が求められている。

最近のAI（人工知能）は、ただ命令されたことをやるだけでなく、科学者がびっくりするような「新しい発見」をするパートナーになっています。最新のとてもかしこいAI（大規模言語モデルやエージェント）を使うことで、宇宙の仕組みを解き明かす物理学や、とても複雑な算数の世界で、人間だけではどうしても解けなかった問題を次々と解決できるようになりました。科学者とAIが何度も話し合うように考えることで、宇宙にある「ブラックホール」の新しい決まり（対称性）を見つけることにも成功しています。

生き物の体の仕組みを調べる分野でも、AIは大活躍しています。人間の体をつくる大切な部品（タンパク質の構造）を瞬時に見分けるAIが登場し、今まで何年もかかっていた研究がとても速くなりました。ある会社では、AIを使って病気の原因を見つけ、それを治すための新しい薬（レントセルチブ）を設計しました。これは「AIがゼロから考え出した薬」として、初めて実際に人間に使って効果を確かめるテスト（治験）が行われることになりました。AIは、たくさんの正しい知識を網羅した地図（ナレッジグラフ）を使うことで、間違いのないように薬の形を考えています。

さらに、将来は「オート・アールエー（AutoRA）」という、AIが自分だけで研究を進めるシステムも期待されています。このAIは、自分で「こうなるんじゃないかな？」という予想（仮説）を立てて、実験のやり方を考え、その結果を自分で分析することができます。人間がつきっきりで見ていなくても、AIが自動で研究を進めてくれるのです。ただ、AIが適当な研究結果を出さないように、私たちはAIが出した答えが本当に正しいのか、しっかりとチェックする力を持ち続けなければなりません。