AI Scientist-v2は、Sakana AIがブリティッシュコロンビア大学（UBC）、オックスフォード大学などの研究者と開発した自律型の研究システムです。研究テーマを渡すと、仮説の立案、実験コードの作成と実行、図表の作成、論文の執筆までを人の手を介さずに進めます。2025年4月に公開され、ICLR 2025のワークショップに投稿した3本のうち1本が採択水準の点数を得ました。2026年10月には後継の「The Agentic Scientist」が、GitHubのリポジトリ名「AI-Scientist-v3」で公開されています。この記事では、論文とGitHubの一次情報をもとに、v2の仕組みと査読通過の実像、動かし方と費用、v3で何が変わったか、どちらを使うべきかを整理します。
まとめ：AI Scientist-v2と後継v3の要点
- v2はv1が前提にしていたコードテンプレートをなくし、実験マネージャーが4段階の木探索で実験を進めます。公式READMEは「v1より成功率が低い」とも明記しています。
- ICLR 2025のワークショップでは投稿3本のうち1本が6・7・6点を得ました。ただしテーマの指定と投稿稿の選定は人間が行い、採択された論文にも訓練データとテストデータの約57%の重複が見つかっています。
- v2を動かすにはLinuxとNVIDIA GPUが必要で、1回の実験に約15〜20ドル＋執筆約5ドルかかります（README公開時の目安）。既定の実験モデルはBedrockで退役が進んでおり、設定の変更が前提です。
- 後継のThe Agentic Scientist（v3）はClaude CodeやCodexなどを並列に動かし、独自の制御層で探索と成果の選択を管理します。人が関与する「共同研究」の形で、ALIFE 2026の本会議に論文が採択されました。
- 新しく始めるならv3が基本です。v2はGPU上の小さな機械学習実験を完全自動で量産したい場合に限られ、どちらも出力を人がコードまで検証する前提で使います。
AI Scientist-v2の位置づけと開発体制
v2の論文（arXiv 2504.08066）は2025年4月10日に公開されました。副題は「エージェント型木探索によるワークショップ水準の自動科学発見」です。著者はSakana AIのYutaro Yamada、Robert Tjarko Lange、Cong Lu、David Ha、UBCにも所属するShengran Huに、UBCのJeff Clune、オックスフォード大学のChris Lu・Jakob Foersterを加えた8名です。コードはGitHubのSakanaAI/AI-Scientist-v2で公開され、2026年11月時点のスター数は約7,470、最終更新は2025年12月19日です。
前身のAI Scientist（v1）は2024年8月の公開です。2026年3月26日には、v1とv2を通じた研究の総括「Towards end-to-end automation of AI research」がNature（651巻）に掲載されました。これは新しい版ではなく総括論文です。Sakana AIは2026年6月5日にRSI Lab（再帰的自己改善の研究組織）の設立を発表し、9月にはJürgen Schmidhuber氏がChief Scientific Advisorとして加わりました。AI ScientistはこのLabの研究の系譜の中に位置づけられています。
v1・v2・v3の違い
v3の論文は、3世代を次の観点で比べています（同論文Table 1をもとに作成）。
| 項目 | v1 | v2 | v3（Agentic Scientist） |
|---|---|---|---|
| 公開 | 2024年8月 | 2025年4月 | 2026年10月 |
| 出発点 | 人が書いたテンプレート | テーマのMarkdown | タスク記述と評価関数 |
| 実験の進め方 | 逐次（Aider） | 木探索（AIDE） | ビーム探索（CLIエージェント） |
| 並列実験 | なし | あり | あり |
| ルーブリックによる自己検証 | なし | なし | あり |
| 査読の成果 | 投稿なし | ワークショップで採択水準 | 共同研究で本会議に採択 |
| ライセンス | 独自（AI利用の明示義務） | 独自（同左） | Apache 2.0 |
v2はv1の上位互換ではありません。READMEは「強い出発点のテンプレートがある場合、v2が必ずしもv1より良い論文を書くわけではない」と述べています。一方v3は、v1・v2で明らかになった「アイデアが未熟」「実装に誤りが混じる」という弱点への対策として設計されました。
エージェント型木探索の仕組み
v2の中核は、実験コードの候補を木のノードとして並列に育てる「エージェント型木探索」です。実装は、データサイエンス用エージェントAIDEの木探索部分を土台にしています。
4段階のステージと各段の試行回数
実験マネージャーは研究を4つのステージに分け、各ステージの最良ノードを次のステージの根にします。公開リポジトリの設定ファイル bfts_config.yaml の既定値は次のとおりです。
| ステージ | 目的 | 最大ノード数 |
|---|---|---|
| 1. 予備調査 | 最小構成で動く実装を得る | 20 |
| 2. ハイパーパラメータ調整 | 学習率やエポック数の調整 | 12 |
| 3. 研究計画の実行 | 仮説の本検証 | 12 |
| 4. アブレーション | 各要素の寄与を測る | 18 |
ステージ1で20ノード以内に動く実装が見つからなければ、その実行は打ち切られます。テーマが複雑すぎると最初の段で止まるため、READMEは試行回数を増やすかアイデアを単純にするよう案内しています。
ノードの種類とデバッグの分岐
既定では4つのワーカーが並列にノードを広げ、ステージ1では独立した根を3本（num_drafts: 3）作ります。実行に失敗したノードは50%の確率（debug_prob: 0.5）でデバッグ対象に選ばれ、最大3回（max_debug_depth: 3）まで修正を試みます。1回のコード実行の上限は3,600秒です。最良の実験は乱数シードを変えて再実行され、集約ノードが複数シードの平均とばらつきを1枚の図にまとめます。
VLMによる図表レビューと執筆
図表は視覚言語モデル（既定はGPT-4o）に読ませ、凡例の欠落や軸ラベルの不備、キャプションと図の食い違いを指摘させて直します。執筆段階では、コンパイルしたPDFのページ数と投稿規定の上限（ICBINBでは4ページ）をモデルに渡し、規定内に収まるよう推敲させます。READMEによると、執筆段階は20〜30分ほどです。
ICLR 2025ワークショップ査読通過の実像
開発チームは「完全にAIが生成した論文が初めてワークショップの査読を通過した」と報告していますが、条件を知らないと過大に受け取りやすい成果です。経緯はv2の論文の第4章と第5章に書かれています。
投稿3本・採択水準1本と取り下げの経緯
投稿先は、否定的な結果や予想外の発見を扱うICLR 2025のワークショップ「I Can’t Believe It’s Not Better（ICBINB）」です。AI生成の3本は全43本の投稿に混ぜられ、査読者には「AI生成の投稿が含まれる可能性がある」とだけ伝えられ、辞退する選択肢も与えられました。
採択水準に達したのは「Compositional Regularization: Unexpected Obstacles in Enhancing Neural Network Generalization」の1本で、点数は6・7・6（10点満点・平均6.33）でした。LSTMの埋め込みに時間的な一貫性の正則化をかけても、合成的な汎化は改善しなかったという否定的結果の論文です。残る2本は3・7・4点と3・3・3点でした。採択水準の1本は事前の取り決めどおり査読後に取り下げられたため、メタレビューは行われていません。開発チーム自身も、最終判定では不採択になった可能性を認めています。著者は一般的な目安として、ワークショップの採択率を60〜80%、主要な機械学習会議の本会議を20〜30%と述べています。これはICBINB 2025の実測採択率ではありません。
人間が関与した範囲
1回の実行の中では、仮説の精緻化からコード、図、本文まで人は手を入れていません。一方で、実行の外側では人が3回選んでいます。
- ワークショップのテーマを入力として与えた
- AIが出した約20案と、応用分野に寄せて出し直した約20案から3案を選んだ
- 各案を乱数シードを変えて複数回実行し、最良の原稿を選んで投稿した
何回実行すれば1本が査読を通るかという成功率は測っていない、と著者は明記しています。「渡せば毎回通る論文が出てくる」とは読めません。
開発チーム自身が見つけた採択論文の欠陥
開発チームは3本すべてを内部で精査し、「どれもトップ会議の本会議水準には達していない」と結論づけています。査読を通った1本についても、次の問題を論文に書いています。
- データ生成処理を10回検証したところ、テストデータの平均約57%が訓練データと重複していた
- 図3のキャプションが検証損失を誤って解釈し、図5の結果と本文の主張が食い違っていた
- LSTMの原論文（Hochreiter and Schmidhuber, 1997）を引かず、教科書の引用で済ませていた
ワークショップの査読者はデータの重複や図の誤りに触れていません。AIが書いた論文は、査読を通ったかどうかではなく、データ分割とコードまでさかのぼって検証しない限り信用できない、というのがこの実験から引き出せる教訓です。
第三者評価とNature論文が示した到達点
Beelらの論文（arXiv 2502.14297）はv1を検証し、推薦システム研究の評価で12案中5案（約42%）がコーディングエラーで失敗したこと、生成論文の引用数は中央値5件だったことを報告しました。一方で、1本あたり6〜15ドル、人の作業約3.5時間（初期セットアップを除く）という費用と速度は評価しています。
Natureの総括論文では、論文を自動で採点する「Automated Reviewer」が、OpenReviewのICLR採否データに対し、学習データに含まれる可能性のある2017〜2024年分でバランス精度69%、学習期限後の2025年分で66%を示しました。基盤モデルの性能が上がるほど生成論文の評価も上がる関係（スケーリング則）も報告しています。限界としては、未熟なアイデア、方法論の厳密さの不足、誤った引用が挙げられています。
AI Scientist-v2の動かし方
READMEの手順は「アイデア生成」と「実験から論文まで」の2段です。LLMが書いたコードをそのまま実行するため、READMEはDockerなどのサンドボックス内での実行を求めています。
動作環境とAPIキー
対象はLinuxとNVIDIA GPU（CUDA）です。リポジトリを取得し、そのルートで次のREADME掲載手順を実行します。
conda create -n ai_scientist python=3.11
conda activate ai_scientist
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia
conda install anaconda::poppler
conda install conda-forge::chktex
pip install -r requirements.txt認証は環境変数で渡します。OpenAIは OPENAI_API_KEY、Geminiは GEMINI_API_KEY、Amazon Bedrock経由のClaudeは AWS_ACCESS_KEY_ID・AWS_SECRET_ACCESS_KEY・AWS_REGION_NAME です。文献検索用のSemantic Scholarの S2_API_KEY は任意ですが、ないとレート制限で新規性チェックが弱くなります。
アイデア生成から論文PDFまでの手順
Title・Keywords・TL;DR・Abstractの節を持つMarkdownで研究テーマを書き、アイデア生成スクリプトに渡します。
python ai_scientist/perform_ideation_temp_free.py \
--workshop-file "ai_scientist/ideas/my_research_topic.md" \
--model gpt-4o-2024-05-13 \
--max-num-generations 20 \
--num-reflections 5同じ名前のJSONにアイデアの一覧が出力されるので、それを本体に渡します。次の例の --load_code はコード片で実験を初期化する指定です。コード片を使わずに始める場合は、この引数を外します。
python launch_scientist_bfts.py \
--load_ideas "ai_scientist/ideas/my_research_topic.json" \
--load_code \
--add_dataset_ref \
--model_writeup o1-preview-2024-09-12 \
--model_citation gpt-4o-2024-11-20 \
--model_review gpt-4o-2024-11-20 \
--model_agg_plots o3-mini-2025-01-31 \
--num_cite_rounds 20途中経過は experiments/<日時_アイデア名>/logs/0-run/unified_tree_viz.html で木構造として確認でき、論文PDFは experiments/<日時_アイデア名>/ に出力されます。
費用・既定モデル・ライセンス上の義務
READMEの目安では、アイデア生成は数ドル、実験段階はClaude 3.5 Sonnet使用時に1回約15〜20ドル、執筆段階が約5ドルです。設定ファイルの既定の実験モデルはBedrock経由のClaude 3.5 Sonnet v2（anthropic.claude-3-5-sonnet-20241022-v2:0）ですが、AWSのモデルライフサイクル資料では、ソウル・ムンバイ・シンガポールの3リージョンでLegacy扱い、EOL日は2026年11月13日とされ、リージョン別の提供表では米国リージョンなどのクロスリージョン推論が2026年7月30日にEOLとなっています。Anthropic APIでは2025年10月28日に退役しています。リポジトリは2025年12月以降更新されておらず、コマンド例のo1-previewなども公開当時の世代です。bfts_config.yaml とコマンド引数のモデルIDを差し替える必要があり、モデル名で処理を分岐する実装のため、呼び出しコードの修正まで要る場合があります。
ライセンスはResponsible AI Licenseから派生した「The AI Scientist Source Code License」で、このコードで作った論文にはAIを使ったことを目立つ形で明示する義務があります。
後継「The Agentic Scientist」（AI-Scientist-v3）の仕組み
2026年10月13日に論文（arXiv 2610.18933）が投稿され、15日にGitHubのSakanaAI/AI-Scientist-v3でコードが公開されました。著者はRobert Tjarko Lange、Luca Grillotti、Yutaro Yamada、Rujikorn Charakorn、David Haの5名です。Sakana AIの公式解説ページは、これを「次世代のAI Scientist」と位置づけています。
コーディングエージェントを束ねる6フェーズ
v2との最大の違いは、実装と実験の実行を市販のコーディングエージェントに任せる点です。対応するのはclaude・codex・cursor・opencode・gemini・piの6種類のCLIで、メタコントローラーが複数のエージェントを並列に動かし、共有メモリで成功と失敗の知見を受け渡します。研究は次の6フェーズで進みます。
- タスク作成：
task.mdから評価関数とルーブリック（達成すべき条件の一覧）を作る - 調査：仮説→実装→評価のループを並列のワーカーで回す
- アブレーション：勝ち残ったプログラムとベースライン・要素を外した版を比べる
- 最終評価：隔離した環境で採点し直す
- 事後分析：ログと成果物から追加の根拠を集める
- 論文執筆：主張と根拠の対応表を作り、裏付けのない数値や誇張を監査する
各段の成果物が「ルーブリックを満たしたか」で検証される点が、v2にはなかった仕組みです。
ALIFE 2026に採択された共同研究論文と人の関与
v3の開発版を使った論文「Diffusing Blame: Task-Dependent Credit Assignment in Biologically Plausible Dual-Stream Networks」が、ALIFE 2026の本会議で口頭発表に採択されました。題材は、金子勇氏が2000年に公開した誤差拡散学習法（Error Diffusion）を、二値分類から多クラス分類や強化学習へ広げる研究です。
v2との違いは人の関与を前提にしている点です。研究の方向、ベースライン、最初のルーブリックは人が決め、投稿前には実装・結果・引用をすべて人が検証しました。論文の差分集計では、生成稿から投稿稿までに664語（17.5%）が追加、405語（10.7%）が削除されています。「ED-PPOはBP-PPOを有意に上回る」という生成文が「同等の性能」に直されたほか、主張を支えない引用が削られ、原典の引用が書き足されました。Sakana AIは、これを「システムの出力をそのまま投稿したものではない」と明記しています。
9モデル・4ハーネスの比較結果と評価の限界
論文は5つの研究課題で、GPT系4・Claude系4・DeepSeek系1の計9モデルと、Codex・Claude Code・OpenCode・Piの4ハーネスを組み合わせた14構成、計70回の研究を走らせました。論文の質はAIの査読（o4-mini）による代理指標で採点しており、科学的な正しさを独立に証明する評価ではありません。
- 新しいモデルほど査読スコアが高い傾向があり、同じモデルならハーネスを変えても差は小さかった
- 課題の数値成績と査読スコアには正の相関（r=0.44）があった
- 別途、調査フェーズ単独で比較したLLMの強化学習微調整課題では、Kimi K3＋PiがOpus 4.7＋Claude Codeと同程度のスコアを、API費用を75%抑えて出した
最後の結果には但し書きがあります。Piの3回の実行のうち2回で、エージェントが学習アルゴリズムではなく評価手順そのもの（1回の回答で採点する方式から多数決への変更）を書き換えてスコアを水増ししていました。評価関数もルーブリックもこれを検出できず、人の事後監査で見つかっています。
v3の文献探索・比較実験・適用分野の限界
- ルーブリックは書いた条件しか検査しない。書き忘れた制約は破られても通る
- 文献検索は執筆時だけで、アイデア出しの段階では行わない
- 公開論文の手法を最新のベースラインとして実装する仕組みがなく、比較は自分の改良版同士が中心
- 研究の概要からのタスク作成は円の詰め込みのような単純な課題では動くが、大きな課題では失敗しうる
- 評価はすべて計算機上の機械学習で、物理実験や人を対象とする研究への適用は未検証
AI-Scientist-v3の動かし方
READMEの推奨構成は、claudeエージェント、全フェーズDocker実行、CPUだけで動く円の詰め込み課題（examples/circpack）です。Python 3.11以上とuv、Dockerを用意し、公式のAI-Scientist-v3リポジトリを取得して、そのルートディレクトリで次のコマンドを実行します。
docker build -t agentic-scientist/agent-cli:latest -f src/docker/agent-cli/Dockerfile .
uv sync
source .venv/bin/activate
agsci doctor examples/circpack
agsci run examples/circpack --dry-run
agsci run examples/circpack \
investigation.execution.max_idea_cycles=2 \
ablations.execution.num_replications=1認証情報はリポジトリ直下の .env に置きます。claudeは CLAUDE_CODE_OAUTH_TOKEN（Claudeのサブスクリプションに課金）か ANTHROPIC_API_KEY（従量課金）、codexは OPENAI_API_KEY を読みます。論文PDFは results/circpack/claude/<実行ID>/paper/paper.pdf に出力され、agsci inspect start で実行の経過をブラウザで確認できます。
注意点は2つです。READMEは、エージェントを全権限（--allow yolo）で起動するため、APIキーを含めて任意のコマンドを実行されうると警告し、Docker内での実行を求めています。また 課金の説明では、既定の HEADLESS_BILLING=auto がサブスクリプションの上限に達すると、有料の認証情報に1回切り替えて再試行しうるとしています。従量課金を避けたいなら HEADLESS_BILLING=subscription を指定します。GPU課題の examples/grpo はGPU2基を使い、1回の評価に1〜2時間かかります。
v2とv3の選び方
これから始めるならv3を選ぶべきです。理由は3つあり、v2の既定モデルがほぼ使えなくなっていること、v2のリポジトリは2025年12月から更新が止まっていること、v3は自己検証と人の確認を前提に作り直されていることです。
- v3が向く：数値で採点できる評価関数を用意できる課題。手元のClaude CodeやCodexの契約をそのまま使いたい場合。CPUだけで試したい場合
- v2が向く：評価関数を用意せず、テーマの文章だけから機械学習の小さな実験を完全自動で量産したい場合。ただしモデル設定の書き換えが前提
v3には実行可能な評価関数が必要ですが、人が用意するほか、研究概要からエージェントに生成させる実験的な機能もあります。人には、その評価が研究目的に合うかを検証する能力が求められます。良し悪しを数値で測れない研究テーマには、どちらの版も向きません。
AI Scientistの導入を見送るべきケース
- 実験が計算機上で完結しない：v2もv3も、実行できるのはコードで書ける計算実験だけです。ウェット実験や現場データの収集を伴う研究には使えません。
- 生成物を人が検証せずに外部へ出す：v2の採択論文には約57%のデータ重複があり、v3でもエージェントが評価手順を書き換えた例が報告されています。生成物はコードまで人が確かめる前提の下書きです。
- 隔離した実行環境を用意できない：どちらもLLMが書いたコードを任意に実行します。業務用PCや本番ネットワークで直接動かすのは避けてください。
- 評価の条件を書き切れない：v3の論文自身が、ルーブリックに書かれていない制約への違反を検出できない場合があると認めています。
社内の研究開発にこうしたエージェントを組み込む場合は、評価関数と実行環境の設計が成否を分けます。生成AI開発・AI受託開発のように、評価とサンドボックスまで含めて設計できる体制で進めるのが現実的です。
類似の研究エージェントとの違い
Googleが2025年2月に発表した「AI co-scientist」はGeminiを基盤に、仮説と研究計画の生成に特化し、実験は人の研究者が行う設計です。AI Scientistは計算実験の実行と論文執筆まで自動化する点が違います。v3が使うコーディングエージェント側の設計については、ハーネスエンジニアリングの解説が参考になります。企業の研究開発基盤としてはMicrosoft Discovery、調査レポートの自動作成ではSakana AI自身のSakana Marlinが近い位置にあります。Web上の情報を集めて報告書にまとめるだけなら、実験を回すAI ScientistよりDeep Research Maxのような自律型リサーチエージェントが向いています。
よくある質問
AI Scientist v3はありますか？
あります。2026年10月15日に、GitHubのSakanaAI/AI-Scientist-v3として公開されました。正式名称は「The Agentic Scientist」で、論文はarXiv 2610.18933です。ライセンスはApache 2.0です。
AI Scientist-v2は無料で使えますか？
コードは無料で公開されていますが、実行にはLLMのAPI料金がかかります。READMEの目安では実験段階で約15〜20ドル、執筆段階で約5ドルで、加えてNVIDIA GPUを積んだLinux環境が必要です。
MacやWindowsで動かせますか？
v2はLinuxとNVIDIA GPU（CUDA）が前提で、WindowsならWSL2などでCUDAが使えるLinux環境を用意します。v3はDocker上で動き、CPUだけで動く例題（circpack）がありますが、GPU課題はNVIDIA GPUが必須です。
機械学習以外の分野の研究にも使えますか？
テーマの記述を差し替えれば対象は変えられますが、実行できるのはコードで書ける計算実験に限られます。v3の論文も、評価はすべて機械学習で、物理実験を伴う分野への適用は未検証だと明記しています。
AI Scientistが書いた論文を投稿してもよいですか？
v2のライセンスでは、AIを使ったことを目立つ形で明示する義務があります。v3の論文も、生成したコードと文章の出所の記録とエージェントの関与の開示を求めています。投稿先がAI生成論文を受け付けるかは学会ごとに規定が違うため、投稿規定を確認してください。
