テレンス・タオ – ケプラー、ニュートン、そして数学的発見の本質

テレンス・タオ（Terence Tao、UCLA教授、数学界最高の栄誉であるフィールズ賞受賞者）とDwarkesh Patelによる本エピソードは、ケプラーによる惑星運動の法則発見という歴史的エピソードを出発点に、AIが数学と科学の方法論に与える影響の本質を掘り下げた知的格闘の記録である。タオは、ケプラーの発見プロセスを「高温のLLM（大規模言語モデル）」に例えるパテルの挑発的なアナロジーに対し、単なるアイデア生成の自動化ではなく、検証、評価、そして科学的コンセンサス形成という、より困難なプロセスこそが現在のボトルネックであると論じる。会話は、AIが生成する「スロップ（質の低い大量出力）」の中から真に重要な統一的概念をいかに識別するか、という根源的な問いへと発展する。タオは、科学の進歩がしばしば「正しいが当初はより悪い予測しかできない理論」の生存競争を通じて達成されるという逆説を、コペルニクスとプトレマイオスの例を挙げて説明する。さらに、数学におけるAIの現状として、エルデシュ問題の一部をAIが解決したものの、それは「低い壁」を飛び越えたに過ぎず、真の深さや累積的な理解には至っていないと冷静に評価する。タオは、AIがもたらす「幅（ブレッドス）」と人間の「深さ（デプス）」の相補性を強調し、将来の数学は人間とAIのハイブリッドが長期間支配すると予測する。そして、科学者が実際に行っている「半形式的なコミュニケーション」を形式化する新たな言語の必要性を提唱し、自身の学習方法やセレンディピティの重要性についても語る。エピソード全体を通じて、AIによる科学的発見の加速に対する楽観と、その質と方向性に対する慎重な分析が交錯する、稀有な深みを持つ対話となっている。

0:00ケプラーは「高温のLLM」だった：発見のプロセスと検証のボトルネック

パテルは、ケプラーによる惑星運動の三法則発見の物語を、現代のAIによる科学的発見のアナロジーとして提示する。ケプラーは、ティコ・ブラーエの膨大で高精度な観測データを入手する以前から、惑星軌道が正五角形や正多面体（プラトン立体）の入れ子構造で説明できるという美しい理論を抱いていた。しかし、データと照合すると約10%の誤差があり、彼は何年もかけて様々な「誤差調整」を試みた末、最終的に軌道が円ではなく楕円であることを発見する。さらに、惑星の公転周期と太陽からの距離の関係を求める過程では、音楽の調和や占星術的なアイデアなど、現代から見れば荒唐無稽な仮説も同時に検証していた。パテルは、この「とにかくランダムな関係性を試し、検証可能なデータセットがあれば正しいものを選別する」というケプラーの方法論は、まさに現在のLLMが得意とするパターン認識と類似していると指摘する。

これに対しタオは、ケプラーの偉業を称賛しつつも、このアナロジーには重要な留保が必要だと応じる。科学のプロセスは、問題の発見、データ収集、仮説生成、検証、論文執筆という複数の段階から成り、歴史的に称賛されてきたのは「ひらめき」の瞬間だけである。しかし、AIが仮説生成のコストをほぼゼロに引き下げた現在、新たなボトルネックは「検証と評価」に移行している。AIが大量に生成する「スロップ」の中から、真に価値のあるアイデアを選別する仕組みが未整備なのだ。タオは、査読システムがすでにAI生成論文の洪水に圧倒されつつある現状を挙げ、検証プロセスをスケールさせる方法論の欠如こそが喫緊の課題であると強調する。ケプラーの成功は、ブラーエの桁違いに正確なデータと、ユークリッド幾何学を駆使した高度なデータ分析能力があって初めて可能になったのであり、単なる「ランダムな試行」ではなかったというのがタオの核心的な主張である。

11:44AIスロップの中から統一的概念をどう見抜くか：評価の難しさと時間の試練

パテルは、もしAIが何百万もの論文を生成する未来において、例えば「ビット（情報量の単位）」のような分野横断的な統一概念を、どのようにして膨大なノイズの中から発見できるのかという問題を提起する。歴史上、画期的なアイデアは当初は受け入れられず、時間の経過とともにその価値が認められてきた。ディープラーニング自体が長年ニッチな分野だったことや、二進法以外の計算体系（三値論理など）が存在した可能性をタオは指摘する。アイデアの真の価値は、未来の科学技術や社会の文化的な選択に依存するため、単独で客観的に評価することは本質的に困難なのである。

タオはさらに、科学史における「正しい理論が当初はより悪い予測をする」という逆説を詳述する。コペルニクスの地動説は、プトレマイオスの天動説に比べて精度が低かった。天動説は千年にわたる修正の積み重ねで高い精度を達成していたが、地動説はケプラーによる改良を経て初めてそれを凌駕した。ニュートンの重力理論も、「遠隔作用」や「慣性質量と重力質量の一致」という謎を抱えており、それらはアインシュタインによる数世紀後の概念的な飛躍を待たねばならなかった。タオは、科学の進歩はしばしば新しい理論を追加することではなく、「物体は本来静止したがる」というアリストテレス的な前提のような、暗黙の仮定を削除することによってもたらされると指摘する。このような、未来の展開や文化的コンテクストに依存する評価は、単純な強化学習の報酬関数として定式化することは極めて難しい。

26:10演繹的オーバーハングとデータからの信号抽出：天文学と数学の教訓

パテルは、タオがGrant Sanderson（3Blue1Brown）と共に制作した「宇宙距離はしご」シリーズから得た洞察として、「演繹的オーバーハング」の概念を紹介する。これは、もし正しい洞察が得られれば、既存のデータから現在知られているよりもはるかに多くの知識を引き出せる可能性があるという考え方である。タオは、天文学が歴史的にデータのボトルネックに直面してきたため、限られたデータから最大限の情報を抽出する技術（「シャーロック・ホームズ的な手法」）が極めて発達した分野であると説明する。このスキルセットは、ノイズの多いデータからシグナルを抽出する必要があるクオンツヘッジファンドなどからも高く評価されている。

タオは、この「データからの信号抽出」の具体例として、論文の引用に含まれる誤字を分析した研究を挙げる。引用文献にタイポ（数字や句読点の誤り）が含まれている場合、その誤りが後続の論文にそのままコピーされている割合を測定することで、著者が実際に原典を参照せずに引用をコピー＆ペーストしている頻度を推測できる。このように、科学の社会学自体が、データ分析の対象となり得るのである。タオは、ある科学的発展が実り多いかどうかを評価するための有用な指標（引用パターンや会議での言及頻度など）が、大規模なデータセットの中に埋もれている可能性があり、天文学者のようなデータ分析の専門家がこの問題に取り組むべきだと示唆する。

30:31AIによる数学の進歩：エルデシュ問題の教訓と「幅」と「深さ」の相補性

タオは、AIがエルデシュ問題集（約1,100問）のうち50問を解決したという最近の進展について、冷静かつ詳細な分析を提供する。この成功は確かに印象的だが、その多くは「低い果実」、すなわち文献がほとんどなく、既存の手法を組み合わせれば解ける問題であった。AIが問題を「ワンショット」で解く現象は約1ヶ月で止まり、現在は人間と複数のAIツールが協調する「ハイブリッド」なアプローチが主流になっている。タオはこの状況を、暗闇の中での登山に例える。AIは高く跳べる「ジャンプマシン」のようなもので、低い壁は越えられるが、中間的な足がかりを作ったり、累積的に進歩したりすることが苦手である。個々の問題に対するAIの成功率は1〜2%程度であり、成功例だけに注目すると過大評価につながると警告する。

しかしタオは、この状況には「弱気」と「強気」の両方の解釈が可能だと認める。弱気な見方は、AIが到達できる「壁の高さ」が人間のトップ研究者には及ばないという点にある。一方、強気な見方は、AIが一度ある水準に達すれば、その水準以下の全ての問題を人間のように疲れることなく、並列かつ大規模に解決できるという点にある。人間の専門家は「深さ（デプス）」に優れるが、AIは「幅（ブレッドス）」に圧倒的な強みを持つ。タオは、現在の数学の方法論は人間の得意な「深さ」に最適化されているが、AIの「幅」を活用するための新しいパラダイムを構築する必要があると主張する。具体的には、AIに広範な問題領域を探索させて「易しい観察」を大量に発見させ、その後に人間の専門家が「難易度の高い島」に集中するという、相補的な科学のスタイルが未来の姿だと予測する。

46:43AIは論文を「豊かに」するが「深く」はしない：人工的な賢さと真の知性の違い

タオは、自身の生産性に対するAIの影響について具体的に語る。彼の論文は、AIの支援により、コードや図表が大幅に増え、文献調査もより深くなり、全体として「5倍」の労力を要する内容になっていると述べる。しかし、これは論文が「より豊かで広範（richer and broader）」になったのであって、「より深く（deeper）」なったわけではない。数学の核心的な難問に取り組むプロセス（ペンと紙を使った思考）は、AIによってほとんど変わっていない。AIは、括弧の修正や書式の整形といった「二次的なタスク」を劇的に効率化するが、問題解決の本質的な部分にはまだ貢献していない。

ここから、タオは「人工的な賢さ（artificial cleverness）」と「人工的な知性（artificial intelligence）」の区別を導入する。真の知性とは、問題を解く過程で自身の理解が累積的に成長し、得られた知見を別の関連問題に応用できる能力を指す。現在のAIは、新しいセッションを開始するたびに以前の試行錯誤の経験を忘れてしまう。彼らは「ジャンプしては失敗する」ことを繰り返せるが、一度掴んだ足がかりに留まり、そこからさらに登攀を続けるという「累積的なプロセス」を欠いている。タオは、AIが問題を解いたとしても、そのAI自身の数学的理解が進歩したわけではなく、単にそのセッション内で偶然成功したに過ぎないと指摘する。この「理解の非累積性」こそが、現在のAIと人間の知性との最も重要な差異である。

53:00AIが問題を解いたとき、人間は理解を得られるか：Lean証明と半形式的言語の必要性

パテルは、もしAIが単独でリーマン予想を証明した場合、その証明（特にLeanのような形式証明システムで書かれたもの）から人間が真の理解を得られるのかという核心的な問いを投げかける。タオは、四色定理のように、未だにエレガントな概念的証明が見つかっていない問題が存在することを認めつつも、リーマン予想のような深遠な問題は、おそらく単なる力技（brute force）では解かれないだろうと予測する。重要なのは、AIが生成した証明を「事後処理」するプロセスである。Leanで形式化された証明は、個々の補題（lemma）に分解して分析することが可能であり、将来は「証明のアブレーション研究」を行う数学者や、証明をよりエレガントにリファクタリングするAIが登場するかもしれない。

タオはさらに、数学の未来にとって重要なのは「証明の形式的言語」だけでなく、「数学的戦略（mathematical strategies）」のための半形式的言語を開発することだと主張する。現在のLeanは、演繹的証明の自動化には極めて有効だが、科学者が日常的に行っている「この戦略は有望だ」「このデータはこの仮説を支持する」といった、確信度や妥当性に関するコミュニケーションを形式化できていない。タオは、ガウスが素数を計算して素数定理を予想した例を挙げ、統計的・確率的なモデルに基づく「ヒューリスティックな確信」が数学の進歩にいかに重要であるかを説明する。このような、厳密な証明と非厳密な推論の間の領域を形式化する枠組みができれば、AIを戦略立案や予想生成により深く関与させることが可能になる。しかし、この枠組みは「ハッキング」されにくい堅牢さも同時に要求されるため、開発は容易ではない。

59:20科学者のコミュニケーション様式の形式化と、セレンディピティの価値

タオは、科学者が実際に行っているコミュニケーションの「半形式的な言語」を開発する必要性を繰り返し強調する。これは単なる願望であり、具体的な計画があるわけではないが、Leanが演繹的証明の自動化に成功したように、戦略や推論の枠組みを形式化できれば、AIの活用範囲は飛躍的に広がる。しかし、科学にはデータと論理に加えて「物語（narrative）」を構築し、同僚を説得するという主観的な側面が不可欠であり、これを形式化することは極めて困難である。ダーウィンが『種の起源』で平易な英語を用いて説得力のある物語を紡いだことは、方程式で記述したニュートンの『プリンキピア』よりも、理論の普及において有利に働いたというのがタオの分析である。

タオは自身の学習方法についても語り、自分は「一つのことを深く知るハリネズミ」ではなく「多くのことを広く知るキツネ」であると自己分析する。新しい分野を学ぶ際には、他の数学者とのコラボレーションや、学んだことをブログに書き留める習慣を重視している。しかし、最も重要なのは「セレンディピティ（偶然の幸運な発見）」のための余白を残すことだと強調する。リモート会議が最適化された現代社会では、廊下での偶然の会話や、図書館で目的の論文の隣にある論文を何気なく手に取るといった非効率的なプロセスが失われつつある。タオは、集中しすぎると逆にインスピレーションが枯渇する経験を語り、ある程度の「 distractions（気晴らし）」や「高温（high temperature）」が創造性にとって不可欠であると示唆する。この視点は、効率性を極限まで追求するAIの活用方法に対する、人間ならではの重要なカウンターポイントとなっている。

1:09:48テレンス・タオの時間の使い方と未来の数学者へのアドバイス

パテルは、もし文明が「テレンス・タオの時間」をゼロベースで最適配分できるなら、現在の彼の活動（委員会業務やこのポッドキャスト出演など）の多くは削減されるだろうと指摘する。タオはこれに同意しつつも、嫌々参加したイベントから予期せぬ学びやネットワーキングの機会を得た経験を挙げ、セレンディピティを重視する姿勢を改めて示す。彼は、自身の時間の一部は綿密にスケジュールするが、残りの部分は意図的に「無駄かもしれないが何かを学べるかもしれない」活動に充てている。この「最適化の最適化」こそが、長期的な創造性にとって重要だと彼は考えている。

エピソードの締めくくりとして、タオはAI時代における数学者を志す若者へのアドバイスを述べる。彼は、今後10年以内に数学者の現在の仕事の多くがAIに置き換えられる可能性を認めつつも、それは数学という分野の終わりを意味するのではなく、新たなフロンティアへの移行を意味すると語る。19世紀の数学者が行っていた微分方程式の手計算はコンピュータに取って代わられたが、数学者はより高度な問題に移行した。同様に、遺伝学においても、一つのゲノム解読がPhDレベルの仕事から1000ドルのサービスに変わったが、分野は生態系全体の研究へと発展した。タオは、人間とAIのハイブリッドが長期間にわたって数学を支配し続けると予測し、若い数学者には「適応力のある考え方」を持ち、伝統的な教育と全く新しい方法論の両方に開かれた姿勢でいることを勧める。変化を恐れず、好奇心と遊び心を持って新しい機会を追求することが、不確実な時代を生き抜く鍵であると結論づける。

結びに

本エピソードがリスナーに残すものは、AIによる科学的発見に対する、バランスの取れた深い洞察である。タオは、AIが仮説生成のコストを劇的に下げたという事実を認めつつも、真の進歩には検証、評価、そして科学的コンセンサスの形成という、より困難なプロセスが伴うことを強調する。彼の語るケプラーやコペルニクスの歴史的エピソードは、科学の進歩が一直線ではなく、しばしば「正しいが悪い理論」が生き残る逆説的なプロセスであることを示している。何よりも重要なのは、AIがもたらす「幅」と人間の「深さ」の相補性、そして「セレンディピティ」や「物語の力」といった、形式化が困難な人間的要素の価値を再認識させてくれる点である。タオの冷静で楽観的な視点は、AI時代の科学に対する過度な悲観や楽観のいずれにも与せず、人間とAIの真の協働の可能性を探るための、貴重な羅針盤となるだろう。

要点

• ケプラーの惑星運動法則発見は、検証可能な大規模データセット（ティコ・ブラーエの観測データ）を基にランダムな仮説を試行するプロセスであり、これは現在のLLMの動作様式と類似しているが、真の成功は桁違いに高精度なデータと高度な分析技術があって初めて可能になった。
• AIが仮説生成のコストをほぼゼロにした現在、科学のボトルネックは「検証と評価」に移行しており、AIが生成する大量の「スロップ」から真に価値あるアイデアを選別する仕組みが決定的に不足している。
• 科学史において、正しい理論（コペルニクスの地動説）は当初、誤った理論（プトレマイオスの天動説）よりも予測精度が低いことがあり、その真価が認められるまでには数十年から数世紀を要する。この「評価の時間差」は、強化学習で扱うことが極めて難しい。
• AIはエルデシュ問題の一部を解決したが、それは「低い壁」を飛び越えたに過ぎず、成功率は1〜2%程度である。AIは「幅（ブレッドス）」で圧倒的な強みを発揮する一方、「深さ（デプス）」や累積的な理解においては人間の専門家に及ばない。
• 現在のAIは「人工的な賢さ（artificial cleverness）」を示すが、「人工的な知性（artificial intelligence）」には至っていない。後者には、問題解決を通じて自身の理解を成長させ、得た知見を別の文脈に応用する能力が必要である。
• 数学の未来には、演繹的証明のための形式言語（Lean）に加えて、科学者が日常的に行う「戦略」や「推論」のための半形式的言語の開発が不可欠である。これにより、AIをより深く研究プロセスに統合できる可能性がある。
• テレンス・タオは、自身の時間の一部を意図的に「非効率」な活動に充てることでセレンディピティを重視しており、これは効率性を極限まで追求するAI時代において、人間の創造性を維持するための重要な示唆を含んでいる。
• AI時代の数学者には、伝統的な教育と全く新しい方法論の両方に開かれた「適応力のある考え方」が求められる。人間とAIのハイブリッドが長期間にわたり数学の進歩を牽引するというのがタオの予測である。