- AI が数学分野で最も急速に進歩している理由と、その進歩がなぜ直線的ではなく「スパイク状」になるのかを詳しく解説する回。
- IMO や Millennium Prize Problem といった難問で AI が成功しても、それが即座に他の分野への応用や AGI へはつながらないという、3年前の予測が当たった理由を改めて掘り下げている。
- 数学の進歩が物理世界の問題（PDE、航空機設計など）にどのように漏れ出すのか、また逆に純粋数学が実際には応用と無関係ではないかという問いも投げかけられる。
論点をもう少し詳しく読む
IMO での AI の成功と、その背後にある分野ごとの得意不得意の差
2024年の IMO では AI は金メダルを逃したが、その理由は問題の構成にあったことが説明される。幾何学は基本的に「ブルートフォース」で 19 秒で解けるほど得意だが、組合せ論の問題では創意工夫が必要になり、ここで AI は苦戦する傾向がある。つまり「AI が数学を解いた」という単純な見方は誤りで、分野によって難度が大きく異なることが重要。この観察は、AI が何でもできるわけではなく、特定の領域で突出した能力を示す「スパイク状」という Grant の議論につながっていく。
AI の能力が複数領域にまたがるときに必要なデータと環境設計
単なるアーキテクチャや損失関数の工夫よりも、AI が学習する環境やデータが重要だという議論が展開される。例えば、自律的にコードベースを検索したり、ミスを評価し直したりするステップを含むデータを与えることで、AI はより汎用的な問題解決能力を磨く。同様に、異なる数学分野を結びつける問題を意図的に設計し、AI に解かせることで、「ひらめき」に近い多領域接続を促せるということが示唆される。つまり、スケーリングや並列化も重要だが、与える問題の多様性と難度が次のレベルの進歩を決める要因になる。
AI の大規模並列化が数学の進歩に与える定性的な変化
個別の才能ある数学者は数年に数個の重要な接続を見つけるかもしれないが、AI の場合は複製可能で大規模に並列化でき、すべての知識を統合できるという根本的な違いがある。つまり、単に一人分の才能ではなく、数十億個の「試行」を同時に実行できるため、従来型の数学の歴史とは全く異なるペースで「ひらめき」が生まれる可能性がある。この段落では、AI 企業が莫大な資金を投じることで「量が質に転化する」という可能性も提示され、個々の AI の知能レベルの高さよりも、その数と並列性が数学進歩のドライバーになるという洞察が強調される。
純粋数学の進歩が実世界（PDE、航空機設計、材料科学）にどこまで波及するか
Boeing の事例を参考に、PDE などの純粋数学の進歩がシミュレーション効率の向上につながり、最終的には エンジン設計や翼形状の最適化といった実用的なメリットを生む可能性が議論される。ただし、Navier-Stokes 問題を解いたからといって直ちに革新的な経済効果が生じるわけではなく、むしろ周辺領域での「漏れ出し」がもたらす段階的な改善が現実的だという見方が示される。一方で、数学者たちが何十年も「楕円曲線は暗号に役立つ」と言ってきたが、実際にはそれほど応用されていないかもしれないという問題も指摘され、pure math と applied math の距離がどのくらい離れているのかが改めて問われている。