科学技術振興機構（JST）は2026年10月13日、9月29日に採択課題が決定された国家プロジェクト「ARiSE（AI for Science革新的研究推進事業）」に関する説明会を開催しました。研究期間を2026年10月から2029年3月末までの約2年半と設定し、仮説生成から自律実験までを完結させる科学基盤モデルやAIエージェントの開発へ集中投資します。
ARiSEの公募結果と推進体制の全容
ARiSE（AI to Redesign Scientific Exploration）は、文部科学省が2026年3月31日に策定した「AI for Scienceの推進に向けた基本的な戦略方針」に基づく大型事業です。令和7年度（2025年度）補正予算においてJST基金として320億円が措置されました。
本事業では、AIを単なるデータ解析ツールとして使う段階から脱却させます。仮説生成、実験計画、シミュレーション、ロボットによる物理実験、データ解析、次の仮説構築までを自律的に循環させる研究プロセスの構築を目的とします。
事業統括（PD）には東北大学理事・副学長の青木孝文氏が就任しました。また、戦略ターゲット型の推進統括（PO）を国立情報学研究所（NII）所長の黒橋禎夫氏、国際・融合型のPOを理化学研究所革新知能統合研究センター副センター長の上田修功氏が務めます。
2026年5月12日から6月30日まで実施された研究開発提案公募では、合計203件の応募から31件が選定されました。採択倍率は全体で約6.5倍に達しています。
| 区分 | 対象分野 | 採択件数 / 応募件数 | 1課題あたりの上限研究費 |
|---|---|---|---|
| 戦略ターゲット1-1 | マテリアルAI基盤の構築 | 1件 / 1件 | 約30億円 |
| 戦略ターゲット1-2 | 高度マテリアルAI開発 | 1件 / 3件 | 約30億円 |
| 戦略ターゲット1-3 | マテリアル個別領域展開 | 4件 / 22件 | 約10億円 |
| 戦略ターゲット2 | ライフサイエンス基盤モデル | 4件 / 35件 | 約20億円 |
| 戦略ターゲット3 | 無人研究施設（Science by AI） | 2件 / 9件 | 約20億円 |
| 国際・融合型 | 理論融合型・独創的研究 | 19件 / 133件 | 原則2億円（最大6.5億円） |
公募要件には、AI研究者とドメイン専門家の共同代表制が義務付けられました。さらに、GPUなどの計算資源確保計画の事前策定や、研究セキュリティを担保する「オープン・アンド・クローズ戦略」の採用が盛り込まれています。理化学研究所のAI向けスーパーコンピュータ「理究」や、NIIの学術情報ネットワーク「SINET」「NII RDC」を連携基盤として活用します。
参考記事: AI科学研究のボトルネックは検証プロセス｜自律実験室の課題と実用化ロードマップ
物理実験の自律ループとTheory-driven AIの技術基盤
ARiSEが目指す技術基盤の中核は、膨大なデータを力任せに学習させるブルートフォース型アプローチからの脱却です。計算科学のシミュレーションと物理空間の実験設備をAPI経由で直結し、自律的な仮説検証ループを回す設計を採ります。
2030年を見据えた無人研究施設の物理制御アーキテクチャ
戦略ターゲット3で開発される「無人研究施設」は、実験プロセスの完全自動化を目指します。従来は2050年頃の想定だった構想を2030年頃へ前倒ししました。
システムの運用形態は、人間が最終判断枠組みのみを監督する「Human-OVER-the-Loop」型を採用します。具体的には、以下の3つの階層をソフトウェアとハードウェアで統合します。
[情報基盤] AIエージェント（仮説生成・実験プロトコル設計・結果解析）
│
▼ （API・スケジューリング指示）
[運用基盤] 動的リソースアロケータ（装置・時間枠・試薬在庫の自動割当）
│
▼ （物理制御信号）
[物理基盤] 自律搬送ロボット（AGV）＋自動分注・計測装置（試料搬送・補給・復旧）
実験要求が入力されると、AIエージェントがプロトコルをコード化します。運用基盤が空いている分析機器や試薬を割り当て、自律搬送ロボットが試料を機器間へ移動させます。
単一装置の自動化にとどまらず、搬送トラブル時の自己復旧機構や試薬の自動補充を組み込むことで、夜間や休日を問わない24時間連続稼働を実現します。採択課題にはエピストラ株式会社などが参画し、理化学研究所や東京科学大学と共同で大規模実験拠点の構築を進めます。
全生物対応40億パラメータgLMとDBTLサイクル
戦略ターゲット2では、生命科学に特化した40億パラメータ級のゲノム言語モデル（gLM）を開発します。既存の70億パラメータ級テキスト言語モデルの構造を転用しつつ、入力トークンをDNAやアミノ酸配列に最適化します。
対象はヒトだけでなく、植物、動物、微生物を含む全生物ドメインです。配列設計から合成、機能検証、再学習までのサイクルを「DBTL（Design-Build-Test-Learn）」として高速化します。
Design（gLMによる配列・構造設計）
│
▼
Build（無人施設・自動合成系でのDNA/タンパク質合成）
│
▼
Test（高スループット活性スクリーニング・細胞アッセイ）
│
▼
Learn（活性データ＋失敗データをgLMへ追加フィードバック）
モデルの学習には、成功した実験データだけでなく、結合しなかった失敗実験のネガティブデータも還元します。株式会社MOLCUREなどのバイオテック企業も参画し、抗原特異的免疫デジタルツインの構築といった創薬パイプラインの検証を進めます。
制約条件を超えた「Theory-driven AI」の数理実装
国際・融合型で重点が置かれる「Theory-driven AI」は、従来のPhysics-informed Neural Networks（PINN）と一線を画します。PINNは物理方程式を損失関数（Loss）のペナルティ項として与える手法が主流でした。この方法では、複雑な境界条件で学習が停滞する課題がありました。
Theory-driven AIでは、物理法則をモデルの内部構造へ直接埋め込みます。
- 対称性と群論の幾何学的組み込み: SE(3)同変性（回転・並進に対する不変性）をニューラルネットワークの層構造（Layer）自体に制約として組み込み、結晶や分子の立体配置空間を数学的に逸脱しない設計にします。
- 保存則を満たす潜在空間: エネルギー保存則や質量保存則を表現空間の幾何構造にマッピングし、非物理的な解の出力を計算原理から排除します。
この構造化により、必要とされる学習データ量を従来比で大幅に削減できます。未知の材料探索や極限環境下での物性予測において、高い汎化性能を発揮します。
参考記事: 自律型AI実験ラボの衝撃｜英国ARIAが描く「AI科学者」のロードマップと3つの技術的絶対条件
産業界および研究エコシステムへの波及
ARiSEによる研究基盤の刷新は、材料・バイオ・ロボティクス産業の研究開発構造を変化させます。
導入企業（化学・素材・製薬）
素材・製薬メーカーは、自社開発パイプラインの見直しを迫られます。物質・材料研究機構（NIMS）を中心とするマテリアルAI基盤や、Bio-AGILEコンソーシアムの共用モデルが稼働することで、スクリーニング工程の外部化が進むためです。
従来は熟練研究者の勘と経験に頼っていた配合探索や結晶構造探索が、API経由でアクセス可能な基盤モデルに置き換わります。企業側の競争優位性は、モデル自体の保有ではなく、自社独自の非公開検証データ量と、基盤モデルへ自社理論を適応させるファインチューニング技術へ移行します。
参考記事: AI創薬による変革の真実｜開発期間50%短縮を実現する技術基盤と導入基準
ロボット・理化学機器メーカー
実験室の自動化需要は、単体機器のオートメーションから、システム全体の統合運用へとシフトします。無人研究施設で求められる要件は、高精度なアームロボットの操作性だけではありません。
- 多種多様な分析装置の通信規格（SiLA 2等）への準拠
- 液体・粉体の微量ハンドリングにおけるエラー検知と自律リカバリ
- クリーンルーム環境に対応した自律搬送ロボット（AGV/AMR）のフリートマネジメント
物理実験系をソフトウェアで制御可能な「AI-Readyな理化学機器」への刷新需要が生じます。
大学・公的研究機関
研究室の運用モデルは、学生やポスドクによる人海戦術型の実験反復から、計算資源とロボット群のオーケストレーションへと移行します。文部科学省の基本戦略方針では、5年間で3,000人以上のAI科学研究人材と、計算資源を扱える高度専門人材200人の育成がKPIとして設定されました。
SINETやNII RDCを介して計算資源と研究データが中央集約されるため、研究機関の競争力は大型実験設備の保有数ではなく、理論モデルの設計力と計算資源の配分効率によって決まるようになります。
参考記事: AIエージェントとは？自律型AIの仕組みから2030年のマシンエコノミー予測まで徹底解説
TechShiftの視点：2029年に向けた技術選定と評価指標
ARiSEの開始によって、単に「生成AIを使って論文やデータを分析する」フェーズは終了しました。科学研究プロセスの成否を握るのは、自律ループのサイクル速度です。
企業の事業責任者や技術責任者は、自社のR&D部門において以下のKPIをモニタリングし、国家基盤の活用または独自投資の判断を下す必要があります。
【R&D自律化の移行判断KPI】
1. 仮説検証サイクル時間: 1サイクル（設計→合成→評価）にかかる日数を年単位から「72時間以内」へ短縮できているか
2. 実験自動化カバレッジ: 全実験工程のうち、人手を介さずAPI制御される工程比率「80%以上」
3. ネガティブデータの回収率: 失敗実験データの構造化蓄積率「100%」
今後は、海外の大規模な計算資源投資に対抗するため、日本が蓄積してきた高品位な実験データとドメイン理論をいかに「Theory-driven」なアーキテクチャへ変換できるかが問われます。
まとめ：自律型R&Dへの移行ロードマップ
ARiSEの始動に伴い、企業の技術開発リーダーが取るべき実務アクションは以下の通りです。
- 社内実験データのAI-Ready化を完了させる
実験ノートに分散している配合比、温度プロファイル、計測結果を構造化データベースへ統合します。その際、失敗した実験のデータも必ず収集対象に含めてください。
- 自社実験装置のインターフェースをAPI開放する
将来的なAIエージェント連携を見据え、既存の計測・分析装置が外部スクリプトから自動制御できるか通信規格を棚卸しします。
- 国家基盤コンソーシアムへの参画検討を開始する
Bio-AGILEやマテリアルAI基盤など、公開予定の国家共通プラットフォームへの接続要件を確認し、共同研究やテストベッド利用の準備を進めてください。
