[論文レビュー] Kosmos: An AI Scientist for Autonomous Discovery

Ludovico Mitchener, Angela Yiu+35 more|ArXiv.org|Nov 4, 2025

Biomedical Text Mining and Ontologies被引用数 3

ひとこと要約

Kosmosは、データ分析と文献検索を調整する構造化された世界モデルを介してデータ駆動型の科学的発見を自動化し、追跡可能な報告と跨領域の発見を提供します。

ABSTRACT

Data-driven scientific discovery requires iterative cycles of literature search, hypothesis generation, and data analysis. Substantial progress has been made towards AI agents that can automate scientific research, but all such agents remain limited in the number of actions they can take before losing coherence, thus limiting the depth of their findings. Here we present Kosmos, an AI scientist that automates data-driven discovery. Given an open-ended objective and a dataset, Kosmos runs for up to 12 hours performing cycles of parallel data analysis, literature search, and hypothesis generation before synthesizing discoveries into scientific reports. Unlike prior systems, Kosmos uses a structured world model to share information between a data analysis agent and a literature search agent. The world model enables Kosmos to coherently pursue the specified objective over 200 agent rollouts, collectively executing an average of 42,000 lines of code and reading 1,500 papers per run. Kosmos cites all statements in its reports with code or primary literature, ensuring its reasoning is traceable. Independent scientists found 79.4% of statements in Kosmos reports to be accurate, and collaborators reported that a single 20-cycle Kosmos run performed the equivalent of 6 months of their own research time on average. Furthermore, collaborators reported that the number of valuable scientific findings generated scales linearly with Kosmos cycles (tested up to 20 cycles). We highlight seven discoveries made by Kosmos that span metabolomics, materials science, neuroscience, and statistical genetics. Three discoveries independently reproduce findings from preprinted or unpublished manuscripts that were not accessed by Kosmos at runtime, while four make novel contributions to the scientific literature.

研究の動機と目的

• データ分析と文献レビューの反復サイクルを通じて自律的な科学的発見を動機付ける。
• 共有世界モデルを用いたオープンエンドな目的の一貫したマルチエージェント探索を可能にする。
• データと文献への追跡可能な引用を備えた科学的に報告可能な発見を生み出す。

提案手法

• 並行して動作する2つの Edison Scientific エージェント（データ分析と文献検索）を使用する。
• エージェント間で出力を共有・統合する構造化された世界モデルを維持する。
• 各サイクルにつき最大10タスクを実行し、世界モデルを反復的に更新する。
• データまたは文献に密接に結びついた3〜4つの科学報告を生成する。
• 専門家評価を通じて報告の正確性を、発言・文献ソース・分析の観点で評価する。
• 探索を最大200のエージェント・ローアウトまでスケールし、1回の実行につき約42,000行のコードを作成する。

Figure 1: Kosmos workflow and performance. a) Overall workflow for Kosmos. (left) Kosmos is provided with an initial dataset and broad research objective specified by a scientist. (middle) The Kosmos world model coordinates data analysis and literature search agents to identify key discoveries. (rig

実験結果

リサーチクエスチョン

• RQ1 AI主導のシステムは、オープンエンドな研究目的を満たすために反復的なデータ分析と文献レビューを自律的に実行できるか。
• RQ2 構造化された世界モデルは、跨エージェントの一貫した推論と出典の引用を可能にし、追跡可能な科学報告を作成できるか。
• RQ3 多様な領域におけるKosmos生成発見の正確性と専門家の工数換算はどうなるか。

主な発見

• Kosmosは1回の実行で平均42,000行のコードを実行し、約1,500件の論文を読んでいる。
• 独立した専門家はKosmosの発言の79.4%を正確と評価した。
• 20サイクルのKosmos実行は、協力者によって人間の研究時間に換算すると約6か月に相当すると推定された。
• Kosmosは代謝物ゲノム学、材料科学、神経科学、統計遺伝学の領域にまたがる7件の発見を生み出した。
• 3件の発見は未公表またはカットオフ後の発見を再現し、4件は新規の洞察に寄与した。
• Kosmos報告のすべての発言はデータ分析出力または参照文献にリンクされており、追跡性が確保されている。

Figure 2: Kosmos reproduces unpublished discovery in neuroprotection metabolomics. a) Research objective and dataset description provided to Kosmos and experimental design for untargeted metabolomic profiling of mouse brains. b) Barplot showing up-regulation of purine and pyrimidine salvage products