AIは理論物理・数学の研究をどこまで担えるのか——解く速さと、問いを立てる難しさ

2026年10月6日、OpenAIは、公開前の社内モデルが出した数学の結果を、約720本の原稿としてまとめて公開しました。これを受けて10月12日、機械学習と物理学を融合させる「学習物理学」の研究者たちがオンライン座談会「OpenAI論文と理論物理」を開き、統計物理学者の樺島祥介氏がスライドで感想を示しました。要点は、すでに数式の形になっている問題ならAIは人間よりはるかに速いが、複雑な現象から問題を切り出すことや、何が面白いかを決めることは別だ、というものです。この記事は、このスライドをきっかけに筆者がAIアシスタントと交わした対話をもとに、研究のどこまでをAIが担えるようになり、どこから先がまだ難しいのかを、論文と一次資料で確かめ直して整理したものです。2026年10月13日時点の情報として読んでください。

定式化された問題では、AIはすでに人間より速い

「定式化」とは、現象や問いを、数式で書かれた問題の形に直すことです。この形になった問題については、AIの力がはっきり示され始めています。

OpenAIが公開した原稿集(GitHubの openai/math)の説明によると、モデルにはおよそ4,000の問題が出され、結果1つあたり平均3時間の計算が使われました。原稿は関連するものごとに372のまとまりに分けられ、現在の目録では719本です。ただし、証明が正しいかを機械で一歩ずつ確かめる「Lean」という仕組みで検証済みなのは、主要な結果の約42%にとどまります。説明文自身も、検証されていない結果には誤りがありうると断っています。結果の中には数理物理(物理の問題を数学として厳密に扱う分野)のものも含まれます。たとえば、原子の小さな磁石の向きがそろわないまま凍りついたような物質のモデル「スピングラス」について、物理学者が物理の計算法で導いてきた式(メザール=パリジの公式)が挙がっています。

管理された条件で研究水準の問題を解かせる、独立した試験もあります。数学者のテレンス・タオ氏が2026年7月の国際数学者会議の講演で紹介した「First Proof」の第2回では、新しく作られた研究水準の10問を、5月28日に4つのAIシステムに解かせました。10問中7問が、少なくとも1つのシステムによって論文として発表できる水準で解かれています。1問あたりの計算費用は10〜1,000ドルでした。数学やプログラミングの競技でAIがどこまで人間に並んだかは、別の記事で扱いました。

樺島氏は今回のAIの成果を、ほぼ正しいと考えられていた予想を数学的に厳密に証明したものと位置づけ、数理物理としては重要だが、理論物理(物理の現象そのものを理論で説明する分野)にとっては意外さの小さい結果だと評しています。そのうえで、個人的には、証明する力よりもプログラムを書く力の影響のほうが大きいと述べています。数式をLaTeX(論文を書くための組版形式)やPDFで読ませるだけで、正しいプログラムを書き、計算結果を分析し、計算の条件を選び、計算機に計算を依頼するところまで自分で進める。メモ程度の論文の構成案を渡せば、図を含めた完成度の高い草稿まで作る。その結果、研究の開始から論文の投稿まで1〜2日で済んでしまう、といいます。ただし、これは数学的に定式化され、方向性が決まっている問題の場合だと、樺島氏自身が条件を付けています。

「問いを立てる」には段階がある

樺島氏が挙げた限界は2つです。複雑な現象から、どう問題を切り出して数式の形にするか。そして、何が面白いか、何をすべきかという価値の判断です。この「問いを立てる」力は、ひとまとめにせず段階に分けると、AIがどこまで届いているかが見えやすくなります。

1段目は、与えられた目標の中で仮説を出すこと。ここはかなりできるようになっています。GoogleのAI co-scientistは、仮説づくりを複数のAIで分担する仕組みです。英インペリアル・カレッジ・ロンドンのペナデス氏らは、cf-PICIと呼ばれる遺伝要素が、なぜ多くの種類の細菌に同じ形で見つかるのかを実験で突き止めていましたが、まだ発表していませんでした。同じ問いをこの仕組みに出したところ、最上位に挙げた仮説が、未発表の実験結果と一致しました。cf-PICIは、細菌に取りつくための「尾」を自分では持たず、別の種類のファージ(細菌に感染するウイルス)の尾を借りて、別の種の細菌に入り込む、というものです。ただし、問いを出したのは研究者です。この仕組みは、そもそも研究者が与えた目標に沿って仮説を出すように作られています。

2段目は、既存の枠組みの中で予想を立てること。一部はできますが、お膳立ては人間がしています。2026年2月に発表されたグルーオン(陽子の中で素粒子どうしを結びつける力を運ぶ粒子)の論文では、教科書ではゼロになるとされてきた散乱振幅(粒子がぶつかって特定の形で飛び散る起こりやすさを決める量)が、粒子の運動の向きが特別にそろった条件(半共線領域)ではゼロにならないことが示されました。教科書の議論が当てはまらない条件に目を付けたのは著者の物理学者たちです。粒子の数がいくつでも成り立つ式を予想したのがGPT-5.2 Pro、その証明を出したのがOpenAIの社内モデルで、著者たちは、散乱振幅を小さな部品から組み立てる標準的な漸化式(Berends–Giele の漸化式)をこの式が満たすことを確かめています。

3段目は、新しい問いや枠組みを作り、価値を決めること。ここは、AIの開発に関わる人たち自身が、まだ届いていないと見ています。Hugging Faceの共同創業者トーマス・ウルフ氏は2025年3月に公開したエッセイで、データセンターの中に「アインシュタイン」をつくるには、全ての答えを知っているシステムではなく、誰も思いつかなかった、あるいは誰もあえて問わなかった問いを立てられるシステムが要る、と書きました。いまのベンチマーク(AIの能力を測る試験)は、答えの分かっている問いに正しく答えられるかを測るものばかりで、このままでは「サーバーの上のイエスマン」ばかりが生まれる、とも述べています。Google DeepMindのデミス・ハサビス氏も、2026年2月18日にインドで開かれたAIインパクト・サミットで、予想を解くより正しい問いや仮説を見つけるほうがずっと難しいと語ったと、インドの業界メディアStoryboard18が報じています。

3段目が難しい理由の一つは、良い問いには正解がないことです。証明なら、Leanのような仕組みで正しいかどうかを機械的に判定でき、その判定をAIの訓練にも使えます。問いの価値は、実際に研究してみるまで、場合によっては何年もたってからでないと分かりません。

問いを立てる力を測る試み

それでも、問いや仮説を立てる力を測る研究は、この2年ほどで増えてきました。方法は大きく3つあります。

専門家が、誰の案か伏せて比べる。スタンフォード大学のシー氏らは、100人を超える自然言語処理(コンピューターで言葉を扱う分野)の研究者を集め、AIと人間の研究アイデアを、どちらが書いたか伏せて評価させました。AIのアイデアは新規性で人間を上回ると判定され、実現しやすさではやや劣りました。続く研究では、43人の研究者が、割り当てられたアイデアを実際に研究として実行しました。すると、AIのアイデアの評価は、すべての項目で人間のアイデアより大きく下がり、多くの項目で順位が逆転しました。アイデアの段階では新しく見えても、やってみると中身が伴わないことがある。問いの良し悪しは実行するまで分かりにくいことを、はっきり示した結果です。

過去の発見を当てさせる。化学のMOOSE-Chemでは、2023年までのデータで学習したAIに、2024年に発表されたNatureやScience級の化学論文51本の研究背景だけを渡し、最大3,000本の論文の中から手がかりを探させて、その論文の仮説を当てさせました。AIは多くの論文で、仮説の中核となる新しさを高い類似度で再発見しています。同じグループのResearchBenchはこれを12分野に広げ、AIの学習データの期限が進むたびに、新しい論文で問題を作り直せる設計にしています。ただし、この方法では、研究の背景となる問いは与えられています。また、正解は「人間が実際に立てた仮説」なので、人間を超える問いは原理的に測れません。

AIに採点させる。最も手軽ですが、落とし穴も見つかっています。2026年6月に発表されたRQ-Benchの研究では、AIの審査員は、AIが作った研究課題を一貫して新規性が高いと評価しました。著者たちはこれを「新規性の蜃気楼」と呼んでいます。人間の専門家の評価とは食い違い、AIの課題の多くは範囲が狭かったり、元の文献に引きずられていたりしましたが、AIの審査員はそれを見落としがちでした。

実行が安くなれば、問いも試せるようになる

測りにくさを乗り越える道の一つは、問いを実際に試してしまうことです。Google DeepMindなどのチームは2026年8月、co-scientistを仮説づくりから実験と論文の執筆にまで広げた結果を発表しました。材料科学では、研究室の化学気相成長装置(原料を気体にして基板の上に薄い膜を育てる炉)の条件に合わせて作り方を数分で組み立て、二硫化モリブデンなど3種類の、原子1層だけの半導体の結晶を、それぞれ最初の試みで育てています。ただし、どの事例も出発点は人間が与えた研究の指示です。著者たちは、生物学の事例は既知の条件の範囲の内側での予測で、まったく新しい領域への予測ではない、という限界も書いています。

結果の信頼性にも課題が残ります。同じ論文で、AIが50のテーマについて研究を最初から最後まで自動で行い、論文まで書く試験をしたところ、論文を無効にするほどの結果のでっち上げは、検証の仕組みを入れても4%で起き、その仕組みを外すと46%、比べた既存のシステムでは90%でした。

樺島氏の言うように、定式化された問題の研究が1〜2日で回るなら、「問いを立てる→実行する→結果を見る」という輪を何度も回せます。問いの良し悪しを結果で採点できれば、その採点を訓練に使う道も開けます。過去の研究の流れから「次に追うべき問い」を見抜く力、いわば研究者の嗅覚に近いものは、過去の発見を当てさせる試験と組み合わせることで、測り、伸ばしていける可能性があります。

一方で、分野の常識を変えるような問いは、その価値が後になってからしか分かりません。タオ氏は先の講演で、AIによって数学は証明が「足りない時代」から「あり余る時代」に移ると述べました。そのうえで、結果を研究者の共同体が理解して受け入れ、教科書に載る形に練り上げる段階こそが、最も時間がかかり、AIで効率化しにくく、しかし最も価値がある、としています。何が面白いかが定まっていくのも、こうした共同体の時間のかかる営みの中です。

筆者は、パラダイムを変えるような問いは人間にもほとんど分からないものなので、AIと人間が何度も試すうちに見えてくる、という形でしばらくはよいのではないかと考えています。ただ、対話の中では注意点も挙がりました。AIが「次に追われそうな問い」を当てるのがうまくなるほど、研究者は同じ有望な方向に集まりやすくなります。一見むだに見える方向を試す余地をどう残すかも、これからの研究の進め方の課題になります。

分かったこと、分かっていないこと

分かったことから並べます。数学的に定式化され、方向性が決まった問題では、AIは証明、計算、論文の草稿づくりまで、人間よりはるかに速くこなす段階に入りました。研究者が与えた目標の中でなら、未発表の実験結果と一致する仮説を出すこともできます。一方で、問いの良し悪しは実行するまで分かりにくく、AIの審査員はAIの問いの新しさを高く見積もりがちです。

分かっていないことは3つです。過去の発見を当てる試験で測れる「次の一手」の嗅覚が、本当に新しい問いを立てる力につながるか。実行の輪で問いを採点するとき、その結果を信頼できるか(検証の仕組みを入れても、でっち上げは4%残っています)。そして、何が面白いかという判断に、AIがどこまで加われるようになるか。2026年10月の時点では、樺島氏、ウルフ氏、ハサビス氏はいずれも、この最後の部分を、いまのAIがまだ届いていないところとして挙げています。