AIが開放的な数学の問題を解決するとき、天才の役割は何か？

数学は長い間、知能の最も純粋な尺度として扱われてきた。実験装置、ノイズ、測定ツールに依存しないからだ。証明は正しいか間違っているか、明確な答えがある。そんな明確さが、長年にわたって解決されなかった問題、つまり既知の手法に対して抵抗する推測、を知的マウントエベレストのようなものにしている。

歴史は同じ話を繰り返している。ある疑問が数十年、または数世紀にわたって浮かび上がっているが、まれにその道を誰も見なかった、誰も見なかったような、耐性、創造性、技術力の特別な組み合わせを持った稀有な頭脳が現れる。数学では、たとえそれが孤独な天才の物語であっても、たとえそれが孤独な天才の物語であっても、我々はそれを祝福する。

しかし、新しいパターンが現れ始めている。2025年末と2026年初頭、オンラインでの議論は、エルデシュ問題（エルデシュによって収集された開放問題のセット）について、AI支援証明が短期間で複数の項目を解決した可能性があることを示唆していた。いくつかの証明スケッチは、テレンス・タオを含む主要な数学者によってレビューされたと報告されていた。タオは、数学におけるAIの協力者の役割について公然と話している。しかし、最も重要な注意事項は、数学は見出しが重要であるということだ。広く受け入れられるには時間が必要だ。独立した検証、慎重な書き出し、そして時には証明検証システムでの形式化が必要だ。

それでも、より広い点は残っている。世界は、AIが単に計算したり、要約したり、パターンをマッチングしたりするのではなく、推論行為に参加しているのを見ている最初の機会だ。如果AIが人間が世代を経て苦労してきた問題を信頼性高く解決するのを手助けできるならば、それはより深い質問を迫る。 人間の天才は次に何をするのか——機械が最初に頂上に到達したときに？

「シリコン推論」のメカニズム

この瞬間が異なる理由を理解するには、2つのバージョンのAIを区別する必要がある。

以前の言語モデルの世代は、次の最も可能性の高い単語を予測するシステムとして説明されることが多かった。印象的だったかもしれないが、アイデアをテストしたり、自己修正したりする能力が限られていたため、「自信のある無意味」に陥ることが多かった。

新しいシステムは、テスト時推論（「テスト時コンピュート」と呼ばれることもある）に頼ることが増えている。モデルは、単に答えをすぐに出すのではなく、1つの問題に多くの時間を費やすことができる。候補アプローチを生成し、ステップが論理的に続くかどうかを確認し、矛盾に当たったら後戻りし、代替ルートを探索する。人間の観点から見ると、それは黒板で数学者が行うことと似ている。何かを試み、壊し、修正し、繰り返す。

これは数学において重要だ。進歩はほとんど直線的ではないからだ。ほとんどの約束のあるアイデアは失敗する。後戻りする能力——プライド、疲れ、或者失望なく——不可能な探索を可能なものにすることができる。

現代のAIシステムは、単なる計算を超えて、4つの実用的な能力を提供するようになった。彼らは、アイデアを広範な文献やニッチなサブフィールドの間で接続する大規模な合成を得意とする。既知の結果がまれに引用されるサブフィールドで重要な補題を提供する。彼らはまた、迅速な反復を可能にし、多くの証明「ルート」を迅速にテストし、死に体を却下しながら約束のあるサブ構造を保存する。さらに、彼らは時々、人間の直感に反するが論理的に健全な中間的な構築——非凡な推測——を提案する。最後に、彼らは、形式的な証明アシスタントであるLeanまたはCoqに翻訳できる、検証に優しい出力を生成する。コミュニティに、より高い信頼性への道筋を提供する。

重要なのは、AIが「数学を理解する」ことは、人間がするように、ということではない。特定の制約の下で、検証可能な推論の連鎖を生成できるということだ。数学では、それが重要なことだ。

エルデシュスタイルの問題が早期のターゲットとして意味をなす理由

すべての数学のフロンティアは、AIの加速に対して等しく「脆弱」ではない。いくつかの問題は、完全に新しい理論、定義、または深い概念的な飛躍を必要とする。飛躍が、既存の文献に多くの足がかりがない。ただし、他の問題——特に組み合わせ論、数論、離散数学の分野——は、異なる形をとることが多い。

• 説明するのが簡単すぎるため、非専門家に説明するのが簡単だ。
• 既知のツールは豊富で、論文やサブフィールドに散在しており、見逃しやすい。
• 進歩は、既存の結果を賢い方法で組み合わせることから来ることが多い。

エルデシュの問題は、しばしばこのプロファイルに当てはまる。彼らは、簡単に説明できるが解決するのが難しいことで有名で、証明がパッチワークの技術——確率的方法、極限組み合わせ論、エルゴード理論、調和分析、など——を含むドメインに住んでいる。

それらはAIの「プレッシャーテスト」として役立つ。システムが、広範な人間の努力に抵抗してきた問題に対して信頼性の高い証明戦略を提案できる場合、それは意味がある——たとえ、重要なアイデアが既に古い仕事に暗黙的に含まれていた場合、または証明がポリッシュされる前に正典化される必要がある場合でも。

つまり、物語は「AIが数学者を置き換える」ではない。物語は、AIが「結果がどこかに存在する」と「コミュニティが実際にそれを見られる」間の距離を縮める可能性があるということだ。

AIが人間が忘れたものを再発見するとき

近代科学で最も興味深いパターンの一つは、人間が知識を欠如しているのではなく、知識を取り出すことが苦手なことだ。

数学は巨大だ。結果は、十年単位のジャーナル、ワークショップノート、そして独自の言語と規約を持つ特殊なサブフィールドに散在している。優れた数学者でも、ニッチなドメイン内で「明らか」な定理を無視することができる。時間の経過とともに、推論の連鎖は埋もれる——間違っているのではなく、注意が他の場所にシフトしたからだ。

AIは、そのダイナミクスを変える。人間があまり見ない退屈なコーナーを検索するのを怖がらない。人間が伝統的に別々に保管しているアイデアを、サブフィールド間で「言語」を翻訳することで橋渡しするのを助ける。

これが多くの人々が最も深い約束を見ている場所だ。AIが数学を一から創造するのではなく、忘れられた構造を再浮上させ、人間が伝統的に別々に保管しているアイデアを新しい方法で組み合わせることができる。

「ビッグマス」シフト：証明作成者から指揮者へ

AIが改善し続けるなら、最も大きな変化は、機械がより多くの定理を解決することではないかもしれない。人間の数学者の役割が変わる可能性がある。

数世紀にわたって、数学をするということは、証明自体に多大な労力を費やすことを意味していた。ルートを見つける、毎ステップを検証する、他の専門家が検証できるように書く。そうした労力は職人の一部だ。しかし、それはボトルネックでもある。多くの約束のあるアイデアは、人間が完全に実行して形式化するのに必要な時間が高すぎるだけで死んでしまう。

AIが加速する世界では、証明は希少ではなくなり、ボトルネックはなくなり、

数学者は計算機ではなく地図作成者である

証明が主なボトルネックでなくなったら、「天才」はより高いレベルのタスクに向かう。最も価値のある質問を選択することは、人間の主な責任となる。新しい抽象化、不変量、フィールドブリッジ定義の設計もまた重要だ。偉大な頭脳は、推測の風景をマッピングし、発見を指揮し、抽象的な結果を他の分野で機能的なツールに翻訳することに重点を置く。

チェスのシフトのように考えることができる。コンピュータが私たちを超えたとき、人間のチェスは終わりではなかった。代わりに、エリートプレイが進化した。人間は、機械に質問する方法を学び、機械の勧告を解釈し、直感と計算の両方を組み合わせた戦略を開発した。

数学も同様の変化を遂げるかもしれない。ただし、賭けはより広い。新しい数学的ツールは、暗号理論、最適化、機械学習、物理学、経済学を形作りかえる可能性がある。AIが発見のコストを下げるならば、下流の影響は巨大なものになるかもしれない。

これは「自由な思考」なのか、または極めて高速な検索なのか?

ある程度の懐疑主義者は言うだろう。こちらは知能ではなく、ただの無駄な力だ。機械に十分な計算能力を与えれば、なんとかうまくいくものを見つけるだろう。

そこには実際のポイントがある。AIはスケールをもたらす。多くのルートを試すことができる。しかし、最も興味深いケースは、ランダムな失敗ではなく、構造化された合成——概念の接続、未知の文脈での補題の再利用、そして専門家が検証できる連鎖的な推論の構築——である。

実践では、「検索」と「思考」の線は曖昧になる。人間の数学者も検索する——アイデアを通して、類推を通して、部分的な結果を通して。重要なのは、プロセスが新しい、検証可能な真実を信頼性高く生成するかどうかだ。

AIがそれを一貫して行うことができるならば、ラベルは結果よりも重要ではない。どちらの場合でも、フロンティアはシフトする。

次に陥落するフロンティアはどこか?

AIが改善し続けるならば、パターンが予想される。最初に陥落する問題は、知識がすでに存在しているが断片化している、既存の技術が組み合わせることができる、形式的な検証が迅速に信頼性を高めることができるものであることが多い。

近い将来のターゲットには、以下のようなものが含まれる。

• 極限組み合わせ論とグラフ理論：豊富なツールキット、多くの既知の補題、そしてクリーンで離散的な用語で定義された多くの問題。
• 加法的数論：様々な技術を組み合わせた証明と「ブリッジ」論証を接続するための肥沃な土壌。
• 最適化と複雑さに近い問題：最も深い「P vs NP」レベルのものではなく、アルゴリズムと境界に関する多くの小さな構造的結果。
• 形式化可能なサブドメイン：部分的に証明アシスタントにエンコードされている領域で、AIがアイデアから検証された定理への翻訳を加速できる。

大きな有名な問題——ミレニアム賞問題のようなもの——は、まだ深い概念的な発明を必要とするかもしれない。しかし、そこでも、AIは周囲の地形を削り、補題を証明し、特殊なケースを探索し、人間（またはハイブリッド）の最終的な飛躍をより可能にするための足場を築くことができる。

哲学的転換：質問者としての復帰

私たちが証明のメカニズムを自動化するにつれて、私たちは、数学は、そして常にそうだった、哲学のサブセットであるという現実に直面しなければならない。歴史的に、我々の種の最も高く評価された知性は、生命の最も意味のある質問と格闘できるものだった。ギリシャ人は数の研究と存在の研究を分けていなかった。彼らにとって、数の「無理性」は、論理的な危機と同じくらい魂の危機だった。

現代では、人間の「天才」の価値を、技術的なボトルネック——三百ページの証明を手動で処理できる能力——に結び付けた。しかし、AIが最初に頂上に到達したときに、そのボトルネックが蒸発する。人間の知能を低下させるのではなく、それを「スタックの上に」移動させる。

将来の天才は、既知のプロセスを極限の効率で実行できるものではなく、最初に何を発見する価値があるかを定義できる哲学者になるだろう。機械が「方法」をコモディティ化したとき、「なぜ」を問うことが唯一残された希少性になる。我々はポリマス（多才）の時代に戻る。新しい意味のフロンティアを概念化する能力——新しいフロンティアの質問を提起する能力——が至高のスキルになる。シャベルからバックホーへのシフトのように、私たちは手で掘る能力ではなく、どこに土手を築くかを決定するためのビジョンに価値が置かれることになる。

結論：スタックの上に天才を移動させる未来

AIが、かつてに天才の知能を必要とした問題を解決するのを助けることができるならば、それは数学がなくなったことを意味しない。数学のやり方が変わることを意味する。

証明が安価になる世界では、希少なリソースは別のものになる。良い質問、有用な抽象化、そして数学が何を意味するかを解釈する能力だ。

将来の「ユニークな知能」は、数十年間証明を処理する孤独な人物のように見えなくなるかもしれない。アイデアの地図作成者——どの山が登る価値があるか、そして人間と機械が一緒に登る新しい種類の遠征をどのように調整するかを見つけることができる——のように見えるかもしれない。