論文の筆者（Don Wallace、Conor Griffin、Sean O'Neill、Thang Luong、Owen Larter）は、現在の科学プロセス全体で最も困難な部分は「アイデアを出すこと」ではなく、「その仮説を確認（または反証）するための実験を回すこと」になっていると述べています 。

特に、DeepMindが開発した「Co-Scientist」システムのようなAIツールは、がん治療や肝線維症の新規標的など、これまで数週間～数ヶ月かかっていた仮説生成を数分で完了できるようになりました。しかし、その仮説を一つずつ細胞やオルガノイドで検証するには、依然として数週間から数ヶ月の実験時間が必要です 。

なぜ今この問題が重要か

この「検証のボトルネック」は、特に創薬において具体的な影響が出ています。AIが短期間に何千もの新規分子候補を提案できるのに対し、臨床的な検証は依然として極めて遅く、コストも高く、キャパシティにも限りがあります。DeepMindリーダーのPushmeet Kohliは以前、AlphaFoldがタンパク質構造予測を数年から数秒に短縮した一方で、臨床創薬の検証は未解決のボトルネックとして残っていると指摘しています 。

同様に、材料科学や気候変動対策の分野でも、AIが生成するアイデアと、それを検証するための物理的な実験インフラとの間のギャップは拡大の一途をたどっています 。

DeepMindが政策立案者と資金提供者に求める4つの優先課題

DeepMindの論文では、このギャップを埋めるための具体的な優先事項が4つ提示されています 。

1. 科学者へのAIエージェントアクセスを戦略的に拡大せよ

AIエージェントへのアクセスは、かつてスーパーコンピュータへのアクセスを科学者に提供した歴史的な取り組みと同様、戦略的優先事項として扱うべきだと主張 。資金力のある研究所だけでなく、あらゆる研究機関の科学者がAIエージェントを仮説生成・検証に活用できる環境が必要としています。

2. 国立実験インフラをAI駆動科学に開放せよ

国立研究所や共有型ハイスループット試験センターなど、物理的な実験施設の拡充と開放を進める必要がある 。AIが生み出す仮説の波を、実際の世界で系統的に検証できる仕組みを作らなければならない、としています。

3. 高速検証を支援する新たな資金調達モデルを構築せよ

従来の助成金制度は審査が遅く、受給額も小規模であるため、AIが要求する規模の検証には全く適していない。資金提供機関は、迅速かつ大規模な実験検証パイプラインを明示的に支援する新たなメカニズムを創設すべきと提言 。

4. AIエージェント時代に対応したピアレビューと評価プロセスを改革せよ

査読者自身もAIエージェントを活用できるようにする必要がある。また、「Human-AI Interaction Cards（人間-AI相互作用カード）」のような新たな枠組みを導入し、エージェント支援型科学における透明性、再現性、信頼性を確保することが急務とされています 。

背景にある既知の課題

この論文は、DeepMindが初めてこの問題を指摘したわけではありません。2024年11月に公開された政策文書でも、「デジタルから現実世界へのギャップ」 が主要課題として挙げられており、Pushmeet Kohliもアクセシビリティと並んで検証インフラを最大の未解決ボトルネックとして公開討論で指摘していました 。2026年7月の「Conjecture Machines」論文は、この問題に最も焦点を当てた政策声明と言えます。

日付に関する補足

この論文の主要なソースはDeepMind自身のパブリックポリシーページに掲載されたもので、公開は 2026年7月 です 。一部の初期報道では2025年7月のエッセイと誤って伝えられていますが、検索結果の中に2025年7月にこのテーマを扱った論文は見つかりませんでした。警告の内容と4つの優先課題は、すべての報道ソースで一貫しています 。

論文の筆者（Don Wallace、Conor Griffin、Sean O'Neill、Thang Luong、Owen Larter）は、現在の科学プロセス全体で最も困難な部分は「アイデアを出すこと」ではなく、「その仮説を確認（または反証）するための実験を回すこと」になっていると述べています 。

特に、DeepMindが開発した「Co-Scientist」システムのようなAIツールは、がん治療や肝線維症の新規標的など、これまで数週間～数ヶ月かかっていた仮説生成を数分で完了できるようになりました。しかし、その仮説を一つずつ細胞やオルガノイドで検証するには、依然として数週間から数ヶ月の実験時間が必要です 。

なぜ今この問題が重要か

この「検証のボトルネック」は、特に創薬において具体的な影響が出ています。AIが短期間に何千もの新規分子候補を提案できるのに対し、臨床的な検証は依然として極めて遅く、コストも高く、キャパシティにも限りがあります。DeepMindリーダーのPushmeet Kohliは以前、AlphaFoldがタンパク質構造予測を数年から数秒に短縮した一方で、臨床創薬の検証は未解決のボトルネックとして残っていると指摘しています 。

同様に、材料科学や気候変動対策の分野でも、AIが生成するアイデアと、それを検証するための物理的な実験インフラとの間のギャップは拡大の一途をたどっています 。

DeepMindが政策立案者と資金提供者に求める4つの優先課題

DeepMindの論文では、このギャップを埋めるための具体的な優先事項が4つ提示されています 。

1. 科学者へのAIエージェントアクセスを戦略的に拡大せよ

AIエージェントへのアクセスは、かつてスーパーコンピュータへのアクセスを科学者に提供した歴史的な取り組みと同様、戦略的優先事項として扱うべきだと主張 。資金力のある研究所だけでなく、あらゆる研究機関の科学者がAIエージェントを仮説生成・検証に活用できる環境が必要としています。

2. 国立実験インフラをAI駆動科学に開放せよ

国立研究所や共有型ハイスループット試験センターなど、物理的な実験施設の拡充と開放を進める必要がある 。AIが生み出す仮説の波を、実際の世界で系統的に検証できる仕組みを作らなければならない、としています。

3. 高速検証を支援する新たな資金調達モデルを構築せよ

従来の助成金制度は審査が遅く、受給額も小規模であるため、AIが要求する規模の検証には全く適していない。資金提供機関は、迅速かつ大規模な実験検証パイプラインを明示的に支援する新たなメカニズムを創設すべきと提言 。

4. AIエージェント時代に対応したピアレビューと評価プロセスを改革せよ

査読者自身もAIエージェントを活用できるようにする必要がある。また、「Human-AI Interaction Cards（人間-AI相互作用カード）」のような新たな枠組みを導入し、エージェント支援型科学における透明性、再現性、信頼性を確保することが急務とされています 。

背景にある既知の課題

この論文は、DeepMindが初めてこの問題を指摘したわけではありません。2024年11月に公開された政策文書でも、「デジタルから現実世界へのギャップ」 が主要課題として挙げられており、Pushmeet Kohliもアクセシビリティと並んで検証インフラを最大の未解決ボトルネックとして公開討論で指摘していました 。2026年7月の「Conjecture Machines」論文は、この問題に最も焦点を当てた政策声明と言えます。

日付に関する補足

この論文の主要なソースはDeepMind自身のパブリックポリシーページに掲載されたもので、公開は 2026年7月 です 。一部の初期報道では2025年7月のエッセイと誤って伝えられていますが、検索結果の中に2025年7月にこのテーマを扱った論文は見つかりませんでした。警告の内容と4つの優先課題は、すべての報道ソースで一貫しています 。