ChatGPTが80年未解決の数学的予想を覆す：フィールズ賞受賞者も『AI数学のマイルストーン』と絶賛

長さ1の定規が、AIを数学研究の最前線へと導いた。

無限に広い平面上にn個の点を配置し、任意の2点間の距離がちょうど1となる組を「単位距離点対」と呼ぶ。その最大数はいくつになるか？

1946年、数学者Paul Erdősがこの問題を提起した。それから約80年間、数学界では最適解は正方格子のような構造、つまり盤上に点を敷き詰める方法に近いと信じられてきた。

投稿時点で320万回以上の閲覧を集めたツイート

OpenAIが、まったく異なる結果を提示した。

OpenAIの公式ブログによると、同社の汎用推論モデルが、正方格子の予想を超える数の単位距離点対を生成する、新たな構造族を発見した。この結果は、Erdősの単位距離数の上限が n^(1+o(1)) であるという長年の予想を否定するものだ。

この証明は外部の数学者によって検証されており、背景と意義を解説した論文も公開されている。

注目すべきは、OpenAIがこの証明が汎用推論モデルによるものだとしている点だ。モデルは単位距離問題専用に設計されたわけでも、数学的証明探索専用のシステムでもない。OpenAIの説明によれば、これはAIが特定の数学分野の中心的な公開問題を自力で解決した初めての例となる。

数学界にとっては、約80年の古典的予想が覆されたという事実かもしれない。しかしAI業界にとって、モデルが科学的創造性の上流、すなわち「新しいアイデアの提案」「異分野知識の連結」「複雑な論証の専門家レビュー可能レベルまでの推進」という段階に手を伸ばし始めたことを意味する。

距離1、予想80年

平面単位距離問題は、組合せ幾何学で最も有名な問題の一つだ。

2005年の『Research Problems in Discrete Geometry』の中で、Brass、Moser、Pachはこれを「おそらく組合せ幾何学で最も有名で、説明しやすい問題」と称した。組合せ数学者のNoga Alonも、これがErdős自身が最も気に入っていた問題の一つであり、解決に懸賞金をかけていたと述べている。

数学的には、通常その答えを u(n) で表す。平面上にn個の点を置いたとき、距離がちょうど1となる点対の最大数である。研究者が注目するのは、nが増大するにつれ u(n) がどのような速度で増加するかという点だ。

最も分かりやすい配置は、n個の点を一直線上に並べることだ。隣接する点間の距離を1にすると、n-1個の単位距離点対が得られる。

少し複雑な配置が正方格子である。点を盤上のように並べると、各点は上下左右の隣接点と単位距離を形成できる。これにより、単位距離点対の数は約2nに達する。

既知の構造の一つ：再スケーリングされた正方格子が大量の単位距離を生成する。

Erdősが1946年に提案した構造はより精巧だった。彼はスケーリングされた正方格子を用い、単位距離点対の数を n^(1+C/log log n) のオーダーに達させた（Cは定数）。この式は、nの1次方よりも速く増加するが、その速さは非常に限られている、と理解できる。nが大きくなるにつれて C/log log n は0に近づくため、全体としては依然としてnの1次に近い増加となる。

長年にわたり、数学者たちは正方格子系の構造がこの問題の限界に近いと考えてきた。Erdősはこれに基づき、u(n)の上限は n^(1+o(1)) であると予想した。ここで o(1) はnの増大とともに0に近づく量を表す。平易に言えば、単位距離点対の数は線形増加をわずかに超えることはあっても、固定された比率の指数的優位性は現れないはずだ、という予想だった。

OpenAIが公開した新結果は、この予期を覆した。

公式ブログによると、モデルは無限に多くの例からなる構造族を構築した。無限個のnについて、平面上にn個の点を配置し、少なくとも n^(1+δ) 個の単位距離点対を得ることができる（δは正の定数）。AI証明のオリジナル版はδの具体的な値を示さなかったが、プリンストン大学数学教授Will Sawinの後続の改良により、δ=0.014とることが示された。

正方格子系の構造が最適に近いと考えられていたのに対し、OpenAIモデルの新構造は無限個のnについて固定された指数的優位性を実現し、n^(1+o(1)) という見方を突破したのである。

業界に衝撃が走った理由は二つある。第一に、問題そのものの重みだ。平面単位距離問題は定式化は単純だが、本質的な進展は遅かった。

下界は長年Erdősの初期構造に沿って改善されてきたが、最良の上界 O(n^(4/3)) は1984年のSpencer、Szemerédi、Trotterの仕事によるものだ。その後もSzékely、Katz、Silier、Pach、Raz、Solymosiらが関連構造を研究したが、核心的な上下界の間には依然として大きな隔たりが残っていた。

第二に、新証明に用いられたツールが多くの予想を裏切った点だ。過去、研究者はこの問題に対して幾何学的・組合せ的構造を自然に思い浮かべてきた。しかしOpenAIモデルが示した道筋は、問題を代数的整数論へと導いた。

Erdősの初期構造はガウス整数によって理解できる。ガウス整数は a+bi（a, bは整数、iは-1の平方根）の形で表され、通常の整数を拡張し、一意分解に似た性質を保持する。この構造により、なぜ一部のスケーリングされた正方格子が多くの単位距離を生み出すのかが説明される。

OpenAIモデルの新証明は、より複雑な代数的数体を用いている。代数的数体は、通常の有理数や整数の拡張と理解でき、より豊かな対称構造を含む。OpenAIは、これらの構造が大量の単位長の差を生み出し、平面上の点が距離がちょうど1となる点対をより多く形成できるようにしたと説明する。

証明はまた、無限類体塔やGolod-Shafarevich理論などのツールを利用している。これらの概念は代数的整数論内部では見慣れたものだが、ユークリッド平面上の組合せ幾何学問題に突然現れたことは、強い異分野融合の意味合いを持つ。

外部の数学者たちも、この点を成果の鍵と見なしている。関連論文の著者の一人であるThomas Bloomは、AIが生成した証明の重要性を評価する上で、重要な基準はそれが人間の問題理解を深めたかどうかだと書いている。彼の見解では、その答えは慎重に肯定できる。この結果は、離散幾何学問題に対する数論的構造の影響が、過去の予想よりも深い可能性を示している。

組合せ数学者のNoga Alonは、Erdősが講義で単位距離問題に何度も言及しており、ほぼすべての組合せ幾何学者が考えたことのある問題であり、他の多くの分野の数学者も研究に時間を費やしてきたと述べた。Alonは、OpenAI内部のモデルがこの長年の公開問題を解決したことは顕著な成果だと考える。特に驚くべきは、長年の予想であった n^(1+o(1)) ではなく、新構造とその分析が非常に高度な代数的整数論のツールを巧みに用いている点だという。

フィールズ賞受賞者であるTim Gowersは、関連論文の中でこの結果を「AI数学のマイルストーン」と称した。

数論学者のArul Shankarは、この論文は、現在のAIモデルが独創的かつ巧妙なアイデアを提出し、それを完全な証明へと推し進めることができると示している、と述べた。

AIが科研の上流へ、人間の専門家の役割は

OpenAIは公式ブログで、モデル自体の由来が重要だと繰り返し強調している。

OpenAIの説明によれば、証明は新たな汎用推論モデルによるものだ。それは単位距離問題に対して専門的に訓練されたものでも、数学的証明探索システムとして設計されたものでもない。OpenAIは、より広範な評価の中で、モデルに一連のErdős問題を処理させ、その結果、モデルが平面単位距離問題において証明を提供したという。

初期証明を検証した後、OpenAIは、テスト時の異なる計算量の下で、モデルがこの問題において成功する確率を調査した。

過去数年で、AIの数学における能力は急速に向上してきた。モデルは競技問題を解き、形式化証明を補助し、資料の検索を助け、証明の草案を生成できるようになっている。しかし、これらの能力の多くは、人間が明確な方向性を与えるか、既存の知識体系の周辺に留まる必要があった。

OpenAIが今回主張する事例は、さらに大きな一歩を踏み出した。モデルは、長年の未解決問題に向き合い、新しい構造を提案し、外部の専門家がレビュー可能な証明を完成させた。言い換えれば、AIは数学研究においてより核心的な部分、すなわち「道筋の発見」そのものに手を伸ばし始めたのである。

数学は、このような能力を検証するのに適している。その理由は難しくない。問題が明確に定義され、証明が検証可能であり、推理の途切れが結果全体に影響するからだ。モデルがこのようなタスクを達成できるということは、長い推理の連鎖を維持し、遠く離れた知識やツールを同一の問題に適用する能力を備えていることを示唆する。

小規模の研究問題においても、類似の能力を示す公開事例は既に存在する。Tim Gowersは、ChatGPT 5.5 Proに数論の未解決問題を処理させた。モデルは2時間以内に博士課程レベルに近い数学的研究を提供し、既存の境界を大幅に改善した。

Gowersは、自らは数学的貢献をほとんど行っておらず、複雑なプロンプトも使用しなかったと述べている。問題は数論学者Mel Nathansonの論文から引用され、整数と集合の可能な大きさ、そして特定の性質を持つ集合を効率的に構成する方法に関するものだった。研究に参加した若手学者は、モデルが提案した重要なアイデアは「完全に独創的」だと考えた。

これらの事例を並べて見ると、生成AIの役割は変化しつつある。それは「問題を解く段階」から、「研究を行う初期段階」へと移行しているのだ。

モデルはもはや、問題と方法が与えられた状況下で答えを出すだけではない。未解決問題の中で構造を提案し、境界を改善し、証明のルートを模索し始めた。

OpenAIは、この事例をより広範な科学研究の場面に応用したいと考えている。公式ブログは、もしモデルが数学において複雑な論証の一貫性を維持し、異なる知識分野を結び付け、専門家の審査に耐えうる成果を生み出せるなら、同様の能力は生物学、物理学、材料科学、工学、医学などの分野の研究にも貢献できるかもしれないと述べている。

もちろん、この難問の完全な研究プロセスは、依然として人間の専門家なしには成り立たない。AI証明の結果が真剣に議論されるための重要な前提は、証明が外部の数学者によって検証され、関連論文が背景、説明、数学的文脈を提供している点にある。

AIが重要なブレークスルーを提出し、人間の専門家がその正しさを判断し、その意義を解釈し、さらに他の問題へと拡張できるかどうかを追究し続ける。

要するに、AIは数学者に取って代わることは遠く及ばないが、数学研究の労働構造を変える可能性を秘めている。特にAIが複雑な道筋を一括して提案できるようになるとき、将来の研究者の核心的任務は、ますます三つの点に集中するようになるだろう。問題が重要か否かの判断、結果が信頼できるか否かの判断、そしてどのルートに継続的に投資する価値があるかの判断。

そしてOpenAIのモデルが提供したのは、Erdősでさえ想像しなかった種類の構造であった。それは、質素な生活様式と各地を旅する数힉童として知られたErdősへの、最高の敬意の表れでもある。問題解決の方法は、解決そのものよりも驚くべきものであるかもしれない。