「数学2.0」時代の幕開け。
先ほど、数学界の第一人者でありフィールズ賞受賞者でもあるテレンス・タオ(Terence Tao)氏が、自身の見解を正式に発表しました。
AIは数学の証明を氾濫させつつある。「証明の希少性」の上に成り立っていた「数学1.0」の時代は、まもなく終焉を迎えるだろう。

OpenAIがナビエ–ストークス方程式のミレニアム懸賞問題を解決したと発表して以来、AIの猛烈な攻勢に対し、タオ氏をはじめとする数学者たちは公の場で度々疑問を呈するだけでなく、業界に対して緊急の「ブレーキ」をかけるよう呼びかけてきました。
しかし、歴史の潮流は止まることを知らず、AIの進化の波はすでに後戻りできないところまで来ています。
もっとも、タオ氏は単に「AI減速派」として振る舞っているわけではありません。彼は数学界に対し、より本質的で深い問いを投げかけています。
増え続けるAIによる証明を、いかにして人類の「さらなる深い理解」「より良い知の研鑽」、そして「現実世界への確かな貢献」へと結びつけていくべきなのか?
そして将来、私たちは一体どのような数学者を必要とするのか?
「証明の希少性」から「証明の氾濫」へ――変わる数学2.0の前提
タオ氏によると、従来の「数学1.0」時代において、数学研究はずっと「証明が極めて希少である」という環境のもとで行われてきました。
1つの未解決問題を攻略するために、研究者は深遠な専門知識の蓄積を必要とし、膨大な時間と労力を注ぎ込んできました。そのため、**「誰が最初にどの問題を解いたか」**が、数学界における学術的貢献を測る普遍の物差しとなっていたのです。
しかし今、AIがその前提を根底から覆そうとしています。

OpenAIが一夜にして722本もの数学論文を発表し、準リーマン予想、ホッジ予想、BSD予想といった超大型テーマに軒並み切り込んだことも、
(詳細はこちら:https://mp.weixin.qq.com/s/P40M32TnTppU3jsDTvFGmg)
今年フィールズ賞を受賞したワン・ホン(Wang Hong)氏が解決した3次元の掛谷集合予想を、さらに4次元へと拡張したことも、
(詳細はこちら:https://mp.weixin.qq.com/s/CDfZGoors8TmTnzSl0rszQ)
すべてが数学研究のリズムを塗り替え、数学1.0時代の評価システムに揺さぶりをかけています。数学者たちは連名での抗議声明に留まらず、日増しに切迫感を帯びる次の問いへの回答を迫られています。
証明を導き出すこと以外に、数学者にとっての真の「堀(Moat)」とは何なのか?
(詳細はこちら:https://mp.weixin.qq.com/s/E-6A_HrJaj7P8j5TXpt_1w)
これについて、タオ氏は文書の中で率直に語っています。
答えを手に入れるためのハードルが下がったのは紛れもない事実です。
十分な計算リソースと最先端モデルへのアクセスさえあれば、以前は極めて困難と見なされていた多くの未解決問題の解答を、今や短期間で得られるようになりました。
しかし、その解答が厳密かつ正しいかをどう判断するのか、学術的な貢献度はどれほどなのか、そして既存の研究体系とどう整合させるのか――これらは依然として、私たちが慎重に向き合わなければならない課題です。
さもなければ、懸念すべき**「ズレ」**が生じてしまいます。問題は解けたのに、人類の理解はそれに伴って深まっていない、という事態です。

なぜ数学がここまでAIの直接的な影響を受けやすいのかについて、タオ氏は重なり合う3つの条件を挙げています。
1. 証明が客観的に検証可能であること。
2. 数学の対象と推論プロセスが極めてデジタル化しやすいこと。
3. 膨大で質の高い研究文献が、すでにデジタル形式で蓄積されていること。
これら3つの条件に最先端AIラボの巨額投資が重なり、数学はモデルの性能向上を競う中心的な試金石へと一気に押し上げられました。
しかし同時に、タオ氏はあの有名な**「飛行機の被弾箇所の図」**を提示し、「生存者バイアス」に警鐘を鳴らしています。
現在の数学の最前線にある問題の大多数は、依然として未解決のままです。
AIの能力分布は決して均等ではありません。ある特定の領域では目覚ましい成果を上げる一方で、別の領域では依然として力不足です。
AIベンダーが世間に見せるのは、厳選された成功事例ばかりであり、失敗に終わった無数のAIの試みは、大衆の目に触れることすらありません。

成功例だけを切り取るようなやり方では、成功率やリソースの消費量、人間の関与度合いといった極めて重要な要素を科学的に評価することは不可能です。
そのためタオ氏は、**「失敗した結果やAIの計算コストもレポートに含める、より透明で科学的な評価メカニズムの構築が急務である」**と訴えています。
では、AIが正しい証明を提示し、失敗結果や計算コストを公開しさえすれば、それで十分なのでしょうか?
タオ氏の考えは、決してそこにとどまりません。

「問題解決」ばかりを追い求める競争は、数学の健全な発展を損なう恐れがある
数学研究の真のゴールとは何なのかについて、タオ氏は分かりやすい比喩を用いて説明しています。
未解決問題とは「灯台」のようなものです。
それらは周囲に広がる数学の世界を探索するための道標であり、灯台に到達したからといって、探索の旅そのものが終わるわけではありません。

タオ氏の考えでは、問題の解決を試みるプロセスそのもの――成功しようと、失敗しようと、あるいは部分的な進展にとどまろうと――において、最終的な答えよりもはるかに価値のある知見が得られることが少なくありません。
もし自動化ツールがあまりにも早く答えを出してしまい、評価システムが単に「解決済み」という結果だけを評価するようになれば、まだ踏み荒らされていない未知のルートを開拓しようとする動機は失われてしまう恐れがあります。
何より、ミレニアム懸賞問題の数には限りがあります。しかし実際の数学研究においては、1つの問題から派生するアプローチ、理解、結びつき、そして新たな問いの数は、文字通り無限に存在するのです。
だからこそ、彼はこう警告しています。
もし「問題を解く」という指標ばかりを盲目的に最適化し続けるなら、数学という学問の長期的な健全性が損なわれることになります!

この文脈を踏まえれば、タオ氏がSAIRでの最新の講演で、モデル開発企業に対して強い言葉で批判を浴びせた理由も容易に理解できます。
まったく信じがたいことです。AI企業は終わりなき暴走を続けながら、加速したその先に何が起こるのかをまったく理解していません。
私たちはスピードを落とさなければなりません。これほど急ぐ理由はどこにもないのです。本当に、ひとつもありません!

(詳細はこちら:https://mp.weixin.qq.com/s/s35QsObpRO2G6mS1CGoBHQ)
この懸念は、彼が以前から公に述べてきた見解とも一貫しています。
今年の9月初旬、タオ氏は自身のブログのコメント欄で次のように指摘していました。
AIは数学研究を支援するツールになり得ますが、短期的な目標ばかりを追い求めれば、数学コミュニティの長期的な持続可能性を犠牲にしてしまう恐れがあります。
彼が危惧しているのは、後者のシナリオが急速に現実味を帯びていることです。**「答えが容易に手に入るようになったとき、人々は腰を据えてそれを深く理解し、その周辺に広がる数学の世界を探求し続けようとするだろうか?」**という点です。
極めてドラマチックなことに、AIの猛烈な進化がもたらした衝撃は、タオ氏自身のこの講演そのものにも真っ先に影を落としました。
タオ氏が明かしたところによると、この講演の当初のテーマは**「機械支援による証明(Machine-assisted proof)」の予定でした。しかし、昨今のAIによる相次ぐ「絨毯爆撃」のような動きを受け、大幅な内容変更を余儀なくされ、最終的にテーマを「数学2.0」**へと改めたといいます。
まさに劇的な展開です。

では、AIが問題解決や証明をますます得意にしていく中で、人間の数学者が持つコアな防壁(堀)は一体どこにあるのでしょうか?
その答えの手がかりは、タオ氏が提示した**「がん治療薬の思考実験」**の中に隠されているのかもしれません。
証明の先にあるもの――「理解」「研鑽」そして「現実世界」
人間の「理解」がなぜ依然として重要なのかを説明するため、タオ氏は講演の中で極めてインパクトのある思考実験を提示しました。
高度なAIに、フェーズ3の臨床試験を通過できるようながん治療法を見つけるよう指示したとしましょう。
膨大な計算資源を消費した末、AIはある未知の化学物質の配合レシピを提示しました。モデルの予測ではがん細胞を死滅させることができ、Leanによる形式的検証もパスし、フェーズ3の臨床試験も無事クリアしたとします。
しかし、AIがどうやってその配合にたどり着いたのかは誰にも分からず、本当に有効な治療法を見つけたのか、それとも臨床試験プロセスの盲点を突いただけなのかも判別できません。
あなたの血管にその注射針が刺さる前に、少なくとも1人の腫瘍専門医が作用機序を理解していること、1人の数学者がモデルの背景にある数学的推論を理解していること、あるいは少なくとも1人の科学者が治療法を見つけ出したAIモデルそのものを理解していることを、あなたは望みませんか?

これは、目標設定、形式的検証、そして人間の理解に関する思考実験です。
抽象的な数学の議論を、具体的な現実のシナリオへと引き戻しています。**「モデル内部の結論がどれほど論理的に検証されていようとも、それが現実世界の目標と合致しているかどうかを判断する人間が不可欠である」**という点です。
そしてこれこそが、人間の科学者が代替できない決定的な理由です。モデルは答えを生成し、推論を検証し、探索を加速させることはできますが、人間に代わって「最後の門番」を務めることはできません。
数学の証明における価値の連鎖もまた、この方向に沿って拡張され続ける必要があります。
タオ氏は以前発表した『AI時代の数学』の中で、問題解決のプロセスを以下の5段階に分解しています。
- 証明の生成
- 正しさの検証
- 明快な解説
- 学術コミュニティによる理解と受容
- 最終的にその分野の標準理論体系への統合

なかでも、最後のステップは極めて緩慢に進むものです。
研究者はより自然な表現や、よりエレガントな証明を見出し、新たな結論を既存の知識体系と結びつけて初めて、それを教科書に掲載し、次世代の数学者のためのツールボックスへと変えることができます。
そしてこれこそが、AIによる加速が最も難しい部分なのです。
もしAIがフロントエンド(証明の生成)ばかりで暴走すれば、バックエンド(理解や統合)では「証明の消化不良」が起きかねません。
そのため彼は、次のように主張しています。
先を争って証明を生成することへの盲目的な偏重を減らし、解説、査読、そして知識の体系化を重視する方向へとシフトすべきです。

この「証明の先にあるもの」をめぐる議論は、10月初旬にさらに激化しました。
10月7日、OpenAIが一挙に722本もの数学論文を公開したことで、タオ氏をはじめとするAI減速派の学者たちは強い憤りを示しました。
その後、タオ氏が主導して**人類数学協会(AHM)**が設立され、以下のような重みのある共同声明が発表されました。
一度に700本以上の論文を投下することなど、断じて科学研究とは呼べない。単なる計算資源の覇権の誇示に過ぎない。
私たちはすべての数学者に対し、OpenAIとの協力を直ちに停止し、人間の理解を中心とした科学のビジョンへと立ち返ることを強く要請する!
(詳細はこちら:https://mp.weixin.qq.com/s/E-6A_HrJaj7P8j5TXpt_1w)
タオ氏の見解では、**「形式的検証だけでは到底不十分であり、著者は自身の成果を明快に説明できなければならない」**のです。説明能力を欠いた成果は、本質的に不完全なものに過ぎません。
そして一連の出来事は、若い研究者たちが抱える最も根源的な不安を刺激することとなりました。
AIがこれほど高速に論文を生成できるなら、私たちが修士課程や博士課程に進む意味は本当にあるのだろうか?
AI時代、数学で博士号を取得する意味はあるのか?
タオ氏は、AI時代における博士号取得の必要性は、「論文を生み出せるかどうか」ではなく、**「難解な教材を咀嚼し、知識体系を統合し、優れた問いを立てる体系的な能力を培えるかどうか」**にかかっていると考えています。
彼は食事と運動を例に挙げ、次のように率直に述べています。
AI時代において、博士課程を通じて得たいものが単なる1本の論文ではなく、「難題に粘り強く立ち向かい、物事を統合的に理解し、本質的な問いを立てられる人間」へと自らを鍛え上げることであるなら、博士号には今なお確かな価値があります。
しかし、単に目に見える成果物を出すことだけが目的なのであれば、AI時代におけるその必要性が低下しているのは事実です。
これは、食料や交通手段が豊かになった現代だからこそ、人間が自発的に運動を必要とするようになったのと同じです。
答えが簡単に手に入る時代だからこそ、人間は自らの認知能力を意識的に維持し、「思考をショートカットしたい」という誘惑に抗わなければなりません。そしてそれこそが、博士課程という育成の場が持つ本来のコアバリューなのです。

では、AIと研究者が共に進化していけるような優れたモデルは存在するのでしょうか?
タオ氏は講演の中で、自身が実質的な探求を進めていることを明かしました。
一例として、彼が共同設立した**SAIR財団による「オープン数学モデル計画」**が挙げられます。第1フェーズでは日々の研究ニーズに密着し、難解な論証の理解、文献引用の確認、反例の探索、コード記述、形式的証明などをカバーしています。
彼はまた、これらのオープン数学モデルが間もなく正式リリースされることも予告しました。

△ タオ氏が提示した、より持続可能な「数学2.0」AI活用パラダイム
One More Thing
講演の締めくくりとして、タオ氏は「数学2.0」への到達を阻む最大のボトルネックは**「想像力」**にあると総括しました。
彼の目には、証明の供給構造はすでに再編されつつあると映っています。しかし、その変化をどのように活かし、「理解」「研鑽」「探求」を足並みを揃えて前進させていくかは、数学界全体が下すべき選択にかかっています。
ひとつの難問がAIによって証明されたとき、未来を見据える数学者たちの問いかけもまた、新たなスタートラインへと向かうのかもしれません。
この答えから、私たちは他に何を学べるだろうか?
そして、私たちは次に何ができるだろうか?

参考リンク:
[1] https://teorth.github.io/tao-web/ai-views.html
[2] https://x.com/ns123abc/status/2109045309112250560
[3] https://teorth.github.io/tao-web/slides/math-2-0-caltech-2026.pdf?utm_source=chatgpt.com
[4] https://arxiv.org/html/2608.16753v1?utm_source=chatgpt.com