科学の進め方を再考する31プロジェクトを選定
日本の新たな取り組み「ARiSE」は、仮説の創出、実験の計画・実施、結果の分析、次に何を調べるかの判断に人工知能（AI）を活用する科学研究に320億円を投じる。科学技術振興機構（JST）は203件の応募から31件を選定した。助成期間は2026年10月から2029年3月までの約2年半。
目次
JSTが9月29日に発表した選定結果によると、「戦略目標」枠で12件、「国際・異分野融合」枠で19件が選ばれた。書類審査と面接には計82人のアドバイザーが参加した。研究は、契約などの準備が整い次第始まる予定で、発表日に一律に開始するわけではない。
ARiSEは「AI to Redesign Scientific Exploration（科学探究を再設計するAI）」の略称だ。データセットの処理や科学論文の要約にAIを使うだけにとどまらず、デジタル上の推論と実際の実験を結びつけ、実験結果を基にAIがより良い仮説や設計を生み出す循環を構築することを目指す。
採択率は、203件の応募から31件が選ばれた計算で約15.3％だった。戦略目標枠は70件中12件で約17.1％、国際・異分野融合枠は133件中19件で約14.3％。これらの数字は採択競争の度合いを示すが、個別プロジェクトの順位や最終的な資金配分を明らかにするものではない。
プログラムディレクターは東北大学の青木孝文理事・副学長。戦略目標枠は国立情報学研究所（NII）の黒橋禎夫所長が、国際・異分野融合枠は理化学研究所（理研）革新知能統合研究センターの上田修一副センター長が統括する。
国家戦略が具体化
ARiSEは、文部科学省が2026年3月31日に策定した「AI for Science推進基本戦略」を受けた取り組みだ。JSTは、国内の科学的強みを生かして国際競争力のある成果を生み出せる分野に投資を集中させるとともに、海外の第一線の研究者との連携を支援する旗艦プログラムと位置付けている。
文科省研究振興局は2026年4月16日、ARiSEの基本方針ページを公開した。同ページから262KBの方針文書にアクセスできるが、文書の詳細な規定はページ本文には掲載されていない。
方針策定からプロジェクト選定までの流れは比較的短期間だった。
- 2026年3月31日：文科省がAI for Science推進の基本戦略を策定。
- 2026年4月16日：研究振興局がARiSE基本方針のページを公開。
- 2026年5月12日～6月30日：JSTが研究提案を募集。
- 2026年9月29日：JSTが採択した31件を発表。
- 2026年10月2日：東北大学が採択された3件を発表。
- 2026年10月13日：JSTが取り組みの背景と運営計画を説明する会合を開催。
- 2029年3月：現行の研究助成期間が終了する予定。
JSTの橋本和仁理事長は、日本は投資規模だけで米中に対抗できないと指摘する。代わりに、日本が蓄積してきた貴重な科学データや専門知識、実験能力、ロボット技術を生かせる分野に注力する必要があるとしている。
懸念は依存の問題にも及ぶ。日本の研究者が海外で開発されたAIだけを使えば、基盤技術や計算資源が他国の管理下に置かれ続ける可能性がある。そのためARiSEは、国内でのモデル開発と国際協力を、二者択一ではなく両立させる方針だ。
役割の異なる2つの助成枠
戦略目標枠は、材料科学、ライフサイエンス、大型研究施設・設備の分野で大規模チームを支援する。採択された12件の内訳は、材料科学が6件、ライフサイエンスが4件、大型施設・設備関連が2件。
材料科学の採択課題は3つの目標に分かれる。目標1-1と1-2は各1件で、1件当たりの助成上限は約30億円。目標1-3は4件で、各課題の上限は約10億円。ライフサイエンスと大型施設関連の課題は、1件当たり約20億円が上限となる。これらは助成上限であり、各チームへの確定額ではない。
国際・異分野融合枠は全科学分野を対象とする。科学理論や法則、構造に関する知見をAIに組み込む研究を支援し、通常の助成額は1件当たり2億円。目標達成に必要な場合は、最大6億5,000万円まで申請できる。
すべての提案で、AI研究者と関連分野の研究者が共同で代表を務めることが求められる。チームは当初から計算資源の需要を見積もり、国際連携を進め、データの共有と保護に関するルールを整え、研究セキュリティにも取り組まなければならない。AIモデルを選んだ後に付け足すのではなく、科学的専門性とインフラ計画を研究設計に組み込むことが要件となっている。
材料データを共有研究基盤に
材料分野の中核プロジェクトは、日本が蓄積してきた材料データを国内の大規模言語モデルや専門AIと結びつけることを目指す。物質・材料研究機構（NIMS）を中心に整備されてきたデータと研究資源を活用し、国内の材料AIプラットフォームを構築する計画だ。
構想するプラットフォームは、AIで利用できるよう整備されたデータや解析ツール、材料基盤モデル、発見や設計を支援するAIエージェント、高度な実験設備など、複数の層をつなぐ。基盤モデルとは、幅広いデータで学習し、さまざまな研究課題の出発点として使えるモデルだ。AIエージェントは、ツールを使い、設定された目標に向けて手順を調整できる。
想定する研究サイクルでは、まずAIが材料や実験条件を提案する。連携する設備が実験を行い、その結果を次の設計に反映する。この能力を、AIの高度な専門知識を持つ少数のチームに限らず、幅広い材料研究者が利用できるようにすることを目指す。
東北大学の3件の採択課題は、国家的な取り組みが個別の研究計画にどう結びつくかを示す。熊谷悠教授は、AIを活用して硬質バルク材料を開発するプラットフォームを主導し、宮本吾郎教授と志賀元紀教授が共同研究代表を務める。
東北大学の2件目は、人とAIの協働による磁性材料の自律創製と、そのメカニズムの解明を目指す。広畑貴文教授が主導し、NIMSの岩崎悠真氏と大阪大学の小野寛太教授が共同研究代表を務める。
3件目は国際・異分野融合枠で採択された「津波ワールドモデル」だ。小村俊一教授が主導し、乾健太郎教授と防災科学技術研究所の臼田裕一郎氏が参加する。材料や生物学の実験室に限らず、ARiSEの対象が広がっていることを示す一方、大学の発表はモデルが想定する機能を詳述していない。
失敗実験から学ぶゲノムモデル
ライフサイエンス分野には、植物、動物、人間、微生物を対象とする約40億パラメーターのゲノム言語モデルの開発が含まれる。単語を学習する一般的な言語モデルとは異なり、ゲノム言語モデルはDNA配列のパターンを学び、生物学的機能やゲノム設計の研究を支援する。
パラメーターとは、学習中にモデルが調整する数値だ。計画中のモデルは、既存の約70億パラメーターのモデルを基盤とする。これらの数字はモデルの規模を表すもので、新モデルが前のモデルを上回る証明ではない。科学研究における価値は、モデルを取り巻く生物学的データや実験、学習のプロセスに左右される。
プロジェクトは「Design, Build, Test, Learn（設計、構築、試験、学習）」のサイクルを採用する。研究者が配列や仮説を設計し、実験で作製・検証した後、その結果をモデルに反映する。成功例だけでなく、失敗した実験や遺伝資源も、その後の学習に活用する方針だ。失敗を含めることが重要なのは、うまくいかなかった実験から適さない設計や条件を特定できるためだ。
このモデルは、バイオ・アジャイル・コンソーシアムを通じて実用化を進め、ライフサイエンス研究者が共有できる資源とすることを目指す。バイオセキュリティーとモデルの安全性も明示的に研究対象に含まれる。生物学的設計を支援できるツールには、予測能力の向上と並行して安全対策が必要だ。
自動化装置から自律型施設へ
無人研究施設の開発プロジェクトには、東京科学大学、理研、エピストラが参加する。エピストラのプロジェクト発表によると、東京科学大学の神田元紀教授が研究を主導する。共同研究代表は、理研の科学基盤モデル開発プログラムでプロジェクトディレクターを務める高橋恒一氏と、エピストラの小澤陽介最高経営責任者（CEO）。
このプロジェクトは、戦略目標3「大規模研究施設の運用最適化・自動化・自律化と、実験計画やデータ解析の高度化」を対象とする。研究計画、実験装置、得られたデータをつなぐAIエージェントと基盤モデルを開発し、実証する。
自動化された装置と自律型の施設の違いは、実務上の課題に表れる。ロボットが一つの実験を行えても、装置の準備、試料の移動、消耗品の補充、機器の予約、作業中断からの復旧は、人が担わなければならない場合がある。ARiSEは実験そのものに加え、周辺作業にも取り組む。
構想する施設は、相互に連携する3つの要素から成る。情報システムが研究目標、仮説、実験計画、分析、次の実験に関する判断を扱う。運用システムが機器、時間、材料を割り当てる。物理システムは搬送、補充、復旧を自動化する。
人は個々の工程を管理するのではなく、プロセス全体を監督することになる。施設は、がん、免疫、ワクチン、老化、再生医療に関する継続的な研究を支援することを目指す。エピストラによると、同社はAIとロボットを活用した研究に約10年取り組んできた。人工多能性幹細胞（iPS細胞）を網膜色素上皮細胞に分化させる条件の最適化などが含まれる。網膜色素上皮細胞は網膜を支える細胞だ。
黒橋氏は、こうした施設の実現時期について、当初の2050年ごろから2040年ごろ、さらに2030年ごろへと前倒しになる見通しを示した。これはAIとロボットの進展を踏まえて変化している予測であり、ARiSEの助成期間が終わる2029年3月までに完全自律型施設が稼働する保証ではない。
科学理論をAIに組み込む
国際・異分野融合枠は、科学AIの高度化に別の方法で取り組む。上田氏の方針は、科学理論を従来型モデルの制約として使うだけでなく、モデルの構造や表現、学習原理に組み込むものだ。
関連する知見には、対称性、不変性、因果関係、境界条件、スケーリング則などがある。平易に言えば、システムが変化しても保たれる関係、原因と結果のつながり、科学モデルが適用できる条件を表す。こうした知見をAIに組み込むことで、データが少ない場合や、学習時とは異なる条件下での推論の改善を目指す。
採択されたプロジェクトの一つは、数理物理学とAIを組み合わせ、科学的仮説を生成し、数学や物理学の理論を使って妥当性を検証する。もっともらしい記述を作ることと、その記述が正しいと確かめることの隔たりを縮める狙いだ。自律的な検証は研究目標であり、プログラムで実証済みの能力ではない。
別のプロジェクトは、ガスの吸着や分離などへの応用が研究されている多孔性材料、金属有機構造体（MOF）に焦点を当てる。MOFの性質は合成法や実験条件によって変化しうる。このプロジェクトでは、科学的表現の更新、反実仮想推論、研究者からのフィードバックを組み合わせ、条件を変えた場合に結果がどう変わるかを探る。
反実仮想推論とは、既存の観察結果からパターンを特定するだけでなく、条件が異なっていた場合に何が起きるかを考える手法だ。研究者が仮説や推論を評価し、その判断をAIに反映する。無人施設プロジェクトが大幅な運用自律化を目指す一方、この研究では人が直接関わり続ける。
がん研究、パターン認識の先へ
別のがん研究プロジェクトでは、組織構造、細胞の形、遺伝子発現、がん細胞と免疫細胞、その他の周辺細胞の相互作用を組み合わせる。がんに関連する特徴を認識するだけでなく、疾患のメカニズムを推論するモデルの構築を目指す。
研究では、観察の2つの階層を結びつける。組織の構成から個々の細胞の挙動を推定し、細胞の挙動から組織の状態がどう変化するかを予測する。空間と時間の両面を調べることで、周囲の生物学的環境の中でがんがどのように進行するかの解明につながる可能性がある。
想定される応用には、疾患メカニズムの発見、予後予測、治療法の探索が含まれる。いずれも研究目標であり、ARiSEへの採択は臨床的有効性を示すものでも、患者向けの診断・治療ツールが実用化済みであることを意味するものでもない。
計算資源と共有が成果を左右
モデルの学習と運用には研究費の大きな部分を要する可能性があるため、ARiSEでは提案段階で計算資源の計画を求めている。JSTは大学、公的研究機関、企業、理研の資源を組み合わせ、適切な場合には海外の商用計算資源の利用も認める方針だ。
利用が検討されている理研のAIスーパーコンピューターの名称については、記述に違いがある。一つは「理研」としているが、10月の説明会の報告では「理究」とされている。共通しているのは、他の資源とともに国内の計算資源を活用する方針だ。個別プロジェクトへの最終的な計算能力の配分は明らかにされていない。
プログラムは、幅広く役立つモデル、エージェント、ツール、評価手法を採択チーム以外にも広げることを目指す。JSTはNIIの学術情報ネットワークSINETや研究データ基盤NII RDCとの連携を計画している。材料、ライフサイエンス、施設関連プロジェクトの成果共有や、全国の研究者による利用につなげる狙いだ。
ただし、共有するからといってすべてを公開するわけではない。競争上または安全保障上の理由で保護が必要なデータや結果は、非公開のままとなる場合がある。研究セキュリティー要件は採択後から適用され、ゲノムプロジェクトにはバイオセキュリティーとモデル安全性に関する固有の責任もある。
プログラムオフィサーは進捗を確認し、研究課題の拡大、海外パートナーの追加、共同イベントなどを含め、計画の調整を支援する見通しだ。2026年に固定した計画が2029年には時代遅れになるリスクへの対応となる。現時点で公表された情報では、個別の契約開始日、最終的な助成額、計算資源の配分、モデルを公開する詳細な時期は確定していない。
最大の試金石は、日本の科学的資産を、実際に機能するAIシステム、再現可能な実験、他の研究者が使える資源に結びつけられるかどうかだ。ARiSEはその方向性を示したが、期待される発見や自律機能、共有プラットフォームは、今後開発し実証する必要がある。
要点
- ARiSEの助成額は320億円で、期間は2026年10月ごろから2029年3月まで。
- JSTは203件の応募から31件を選定。採択率は約15.3％。
- 戦略目標枠は12件、国際・異分野融合枠は19件。
- 主な取り組みには、材料AIプラットフォーム、約40億パラメーターのゲノムモデル、無人研究施設がある。
- 数理物理学、MOF、がんのメカニズム、津波ワールドモデルも研究対象となる。
- 国内の計算資源と共有研究基盤を重視し、適切な場合は海外資源の利用も認める。
- 個別の開始時期は契約や準備状況によって異なる。自律型施設や科学分野での応用は、今後の開発目標だ。
