Wenge AI、ScienceProを発表：科学研究の意思決定AIを革新しAI4Sの実用化を加速
SciencePro：ScienceOne基盤モデルによる科学研究意思決定プラットフォーム
2026年9月17日、Wenge AIは、科学研究における意思決定プロセスを革新するために設計されたインテリジェント研究意思決定プラットフォーム「SciencePro」を発表しました。このプラットフォームは、ScienceOne Scientific Foundation Modelを基盤としており、AI for Science (AI4S) の実世界における応用を推進することを目的としています。ScienceOneモデルは、中国科学院 (CAS) が主導するイニシアチブの一環として開発され、Wenge AIの持つ科学データ、研究ツール、意思決定AIに関する専門知識を結集し、実践的な研究タスクに対するプラットフォームサービスを提供します。ScienceOne基盤モデルは、波、スペクトル、場などのマルチモーダルな科学データを理解する能力を持ち、材料科学、医学、天文学などの分野でその価値が実証されています。Wenge AIは、データ、オントロジー、モデル、エージェントから成るDOMAフレームワークを中核技術システムとして構築し、データガバナンス、ドメイン知識管理、大規模モデル機能、エージェントシステムを統合することで、企業がデータからアプリケーションまでの完全なAI機能システムを構築できるよう支援しています。
ScienceProの主要機能とAI4Sへの貢献
ScienceProは、科学研究のライフサイクル全体を支援する多岐にわたる機能を提供します。その主要な機能は以下の通りです。
-
イノベーション評価: プロジェクトの事前評価、研究提案のレビュー、原稿の事前レビューをサポートします。研究の技術的進歩性、重複性、独創性を評価し、対象ジャーナルや学術会議のレビュー基準を参照して、論文の学術的貢献度、技術的厳密性、再現性を評価し、改訂の提案を行います。この機能は、3,200万件の研究プロジェクト記録、70万件の産業R&D年次報告書、2億7,000万件の論文と特許を網羅するイノベーション評価データベースと、約100の評価基準に基づいて機能します。
-
研究リソースアクセス (ScienceHub): 300以上の専門データベース、2,000以上の研究ツール、7,000以上の研究スキルモジュールを統合しています。ユーザーは文献、データ、計算ツールをオンデマンドで利用でき、研究手法や分析ワークフローをスキルとしてパッケージ化し、コミュニティと共有することが可能です。
-
専門タスク実行 (Research-Agent Marketplace): 量子コンピューティングシミュレーション、計算材料設計、分子評価、ライフサイエンス研究など、複数の分野にわたる13の専門エージェントを提供します。これにより、研究計画の設計、材料安定性分析、分子物理化学的特性評価などを支援します。
-
自然言語インタラクションと効率化: 以前はツールの設定や計算に多大な時間を要したタスクを、自然言語で開始できるようになります。これにより、数千もの論文を処理し、2時間以内に1万語の文献レビューを生成し、主要な引用元を原文と照合して検証することが可能になります。
これらの機能を通じて、ScienceProは科学者がより効率的に研究を進め、より質の高い意思決定を行えるよう支援し、AI4Sの応用領域を大幅に拡大します。
科学研究のパラダイムシフトとエコシステム構築
ScienceProの導入は、AIが単なるデータ処理ツールから、より汎用的な「知恵」へと移行し、科学分野に深く統合されるAI4Sの新たなパラダイムシフトを示唆しています。Wenge AIは、北京創聯教育投資有限公司および現代職業教育研究院と三者協力協定を締結し、職業教育と人材育成に注力し、意思決定AIを教育実践に統合する方法を模索しています。また、CAS人材交流開発センターとの戦略的協力協定を通じて、大学の研究・教育におけるScienceProの応用を共同で推進し、エコシステムの発展を加速させています。これは、科学研究のプロセス全体を変革し、AIと科学の境界を広げ、研究者コミュニティ内での知識共有と協力を促進するための包括的なアプローチです。
開発者・エンジニア視点での考察
-
多様な科学ドメイン特化型エージェントの開発と連携の可能性: ScienceProのResearch-Agent Marketplaceは、量子コンピューティングからライフサイエンスまで13の専門エージェントを提供しており、これらはScienceOne基盤モデルを基盤としていると考えられます。開発者にとっては、これらの既存エージェントのAPIを介した連携や、特定の研究課題に特化した新たなエージェントを、ScienceOneのような基盤モデル上で構築・展開するためのフレームワーク（例：Wenge AIのDOMAフレームワーク）の活用が重要になります。これにより、特定の科学分野における高度な自動化と意思決定支援が可能となるでしょう。
-
マルチモーダル科学データ処理パイプラインの設計と最適化: ScienceOne基盤モデルが「波、スペクトル、場」といったマルチモーダルな科学データを理解できる点は、開発者にとって大きな技術的示唆を与えます。これは、従来のテキストベースのLLMとは異なるデータ前処理、特徴抽出、モデルアーキテクチャが必要であることを意味します。開発者は、異種科学データの統合、ノイズ除去、時系列解析、画像認識といったパイプラインをScienceProのScienceHub機能（300以上のデータベース、2,000以上のツール、7,000以上のスキルモジュール）と連携させながら、効率的かつスケーラブルに設計する技術が求められます。
-
自然言語による研究ワークフロー構築と検証メカニズムの深化: ScienceProが自然言語でのタスク開始や、1万語の文献レビューを2時間で生成し、引用元を検証できる機能は、研究者のワークフローを劇的に変革します。開発者は、このような自然言語インターフェースの背後にある意図理解、知識グラフ構築、推論エンジンの設計に注力する必要があります。特に「引用元検証」のような信頼性確保のためのメカニズムは、AIが生成する科学的情報の誤謬を防ぐ上で極めて重要であり、そのアルゴリズムの透明性やカスタマイズ性に関する技術的探求が求められます。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
