OmniScientist：オムニモーダルかつオムニディシプリンなAI科学者

要旨

近年の基盤モデルの進歩により、AI科学者は仮説生成やコード実行から原稿作成に至るまで、ますます完全な研究ワークフローを自動化できるようになった。しかしながら、ワークフローの網羅性だけでは、科学的発見が依存する完全なエビデンスへのアクセスは提供されない。既存のシステムは通常、テキスト、コード、ラベル、または事前計算された要約に基づいて推論を行い、科学的に決定的な空間的、時間的、クロスチャネル的、手続き的関係はエージェントにとって利用不可能なまま残される。本稿では、異種混在の生のエビデンスから直接、学際的研究を実施するエンドツーエンドのオムニモーダルAI科学者であるOmniScientistを紹介する。知覚層と、着想、実験、執筆のための3つの自律エージェントが決定論的パイプライン内で動作し、観察が研究ライフサイクル全体を通じて研究課題、実験的決定、最終的な主張を形成することを可能にする。コード内で着想、厳密性、主張の検証を実行することにより、本システムは新規性スクリーニング、統計的妥当性、実行の来歴、数値のトレーサビリティを保証する。我々は、5つの分野群、4種類の科学的エビデンス群、および画像、信号、音声、動画、3次元構造、軌跡、表、数式、グラフを含むモダリティにわたる36の実データ事例でOmniScientistを評価する。本システムは36事例すべてにおいて生データからコンパイル済み原稿までの全経路を完了し、参照推論バックボーンを用いて平均総合論文スコア6.3を達成する。事前計算されたスカラー特徴量のみを受け取るブラインド版とのペア比較において、直接知覚は7つの評価次元すべてを改善し、直接比較判定の85%で勝利する。これらの結果は、ライフサイクル全体にわたる知覚がエビデンスに基づく科学的発見に不可欠であり、広範な能力を持つAI科学者への実践的な道筋を提供することを示している。

English

Recent advances in foundation models have enabled AI scientists to automate increasingly complete research workflows, from hypothesis generation and code execution to manuscript preparation. Yet workflow coverage alone does not provide access to the full evidence on which scientific discovery depends. Existing systems typically reason over text, code, labels, or precomputed summaries, leaving scientifically decisive spatial, temporal, cross-channel, and procedural relations unavailable to the agent. We introduce OmniScientist, an end-to-end, omni-modal AI scientist that conducts multidisciplinary research directly from heterogeneous raw evidence. A perception layer and 3 autonomous agents for ideation, experiment, and writeup operate within a deterministic pipeline, allowing observations to shape research questions, experimental decisions, and final claims throughout the research lifecycle. By running idea, rigour, and claim checks in code, the system enforces novelty screening, statistical validity, execution provenance, and numerical traceability. We evaluate OmniScientist on 36 real-data cases spanning 5 discipline families, 4 families of scientific evidence, and modalities including images, signals, audio, video, 3-D structures, trajectories, tables, formulae, and graphs. The system completes the full path from raw data to a compiled manuscript in all 36 cases and achieves a mean overall paper score of 6.3 with the reference reasoning backbone. In paired comparisons against a blind variant that receives only precomputed scalar features, direct perception improves all 7 evaluation dimensions and wins 85% of head-to-head judgments. These results show that lifecycle-wide perception is essential for evidence-grounded scientific discovery and provides a practical path toward broadly capable AI scientists.