OpenAIが数学の未解決問題10件を突破

OpenAIが、数学・理論計算機科学における長年の未解決問題10件で新たな成果を発表した。対象領域は幾何学・暗号理論・計算複雑性など多岐にわたる。

注目したいのはその「種類」だ。これは「既知の問題を速く解く」話ではない。専門家がここ数十年かけて取り組んできた、答えすら見えていなかった問いに対して、AIが突破口を開いたという話だ。

発表内容を読むと、研究者と AI が協働するかたちで成果を出しており、「AI が単独で全部やった」わけではない。ただし、そのプロセスに AI が不可欠だったことは論文を読めば明らかで、従来の「AI＝高速計算ツール」という理解とは一線を画す内容になっている。

使う側として知っておくべきは、この動きが「AI の役割拡張」を象徴しているという点だ。答えを出す道具から、未知の問いを設定して探索する存在へ。この変化は、AI をどう使うかという私たちの発想そのものに影響を与えてくる。

OpenAI の公式ページには、10件それぞれの問題・成果・論文リンクがまとめられている。すべてを読む必要はないが、領域ごとの概要は把握しておく価値がある。

幾何学：長年議論されてきた図形・空間に関する命題で、数学的証明に AI の推論能力が活用された。

暗号理論：暗号の安全性の根拠となる数学的構造に関する問題。AIが整理・探索を担い、従来手法では届かなかった領域へのアクセスを可能にした。

計算複雑性：「この問題は本当に難しいのか」を証明する理論体系。P≠NP 問題のような分野に近接する話題で、コンピュータ科学の根幹に関わる。

これら3領域は互いに独立しているようで、実はデータセキュリティ・最適化・アルゴリズム設計と直結している。「自分には関係ない」と感じる人も、AI が何を使って「考えて」いるかを理解する文脈として押さえておくと、のちのち判断の精度が変わってくる。

興味深いのは、OpenAI がこれを単なるプレスリリースではなく、論文付きで公開している点だ。再現性・検証可能性を担保した発表であることは、信頼度として評価できる。

「AI が科学・研究を加速する」という文脈はここ数年で何度も語られてきた。ただ多くの場合、それは「論文検索が速くなる」「データ整理が楽になる」レベルの話だった。

今回の発表が違うのは、問題の「設定」と「探索」の両方に AI が関与している点だ。研究者が「この方向性は無理だろう」と諦めていた経路を、AI が別角度から掘り直して突破口を見つけるというプロセスが含まれている。

「自己反省AIは繰り返し試行に勝てない」論文が示す真実で以前触れたように、AI の反省・修正サイクルには限界があるという指摘もある。今回の成果は、その限界を「領域の分解」や「人間との協働」で超えようとしているように見える。

使う側の視点で言えば、「AI は与えた問いにしか答えない」という前提を少しずつ書き換えていく必要が出てきている。自分がどういう問いを立てるか、そこに AI をどう組み込むか。その設計力が、使う側の差になっていく局面に入ってきた。

今回の元情報には、もう一つ見逃せない研究が含まれている。SWE-bench という、AIのコード修正能力を測る代表的なベンチマークに、13.6%の「ペア不一致」が存在するという指摘だ。

SWE-bench はGitHubのPull Request（PR）と、それに紐づくIssue（バグ報告・機能要望）をセットにして、「AIがこのIssueを正しく解決できるか」を測る仕組みだ。ところが実際には、PRとIssueが正確に対応していないケースが1割以上あることが明らかになった。

これは使う側にとって何を意味するか。「○○モデルはSWE-benchでXX%のスコア」という数字を見たとき、そのXX%の意味が少し変わってくる。評価の土台自体に揺らぎがあるなら、スコアの上下を鵜呑みにするのではなく、「どういう条件で測られた数字か」を確認するクセが必要になる。

AIが「みんな同じ文章」を生む？研究が示すリスクでも触れたように、AI の評価・比較は見かけよりも複雑だ。スコアを比較するときは「何を、どう測ったか」まで確認する習慣が、判断の精度を高める。