技術要約：能動的共有コンテキストグラフによるネットワーク化された知性

問題提起

現在の科学のためのAIシステムは、主に、より大規模なモデル、拡張されたコンテキストウィンドウ、または単一のユーザーと働く自律型エージェントを通じて、個々の推論能力をスケールアップすることに焦点を当てている。しかし、複雑な科学的発見は孤立して行われることは稀であり、独自の事前知識、暗黙知、およびドメイン固有の直感を持つメンバーによる「チームサイエンス」に依存している。決定的なボトルネックは、単一のエージェントの推論能力そのものではなく、科学的コンテキストを分散した人間、エージェント、および計測器の間で忠実に移動させることにある。既存のアーキテクチャは、永続的な共有状態を維持したり、発見をそれに基づいて行動可能な特定の専門家にルーティングしたり、再利用のためのプロベナンス（由来）を保存したりすることに失敗することが多い。その結果、科学的コンテキストは個別のセッション内に隔離され、あるコンテキストで生成された仮説が別のコンテキストにおける意思決定に情報を与えるという、ネットワーク化された知性の創発を妨げている。

手法：マイセリウム（Mycelium）アーキテクチャ

著者らは、ネットワーク化された人間とAIによる科学的発見を促進するために設計された実行時アーキテクチャであるMyceliumを導入する。このシステムは**能動的コンテキストグラフ（Active Context Graph: ACG）**を中心に構築されており、以下の3つの柱を通じて動作する。

1. 能動的コンテキストグラフ（共有状態）:

   • コアとなるデータ構造は、共有プロジェクトの状態を表す有向グラフ $G = (V, E)$ である。
   • ノード ($V$): データセット、観察、解釈、仮説、知見、未解決の問い、推奨事項、実験提案を含む、閉じたオントロジーによって定義された型付きの科学的エントリー。
   • エッジ ($E$): プロベナンス（由来）やクロスセッションの派生をマッピングする厳密な意味論的リンク（例：generated_by、supports、contradicts）。これにより、すべての主張が特定のデータ、ユーザー、エージェント、またはツール実行に紐付けられることが保証される。
   • アクティビティ: 受動的なデータベースとは異なり、このグラフは「能動的」である。つまり、ランタイムは継続的に状態を進化させ、接続を評価し、コンテキストをルーティングする。

2. 実行時インフラストラクチャ:

   • インターフェース: ユーザーは、Model Context Protocol (MCP) を介して接続された標準的なAIチャットクライアントを通じて操作を行う。これにより、会話インターフェースから離れることなく、プロジェクトの全履歴を照会し、ワークフローをディスパッチすることが可能になる。
   • 実行: サーバー側のランタイムは、サンドボックス化されたPython環境内での動的なオンザフライ・コード生成を用いて、複雑な分析ワークフローを実行する。再現性のために検証済みのライブラリ関数を活用し、自動エラーリカバリ（エラートレースを読み取って修正スクリプトを生成する機能）を含む。
   • 出力: すべての自律的な発見は、そのトレースの完全な実行可能なJupyter Notebookを生成し、人間による監査可能な再現性を保証する。

3. 共有コンテキスト・プロトコル（エージェンティック・プリミティブ）:

   • プロベナンス（ロギング）: 分析実行は、パラメータ空間とツールチェーンに紐付けられた不変かつ照会可能な状態ノードへと自動的に変換される。
   • 限定された自律性（プロアクティブな実行）: システムは知識の欠落を監視し、構造的な欠陥や欠落したリンクに対処するために、ユーザーセッション間で行われる自律的な探索的分析を開始する。
   • 状態ルーティング（ポリネーション/受粉）: システムは、創発したコンテキストを関連する参加者へ非同期的にルーティングする。新しいリンケージを局所的な信念状態に対してスコアリングし、その認識論的な有用性（支持、洗練、または緊張）を判断する。極めて重要な点として、このアーキテクチャは「不一致」を保持する。信念状態は、単一の分布へと静かにマージされるのではなく、それぞれのスレッドに隔離されたまま保持される。
   • グラウンディング（永続性）: グラフにコミットされるすべてのエントリーは、既存のノード（登録されたデータセット、検証済みのツール出力など）に明示的にグラウンディングされていなければならず、根拠のない散文の蓄積を防ぐ。

実証評価

本システムは、Pseudomonas putidaにおける分泌型グルコナートの蓄積を調査する生物学的マルチオミクスキャンペーンにおいて評価された。

• セットアップ: 3人のドメインエキスパート（プロテオミクス、調節生物学、遺伝学/表現型）が、自律型Myceliumエージェントと共に、独立したチャットインターフェースを介して非同期に作業を行った。
• ベースライン比較: ネットワーク化されたチームは、2つのスタンドアロン型エージェント・ベースライン（ともにClaude Opus 4.8を使用）と比較検討された。
  • ベースライン B: 多角的なチーム仕様をプロンプトとして与えられた単一のエージェント。
  • ベースライン C: 目標とデータ仕様のみをプロンプトとして与えられた単一のエージェント（チームの枠組みなし）。
• メトリクス: 評価は、26個のユニークな「科学的アーティファクト」（追跡可能な主張、仮説、または決定ルール）に焦点を当て、0（不在）から4（実行可能でデータに基づいた根拠がある）までのスコアを付けた。メトリクスには、広がり（breadth）（提示されたアーティファクトの割合）と具体性（specificity）（展開の深さ）が含まれる。

主な結果

1. 発見の広がりの向上: Myceliumは、マッピングされた26個のアーティファクトのうち25個を提示し、ベースラインB（17個）およびベースラインC（18個）を大幅に上回った。被覆率で重み付けされたアーティファクトスコアは、ベースラインの1.62および1.81に対し、Myceliumは2.62であった。
2. 具体性の維持: スタンドアロン型エージェントがアーティファクトを提示した場合、その具体性はネットワーク化されたチームと同等であった（平均具体性：Myceliumは2.72、ベースラインは約2.5）。これは、ネットワークの優位性が局所的な推論の深さではなく、探索の広がりにあることを示している。
3. ドメイン間の相乗効果: ルーティングメカニズムは、孤立した知見を実用的な制約へと変換することに成功した。例えば：
   • 生物学エキスパート（User-E）が指摘した調節異常が、プロテオミクスエキスパート（User-L）にルーティングされ、混乱を招いていたタンパク質の欠如という知見を再コンテキスト化した。
   • デザインエキスパート（User-J）による表現型の制約が、プロテオミクス分析を「ランキング問題」から「介入問題」へと再構成し、具体的な分子メカニズムの特定へと導いた。
4. 実験設計への収束: ネットワークは、分散した証拠を統一されたメカニズムモデル（グルコナートの保持と再取り込みに焦点を当てたもの）へと収束させることを促進し、それがCRISPRi摂動と菌株工学を含む具体的な実験設計案に直接つながった。

意義と主張

本論文は、ネットワーク化された知性が、モデルのスケーリングを置き換えるものではなく、それを補完する別のスケーリング軸を代表するものであると主張している。

• アーキテクチャのブレイクスルー: 主要な貢献は、分散したコンテキスト間で科学的状態をルーティングすることが、調査の軌道を変化させ、反復サイクルを数ヶ月から単一のスプリントへと圧縮できることを示したことである。
• ネットワークの不可分性: 著者らは、ネットワーク化された知性を、分散したコンテキストに対する**疎な条件付き計算（sparse conditional computation）**として定式化している。彼らは、独立した専門知識や（データ権限、制度的ファイアウォール、または独自の運用知識による）統合不可能なコンテキストが存在するため、スケールアップされたスタンドアロン型エージェントが分散ネットワークの機能を吸収することはできないと論じている。
• 実行可能なコンテキスト: 本システムは、科学的コンテキストが、属性を保持し、議論可能であり、かつ実行可能でありながら、人間とAIの間で忠実に移動できることを証明しており、モデルのスケーリングだけでは対処できない「調整のボトルネック」を解決している。

結論として、より強力なモデルは局所的な合成を改善するが、人間とAIの間の接続の「ネットワーク・スケーリング」こそが、開かれた科学的発見に不可ントであり、孤立した領域を超えてダウンストリームのアクションを変える稀なエッジを特定することを可能にするのである。