パーソナライズ自動研究：真のAI共同科学者に向けて

要旨

仮説を生成し、関連研究を検索し、実験を設計し、コードを実行し、論文全体の草稿を作成するAI共同科学者は、研究の進め方を変え始めている。この急速な進歩にもかかわらず、最先端のシステムは研究者非依存的であり続けている。すなわち、研究目標が与えられると、その出力を利用する個々の科学者を無視したまま、新規性、妥当性、あるいは査読者スコアを最適化するのである。これは研究に関する根本的な事実を見落としている。すなわち、何が新規で、価値があり、実現可能であるとみなされるかは、研究者に依存しており、その研究者の先行研究、方法論的レパートリー、そしてその研究者が関わる共同研究者やコミュニティに左右されるのである。本研究では、研究プロセスの各段階を個々の研究者の表現に基づいて条件付ける、個人化自動研究の問題を導入する。我々は、個人化は利便性のための付加的な層ではなく、むしろAIシステムが汎用的な道具ではなく真の共同科学者として機能することを可能にする根本的な性質であると主張する。この問題に取り組むため、我々は、グラフに基づく研究者コンテキストを検索、仮説探索、実験、執筆、査読に織り込む、汎用的かつ柔軟な枠組みを提案する。この枠組みは、次の三つの基本構成要素から成る：(i) グラフに基づく研究者表現、(ii) 研究パイプライン全体にわたる個人化、(iii) 個人に基づく評価。特に、我々は、異なる研究者が同じ目標を与えられた場合に本質的に同じ研究を受け取り、新しいアイデアが生まれる暗黙知を消去してしまうという、画一的な失敗モードを強調する。最後に、根本的な未解決問題と課題について議論する。

English

AI co-scientists that generate hypotheses, retrieve related work, design experiments, execute code, and draft full papers are beginning to change how research is carried out. Despite this rapid progress, state-of-the-art systems remain researcher-agnostic: given a research goal, they optimize novelty, validity, or reviewer score while ignoring the individual scientist who will use the output. This overlooks a fundamental fact about research, namely, that what counts as novel, valuable, or feasible depends on the researcher, including their prior work, methodological repertoire, and the collaborators and communities in which they are embedded. In this work, we introduce the problem of personalized auto-research, which conditions every stage of the research process on a representation of the individual researcher. We argue that personalization is not a convenience layer, but rather the fundamental property that allows an AI system to serve as a genuine co-scientist rather than a generic instrument. To address this problem, we propose a general and flexible framework that threads a graph-grounded researcher context through retrieval, hypothesis search, experimentation, writing, and review. The framework consists of three fundamental components: (i) graph-grounded researcher representations, (ii) personalization across the full research pipeline, and (iii) evaluation grounded in the individual. Notably, we highlight a one-size-fits-all failure mode where distinct researchers issuing the same goal receive essentially the same research, erasing the tacit knowledge through which novel ideas arise. Finally, we discuss fundamental open problems and challenges.