利用AI機器人科學家將研發產能提升100倍
株式會社NexaScience透過「April Dream」發表願景，期望藉助AI機器人科學家將研發產能提升100倍，以解決日本研究環境的結構性效率低落問題。
📋 文章處理履歷
- 📰 發表: 2026年4月2日 08:59
- 🔍 收集: 2026年4月2日 09:03（發表後4分鐘）
- 🤖 AI分析完成: 2026年4月21日 06:50（收集後453小時47分鐘）
本公司響應致力於將4月1日打造為發表夢想之日的「April Dream」企劃。本篇新聞稿是「株式會社NexaScience」的夢想。
## 為什麼日本的研發投資無法產生相對應的成果？
日本每年的研發費用超過22兆日圓，佔GDP的3.7%，處於世界最高水準。研究人員數量也高達約90萬人，位居世界第3。單看投資規模，日本是無庸置疑的「科技大國」。
然而，這些投資卻沒有轉化為成果。
在被引用次數排名前10%的高受矚目論文數量上，日本僅停留在世界第13位。曾經超過30%的專利取得全球市佔率，如今已縮減至約10%。企業研發中有超過七成僅停留在改善現有產品，能開拓新市場的挑戰性研究十分有限。作為技術創新指標的全要素生產率（TFP）成長率，自1990年代後半以來，一直徘徊在主要國家中的最低水準。
這種「效率落差」，正是日本研發所面臨的最大結構性問題。
## 無論在大學或企業，研究人員都「無法專注於研究」
這個問題的根源在於，研究人員無法將時間用於本質的研究活動上。
大學教師業務時間中用於研究時間的比例，從2002年度的46.5%下降至2023年度的32.1%，20年間下滑了超過14個百分點。被教學負擔與行政手續追著跑，儘管教師總人數增加，實質上能從事研究的人數反而減少了近兩成。根據文部科學省的調查，約有八成的大學教師回答「研究時間不足」。
企業研究現場的情況也很類似。支援研究人員的助理與技術人員數量持續呈下降趨勢，導致研究人員不得不親自承擔實驗準備與行政作業。更嚴重的是研發「內容」的變化。有指出日本企業的研發內容與10年前高度相似，並未朝著新的技術領域發起挑戰。相較於美國收益較低的企業傾向於推動新陳代謝，日本企業無論利潤水準如何，都傾向於停留在現有領域。
坐擁90萬名研究人員，其力量卻未能充分發揮。日本研發所面臨的不是資金問題，而是研究流程本身的結構性低效。
## AI加速研究的時代已經來臨
另一方面，全球利用AI自動化與加速研究的進程正在快速推進。
Google DeepMind開發的AlphaFold，將過去需要數個月到數年時間的蛋白質立體結構預測縮短至幾分鐘內完成，並促成了2024年的諾貝爾化學獎。同樣來自DeepMind的GNoME，在材料探索領域中發現了超過220萬種新晶體結構候選物，相當於傳統過去10年發現量的數百倍。
在新藥研發領域，已經出現了透過AI將從標靶確認到決定臨床試驗候選藥物的時間，從傳統的數年縮短至約一年半的案例。在能自主規劃與執行實驗的「自主實驗室」研究中，預計透過機器人技術與AI的結合，能將研究速度提升10倍至100倍。
順應這股潮流，同為諾貝爾化學獎得主的DeepMind CEO傑米斯·哈薩比斯（Demis Hassabis）提出了將生物學研究加速100倍的願景
## 為什麼日本的研發投資無法產生相對應的成果？
日本每年的研發費用超過22兆日圓，佔GDP的3.7%，處於世界最高水準。研究人員數量也高達約90萬人，位居世界第3。單看投資規模，日本是無庸置疑的「科技大國」。
然而，這些投資卻沒有轉化為成果。
在被引用次數排名前10%的高受矚目論文數量上，日本僅停留在世界第13位。曾經超過30%的專利取得全球市佔率，如今已縮減至約10%。企業研發中有超過七成僅停留在改善現有產品，能開拓新市場的挑戰性研究十分有限。作為技術創新指標的全要素生產率（TFP）成長率，自1990年代後半以來，一直徘徊在主要國家中的最低水準。
這種「效率落差」，正是日本研發所面臨的最大結構性問題。
## 無論在大學或企業，研究人員都「無法專注於研究」
這個問題的根源在於，研究人員無法將時間用於本質的研究活動上。
大學教師業務時間中用於研究時間的比例，從2002年度的46.5%下降至2023年度的32.1%，20年間下滑了超過14個百分點。被教學負擔與行政手續追著跑，儘管教師總人數增加，實質上能從事研究的人數反而減少了近兩成。根據文部科學省的調查，約有八成的大學教師回答「研究時間不足」。
企業研究現場的情況也很類似。支援研究人員的助理與技術人員數量持續呈下降趨勢，導致研究人員不得不親自承擔實驗準備與行政作業。更嚴重的是研發「內容」的變化。有指出日本企業的研發內容與10年前高度相似，並未朝著新的技術領域發起挑戰。相較於美國收益較低的企業傾向於推動新陳代謝，日本企業無論利潤水準如何，都傾向於停留在現有領域。
坐擁90萬名研究人員，其力量卻未能充分發揮。日本研發所面臨的不是資金問題，而是研究流程本身的結構性低效。
## AI加速研究的時代已經來臨
另一方面，全球利用AI自動化與加速研究的進程正在快速推進。
Google DeepMind開發的AlphaFold，將過去需要數個月到數年時間的蛋白質立體結構預測縮短至幾分鐘內完成，並促成了2024年的諾貝爾化學獎。同樣來自DeepMind的GNoME，在材料探索領域中發現了超過220萬種新晶體結構候選物，相當於傳統過去10年發現量的數百倍。
在新藥研發領域，已經出現了透過AI將從標靶確認到決定臨床試驗候選藥物的時間，從傳統的數年縮短至約一年半的案例。在能自主規劃與執行實驗的「自主實驗室」研究中，預計透過機器人技術與AI的結合，能將研究速度提升10倍至100倍。
順應這股潮流，同為諾貝爾化學獎得主的DeepMind CEO傑米斯·哈薩比斯（Demis Hassabis）提出了將生物學研究加速100倍的願景