11月13日、Scientific Americanが「After math, will AI upend science, too?」と題した記事を公開した。執筆したのは同誌の科学ライターで、AIが数学の領域で相次いで難問を攻略し始めた現状を踏まえ、「では科学の番は来るのか」という問いに対して複数の研究者の見解を整理している。答えは単純な「Yes/No」ではなく、分野ごとの構造的な差異に踏み込んだ内容だ。

数学で起きたことが、科学でも起きるのか

今年に入ってから、AIが数学の難問を攻略する事例が相次いだ。5月にはOpenAIのモデルが、伝説的数学者ポール・エルデシュ（エルデシュ予想：組み合わせ数論における未解決命題群の総称）が提唱した長年の予想を反証した。8月にはナビエ-ストークス方程式（流体の運動を記述する偏微分方程式で、ミレニアム懸賞問題の一つ）に関連した特定の数学的問題について、AIが注目すべき進展をもたらした。さらに10月には、あるグループが722本のAI生成プレプリントを370以上の未解決問題に対して公開し、リーマン予想への部分的なアプローチまで含まれていた。

この流れを受け、記事が問うのは「次は科学の番か？」という点だ。

数学とサイエンスの根本的な違い

AIが数学で躍進できた理由の一つは、正解の存在と検証可能性にある。LLM（大規模言語モデル）は、Lean（Microsoft Researchが開発した数学的証明の形式検証ソフトウェア）のような証明検証ツールと組み合わせることで、自分が導いた結論が論理的に正しいかどうかを機械的に確認できる。

インド工科大学デリー校でAIを研究するN. M. Anoop Krishnan氏はこう指摘する。「科学には、そのような検証器が存在しない。」

さらに、科学者が依拠する知識の多くは査読論文には載っていない。ネガティブな実験結果や、長年の実験から体得した暗黙知（tacit knowledge）がそれにあたる。LLMはこうした情報を学習できていない。加えて、LLMは回答を均質化する傾向があり、探索的な科学研究に必要な「本当に新しいアイデア」の生成には不向きだとKrishnan氏は述べる。

物理的な世界との照合も避けられない。材料科学の分野では、AI由来の成果がほとんど「非物理的な材料」や「取るに足らない新規性」にとどまっているのが現状だ。最も期待されていたAI活用の事例が完全な捏造だったことも明らかになっている。WSJが報じたMITの研究者によるAI研究不正事件がその代表例で、AI生成の実験データを用いた論文が査読を通過しながら後に撤回を余儀なくされたケースだ。科学的検証のループにAIが入り込んだとき、捏造の発見が困難になるという構造的リスクを象徴している。

「AIに向いた問題」を探す物理学者の実験

Anthropicのコンサルタントも務めるハーバード大学の理論物理学者Matthew Schwartz氏は、2025年12月からClaudeを使ってAI活用の実験を本格化した。大学院生レベルの物理問題を与えると、2週間かかる作業を2分で返答したという。この体験を「自分が書いた中で最も重要な論文」と呼ぶレポートにまとめた。

その後、Schwartz氏が注力しているのは「AIに向いた問題（AI-shaped problems）」の特定だ。先月には22分野にわたる36本のプレプリントを公開。地球大気中の酸素の地質学的歴史の概説、系統樹の拡張、太陽黒点の人口統計的分析など多岐にわたる。これらに共通するのは、検証可能性と堅牢なデータ、そして数学的ツールを異分野間で転用できるという特性だ。

ただし、各分野の専門家による文脈提供は不可欠だった。ある事例でAIは「地震予測を現行手法より15%改善できる」と自信満々に主張したが、連携していた専門家はすぐに誤りと見抜いた。「Claudeは私を納得させたが、専門家は『それほどでもない』と言った」とSchwartz氏は語る。AIが高い確信度で誤りを提示するという問題は、専門家の監視なしには制御が難しい。

神経科学：知性を増やしても解けない問題

AIが最も苦労する分野として記事が挙げるのが神経科学だ。国立精神保健研究所の神経科学者Mark Histed氏はこう述べる。「この分野の難問は、知性を追加しても解けない。必要なのは、より良いデータだ。」

具体的には、神経活動のより精密な記録、生物学的ネットワークの網羅的な研究、オプトジェネティクス（光で特定の神経細胞を選択的に活性化・抑制する技術。神経回路の因果的な役割を解明するために用いられる）などによる新しい計測が求められている。

さらにHisted氏が指摘するのは構造的な問題だ。脳のようなカオス系では、わずかな初期条件の差異が指数関数的に増幅される。その結果、「ある時点を超えると、必要なデータ量が宇宙の熱的死より前に取得できる量を超える」という。これはデータ収集・計算資源の問題であり、AIの知的能力をいくら高めても解決できない性質の壁だ。AIが「賢くなる」だけでは突破できない限界がここにある。

研究者間でコンセンサスはない

Schwartz氏は「今日書けるどんな論文の内容も、Claudeが思考するだけで生成できるようになる」と理論物理学の近未来を予測する。一方、同じくAnthropicとコンサルタント契約を持つプリンストン大学の物理化学者Leslie Schoop氏は「指数関数的な成長はいずれ平坦化する」と慎重な見方を示す。

Schoop氏自身は、自分のラボで偶然と直感の組み合わせから発見した新しい結晶構造をAIに予測させようと試みたが、どのモデルも成功しなかった。「解析的な方法がないものは、AIにも見つけられない」というのが彼女の結論だ。同じAI企業と関係を持つ研究者の間でも、見通しは大きく異なる。

記事を執筆した記者自身は、2年前に「AIはただのツールになる」と主張する記事を書いたと告白しつつ、今はその見方を改めていると記す。印刷機の発明に匹敵するほどの情報生産の転換点に立っているというのが現在の認識だ。

数学では、人間が答えを理解すらできないケースも出始めている。科学はまだそこには至っていないが、「検証できない」という本質的な壁の前でAIがどこまで持ちこたえられるかは、誰にもわからない。

詳細はAfter math, will AI upend science, too?を参照していただきたい。