2026年10月8日OpenAIが公開している、AIによる数学研究の進展についての記事を読んだ。

Sharing AI progress in mathematics

本当におもしろい。

AIが数学の問題に取り組み、人間の研究者とともに新しい数学的知識の発見に挑戦している。

AIが人間の知識を学習するだけでなく、人間がまだ知らない知識を生み出す。そんな時代が、いよいよ現実になりつつある。

研究者としては、なんともワクワクする話である。

ところが、読みながら一つの疑問が浮かんできた。

数学には証明がある。では、進化計算や生命科学では、AIによる発見を何によって保証するのだろうか。

考えてみると、これはなかなか厄介な問題である。

数学には証明という強力な仕組みがある

数学の世界は、ある意味でうらやましい。

AIがどれほど奇妙な方法で新しい定理を発見したとしても、その定理について正しい証明を示すことができれば、論理的な正しさを確認できる。

最近では、Leanのような形式的証明支援システムによって、証明の論理的整合性を機械的に検証することもできる。

AIが発見し、別の仕組みが検証する。

もちろん、証明が正しいことと、その定理が数学的に重要であることは別の話である。

それでも、正しさを確かめるための明確な仕組みがあるというのは、実に素晴らしい。

では、私が研究している進化計算ではどうだろう。

例えば、AIがこれまでにない交叉方法を発見したとする。

交叉とは、進化計算において複数の解の情報を組み合わせ、新しい解を生み出す操作である。生物の遺伝的な仕組みから着想を得たもので、探索の性能を左右する重要な要素でもある。

AIが考えた新しい交叉方法を試してみると、従来の方法よりも優れた結果が得られた。

素晴らしい。

論文を書きたくなる。

しかし、少し待ってほしい。

その結果は、特定の問題でだけ成立しているのかもしれない。パラメータの設定がたまたま良かったのかもしれない。あるいは、単なる偶然かもしれない。

さらに厄介なのは、性能が良いという事実だけでは、なぜ良いのかがわからないことである。

「よく動くアルゴリズムを発見すること」と「なぜよく動くのかという原理を発見すること」は違う。

これは、進化計算を研究していると何度も直面する問題である。

ベンチマークで良い結果が出たからといって、すぐに新しい科学的原理を発見したとは言えない。

数学のように、最後に証明を書けば一件落着、というわけにはいかないのである。

生命科学では、さらに話がややこしい

生命科学になると、問題はもっと複雑になる。

例えば、AIがあるタンパク質と疾患との間に新しい関係を発見したとしよう。

膨大なデータを分析した結果、これまで誰も気づかなかった強い相関が見つかった。

これも素晴らしい発見である。

しかし、相関があることと、因果関係があることは違う。

そのタンパク質が疾患の原因なのかもしれないし、疾患の結果として変化しているだけなのかもしれない。まったく別の要因が両方に影響している可能性もある。

実験で確認できたとしても、別の細胞や個体、環境で同じことが起きるとは限らない。

創薬の研究でも似たようなことが起こる。

AIが、計算機の中で非常に優れた分子を設計したとする。

しかし、その分子は実際に合成できるのだろうか。合成できても、期待した薬効があるのだろうか。安全性はどうなのだろうか。

計算機の中では優等生だった分子が、実験室に出た途端に問題児になることもある。

数学の証明と違って、実験によって得られた結果には、常に条件や限界がついて回る。

再現性を確認し、別の条件でも試し、反例を探し、少しずつ信頼性を高めていく。

科学とは、そういう地道な営みでもある。

ところが、AIによって発見の速度が飛躍的に高まると、この地道な検証の部分が追いつかなくなるのではないだろうか。

AIが毎日のように新しい仮説を生み出しても、それを検証する実験が数か月、あるいは数年かかるのであれば、発見ばかりが積み上がってしまう。

これは困ったことになりそうである。

AIが発見した仮説を、別のAIに否定させたらどうだろう

そんなことを考えているうちに、少しおもしろいことに気づいた。

AIが発見した仮説を、別のAIに否定させればよいのではないか。

もちろん、AI同士で言い争いをさせたいわけではない。

あるAIが新しい仮説を発見したら、別のAIには、その仮説が成立しない条件を徹底的に探させるのである。

例えば、私が関心を持っている進化計算の研究に、親個体の劣化方向に関する仮説がある。

通常、最適化では、解が改善する方向を探そうとする。

しかし、親個体が悪くなる方向にも、子個体を改善するための情報が隠されているのではないか。

そんな仮説である。

仮にAIが、この仮説を支持する実験結果を発見したとしよう。

そこで別のAIに問いかける。

「この仮説が間違っていることを示す条件を探してほしい」

目的関数を変えてみる。

問題の次元を増やしてみる。

制約条件を変えてみる。

探索空間の構造を変えてみる。

そうして、仮説が成立しなくなる条件を積極的に探していく。

ここで重要なのは、単に実験の回数を増やすことではない。

仮説を反証するための実験そのものを、AIに探索させるのである。

考えてみれば、科学者も似たようなことをしている。

新しい仮説を思いついたとき、その仮説を支持する結果ばかりを集めていては危ない。

むしろ、どんな条件なら成立しないのかを考えることが重要になる。

ただ、人間には自分の仮説を信じたくなる気持ちがある。

せっかく苦労して考えた仮説なのだから、できれば正しくあってほしい。

私も例外ではない。

そこでAIに、遠慮なく反例を探してもらう。

なかなか良い役割分担ではないだろうか。

もっとも、AIにも学習データや評価方法に由来する偏りがある。同じようなAIを二つ用意しただけでは、同じ間違いを繰り返す可能性もある。

AI同士が「素晴らしい発見ですね」と褒め合っていても、科学は進まない。

重要なのは、異なる方法や独立した検証を組み合わせ、実際に反例を見つけられる仕組みを作ることだろう。

進化計算は、科学の反証装置になれるか

ここで、もう一つの気づきがあった。

反例を探すという作業は、まさに探索問題ではないか。

進化計算は、広大な探索空間の中から、より良い解を見つけるために発展してきた技術である。

通常は、性能の良い設計や最適なパラメータなどを探す。

しかし、探索の目的を変えたらどうなるだろう。

最も良い解ではなく、ある科学的仮説が最も破綻しやすい条件を探す。

例えば、仮説を支持する結果が得られなくなるような問題設定を、進化計算によって生成する。

もし反例が見つかれば、仮説を修正する必要がある。

反例が見つからなかったとしても、それだけで仮説が正しいと証明されたわけではない。

ただし、どのような条件で検証し、どこまで反例を探索したのかを明らかにすることはできる。

さらに、反例が見つかった境界を調べれば、仮説が成立する条件について、新しい知識が得られるかもしれない。

これは、単なるアルゴリズムの性能比較とは少し違う。

科学的仮説の適用範囲を、探索によって明らかにするという考え方である。

進化計算は、科学的発見を生み出す技術であると同時に、その発見を検証する技術にもなれるのではないか。

これは、私にとって今回の最もおもしろい気づきだった。

もちろん、反例探索や自動実験設計にはすでに関連する研究がある。ここで考えているのは、それらを進化計算による科学的発見の枠組みと結びつけ、さらに発展させられないかという構想である。

最適化から、探索、創造、発見、そして検証へ

現在、私は進化計算をもう少し広い視点から捉え直そうと考えている。

その研究構想には、次のような名前をつけている。

Redefining Evolutionary Computation: From Optimization to Exploration, Creation, and Discovery

進化計算を、単に良い解を求める最適化技術としてではなく、未知の世界を探索し、新しいものを創造し、まだ知られていない原理を発見するための技術として捉え直すという考え方である。

今回、そこにもう一つの言葉を加えたくなった。

Validation（検証） である。

Optimization → Exploration → Creation → Discovery → Validation

最適化から探索へ。

探索から創造へ。

創造から発見へ。

そして、発見から検証へ。

ただし、これは一直線に進むものではない。

検証によって反例が見つかれば、新しい問いが生まれる。

その問いから、再び探索が始まる。

新しい仮説が生まれ、また検証が始まる。

発見と検証が循環する。

そんな科学的探索システムを、進化計算によって実現できないだろうか。

考えてみると、進化計算という名前にもよく似合っている。

進化とは、完成した答えに到達することではなく、環境との相互作用を通じて変化し続けることなのだから。

正しい発見と、意味のある発見

ところで、ここまで考えて、もう一つ気になることがある。

仮にAIが発見した仮説を十分に検証できるようになったとして、それで科学は完成するのだろうか。

おそらく、そうではない。

数学で正しい定理が証明されても、それが必ずしも重要な定理とは限らない。

生命科学でも、再現性のある現象が見つかったからといって、それが必ずしも重要な発見とは限らない。

科学的発見には、少なくとも二つの異なる問いがある。

その発見は、どこまで正しいのか。

そして、

その発見には、どのような意味があるのか。

前者はValidity、後者はSignificanceと呼べるだろう。

AIは、前者の検証を強力に支援するようになるかもしれない。

しかし、後者はどうだろう。

なぜその問題を研究するのか。

なぜその現象に興味を持つのか。

その発見によって、私たちの世界の見方がどう変わるのか。

こうした問いには、科学の歴史や社会との関係、そして研究者自身の好奇心が深く関わっている。

もちろん、AIも発見の重要性を評価するようになるだろう。

それでも、何をおもしろいと感じるのか、何を知りたいと願うのかという問いは、簡単には消えそうにない。

AI時代の科学は、どこへ向かうのだろう

AIによって、科学的発見の速度はこれからさらに高まっていくのだろう。

これまで人間が何年もかけて考えていた仮説を、AIが短時間で提案するようになるかもしれない。

そうなると、科学のボトルネックは、発見することから、発見を検証することへ移っていくのかもしれない。

そして、その検証さえもAIが支援するようになる。

AIが仮説を発見し、別のAIが反例を探す。

反例から新しい仮説が生まれ、また探索が始まる。

そんな循環が実現すれば、科学研究の進め方そのものが変わる可能性がある。

ただ、最初の問いはまだ残っている。

AIが発見した科学的真理を、誰が保証するのか。

数学には証明がある。

実証科学には、観察と実験、再現と反証の積み重ねがある。

そして、これからは、その積み重ねをAIや進化計算が支えるようになるのかもしれない。

進化計算は、良い答えを探すだけでなく、私たちが正しいと信じている答えを疑うための技術にもなれるのだろうか。

もしそうなら、私がこれまで研究してきた進化計算には、まだ思いもよらない役割が残されているような気がする。

そう考えると、また少しワクワクしてくる。