AIが、これまで人間には解けなかった数学の難問まで解けるようになる。
普通に考えれば、かなり良いニュースです。
何十年、何百年と解けなかった問題をAIが解いてくれるなら、人間はその答えを使ってさらに先へ進めます。
ところが数学者のテレンス・タオ氏は、そこに少し違った問題を見ています。
問題が解ければ、それだけで数学は前進したと言えるのか。
2026年9月、タオ氏はAIと数学についての考えをまとめた中で、ナヴィエ＝ストークス方程式の大域的正則性問題を一つの例として取り上げました。
そこで考えられているのは、AIの能力不足ではありません。
AIがあまりにも速く、人間には追いきれない方法で問題を解いてしまった場合、その解決が数学の発展にとって逆効果になる可能性はないか。
AIが間違える話なら分かりやすい。でもこれは、AIが正しい答えを出せるようになった先で起きるかもしれない問題です。
ナヴィエ＝ストークス方程式は、まだ解決していない
今回の例に使われているナヴィエ＝ストークス方程式は、水や空気などの流体の運動を記述する方程式です。
水の流れ、空気の流れ、飛行機の周囲の気流、海洋など、流体が関係する幅広い現象とつながっています。
その3次元の方程式について、現在も解決していない数学上の問題があります。大域的正則性問題です。
かなり大ざっぱに言えば、滑らかな状態から始まった解が、その後もずっと滑らかなまま存在し続けるのか、それとも有限時間のうちに特異点が生じる可能性があるのかを問います。
この問題は、クレイ数学研究所が2000年に選定したミレニアム懸賞問題の一つです。
2026年9月時点でも未解決問題として掲載されています。
したがって、この記事は「AIがナヴィエ＝ストークス問題を解いた」というニュースではありません。
タオ氏が考えているのは、もし将来AIがこの問題を解いたら、そのとき数学研究に何が起こるのかという仮想的なシナリオです。
数学では「答えに着くまで」にも成果がある
数学を「問題を解いて答えを出すもの」とだけ考えると、タオ氏の懸念は少し分かりにくくなります。
難しい問題を解こうとすると、その途中で最終解とは別の成果が生まれます。
- 新しい定理
- 新しい証明手法
- 既存の分野どうしの意外なつながり
- ある方法がなぜ失敗するのかという知識
- 別の問題にも利用できる考え方
ナヴィエ＝ストークス問題をめぐる研究でも、最終的な問題自体は未解決のまま、流体力学や偏微分方程式論に関わる多くの成果が生まれてきました。
元記事で挙げられているのは、ルレ＝ホップの弱解、ガリアルド＝ニレンベルク＝ラディジェンスカヤの不等式、部分正則性、ビール＝カト＝マジダの爆発基準などです。
タオ氏自身も、流体方程式と計算、チューリング完全性をめぐる研究から、シンプレクティックトポロジーとの予想外のつながりを見いだしています。
難問は、ゴール地点だけが数学を生むわけではありません。
途中で間違った道へ入り、「なぜこの方向では進めないのか」と調べること自体が、問題の構造を理解する材料になります。
AIは大量の仮説と失敗を、人間より速く回せる
タオ氏が示すナヴィエ＝ストークス問題のシナリオでは、AIが単純に一発で答えを当てるわけではありません。
特異点が生じそうな解の形を考え、数値的に探し、理論と数値解との差を詰め、安定性を調べ、最後に厳密な証明へ持っていく。
そこで使われる考え方の一つが「アンザッツ」です。
アンザッツは、ここでは「解はこういう形をしているのではないか」という仮説だと思えばよいでしょう。
もちろん、最初に選んだ形が正しいとは限りません。
仮説を立てる
↓
計算・検証する
↓
うまくいかない
↓
失敗した理由を調べる
↓
条件を修正する
↓
別の仮説を試す
研究では、この繰り返しが続きます。
人間なら数か月、数年とかかる探索を、将来のAIが巨大な計算資源を使って猛烈な速度で実行できるようになるかもしれません。
失敗を飛ばしてしまうと、何が失われるのか
最終的に成功したアンザッツだけが分かれば、最短距離で証明へ進めます。
効率だけを見るなら、そのほうがいい。
数学研究では少し事情が変わります。
うまくいかなかった仮説には、「この条件が邪魔をしている」「この構造ではここを越えられない」といった情報が残っています。
失敗そのものが、問題についての新しい知識になる場合があります。
もしAIが何百万、何億という仮説を内部で試し、失敗を処理し、最後に成功した証明だけを出したらどうなるでしょう。
問題自体は解決しているかもしれません。
しかし人間は、その途中に存在していた大量の「なぜダメだったのか」を共有していません。
数学者が同じ探索をしていれば得られたかもしれない知識が、AI内部に置き去りになる可能性があります。
正しい証明と、人間が理解できる証明は同じではない
AIが作った証明の正しさについては、形式化によって強力に検証できる可能性があります。
Leanのような形式証明システムを使えば、証明の各段階が数学的なルールに従っているかをコンピューターで確認できます。
ただ、証明が正しいことを機械的に確認できても、人間がその証明を理解したことにはなりません。
たとえば、非常に巨大な形式証明があり、Leanで完全に検証されたとします。
それでも、
- なぜそのアイデアを選んだのか
- どこが証明の中心的な仕掛けなのか
- なぜ別の方法では失敗するのか
- 他の問題へ何を持っていけるのか
が分からなければ、その成果を次の数学へつなげるのは難しくなります。
Generation・Verification・Digestionという3段階
タオ氏はAIと数学を考えるとき、Generation、Verification、Digestionという3つの段階に分けています。
Generation：数学を生み出す
証明や問題解決の方法、候補となるアイデアを生み出す段階です。
AIは大量の候補を高速に生成し、探索できるようになります。
Verification：正しさを確認する
生成された証明が本当に正しいのかを検証する段階です。
形式証明やLeanのような仕組みは、この段階を強力に支援できます。
Digestion：数学として消化する
そして残るのがDigestionです。
証明が正しいと確認したあと、それが何を意味しているのかを人間が理解します。
既存の数学とどうつながるのか。なぜその方法が働いたのか。他の問題へ応用できるのか。
証明を、数学という知識体系の中へ位置づけ直す仕事です。
AIによってGenerationとVerificationが急速に高速化しても、人間が数学を理解し、整理する速度まで同じ割合で速くなるとは限りません。
ここに、タオ氏が注目する新しいボトルネックがあります。
証明が足りない世界から、証明を消化できない世界へ
これまで数学では、新しい証明を見つけること自体が難しい仕事でした。
AIによって、その前提が変わる可能性があります。
人間が読み切れない速度で、新しい証明が毎日生み出される。
しかも、それぞれが形式的には正しい。
すると数学は、「証明が足りない」という問題から、正しい証明は大量にあるのに、それを理解して位置づける人間が足りないという問題へ移る可能性があります。
タオ氏は、この状況を「proof abundance（証明の豊富化）」や「proof indigestion（証明の消化不良）」という観点から論じています。
面白いのは、これがAIの精度不足とは逆方向の問題であることです。
AIが間違えるから困るのではない。
正しい数学を、人間が理解できる速度より速く作れるようになることが問題になるかもしれない。
AI企業が答えだけを公開した場合、数学者は逆算することになる
ナヴィエ＝ストークス問題で、もう少し具体的に考えてみます。
あるAI企業が「ナヴィエ＝ストークス問題を解決した」と発表したとします。
証明も公開され、形式証明による検証も済んでいる。数学的には正しい。
しかしAIが解答に到達するまでに試した大量の仮説、失敗、修正については公開されていない。
その場合、人間の数学者は完成した証明から、
「なぜこのアイデアが出てきたのか」
を逆向きに解読することになります。
もちろん、その分析にもAIを使えます。
ただ、人間とAIが最初から一緒に仮説を立て、失敗を観察し、その理由を共有しながら進んだ場合とは、得られる情報の形が違います。
「最終証明を得る効率」と「問題そのものを理解する効率」は一致しない可能性があります。
タオ氏は「数学にAIを使うな」と言っているわけではない
ここを取り違えると、話がまったく別の方向へ行きます。
タオ氏は数学研究へのAI活用そのものを否定していません。
AIに計算させる。大量の候補を調べさせる。証明をチェックさせる。関連研究を探させる。人間が考えたアイデアを検証させる。
こうした人間とAIの対話型の利用は、研究を加速できます。
タオ氏自身も、AIの出力を独立して検証できる範囲で使い、人間と機械を対話させながら数学を進める方法を重視しています。
懸念されているのは、研究過程全体をAI内部へ閉じ込めて、完成した答えだけを人間が受け取る形です。
この問題はプログラミングにも少し似ている
数学ほど厳密に同じ話ではありませんが、構造だけを見ると現在のAIコーディングにも似た部分があります。
AIエージェントへ機能実装を頼めば、コード生成だけでなく、実行、エラー確認、修正、テストまで自動で繰り返せます。
最後には、動くコードだけが人間の前に出てくる。
成果物を得るだけなら便利です。
しかし、その人がプログラミングを学ぶ途中なら、失敗した実装を見て「なぜ動かなかったのか」を考える機会まで消える可能性があります。
数学でも、AIが問題を解くことで、人間が問題を理解するために通っていた道の一部が見えなくなるかもしれません。
AIに任せること自体より、どの過程まで見えなくしてしまうのかが論点になります。
AI時代の数学では「解いた後」の仕事が増えるかもしれない
難問が解決されることは、もちろん数学上の大きな成果です。
ただ、数学の進歩にはもう一つの側面があります。
なぜその方法で解けたのか。途中の失敗から何が分かったのか。その考え方を別の問題へ持っていけるのか。
AIがGenerationとVerificationを猛烈に高速化するほど、この部分が人間側へ残ります。
もしかするとAI時代の数学では、問題を解くことそのものよりも、AIが解いた数学を人間がどう理解し、次の数学へ変換するかに多くの時間を使うようになるのかもしれません。
そしてこれは数学だけの問いでもありません。
AIが人間より速く答えを作れるようになったとき、「答えが出たこと」と「人間の理解が進んだこと」をどこまで同じ成果として扱うのか。
タオ氏の問題提起は、その違いをかなり鮮明に見せています。
よくある疑問
AIはナヴィエ＝ストークス問題を解決したのですか？
いいえ。2026年9月時点で、ナヴィエ＝ストークス方程式のミレニアム懸賞問題は未解決です。この記事で扱っているのは、将来AIが人間には追いきれない規模の探索によって問題を解決した場合に何が起きるか、というタオ氏の問題提起です。
AIが作った証明をLeanで確認できれば十分ではありませんか？
形式的な正しさを検証するうえでは強力です。ただし、タオ氏が分けているVerificationとDigestionは別の段階です。証明の正しさを確認したあと、その意味や他の数学との関係を理解する作業が残ります。
テレンス・タオ氏は数学へのAI利用に反対しているのですか？
元記事で紹介されている主張は、AIを使わないよう求めるものではありません。計算、探索、検証などにAIを使いつつ、人間が結果を独立して検証し、対話的に研究を進めることが重視されています。
コメント