科学研究におけるAIの役割が変化しています。
従来、科学研究では、人間が仮説を立て、理論を構築し、実験やシミュレーションによって検証することが基本でした。
AIは、その過程でデータ解析や画像認識などを支援する技術として利用されてきました。
しかし現在では、AIが分子構造を予測し、新しい材料の候補を生成し、数値シミュレーションの一部を高速化し、研究仮説を提案するシステムも開発されています。
こうした技術領域を総称して、AI for Scienceと呼びます。
重要なのは、AIが科学者に代わってすべての科学的判断を行うわけではないことです。
AIによって探索できる候補が増えても、その候補が物理法則に適合するか、実験で再現できるか、実用条件を満たすかは別の問題です。
本記事では、AI for Scienceを単なる研究事例の集合としてではなく、科学的発見を支援する技術体系として整理します。
今日の到達点
この記事では、次の5項目を理解することを目指します。
- AI for ScienceをPrediction・Generation・Simulation・Hypothesis Generationに分類できる
- AlphaFold、GNoME、MatterGenなどの代表的な研究を技術的に説明できる
- AI co-scientistとScientific Agentの役割を理解できる
- AIによる予測と、科学的に検証された事実を区別できる
- 物理学習・工学計算・機械設計にAIを組み込む基本構造を設計できる
AI for Scienceとは何か
定義
AI for Scienceとは、人工知能を利用して科学的な知識の獲得、現象の理解、予測、仮説生成、実験設計などを支援・高度化する研究領域です。
対象となる分野は幅広く、物理学、化学、生物学、材料科学、地球科学、工学などが含まれます。
一般的な生成AIとの大きな違いは、出力の評価基準が科学的な妥当性に置かれることです。
文章生成AIでは、自然で分かりやすい文章を作成することが重要な評価項目になります。
一方、科学分野では、どれほど説得力のある説明であっても、実験結果や物理法則と矛盾していれば採用できません。
科学研究の基本的な循環
科学研究は、概念的に次のような循環として整理できます。
Observation
|
v
Problem Definition
|
v
Hypothesis Generation
|
v
Model / Theory
|
v
Prediction
|
v
Experiment / Simulation
|
v
Validation
|
v
Knowledge Update
|
+----> Next HypothesisAI for Scienceは、この循環の複数の工程に組み込まれます。
ただし、AIの役割は工程ごとに異なります。
予測モデル、生成モデル、シミュレーション代替モデル、研究エージェントを区別して理解する必要があります。
AI for Scienceの主要技術を分類する
Prediction：予測
Predictionは、入力データから未知の物理量や現象を推定する技術です。
例えば、材料の組成や構造から物性を予測する場合です。
一般化すると、\[ \hat{y}=f_{\theta}(x) \]
と表現できます。
ここで、
- $x$：入力データ
- $\hat{y}$：予測値
- $f_{\theta}$：学習済みAIモデル
- $\theta$：モデルパラメータ
です。
入力には、分子構造、材料組成、画像、センサーデータ、気象データなどが利用されます。
Predictionの特徴は、既知の情報から未知の値を推定することです。
ただし、予測値は測定値そのものではありません。
Generation：生成
Generationは、要求条件に適合する新しい候補を作り出す技術です。
例えば、指定した特性を持つ材料構造を生成する場合です。
従来の材料探索では、既存の材料候補を評価し、その中から条件に適合するものを選ぶ方法が広く利用されてきました。
生成モデルでは、既存候補の選別だけでなく、新しい構造を提案できます。
ただし、生成された候補が製造可能であることや、要求特性を実際に満たすことまでは保証されません。
Simulation Surrogate：シミュレーション代替モデル
Simulation Surrogateは、数値シミュレーションなどの入力と出力の関係を学習し、計算結果を近似するモデルです。
例えば、流体解析の結果を学習したモデルが、境界条件から圧力分布を高速に推定する場合です。
従来の数値計算では、支配方程式を離散化し、数値的に解きます。
一方、Surrogate Modelは、学習した関係から結果を推定します。\[ \hat{\mathbf{u}}=f_{\theta}(\mathbf{x},\mathbf{b}) \]
ここで、
- $\mathbf{x}$：設計変数や物理条件
- $\mathbf{b}$：境界条件など
- $\hat{\mathbf{u}}$：予測された物理量の分布
です。
Surrogate Modelは、繰り返し計算が必要な最適化問題で有用です。
ただし、学習範囲を超える条件では予測誤差が大きくなる可能性があります。
Hypothesis Generation：仮説生成
Hypothesis Generationは、既存の研究情報や観測結果から、検証可能な新しい仮説を提案する技術です。
例えば、複数の研究論文に記載された知見を組み合わせ、新しい反応機構を提案する場合です。
重要なのは、仮説には検証可能性が必要なことです。
単に興味深い説明を生成するだけでは、科学的な仮説として十分ではありません。
主要技術の比較
| 分類 | 主な入力 | 主な出力 | 検証方法 |
|---|---|---|---|
| Prediction | 観測値・構造・条件 | 予測値 | 実測値との比較 |
| Generation | 要求特性・制約 | 新しい候補 | 計算・実験による評価 |
| Simulation Surrogate | 設計変数・境界条件 | 近似計算結果 | 高精度計算との比較 |
| Hypothesis Generation | 文献・観測結果 | 研究仮説 | 反証可能な実験 |
| Scientific Agent | 研究目標・利用可能なツール | 研究計画・解析・候補 | 各工程の独立検証 |
これらは独立した技術ではありません。
生成モデルで候補を作成し、予測モデルで評価し、シミュレーションで絞り込み、実験で確認する構成も考えられます。
AlphaFold：生体分子の構造を予測するAI
タンパク質の構造予測
タンパク質は、アミノ酸が連なった分子です。
その機能は、アミノ酸配列だけでなく、三次元構造とも深く関係しています。
タンパク質の構造を実験的に決定するには、X線結晶構造解析やクライオ電子顕微鏡などの方法が利用されます。
これらは重要な技術ですが、対象によっては多くの時間や実験的な工夫が必要です。
AlphaFoldは、AIを利用してタンパク質の立体構造を予測する技術です。
AlphaFold 3の発展
2024年5月にNatureで発表されたAlphaFold 3は、タンパク質だけでなく、核酸、小分子、イオンなどを含む複合体の構造予測へ対象を拡張しました。
技術的には、分子間の相互作用を扱う構造表現と、原子座標を生成するDiffusion Modelを組み合わせています。
これにより、複数種類の分子を含む構造を統一的な枠組みで扱います。
参考：Accurate structure prediction of biomolecular interactions with AlphaFold 3｜Nature（2024年5月8日）
予測と実験の違い
AlphaFoldが構造を予測できることは、すべての生物学的機能を正確に説明できることを意味しません。
分子の動的な変化、環境条件、結合の強さ、反応速度などについては、別の計算や実験が必要になる場合があります。
構造予測の成功と、生物学的機能の実証は異なる評価段階です。
GNoME：AIによる材料探索
材料探索の課題
新しい材料を開発するには、組成や結晶構造を変えながら、安定性や物性を調べる必要があります。
しかし、候補となる組み合わせは膨大です。
すべての候補を実験することは現実的ではありません。
そこで、AIによって有望な候補を選別する方法が研究されています。
GNoMEの仕組み
GNoMEは、Graph Networks for Materials Explorationの略称です。
結晶構造をグラフとして表現し、Graph Neural Networkを利用して材料の安定性を予測します。
2023年11月の研究発表では、約220万件の結晶構造候補を予測し、そのうち約38万件を特に安定性の高い候補として報告しました。
ただし、これは38万種類の材料が実験によって製造・実証されたことを意味しません。
GNoMEの研究では、密度汎関数理論（DFT）による計算とAI予測を組み合わせ、材料探索を進めています。
参考：Millions of new materials discovered with deep learning｜Google DeepMind（2023年11月29日）
材料探索と物理法則
材料の安定性は、エネルギーなどの物理量と関係します。
例えば、結晶構造の候補について、DFT計算からエネルギーを評価できます。
AIは大量の候補を高速に選別する役割を担い、より計算コストの高い方法で詳細評価する候補を絞り込めます。
この構造は、機械設計における最適化にも応用できる考え方です。
多数の設計案をAIで一次評価し、有望な案だけを有限要素解析などで詳細検証する方法です。
MatterGen：条件に適合する材料を生成するAI
GNoMEが材料候補の予測・探索に重点を置くのに対し、MatterGenは新しい材料構造を生成する技術です。
2025年1月にNatureで発表されたMatterGenは、Diffusion Modelを利用して無機材料の結晶構造を生成します。
材料の逆設計
従来の材料設計では、
Material Structure
|
v
Property Calculation
|
v
Evaluationという方向で検討することが一般的です。
一方、逆設計では、
Required Properties
|
v
Generative Model
|
v
Candidate Structures
|
v
Physical Validationという方向で候補を探索します。
MatterGenでは、元素の種類、原子座標、周期格子などを扱い、要求特性に応じた材料構造の生成を目指します。
実験による検証
MatterGenの原著論文では、生成した材料の一例について実際に合成し、対象とした特性を測定した結果が報告されています。
この実験例は重要ですが、すべての生成候補が合成可能であることを保証するものではありません。
参考：A generative model for inorganic materials design｜Nature（2025年1月16日）
気象予測とAI
気象予測は、物理法則と数値計算を利用する代表的な科学技術です。
大気の運動は、流体力学や熱力学などに基づいて記述されます。
従来の数値予報では、これらの方程式を計算機で解き、将来の大気状態を予測します。
GenCast
GenCastは、確率的な気象予測を行うAIモデルです。
2024年12月に発表された研究では、最大15日先までの気象予測を対象としています。
GenCastの特徴は、単一の予測結果だけでなく、複数の予測結果を生成するEnsemble Forecastingにあります。
これにより、将来の気象状態について不確実性を考慮できます。
参考：GenCast predicts weather and the risks of extreme conditions｜Google DeepMind（2024年12月4日）
科学AIにおける不確実性
科学的な予測では、予測値だけでなく、その不確実性も重要です。
例えば、ある物理量を予測する場合、\[ \hat{y}=10.0 \]
という値だけでは、予測の信頼性を判断できません。
必要に応じて、予測区間や確率分布を評価します。
ただし、AIモデルが出力する確率が、実際の発生確率と一致するとは限りません。
予測確率と実際の頻度の対応を確認するCalibrationも重要です。
AlphaGenome：DNA配列から機能を予測する
2026年のAI for Scienceを理解するうえで、AlphaGenomeも重要な研究例です。
2026年1月28日にNatureで公開されたAlphaGenomeの研究では、DNA配列から遺伝子発現やクロマチン状態などの機能的な特徴を予測するモデルが報告されました。
モデルは最大約100万塩基のDNA配列を入力として扱い、多様な分子生物学的特徴を予測します。
参考：Advancing regulatory variant effect prediction with AlphaGenome｜Nature（2026年1月28日）
さらに2026年9月8日には、約90億件の一塩基変異について、その分子的影響の予測結果を収録したAlphaGenome Atlasが発表されました。
ここで重要なのは、収録されているのが変異の影響に関するモデル予測であることです。
すべての変異について、実験的な影響や疾患との因果関係が確定したわけではありません。
参考：AlphaGenome Atlas｜Google DeepMind（2026年9月8日）
AI co-scientistとは何か
Scientific Agentの登場
AI for Scienceは、予測モデルや生成モデルだけに限定されません。
科学研究の工程そのものを支援するAI Agentも研究されています。
Google Researchが2025年2月に発表したAI co-scientistは、科学的な仮説や研究提案を生成・評価・改善するMulti-agent Systemです。
このシステムでは、異なる役割を持つ複数のAgentが協調します。
主な役割には、Generation、Reflection、Ranking、Evolution、Proximity、Meta-reviewがあります。
参考：Accelerating scientific breakthroughs with an AI co-scientist｜Google Research（2025年2月19日）
Multi-agent Researchの構造
概念的には、次のような処理になります。
Research Objective
|
v
Scientific Supervisor
|
+-------------------+
| |
v v
Hypothesis Agent Literature Agent
| |
+---------+---------+
|
v
Review Agent
|
v
Ranking Agent
|
v
Researcher Review
|
v
Experiment Design
|
v
Scientific Validationこれは研究エージェントの一般化した構成例です。
実際のシステムでは、各Agentの役割や実行順序が異なります。
自動評価と科学的証拠は異なる
AI co-scientistでは、仮説同士の比較や自己評価を利用して候補を改善します。
しかし、AIによる自己評価が高いことは、その仮説が科学的に正しいことを保証しません。
AI同士が同じ誤解を共有する可能性もあります。
したがって、独立したデータ、実験、専門家による評価が必要です。
科学計算コードを生成するAI
AI Agentは、仮説の文章化だけでなく、検証用のプログラム作成にも利用できます。
Google Researchが2025年に発表し、2026年4月に名称を更新したEmpirical Research Assistanceは、科学的な問題に対するプログラムを生成・評価・改善する研究システムです。
この研究では、評価指標を定義した課題に対して、コードの候補を生成し、実行結果に基づいて改善を繰り返します。
この考え方は、工学計算にも応用できます。
例えば、AIに数値計算コードを生成させ、その結果を既知の解析解と比較する構成です。
重要なのは、AIが生成したコードを、AI自身の説明だけで正しいと判断しないことです。
AI for Scienceと物理法則
Data-driven ModelとPhysics-based Model
AIモデルは、データから入力と出力の関係を学習できます。
一方、物理モデルは、支配方程式や保存則などに基づいて現象を記述します。
両者は対立するものではありません。
例えば、流体力学では質量保存則が基本となります。
非圧縮性流体については、\[ \nabla \cdot \mathbf{u}=0 \]
と表現できます。
ここで、$\mathbf{u}$ は速度ベクトルです。
AIが予測した速度場について、この条件が満たされているかを検証できます。
ただし、非圧縮性の仮定が適用できない条件では、別の支配方程式が必要です。
Physics-informed AI
Physics-informed AIは、物理法則や既知の制約を学習・推論へ組み込む考え方です。
代表例として、Physics-informed Neural Networks（PINNs）があります。
PINNsでは、観測データに対する誤差だけでなく、支配方程式の残差などを損失関数へ組み込むことがあります。
概念的には、\[ L = L_{\mathrm{data}} + \lambda L_{\mathrm{physics}} \]
です。
ここで、
- $L_{\mathrm{data}}$：観測値との誤差
- $L_{\mathrm{physics}}$：物理法則に対する残差
- $\lambda$：重み係数
です。
物理法則を損失関数へ組み込んだからといって、必ず高精度な解が得られるわけではありません。
境界条件、初期条件、学習の安定性、問題の難しさなどによって結果は変わります。
工学分野への応用例：油圧シリンダの設計計算
AI for Scienceの考え方を、身近な機械設計問題へ適用してみましょう。
油圧シリンダの理論推力は、圧力と受圧面積から計算できます。\[ F=pA \]
ここで、
- $F$：理論推力（N）
- $p$：差圧（Pa）
- $A$：有効受圧面積（m²）
です。
ロッドのない側のピストン全面に圧力が作用する場合、\[ A=\frac{\pi D^2}{4} \]
となります。
したがって、\[ F=p\frac{\pi D^2}{4} \]
です。
AIに任せられる工程
AIには、次のような作業を依頼できます。
- 計算条件の整理
- 使用する公式の候補提示
- Python計算コードの生成
- 単位換算処理の作成
- 計算結果を説明する文章の作成
- 検証用テストケースの提案
人間が検証する工程
一方、次の事項は設計者が確認する必要があります。
- 使用する圧力が適切か
- ロッド側とヘッド側の面積を区別しているか
- 背圧や摩擦を考慮する必要があるか
- シリンダの座屈や強度を別途評価する必要があるか
- 計算結果が使用条件に適合するか
理論推力が求められても、実機の発生推力や安全性が保証されるわけではありません。
Pythonによる検算
次のコードは、理論推力を計算する簡単な例です。
import math
def cylinder_force(
pressure_pa: float,
bore_diameter_m: float
) -> float:
"""油圧シリンダの理論推力をNで返す。"""
if pressure_pa < 0:
raise ValueError("圧力は0以上とする")
if bore_diameter_m <= 0:
raise ValueError("内径は正の値とする")
area = math.pi * bore_diameter_m**2 / 4
return pressure_pa * area
pressure = 10e6
diameter = 0.08
force = cylinder_force(
pressure_pa=pressure,
bore_diameter_m=diameter
)
print(f"{force:.2f} N")
print(f"{force / 1000:.2f} kN")この条件では、理論推力は約50.27 kNです。
ただし、これは理想化した静的計算であり、実際のシリンダ選定には追加の検討が必要です。
AIを利用する場合も、既知の計算式、単位、前提条件を明確にすることが重要です。
AIによる予測の評価方法
誤差評価
予測モデルの評価には、実測値や高精度計算結果との比較が必要です。
代表的な指標として、Mean Absolute Error（MAE）があります。\[ \mathrm{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i-\hat{y}_i| \]
ここで、
- $n$：評価データ数
- $y_i$：正解値
- $\hat{y}_i$：予測値
です。
また、Root Mean Squared Error（RMSE）は、\[ \mathrm{RMSE} = \sqrt{ \frac{1}{n} \sum_{i=1}^{n} (y_i-\hat{y}_i)^2 } \]
で定義されます。
RMSEは、大きな誤差に対して相対的に敏感です。
ただし、誤差指標だけでは科学的な妥当性を十分に評価できません。
物理的な妥当性
工学モデルでは、次のような確認が必要です。
| 評価項目 | 確認内容 |
|---|---|
| 単位 | SI単位系などで整合しているか |
| 保存則 | 質量・エネルギー・運動量保存に反していないか |
| 境界条件 | 指定条件が満たされているか |
| 適用範囲 | 学習範囲外で使用していないか |
| 極限条件 | 既知の極限挙動と矛盾しないか |
| 再現性 | 同じ条件で結果を再現できるか |
Dataset BiasとData Leakage
AIモデルは、学習データに含まれる偏りの影響を受けます。
例えば、低圧条件のデータだけで学習したモデルが、高圧条件でも正確に予測できるとは限りません。
また、学習データと評価データが実質的に重複していると、評価結果が過大になる可能性があります。
科学データでは、同じ実験系列や類似構造を持つデータが多数含まれることがあります。
そのため、単純なランダム分割だけでなく、実験系列、材料組成、時間、装置などを考慮した評価が必要になる場合があります。
AIによる科学的発見の限界
Hallucination
生成AIは、存在しない論文、数値、実験結果などを生成する場合があります。
科学研究では、こうした誤りが研究判断へ直接影響します。
参考文献の著者、出版年、DOI、実験条件などは、原著資料で確認する必要があります。
CorrelationとCausation
AIが変数間の相関を発見しても、それだけで因果関係が証明されたことにはなりません。
例えば、ある材料特性と製造条件に相関が見られても、別の変数が両者へ影響している可能性があります。
因果関係を確認するには、実験設計や統計的な検討が必要です。
Out-of-distribution
学習時に経験していない条件では、モデルの予測精度が低下する場合があります。
特に工学分野では、極端な温度、圧力、荷重などの条件が重要です。
安全上重要な条件ほど、通常の学習データに含まれていない場合もあります。
Reproducibility
研究結果の再現性を確保するには、少なくとも次の情報を管理する必要があります。
- 使用データと取得条件
- データの前処理
- モデルとバージョン
- 学習・推論条件
- 使用コード
- 乱数Seed
- 評価指標
- 実験・計算環境
AIモデルが確率的な出力を行う場合、乱数Seedを固定しても、実行環境によって結果が完全には一致しない場合があります。
AIを科学学習へ組み込む方法
AI for Scienceの考え方は、高度な研究機関だけでなく、個人の技術学習にも応用できます。
例えば、物理学の学習を次のように構成します。
Learning Objective
|
v
AI Generates Explanation
|
v
Human Reviews Theory
|
v
Manual Calculation
|
v
Python Verification
|
v
Error Analysis
|
v
Article Revision
|
v
Reusable Knowledgeこの構造では、AIは教材やコードを生成します。
人間は、物理的な意味、前提条件、計算結果を確認します。
Pythonは、再現可能な計算を担当します。
最終的に、検証された内容を記事や計算ツールへ変換できます。
科学的根拠を守る停止条件
この学習ループには、停止条件を設けることが重要です。
例えば、次のようなルールです。
使用する公式の前提条件、単位、出典を確認できない場合、計算結果を確定値として公開しない。
このルールによって、AIが生成した説明を無条件に採用することを防げます。
まとめ
AI for Scienceは、AIを利用して科学研究の各工程を支援する技術領域です。
主要なアプローチには、Prediction、Generation、Simulation Surrogate、Hypothesis Generationなどがあります。
AlphaFoldは生体分子の構造予測、GNoMEは材料探索、MatterGenは材料生成、GenCastは気象予測、AlphaGenomeはゲノム機能予測に取り組んでいます。
また、AI co-scientistのように、複数のAI Agentを組み合わせて研究仮説を生成・評価するシステムも研究されています。
しかし、AIが生成した予測や仮説は、それだけで科学的事実になるわけではありません。
物理法則との整合性、実験、独立した検証、再現性などによって評価する必要があります。
科学研究におけるAIの役割は、単に人間の作業を置き換えることではありません。
探索可能な候補を増やし、計算や仮説検討を効率化し、人間がより多くの科学的可能性を検証できるようにすることが重要です。
工学分野でも同様です。
AIによる設計案の生成、Pythonによる計算、CAEによる解析、実験による確認を適切に組み合わせることで、再現可能な技術知識を蓄積できます。
AI for Scienceを理解するうえで、最も重要なのは次の区別です。
AIが提案したものと、科学的に検証されたものは異なる。
この原則を維持することが、AIを科学・工学へ安全かつ有効に導入するための基本になります。
参考情報
以下は、2026年10月12日時点で確認した研究機関の公式情報および原著論文です。
生物学・ゲノム
- AlphaFold 3｜Nature（2024年5月8日）
- AlphaGenome｜Nature（2026年1月28日）
- AlphaGenome Atlas｜Google DeepMind（2026年9月8日）
材料科学
気象・地球科学
Scientific Agent・科学計算
- AI co-scientist｜Google Research（2025年2月19日）
- Empirical Research Assistance｜Google Research（2026年4月29日更新）
今日の確認問題／学習課題
問題：AI for Scienceの分類
次の技術を、Prediction、Generation、Simulation Surrogate、Hypothesis Generationのいずれかに分類してください。
| 技術 | 分類 |
|---|---|
| 材料組成から強度を推定するAI | |
| 要求物性から新しい結晶構造を生成するAI | |
| CFDの計算結果を近似するAI | |
| 研究論文から新しい実験仮説を提案するAI |
それぞれの技術について、AIが出力するものと、追加で検証すべきものを説明してください。
問題：科学的な検証
AlphaFoldがタンパク質の立体構造を予測した場合、その結果だけでタンパク質の生物学的機能が証明されたと言えるでしょうか。
構造予測、機能予測、実験的検証の違いを説明してください。
問題：工学への応用
油圧機器の設計にAI for Scienceを導入すると仮定します。
次の工程について、AIへ委譲できる作業と、人間が検証すべき作業を分類してください。
| 工程 | AIの役割 | 人間の検証 |
|---|---|---|
| 設計条件の整理 | ||
| 計算式の選定 | ||
| Pythonコード生成 | ||
| 計算結果の確認 | ||
| 設計案の採否判断 |
問題：Scientific Agentの設計
AI Agentを利用して、物理学の学習記事を生成するシステムを考えます。
次の工程を含む処理フローを作成してください。
- 教材生成
- 手計算
- Pythonによる検算
- 計算結果の比較
- 記事修正
- 公開可否の判定
AIが生成した計算式に誤りがあった場合、どの工程で検出し、どのように処理を停止するかを説明してください。
今日の実習：AI科学学習ループの設計
Notionの学習作業票に対応する実習です。
目標：科学的根拠を維持しながら、AIによる教材生成・計算・検証・記事化を連携させること。
次の構成を参考に、学習対象を一つ選んでください。
学習テーマ
|
v
AIによる教材生成
|
v
公式・原著資料の確認
|
v
手計算
|
v
Pythonによる検算
|
v
結果の比較
|
+---- 不一致 ----> 原因調査
|
v
記事生成
|
v
公開前検証例えば、油圧シリンダの理論推力、配管圧力損失、ばね定数、単振動などが対象になります。
さらに、自動記事生成システムへ渡すデータ項目として、少なくとも次の情報を定義してください。
| データ項目 | 内容 |
|---|---|
topic | 学習テーマ |
objective | 到達目標 |
assumptions | 計算の前提条件 |
equations | 使用する数式 |
references | 参考資料 |
calculation_code | 検算コード |
validation_result | 検証結果 |
publication_status | 公開可否 |
最後に、科学的根拠を守るための停止条件を一つ以上設定してください。
完成条件：AIが生成する工程、人間が検証する工程、計算によって確認する工程、公開を停止する条件を明確に説明できること。
次回予告
Day 11｜Physical AI・Robotics
次回は、AIが物理世界を認識し、行動するための技術を扱います。
Physical AIでは、画像やセンサーデータを理解するだけでなく、物理環境に対して行動を計画し、ロボットなどの機械システムを動作させる技術が研究されています。
主な学習対象は次のとおりです。
- Physical AIとEmbodied AI
- Robotics Foundation Model
- Vision-Language-Action Model（VLA）
- Perception・Planning・Control・Actuation
- ロボットの学習とシミュレーション
- AIと従来の制御工学の責任境界
- 機械設計・油圧機器・産業用ロボットへの接続
特に、AIによる判断と、制御工学に基づく機械動作の違いを整理します。
次回の中心テーマは、AIが物理世界へ作用する際に、どこまでをAIに任せ、どこからを決定論的な制御システムが担うべきか、という設計問題です
