この論文は、テキストや数値だけでなく、画像や音、動画、3次元構造などの生データを直接読み取って、仮説提案から実験実行、論文作成まで一貫して進めるAIシステム「OmniScientist」を紹介します。重要な点は、生データの空間的・時間的・手続き的な関係を保持したまま研究を進めることで、従来の「あらかじめ要約された特徴」に頼る方法よりも証拠に基づいた発見が可能になることです。研究チームはこれを「ライフサイクル全体にわたる知覚（perception）」を重視する設計と呼んでいます。

システムは大きく分けて、感知（perception）層と3つの自律エージェント（発想、実験、執筆）で構成されます。各段階では観察、推論、行動を繰り返すReActループを使い、観察結果が問いの選択や実験設計、最終的な主張に影響を与えます。パイプラインは決定論的に段階を制御し、実験が失敗したり結果が無効な場合は発想段階に戻る仕組みです。さらにコード上で「アイデアチェック」「厳密性チェック」「主張チェック」を実行し、新規性の検査、統計的妥当性、実行の来歴（プロベナンス）、数値の追跡可能性、および結果後に仮説を捏造する「HARKing」防止などを監視します。

評価は36件の実データケースで行われました。対象は5つの学問カテゴリと4種類の科学的証拠ファミリーにまたがり、画像、波形、音声、動画、3次元構造、軌跡、表、式、グラフなど多様なモダリティを含みます。システムは36件すべてで「生データから論文を作成する」完全な経路を完了しました。参照的推論バックボーンを使った場合、生成された論文の平均総合スコアは6.3でした（評価は7つの評価軸で2名の分野横断的な審査員が採点）。また、生データを直接見る完全版と、事前に計算されたスカラー特徴しか受け取らない「ブラインド」版を比較すると、直接知覚を持つ方が7つの評価軸すべてで改善し、対決では85%の勝率を示しました。改善は特に「マルチモーダルの根拠付け」と「科学的意義」で大きかったと報告されています。

なぜ重要かというと、多くの既存システムは人が用意した表現（テキストや要約）に依存しており、そこでは重要な空間的・時間的・チャンネル間の関係が消えてしまうことがあるからです。OmniScientistは観察から仮説形成、実験、報告まで一貫して生データを扱うことで、見落としや誤った要約に起因する誤りを減らし、分野横断的な研究を自動化する実用的な道を示しています。

重要な注意点として、本論文の実証は提示された36件のケースに基づくデモンストレーションです。評価で用いた「参照的推論バックボーン」への依存や、採点が2名の審査員に基づく点など、結果の一般化範囲には限りがあります。また、著者自身がデータ漏洩、反復検定、結果後の仮説作成といったリスクを指摘し、それらをコードで検査する仕組みを導入していますが、こうした防止策が実運用で十分に機能するかどうかは引き続き検証が必要です。論文は、生データ中心のアプローチが有望であることを示す一方で、より広い実世界展開や追加の独立検証が今後の課題であることを示唆しています。