AIが理論物理学と量子重力に革命を起こす：OpenAIフェローが語るGPTの「超人的」な進化

私たちが今、科学研究の歴史において特異な転換点に立たされていることは、疑いの余地がありません。特に人工知能（AI）の分野では、特定のタスクにおいてAIが人間を凌駕する「超人的」な能力を発揮し始めています。この劇的な変化を最も鮮明に示しているのが、理論物理学、特に量子重力という人類の知識の最前線で、AIが未解決の難問を解決した最近の事例です。

本稿では、OpenAIのフェローであり、ヴァンダービルト大学の教授でもあるアレックス・ルパスカ氏が語る、GPTモデルがどのようにして理論物理学の新たな地平を切り開き、長年物理学者を悩ませてきた問題を解決したのか、その驚くべき物語を深掘りします。彼の言葉を通して、AIが科学研究にもたらす変革の重要性、具体的な機能、そして私たちの未来にもたらす計り知れない影響と将来性を、専門的かつ分かりやすい言葉で解説していきます。

1. AIが超人的な能力を発揮し始めた転換点：ルパスカ氏の個人的な「AI覚醒」

アレックス・ルパスカ氏は、若手研究者としては異例の輝かしい経歴を持ち、2024年のニューホライズンズ・ブレイクスルー賞（科学界の「オスカー」とも称される）を受賞するなど、理論物理学の分野で目覚ましい功績を上げてきました。しかし、彼自身もかつてはAIに対して懐疑的な見方をしていました。

彼がかつて考えていたのは、AIはメールの作成のような日常的なタスクには非常に便利だが、自身の専門とする理論物理学における複雑な計算には到底及ばないだろう、というものでした。それは彼にとって「メールよりもはるかに難しい特別な仕事」であり、AIが介入できる領域ではないと信じていたのです。

この考えが完全に覆されたのは、一連の急速な技術発展がきっかけでした。まず、ChatGPT-3が登場した際、彼はその強力な推論能力と数学的な処理能力に目を見張ります。ChatGPT-3が自身の研究に役立つ実際の数学をこなし、研究時間を大幅に節約できることを知ると、彼は「これは素晴らしいツールだ。ワークフローに統合する方法を学ぶべきだ」と、AIへの注目度を高めていきました。

そして、決定的な転換点が訪れたのは、GPT-5の登場です。GPT-5は、ルパスカ氏自身が非常に長い時間をかけて導き出した、自身の最高傑作とも言える論文の計算結果を、わずか30分で再現して見せたのです。この瞬間、彼は「AIに完全に染まった（AI pilled）」と表現します。「これはすべてを変える。私の人生で最も重要な発見であり、私たちの研究のあり方すべてに影響を与えるだろう」と確信したのです。

しかし、彼のこの興奮は当初、同僚たちにはなかなか理解されませんでした。「このクレイジーなことが起きたんだ、注目しろ」と説いて回っても、様々な反応が得られたものの、多くの人はまだその真のインパクトを把握していなかったようです。

GPT-5に対する世間の反応も、ルパスカ氏の体験とは大きな隔たりがありました。GPT-5がリリースされた際、Twitterでは「期待していたほどではない」「メール作成能力がそれほど向上していない」といった「生ぬるい」反応が多く見られました。しかし、ルパスカ氏は「GPT-3でもメールは書けた。メール作成能力がどれだけ向上しても意味がない。ポイントはそこではない」と指摘します。彼が注目したのは、AIが科学フロンティアで発揮し始めた「本当に離陸し始めた」能力でした。

この「超人的な」能力の証拠は、Codexという別のOpenAIモデルの事例にも見られます。量子力学と重力理論における非常に専門的な「SYKモデルのシミュレーション」という、多くの研究グループが何時間も、あるいは何日も費やしてもできなかった難題を、Codexはわずか10分で実行して見せたのです。ルパスカ氏はこれを、物理学の知識とトップレベルのコーディングスキルを持つ人材の Venn 図における「重なりの小ささ」をAIが埋める例だと説明します。つまり、AIは個々の研究者が持つ知識やスキルセットの限界を超え、前人未踏の領域を切り開く可能性を秘めていることを示したのです。

このようにして、ルパスカ氏は自身の身をもってAIの科学研究における変革的な力を体験し、OpenAIにフェローとして参加する決意をしました。そして、彼のこの決断が、理論物理学の長年の謎を解き明かす、次の驚くべき物語へと繋がっていくのです。

2. 未解決問題「単一マイナスグルーオン散乱振幅」への挑戦：量子場理論の深淵

ルパスカ氏のチームがGPTに挑ませた問題は、量子場理論における「単一マイナスグルーオン散乱振幅」という、非常に専門的でありながら、物理学の根幹に関わるものでした。この問題を理解するためには、まず量子場理論の基本的な概念と、グルーオンという素粒子の性質について簡単に触れる必要があります。

2.1. 量子場理論の基礎と課題

自然界には二つの基本的な原理が存在すると考えられています。一つは「相対性原理」で、情報が光速より速く伝わることはないという絶対的な法則を定めます。もう一つは「不確定性原理」で、量子力学の根底をなすもので、粒子の位置や速度が常に「少し曖昧（fuzzy）」であることを示唆します。

これら二つの原理は、一見すると矛盾を抱えているように見えます。一方が絶対的な制限を課す一方で、もう一方は曖昧さを許容するからです。20世紀物理学の偉大な成果の一つである「量子場理論（Quantum Field Theory）」は、この二つの原理を同時に包含し、自然界の物理力を記述する枠組みとして確立されました。

量子場理論では、特定の事象が発生する「確率」を計算しようとします。量子力学の世界では、何が起こるかを確実に予測することはできませんが、確率分布を予測することはできます。この確率分布は、「量子振幅（quantum amplitudes）」と呼ばれる複素量（実数と虚数を含む数）を二乗することで得られます。つまり、理論の目標は、実験結果に関する可能な限りの情報を提供する量子振幅を予測することなのです。

特に重要なのが「散乱振幅（scattering amplitudes）」です。これは、CERNのLHCのような粒子衝突型加速器で行われる実験のように、粒子群が互いに衝突し、相互作用を経て、最終的に別の粒子群として現れるシナリオを記述します。散乱振幅は、入射粒子と出射粒子のエネルギー、運動量、そして「偏極（polarization）」と呼ばれる性質（光子の場合、表面の反射光を見るときにサングラスを傾けることで知覚される、光の電場が振動する方向）に依存する関数です。

粒子の偏極には「ヘリシティ（helicity）」という概念があります。これは、粒子が伝播する方向に対して偏極が右巻き（プラスヘリシティ）か、左巻き（マイナスヘリシティ）かを示すものです。

自然界には4つの基本的な力があります。

電磁力: 私たちが日常生活で触れたり、感じたりするほとんどすべての現象（色、質感、化学反応、生物学的プロセスなど）を司ります。光子（photon）によって媒介されます。
重力: 私たちを地面に引きつけ、宇宙の大規模構造を形作る力です。重力子（graviton）によって媒介されると考えられています。
弱い核力: 放射性崩壊などを引き起こす力で、直接私たちの日常生活で感じることはありません。
強い核力: 4つの力の中で最も強力で、原子核内の陽子や中性子を結合させる力です。陽子のように同じ電荷を持つ粒子は反発し合うはずですが、原子核内でそれらが結合しているのは、強い核力が電磁力を圧倒するからです。この強い力は、グルーオン（gluon）と呼ばれる粒子によって媒介されます。グルーオンは原子核を「接着（glue）」する役割を果たすことから、この名が付けられました。

2.2. グルーオン振幅の歴史と長年の課題

グルーオン振幅、つまりグルーオンが強い力を介して相互作用する量子確率を記述する関数は、何十年にもわたって物理学の一大研究分野であり、数千もの論文が書かれてきました。研究は通常、最も単純な例から始められます。例えば「ツリー振幅（tree amplitudes）」とは、中間的な粒子が生成・消滅しない、最も単純な相互作用を指します。

この分野で長年知られていた事実として、相互作用するすべてのグルーオンが同じヘリシティ（例えば「全プラスヘリシティ」）を持つ場合、その振幅はゼロになることが知られていました。これは、相互作用が特定の対称性によって「禁じられている」ことを意味し、計算することなく自明な結果として扱われてきました。

次に考慮されるのが、「単一マイナス振幅（single minus amplitude）」です。これは、すべてのグルーオンがプラスヘリシティを持つ中で、一つだけマイナスヘリシティを持つ場合を指します。驚くべきことに、従来の教科書や講義ノートでは、全プラス振幅をゼロと見なすのと同じ理由で、単一マイナス振幅もゼロであるとされてきました。「シンプルすぎて何も起こらない」とされ、研究の対象外とされていたのです。

しかし、その次の複雑さを持つ「二重マイナス振幅（double minus amplitude）」（2つのグルーオンがマイナスヘリシティを持つ場合）はゼロではありませんでした。1980年代に、ParkeとTaylorという二人の物理学者が、この二重マイナス振幅を計算する「英雄的な」作業を行いました。彼らは非常に複雑な計算の末、驚くほど簡潔な「Parke-Taylor公式」と呼ばれる結果を導き出したのです。この公式は、多くの複雑な項が最終的に互いに打ち消し合い、たった半行で記述できるほどのシンプルな形になりました。これらの振幅は「最大ヘリシティ違反（Maximally Helicity Violating, MHV）振幅」と名付けられ、その後の研究に大きな影響を与えました。

この背景のもと、ルパスカ氏の共同研究者であるアンディ・ストロミンジャー教授、アルフレド・ゲバラ氏、デイビッド・スキナー教授のチームは、過去1年間、単一マイナス振幅の謎に取り組んでいました。彼らは、教科書的な「単一マイナス振幅はゼロである」という主張には「抜け穴（loophole）」があることに気づいたのです。その抜け穴とは、従来の議論が粒子が「一般的な方向から来ている」と仮定している点にありました。しかし、もし粒子が「共線的（collinear）」、つまり互いに厳密に整列した特殊な状況にある場合、その仮定が崩れ、振幅は非ゼロとなる可能性があることに彼らは理論的に到達しました。

この発見は、長年自明とされてきた物理法則に疑問を投げかけるものであり、もし非ゼロであれば、Parke-Taylor公式のように、何か簡潔で美しい法則がそこにあるはずだと彼らは直感しました。しかし、彼らが手作業で計算を進めると、粒子数が増えるにつれて振幅の表現が爆発的に複雑になることが判明しました。例えば、3粒子相互作用では比較的単純な式でしたが、5粒子では8項、6粒子では32項にも上り、それぞれがさらに複雑な項の積からなる膨大な式となりました。この複雑さは、ファインマン・ダイアグラムと呼ばれる粒子の相互作用を図で表現する手法と関係しており、可能な相互作用の組み合わせの数が粒子数の階乗で増えるため、手計算による簡潔な式の導出は極めて困難でした。

研究チームは1年間、この複雑な式をParke-Taylor公式のような「簡潔な公式」に単純化しようと奮闘しましたが、解決には至りませんでした。彼らは「より簡潔な公式が必要である」という切実な結論に達していたのです。そして、この「異なるアプローチが必要」なまさにその時、AIの登場が彼らの研究を劇的に加速させることになります。

3. GPTによる劇的な問題解決：AIが「洞察の飛躍」を見せる

アンディ・ストロミンジャー教授がOpenAIを訪れる直前、ルパスカ氏たちはChatGPTを用いてこの未解決問題に取り組み始めました。ここから、AIが驚くべき能力を発揮し、物理学の最前線を一変させる展開が繰り広げられます。

3.1. 5点振幅の単純化と「洞察の飛躍」

まず、研究チームは手計算で得られた5点振幅の複雑な式をChatGPT（当時はGPT 5.2 Proの公開バージョン）に入力し、「これを単純化できるか」と尋ねました。ChatGPTは、8つの項の和からなる複雑な式を受け取ると、次のように応答しました。「特定の領域、つまり追加の仮定（例えば、1つの粒子がn-1個の粒子に崩壊するような状況）が成り立つ場合、この答えは別の式に単純化されます。」

この「特定の領域」とは、粒子間の周波数の符号が異なる場合に大きな単純化が起こる「フェイズ空間」と呼ばれる領域を指します。ChatGPTは、8つの複雑な項の積からなる式を、わずか3つの項の積へと単純化して見せたのです。

ルパスカ氏は当時を振り返り、「これは素晴らしい。我々はこれを知らなかった」と語ります。後になってみれば再導出も可能ですが、その洞察に至るまでには時間がかかります。彼はこれを「AIがもたらした洞察の飛躍」と表現しました。ChatGPTは、自律的にPythonコードを書き、5,000通りもの可能性を検証し、この単純化された式を導き出したと説明したそうです。これは、人間がコンピュータ代数システムを使って試行錯誤するのと同じプロセスを、AIが自律的に行い、しかも人間が見落としていた大きな単純化を発見したことを意味します。

3.2. 6点振幅の解決と一般公式の推測

この成功に続いて、チームはアルフレド・ゲバラ氏が手作業で計算した6点振幅の式をChatGPTに入力しました。これは32もの項の積からなる、さらに複雑な式でした。ChatGPTは再び「ホップ！うん、これはこれに単純化される」とばかりに、32項の和をわずか4項の積へと単純化しました。

この時点に至って、研究チームはChatGPTに「では、すべてのnについて一般公式を推測できるか？」と尋ねました。このステップは、特定の例を単純化するプログラミングや数式処理ソフトウェアでは困難ですが、ChatGPTは「はい、これが一般の場合の答えです。ドン！」とばかりに、その公式を提示したのです。

このAIが推測した公式は驚くべきものでした。これまで粒子数nの増加に伴って項数が階乗的に増加するという「超指数関数的」な爆発的複雑性を示していたのが、この新しい公式では「線形的」な増加、つまり粒子数が2倍になれば項数も2倍になるという、考えうる限り最もシンプルな振る舞いを示したのです。これは1980年代の二重マイナス振幅に対するParke-Taylor公式に匹敵する、単一マイナス振幅の「Parke-Taylor公式」と呼べるような画期的な発見でした。

しかし、当時のGPT 5.2 Proは、この公式を「推測」することはできたものの、「証明」することまではできませんでした。「このようには見えるが、どう証明すればいいか分からない」と回答したそうです。

3.3. 強力なモデルによる証明と論文の完成

ルパスカ氏はOpenAIでの仕事の一環として、モデルの物理学能力を強化することに取り組んでいました。その結果、OpenAIには「非常に長い時間思考し、物理学において特に強力な」内部モデルが存在していました。

研究チームは、この強力な内部モデルに、この問題をゼロから与えました。AIが推測した公式を教えることなく、問題を非常に明確な形で定式化し、一般の場合の振幅を導き出すよう依頼したのです。モデルは12時間をかけて思考し、そして、人間が与えなかったにもかかわらず、全く同じ正しい公式を再発見しただけでなく、その「証明」までも導き出して見せたのです。

その結果、発表された論文「Single-minus gluon tree amplitudes are non-zero」（単一マイナスグルーオンツリー振幅は非ゼロである）の残りの部分は、ほぼAIが生成した証明に割かれることになりました。人間がAIの生成した証明を検証し、論文として記述したのです。

この論文の主な主張は、「これまで存在しないと思われていた、一つだけ異なるヘリシティを持つグルーオン間の特別な相互作用は、実際には発生しうる」という、物理学界の常識を覆すものでした。ルパスカ氏はこれを「非常に驚くべき、素晴らしい論文」と評し、トップレベルの研究者が1年間解決できなかった問題をAIが迅速に解決したという事実は、物理学のあり方、そしてAIがそれをどう変えるかについての考え方を根本から変えるものだと強調します。

4. グルーオン研究の成果を量子重力へ拡張：重力子論文とAIによる科学の加速

グルーオン振幅の発見からわずか3週間後、ルパスカ氏のチームはさらなる驚くべき成果を発表しました。「Single-minus graviton tree amplitudes are non-zero」（単一マイナス重力子ツリー振幅は非ゼロである）と題されたこの論文は、先のグルーオン論文の成果を、自然界のもう一つの基本力である「重力」を媒介する粒子、すなわち「重力子（graviton）」へと拡張したものです。

4.1. 重力子散乱振幅への応用とAIによる科学の加速

重力子もまたグルーオンと同様に、その単一マイナス振幅はゼロであると従来は考えられていました。しかし、グルーオンのケースで発見された「共線的な粒子配置」という特殊な条件下での抜け穴は、重力子にも当てはまるはずだと研究チームは考えました。

グルーオンは強い力（スピン1）を媒介する粒子であるのに対し、重力子は重力（スピン2）を媒介する粒子であり、その数学的記述ははるかに複雑になります。例えば、グルーオンの偏極が1つのラベルで記述されるのに対し、重力子の偏極は2つのラベルを必要とし、その数学的構造は根本的に異なります。しかし、AIはここでもその能力を発揮しました。

この重力子論文の特筆すべき点は、その驚異的な「科学の加速」能力にあります。論文が発表されるまでに3週間かかりましたが、ルパスカ氏によれば、ChatGPTが答えを導き出すまでにかかった時間はさらに短く、実際には最初の論文発表のわずか3日後には答えが得られていたそうです。残りの3週間は、人間がその答えの「検証」と「論文の執筆」に費やされました。

ルパスカ氏は、この状況を「非常識」と表現します。1年前であれば、AIが非常に困難な計算をこなし、人間がその答えの検証にほとんどの時間を費やすなどということは、誰も信じなかったでしょう。これは、AIが科学研究のボトルネックを根本的に変えつつあることを示しています。

4.2. GPT Proによる自律的な問題解決

さらに驚くべきことに、この重力子論文の計算は、OpenAIの内部モデルではなく、一般に公開されているGPT Proモデルのみで行われました。研究チームは、このブログ記事で実際に使用された主要なプロンプトの一つを公開しており、誰でもその驚くべきプロセスを追体験することができます。

彼らがGPT Proに与えたのは、先のグルーオン論文のテキストでした。モデルには「論文を読み、理解し、特に付録での数式操作を理解するよう」指示されました。するとGPTは、「はい、論文を理解しました。付録に集中します。何が起こったかを示します」と応答し、グルーオン論文のロジックを完全に吸収しました。

次に研究チームは、「この論文を重力子の場合に一般化するのが課題です。二つの主要な変更点がありますが、それ以外は同様の操作で進めてください。頑張れ、君は輝かしい理論物理学者だ」という、比較的シンプルな指示を与えました。わずか数段落の指示とグルーオン論文の知識だけで、GPTは「20分間」考え込み、そして重力子の場合の計算に着手しました。

GPTは、グルーオンのケースとは異なる数学的ツール（例えば「有向行列木定理」という、研究チーム自身も思いつかなかったような定理）を自律的に適用し、複雑な計算を進めていきました。このチャットのやり取りは110ページにも及びますが、GPTは自律的に「次に何をすべきか」を提案し、研究チームはそれに「はい、進めてください」と応答するだけで、計算が進んでいったのです。GPTは、人間が確認のために行うような基本的なケースでの「健全性チェック」までも自律的に実行し、答えの正確性を検証しながら作業を進めました。

最終的に、GPTは重力子論文の草稿を生成しました。この草稿は、実際に発表された論文に非常に近いものでした。人間が行った追加の作業は、アンディ・ストロミンジャー教授が執筆した序論（問題をより広い物理学の文脈に位置づけるもの）と、重力子振幅が物理学の特定の対称性のもとでどのように変換されるかについてのセクション（「セレスタル・ホログラフィー」と呼ばれる量子重力の探求プログラムに関連）でした。これらの部分は、人間の深い洞察と研究プログラムへの理解が必要な部分です。しかし、セクション3以降の数学的導出のほとんどは、GPTが生成したものでした。

ルパスカ氏はこれを「非常に注目に値する」結果だと述べます。「量子重力における確固たる成果が、人間の操縦と適切な質問によって、ほぼ完全にAIによって達成された」のです。そして、「ほとんどの時間は、私たち人間がすべてをチェックし、記述するのに費やされた」という事実は、AIが科学研究の役割分担を根本的に変えつつあることを雄弁に物語っています。

5. AI時代の科学研究と教育の未来：新たなスキルセットと課題

AIが理論物理学の最前線でこれほどまでに強力なツールとして機能し始めた今、ルパスカ氏は科学研究と教育の未来について深く考察しています。彼の見解は、AIがもたらす「超能力」だけでなく、それに伴う課題や、研究者と学生に求められる新たなスキルセットにも焦点を当てています。

5.1. 教育への影響：次世代の育成

最も直接的な問いの一つは、「次世代の科学者はどのように学ぶべきか」というものです。従来の物理学教育、特に大学院教育では、学生は困難で骨の折れる計算を自力で行うという「通過儀礼」を通じて、自身の能力に自信を築き、知識を深めてきました。これは単に計算能力を養うだけでなく、自己効力感を育む上で重要なプロセスでした。

しかし、AIがこれらの「骨の折れる計算」を代替できるようになると、この教育モデルは根底から揺らぎます。ルパスカ氏は、教授が学生に与えていた「解決策が既知で、ある程度は容易だが、概念理解を深めるための問題」の多くが、今やAIによって簡単に解決されてしまうだろうと指摘します。通常、理論物理学の論文一つには6ヶ月から1年かかりますが、AIを使えばはるかに迅速に結果が得られるかもしれません。6ヶ月間かけて研究に取り組む学生が、その間に一度もChatGPTに助けを求めないでいられるだろうか、という疑問が生じます。

しかし、これは同時に機会でもあります。ルパスカ氏自身、大学院2年次、授業で得た知識と研究の最前線の間の「砂漠」を横断するのに最も苦労したと語っています。この「砂漠」は、膨大な知識を吸収し、壁にぶつかり、混乱しながら過ごす時間でした。AIは、このプロセスを劇的に助けることができます。AIは「最高の教師」であり、どんなに複雑な事実でも、望む詳細レベルまで分解して説明することができるからです。

5.2. 研究者のワークフローの変化：「混乱の時間の短縮」と「探索の加速」

ルパスカ氏は、プロの物理学者としてAIを活用する自身の経験から、研究の進め方が2つの主要な点で完全に変わったと語ります。

混乱の時間の劇的な短縮: 従来の研究では、計算結果が出ても、それが他の既知の事実とどう整合するのか、なぜ矛盾するのかなど、「混乱」する時間が多くを占めていました。数日間悩んだり、散歩に出かけたり、別のプロジェクトに取り組んだりして、新しいアイデアが浮かぶのを待つのが常でした。しかし、AIを使えば、「これをやったんだが、どうしてこれと一致しないんだ？」と尋ねるだけで、AIは「ああ、これを忘れていましたね」とか、「そのように考えるのは正しくありません」とか、「これが標準的な事実です」と瞬時に答えてくれます。このAIによる「混乱の解消」により、研究者は劇的に速く作業を進めることができるようになりました。
探索の加速: 研究者は、ある問題（A）から最終的な目標（C）に到達するために、どのような経路（B）をたどるべきか、複数のアプローチを事前に検討します。これは時間とエネルギーを要する作業です。しかしAIを使えば、「10個のチャットインスタンス」を立ち上げ、それぞれに異なる経路を試させ、未知の領域へ「スカウト」として送り出すことができます。これにより、どの道筋が有望で、どれがそうでないかを非常に迅速にフィードバックとして得ることができます。AIが常にすべてを正しく理解していなくても、重要なステップの「道標」を立ててくれるだけでも、研究者は遥かに効率的に動くことができるのです。

ルパスカ氏は、このようなAIを「人間的な共同研究者」として捉える視点を示します。教授が学生やポスドクを指導する際、それぞれの共同研究者にどの問題を、どれくらいの詳細さで、どのような方法で与えるべきかを知っていることが重要です。AIとの対話もこれと非常によく似ています。この「問いを立てるスキル」は、他の人間との共同研究で培われるものであり、このスキルを持つ人々は「AI超能力」を手に入れることができる、と彼は考えています。

5.3. 「問いを立てる能力」の重要性：AIがまだ持たない究極のスキル

AIは、特定の計算において「超人的な技術スキルを持つ大学院生」のような存在です。シャープで明確に定義された質問を与えれば、信じられないほど困難な計算を正確に実行し、答えを返してくれます。しかし、ルパスカ氏は、AIがまだ完全には持たないスキルとして「次に問うべき適切な問いが何かを知る能力」を挙げます。これは、科学者として最も困難なスキルであり、最も遅れて身につくものです。

それでも、モデルは急速に進化しています。ルパスカ氏は、自身の最新論文をChatGPT Proに与え、「この論文に基づいて、次に問うべき最も重要な3つの追跡質問を挙げよ」と尋ねた実験について語っています。するとAIは、彼自身が次に考えていた「トップ3の質問」と全く同じ質問を提示したそうです。これは、AIがすでに研究のフロンティアにおいて、人間と同等レベルで「次にどこへ向かうべきか」を理解し、示唆できるレベルに達していることを示唆しています。

5.4. 「AIスロップ」と論文の洪水、そして論文形式の未来

AIの能力向上は、新たな問題も生み出しています。ルパスカ氏は「私たちは今や、人間が書いた論文と同等の論文を本当に生み出すことができるモデルを持っている」と明言します。プロの物理学者がAIを適切に操縦し、結果を検証すれば、驚くべき成果を生み出せる一方で、誤った質問や深堀りされていないアイデアをAIに与え、それを論文としてアーカイブに投稿する「AIスロップ（AI generated slop）」の問題が学術界に押し寄せています。彼は、「適切な操縦があれば、おそらく1日に1本の論文を生み出すこともできるだろう」とさえ述べています。

この問題への「正しい対応」は何でしょうか？ルパスカ氏は、自身のチームが短期間に2本の画期的な論文を発表できたとしても、残りの期間でさらに30本の論文を書くべきではないと考えています。その代わりに、この新しい「AI超能力」を手に入れた今、私たちは「良い論文とは何か」という基準自体を上げるべきだと主張します。つまり、より困難で、より大きなインパクトを持つ問題に挑戦することです。

彼は、今回の単一マイナス振幅の論文が、「量子重力における本当に面白い問いへの攻撃ライン」を切り開いたと考えており、AIの助けを借りて、より難易度の高い問題群を解決していくことに意欲を見せています。まだAIは、何十年も物理学コミュニティ全体を悩ませてきた問題を解決したわけではありませんが、現在の軌跡を考えれば、「そう遠くない未来にそれが起こるはずだ」と期待しています。

さらに、ルパスカ氏は「論文という静的な文書形式」の未来にも疑問を投げかけます。彼にとって、計算や問いの発見は楽しいものの、「書き上げる」作業は大きなボトルネックだと言います。数学論文に見られるような簡潔すぎる記述は、実際の思考プロセス（例えば、黒板に絵を描いて説明するような直感的な理解）とはかけ離れていることが多々あります。

彼は20年後、現在のような「静的な論文」は存在しないだろうと予測します。代わりに、AIが組み込まれた「インタラクティブな論文」が登場するかもしれません。例えば、論文自体が「チャットボット付きのLLMページ」として存在し、読者は「全体像を説明してくれ」と尋ねたり、「この事実を深掘りしてくれ」と依頼したりできるような世界です。論文を書くことは思考を整理する上で有用な訓練ですが、知識の記録と伝達の方法は、AIによって大きく進化するでしょう。

5.5. AIモデルのさらなる改善点：「創造性」と「検証」

AIモデルの能力を科学研究のためにさらに向上させるために何が必要か、という問いに対して、ルパスカ氏は2つの重要な点を挙げます。

創造性と「既成概念にとらわれない」思考の促進: 大規模言語モデルは、多くの場合、「平均的な」答えを生成するように訓練されています。メールの作成のようなタスクでは、常識的で期待される答えが求められます。しかし、科学研究においては、「常識外れ」なアイデアや、「分布の外側」に位置するような独創的な思考が求められることがあります。モデルが「より大きな飛躍」を遂げられるように、この創造性を促すような微調整が必要かもしれません。ルパスカ氏は、すでにAlphaGoが示したような創造的な「妙手」をAIが示していると考えており、さらなるスケールアップで真の創造性が発揮されると期待しています。
検証能力の向上と自信度表示: AIは非常に困難な計算をこなせるようになりましたが、その答えが常に正しいとは限りません。人間は、AIの出力を「検証」することに多くの時間を費やさなければなりません。そこで、モデルが自身の答えに対してどれくらいの「自信」を持っているか、あるいはどのステップが「推測」に基づいているのかを、より直接的に示す機能があれば、人間の検証負担を大幅に軽減できるでしょう。これは「形式検証」と呼ばれる分野の重要性を再認識させるものであり、AIによる数理解析の自動化が進むにつれて、ますます重要性が高まる可能性があります。

6. GPT-5以降の能力向上：ルパスカ氏の個人的な「Evanモーメント」

ルパスカ氏がAIの能力に決定的な驚きを覚えた「Evanモーメント」（AlphaGoがプロ棋士を打ち破った「Move 37」にちなむ）は、彼の「なぜブラックホールには愛がないのか？」という自身の研究の再現によって訪れました。

6.1. 「なぜブラックホールには愛がないのか？」論文の再現

「愛（Love）」という言葉は、ブラックホール物理学において、潮汐応答係数を指す専門用語「Love数（Love numbers）」に由来します。地球の潮の満ち引きが月の重力によって引き起こされるように、物体が外部の重力場から受ける潮汐力はLove数で記述されます。しかし、ブラックホールは潮汐力を経験しないという特徴があり、「Love数ゼロ」であるため、「ブラックホールには愛がない」と言われるのです。

この「Love数ゼロ」という事実は、物理学における「対称性原理」と結びついており、何かがゼロである場合、そこには何らかの対称性が隠されていることが多い、という考えがあります。ルパスカ氏は、ブラックホールの摂動方程式（ブラックホールに小さな乱れが加わったときの振る舞いを記述する方程式）に作用する、新たな対称性（微分演算子）を発見しました。この発見は2023年6月に発表され、彼自身が非常に美しいと感じた成果でした。

この論文が発表された当時、GPT-5のトレーニングデータはそれ以前のデータでカットオフされており、この論文の内容はGPT-5の学習には含まれていませんでした。2023年8月にGPT-5がリリースされた際、ルパスカ氏はOpenAIの研究責任者であるマーク・チェン氏に促され、「GPT Proに本当に難しい問題を与えてみよう」と挑戦しました。

ルパスカ氏は、ブラックホール摂動方程式をGPTに与え、「その対称性は何ですか？」と尋ねました。彼はAIに対称性の存在を教えませんでした。なぜなら、デフォルトでは対称性は存在しないと考えるべきだからです。GPTは5分間思考した後、「はい、対称性はありません」と答えました。これは間違いでした。チェン氏が落胆する中、ルパスカ氏は、彼自身がこの問題に取り組んだ時と同じように、より単純な「空の平坦な時空」の場合の対称性を尋ねました。この問題は200年以上前から知られており、3つの対称性生成子が存在します。GPT-5 Proは9分間思考し、非常に美しく、完璧に正しい答えを導き出しました。当時の他の競合モデルはどれもこの問題を解けなかったため、GPT Proの能力は際立っていました。

チェン氏の提案で、ルパスカ氏は同じチャットインスタンス内で、再び元の「ブラックホールの場合の完全な問題」を尋ねました。モデルが「プライミング」された状態です。今回は18分間という、彼がこれまで見たことのない長い思考時間の後、GPTは遂に正しい対称性を導き出したのです。

6.2. 「Evanモーメント」の衝撃とAIの未来

「たった一つのヒント、つまり明白なウォームアップ問題を最初に与えるだけで、30分足らずで、私がこれまで行った最も素晴らしい計算の一つを完全に解決した」この体験が、ルパスカ氏にとっての「Evanモーメント」でした。

彼は、AIの能力の急速な発展を次のように振り返ります。

18ヶ月前：AIは役に立たなかった。
1年前：AIは数日かかるような困難な計算を数分でこなせるようになった。
8ヶ月前（GPT-5登場時）：AIは自身の最高傑作の一つを30分で再現できるようになった。
過去1ヶ月：AIは、世界トップレベルの専門家が1年間悩み続けた未解決問題を解決した。

この驚くべき軌跡をたどると、AIの進化が止まる理由は見当たらない、とルパスカ氏は語ります。「6ヶ月後、あるいは1年後にはどうなっているのか？それは想像を絶する。この時代に生きていることは、まるでシュールな夢のようだ。しかし、これは本当に起こっている。本当に素晴らしいことだ。研究の世界に多くの大きな変化が起こるだろう」と、彼は興奮を隠せません。

AIの能力が単なる既知の事実の「再結合」に過ぎないのではないか、という問いに対して、ルパスカ氏は、GPT-4との共同研究は「創造的な共同研究者」と作業しているように感じられたと答えます。AIは彼自身が知らなかった、驚くようなことを行ったからです。彼は、AIの創造性は「程度の問題」であり、モデルがスケールアップし続ける限り、私たちには「真の創造性」に見えるような洞察を発揮し続けるだろうと確信しています。テリー・タオのような数学者がまだAIの創造性に感銘を受けていないとしても、彼は自身の経験から、AIがすでに「洞察の飛躍」を見せていると考えているのです。

7. 結論：科学発見の新たな地平

アレックス・ルパスカ氏がOpenAIでの経験を通して語るGPTモデルの進化は、私たちに科学研究の未来像を鮮やかに提示しています。AIはもはや、単なるデータ処理ツールや定型業務の自動化ツールではありません。それは、理論物理学という、人類の知識の最前線にある最も抽象的で複雑な領域において、人間すら解決できなかった問題を解決し、新たな発見をもたらす強力な協力者へと変貌を遂げました。

この物語が示すのは、AIが科学に与える影響は単なる効率化に留まらないということです。

未解決問題の解決: AIは、一流の専門家が長年頭を悩ませてきた問題を、前例のないスピードと効率で解決する能力を持っています。これは、科学的発見のペースを劇的に加速させるでしょう。
研究の加速化: AIは、研究者が「混乱する」時間を劇的に短縮し、複数のアプローチを同時に「探索」することで、研究のプロセス全体を加速させます。これは、限られた時間とエネルギーを持つ研究者にとって、まさに「超能力」を与えるものです。
新たな洞察と創造性: AIは、人間が見落としていたような数式間の単純化や、これまで考えられなかった数学的ツール（例えば「有向行列木定理」）の適用を自律的に発見する能力を示しています。これは、AIが「創造的な洞察」をもたらす可能性を示唆しています。
教育とスキルセットの変革: 従来の教育方法がAIによって見直される必要性がある一方で、AIは学生が研究の最前線に到達するまでの困難な道のりを支援する「最高の教師」となり得ます。未来の研究者には、AIを効果的に「操縦」し、「適切な問いを立てる」能力がこれまで以上に求められるでしょう。
科学コミュニケーションの未来: 静的な論文という形式は、AIによって変革される可能性があります。AIが組み込まれたインタラクティブな論文は、知識の伝達と理解の方法に革命をもたらし、より深く、より広範な科学的理解を促進するかもしれません。

もちろん、AIスロップの問題や、AIの創造性をさらに引き出すためのモデル改善といった課題も存在します。しかし、ルパスカ氏の言葉からは、この変革への圧倒的な期待と、それがもたらす科学発見の新たな地平への興奮が強く伝わってきます。

私たちは今、科学とAIの融合によって、かつて想像もできなかったような大きな変化の時代を生きています。GPTが理論物理学と量子重力にもたらした成果は、ほんの始まりに過ぎません。この分野の進展に注目し続けることで、私たちは人類の知識の最前線がどのように押し広げられ、未来がどのように形作られていくのかを目の当たりにすることになるでしょう。AIの「超能力」と人間の「問いを立てる能力」が融合したとき、科学は未曾有の加速を遂げ、人類はこれまで到達しえなかった深淵なる真理へと手を伸ばすことができるはずです。この驚くべき旅路の目撃者として、私たちはこの変革の時代に立ち会う特権を持っているのです。