📌 この記事の要約

• OpenAIのAstraが数学の未解決問題10件で成果
  次期主要モデル「Astra」の社内版が、高次元幾何学や符号理論、量子計算量など数学と理論計算機科学の10分野で新たな成果を挙げた。

• 1970年代以来の一般上界を更新
  高次元球充填や符号理論において、1970年代から更新されていなかった一般的な上限を指数レベルで改善し、長年の記録を塗り替えた。

• 仮説と検証を繰り返す「研究者的」な推論
  行き詰まった際に数値調整でなく問題の捉え方そのものを切り替えるなど、失敗と方向転換を重ねながら解法へ進む過程が記録されている。

• AIは「助手」から「研究協働者」へ
  論証自体はAstraが生成し、Leanによる形式検証まで実施。検証可能な形で新しい知識を作れるかという新たな評価軸が浮上している。

　生成AIに数学を解かせると聞くと、難しい問題集を大量に解かせ、正答率を競う姿を想像するかもしれません。ところが、OpenAIが2026年8月1日に発表した「数学と理論計算機科学における10の進展」は、その段階をかなり飛び越えています。対象になったのは、答えがあらかじめ分かっているテストではなく、数学者たちが長年研究してきた未解決問題です。

　成果を生み出したのは、OpenAIが「次期主要モデル」として開発している「Astra」の社内版です。高次元幾何学や符号理論、群論、量子計算量、格子暗号、極値組合せ論などで10件の成果を挙げ、その中には数十年間更新されていなかった記録を塗り替えたものや、長年の予想に反例を示したもの、「そもそもそんな数学的対象が存在するのか」という問いに答えたものまで含まれています。

　今回注目したいのは、10件の難問を解いたという数字だけではありません。AIが単に既知の知識を組み合わせて回答したのではなく、研究者のように仮説を立て、失敗し、別の見方に切り替えながら解法へ進んでいる様子が見えてきます。

Astraの社内版が、数学と理論計算機科学の10分野で新たな成果を生み出しました。画像はOpenAIのウェブサイトより。

正解のない問題で「次に何を試すか」を考え始めた

　これまで生成AIの数学能力を測る代表的な方法は、難しい問題を渡して正解できるかを見ることでした。国際数学オリンピック級の問題や大学院レベルの問題を解ければ、それだけでも高度な推論能力を示せます。しかし、研究の世界では事情が違います。答えが分からないから研究しているのであり、正解集から逆算することもできません。

　Astraの成果が面白いのは、この「正解のない状態」で研究を進めている点です。

　OpenAIは論文とは別に、「How the Ideas Came Together」という文書も公開しています。これは、元の推論過程と完成した論文をモデルに読ませ、どんなアイデアを試し、どこで行き詰まり、何をきっかけに方向転換したのかを再構成したものです。単なる証明の要約ではなく、失敗したアプローチまで記録することを目的としています。

　たとえば高次元の球充填問題では、Astraは当初、ある量を全体として評価する方法をかなり追いかけました。しかし、その方法では必要な情報が失われることが分かります。そこで「数値をもっと精密に調整すればよい」という方向ではなく、問題の捉え方そのものを変え、必要な場所だけを直接調べる方法へ移りました。解説文には、従来の方法では「どこに」問題が集中しているかという情報を捨ててしまうことが障害だったと記されています。

　さらに分かりやすいのが、二元符号に関する研究です。途中で非常にもっともらしい数式が導かれましたが、小さなケースに当てはめると、実際に存在する符号よりも「存在できる最大数」の方が小さくなるという矛盾が発生しました。そこでモデルは、単なる計算ミスではなく構造自体が間違っていると判断し、別の構成へ作り直しています。

　この動きは、普段の生成AI利用とはかなり違います。「質問されたので答える」のではなく、「この道は駄目だった。では何を変えれば突破できるのか」と研究の探索そのものを進めているからです。

Astraは行き詰まったとき、数値を調整するのではなく問題の捉え方そのものを切り替えています。

40年以上更新されなかった数学の「限界線」を動かす

　10件の中で、成果の規模をイメージしやすいのが高次元球充填です。

　球充填とは、簡単に言えば「同じ大きさの球を空間にどこまでぎっしり詰められるか」という問題です。3次元ならミカンやビー玉を箱に詰める姿を思い浮かべればよいでしょう。数学ではこれを4次元、10次元、100次元と拡張して考えます。

　今回Astraが更新したのは、特定の次元だけでなく、次元が非常に大きくなったときに「どれだけ詰められる可能性があるか」を抑える一般的な上限です。

　この種の高次元球充填に対する一般的な指数の改善は、論文によれば1978年以来初めてとなります。しかも、単に少し良い数字を見つけただけではなく、長年研究されてきた「Cohn–Elkies法」という強力な手法を使った場合、究極的にどこまで改善できるのかという限界まで突き止めました。

　これは、世界記録を更新すると同時に、「この競技ルールでは理論上ここより先には行けない」という地点まで証明したようなものです。

　関連する二元符号と球面符号でも、1977年と1978年に確立された古典的な一般上界を指数レベルで改善しています。符号理論は、データを壊れにくく送ったり保存したりするための数学的基盤です。今回の成果がすぐ通信方式を高速化するという話ではありませんが、半世紀近く残っていた理論上の境界線が動いたこと自体が大きな出来事です。

成果の中には1970年代以来、一般的な限界が更新されていなかった問題も含まれています。

「もっと良い答え」ではなく、長年の問いに白黒を付ける

　さらに目を引くのが、数字を改善するタイプではない成果です。

　群論では、「すべての可算群はソフィックなのか」という長年の問題に対し、Astraは非ソフィック群を具体的に構成しました。つまり、「例外は存在するのか」という問いに対して、実際に例外を作ってみせたことになります。

　作用素環の分野では、数学者アラン・コンヌに由来する剛性予想に反例を示しました。乱暴にたとえれば、ある数学的な「指紋」を調べれば元の対象を一意に特定できるのではないかと考えられていたところ、同じ指紋を持ちながら異なる対象を作れてしまった、という結果です。しかも論文では、そのような例を1組だけでなく無限に構成しています。

　量子計算量の分野でも、2人のプレイヤーが量子もつれを利用するゲームを並列に繰り返したとき、すべてに勝つ確率が指数関数的に低下することを一般の場合について証明しました。古典的なゲームでは1990年代から知られていた基本原理ですが、量子の場合は一般形が残されていました。従来は一般の場合に多項式的な減衰までしか示されていなかったところを、指数的な結果まで進めています。

　このほか、凸体の体積に関するEhrhartの予想を全次元で証明し、多色ラムゼー数ではErdősの問題を解決、極値グラフ理論では2つの予想を反証しました。

　こうして並べてみると、10件それぞれの中身よりも、その共通点の方が見えてきます。Astraが踏み込んだのは、既存手法のパラメーターを少し調整して記録を伸ばす作業ではなく、「あるのか、ないのか」「必ず成り立つのか」「この方法の限界はどこなのか」といった、研究分野の地図そのものを書き換える問いです。

数値を改善する成果だけでなく、長年の予想を証明したり反証したりする成果も並んでいます。

研究AIで重要になるのは「それっぽい答え」ではなく検証可能性

　もちろん、生成AIが「証明できました」と文章を出しただけなら、今回ほど大きな意味はありません。高度な数学では、人間でも査読に時間がかかり、一見正しそうな論証に小さな穴があれば全体が崩れます。

　OpenAIによると、今回の数学的な論証自体はAstraが生成し、人間は同じモデルを使って論文原稿へ整理しました。さらにモデルがLeanという定理証明支援系で論証を形式化し、機械的に検証できる証明として記述したとしています。OpenAI自身も、論文作成と形式化を支援し、その正しさについて責任を負う一方、数学的な論証を生成したのはAIだと明示しています。

　ここは今後の研究AIを考えるうえで重要なポイントです。生成AIの評価軸が、「答えが賢そうか」から「第三者が検証できる形で新しい知識を作れるか」へ移り始めています。

　さらに興味深いのがコストです。OpenAIは、10件の解法探索に使った総トークン数を、Sol APIの料金に換算すると約2000ドル相当だったとしています。もちろん、これはAstraの開発費や学習コスト、人間による検証、論文化までを含む総研究費ではありません。それでも、すでに構築された高度なAIを使い、「未知の解法を大量に探索する」という部分だけを見ると、研究の試行回数を桁違いに増やせる可能性があります。

AIは「物知りな助手」から「仮説を出す研究協働者」へ

　今回の成果から、「数学者がもう不要になる」と結論づけるのは早すぎます。何を重要な問題とみなすのか、証明が本当に意味するところは何か、既存研究の中でどこに位置づけるのか、新しい結果から次に何を研究するのかといった判断は残ります。OpenAI自身も、数学コミュニティによる詳細な検討と位置づけを求めています。

　一方で、AIに任せられる仕事の範囲が変わりつつあることは無視できません。これまでは文献を探す、要約する、計算する、文章を書くといった「研究者が決めた作業を高速化する」用途が中心でした。今回のAstraは、その一段上にある「どの道を試すか」「なぜ今の方法では駄目なのか」「別分野の考え方を持ち込めないか」という探索にまで入り込んでいます。

　同じことは企業の研究開発にも当てはまります。新素材や創薬、アルゴリズム設計、製造プロセスなど、答えの分からない課題では、仮説を作っては潰す作業に膨大な時間が使われます。AIが有望な仮説を大量に提案するだけでなく、自分で矛盾を探し、失敗理由を分析し、別ルートを組み立てられるようになれば、人間の研究者が試せる探索範囲そのものが広がります。

　今回の10成果は、知的作業の中でも特に時間と専門性を必要としてきた、「まだ答えのない場所で、次にどこを掘るべきかを考える仕事」に、AIが本格的に入り始めたということを表しているのです。