AI時代の数学

図：数学の構造と行方（Geminiによる）

テレンス・タオの論文，Mathematics in the AI Age をClaudeに読んでもらったところ，自分の読解力が追いつかなくなっていることに気がついた。そこで，中国製のAIに切り替えてみた。Kimiちゃんは最近高評価なのだが，アクセスしにくくなってしまったうえに電話番号まで要求されるようになった。Qwenもイマイチだ。最新のGLM-5.3は利用制限が厳しくて，GLM-5.2でようやくわりといい感じの結果が得られた。これをClaudeに戻してみると厳しいダメ出し。しかし，Claude自身の文章は相変らず難解だ。仕方がないので，GLM-5.2の文体のままでの修正を依頼した。

Ａ（Claude + GLM 5.2 + koshix）：

数学：「できるか」より「何をしたいか」への物語

１．過去の危機と、今の危機

20世紀初頭，ラッセルのパラドクスとゲーデルの定理は，これまで暗黙に受け入れていた仮定を危機に陥れた。数学はルールを厳密にすることでこれを乗り越えた。その産物が重要である——明示化された数学は、点検でき、教育でき、そして機械化できるようになった。今のAIが証明を検証できるのは、この100年前の作業のおかげである。そして今、テレンス・タオは「同じ規模の乱流が来ている」と警告している。ただし今回試されるのは「数学の真理」ではなく、「何が価値ある貢献か」「何を理解したと言えるか」「誰が（あるいは何が）やったと見なすか」という「価値と慣行の枠組み」なのだ。

２．「AIはできるか」を脇に置く

「AIは本当に難問を解けるのか？」の議論は噛み合わない。理由は明快で、公開されている証拠のほとんどが統制条件下で取られておらず、成功だけが発表され、試行回数・人間の手助け・計算費用が伏せられているからだ。そこでタオは能力予想の議論を一旦脇（直交補空間）におき、「仮にそれなりにできるとした場合」という条件付き作業仮説に切り替えた。

ただし空想ではない、と一つだけ数字を挙げる。First Proofプロジェクトでは、研究者が提供した未公開の研究水準の問題10問のうち、7問で少なくとも1つのAIが合格解に達した（専門家採点、1問あたり数十〜数百ドル）。

３．本当の目標とAIによる歪み

数学の研究は，(1) 問題を解くで終わらない。(2) 正しいと検証する，(3) わかりやすく伝える，(4) 共同体に受け入れられる，(5) 教科書の定説になる，という5段階を経て初めて価値を持つ。眼目は、この5段のうち明示的な目標だったのは最初の一段だけだったということ。昔は最初さえできれば残りが自然に追随したので、明示する必要がなかった。

しかし，数学的貢献の指標それ自体が目標になると，指標そのものや指標が守ってきたものが壊れてしまう（グッドハートの法則）。AIがこれを強く引き起こす理由は二つ。技術的には、生成AIは「それらしい出力」を最適化するので、指標と実体のすき間を突くのが異常にうまい。経済的には、AI産業の収益構造が、まさに数学界が代理指標にしてきた「引用可能でベンチマーク可能な達成」と同期している。このためAI産業の巨大な資金が，数学共同体の外部からのケタ違いの圧力として働くだけでなく，指標が本来目指していたもの（理解、消化、定説化）には誰もお金を出さない。

ここで注意すべきは、危ないのは「見かけ倒しが増える」ことではない点である。それは検証で片がつく古い問題だ。新しい失敗様式は、正しいのに、誰も消化できない証明が積み上がること。エルデシュ問題データベースには既にAI生成の投稿が数十件あり、検証を引き受ける専門家が現れず、投稿者自身が判断できないと表明している例まである。

４．「希少」から「過剰」への転落

雑誌も、先取権も、採用も昇進も、証明が希少である前提で設計されている。最初に折れるのは査読過程だ。編集と査読は無償のボランティア労働で、証明を生む仕事より格下と見なされている。しかしそれこそが、個人の業績を共同体の進歩に変換する唯一の機構である。最終段の「正典化」——正しい一般性で述べ直し、隣接する知識とつなぎ、標準の道具箱に収める作業——は最も遅く、最も価値がある。しかもAIの訓練データは、この正典化の産物そのものだ。生成だけが加速して消化が滞れば、次世代のAIは未消化の堆積を食うことになる。

５．処方箋と、その弱点

応答は既に動いている。2026年6月のライデン宣言（国際数学連合が支持、23項目）が、道具使用の開示、査読を支える工夫、帰属への努力、そして信用と責任は人間の側に属し、自動システムには与えないという原則を掲げている。タオ自身の経験則は「専門家向けに明快な講演ができないなら出版すべきでない」。そして彼はこの論文自体で自分のAI利用を明記している。最悪の均衡は、皆が使っているのに皆が隠している状態だから。

ただし抜け穴もある。「講演できること」が目標になれば、今度はそれが最適化される。守るべき「理解」が定義されておらず、採用や昇進の評価軸に手を入れないまま「重点を移そう」と提唱するにとどまっているのが現状である。

なお、タオの結論は分野ごとに一様ではない。これは研究現場だけではなく，教育現場においても同様に重要な観点だ。教育においてはAI利用をかなり厳しく制限すべきだと彼は念を押している——数学者を育てるという目標は、正しい宿題を生産することでは達成されないからだ。

---

 私たちが日常で活かせる５つの教訓

１．「できるか」ではなく「何を最適化していたか」を問う

   「AIは作文を書けるか」で議論が止まったら、脇に置いて「作文課題を通じて本当は何を鍛えたかったのか」に切り替える。教育でも仕事の評価でも同じ手口が使える。

２．目標を分解すると「見えない段階」が見えてくる

   学習も「解く／確かめる／説明できる／受容される／後の学習に組み込まれる」の５段である。ここでも明示的な目標は最初の一段だけだった。テストの点だけを見る評価がAIの前で崩れる理由が、これで説明できる。

３．「自然な摩擦」を削らないよう見張る

   人が難所で書き直した跡や妙に丁寧な補足は、読者にとっての難易度マップだ。AIに推敲させるとき、この「学ぶための摩擦」まで平滑化していないか。サーストンの1994年の言葉——我々は定理の生産ノルマを満たしているのではない、成功の尺度は人々をより明晰に考えさせたかどうかだ——が、そのまま基準になる。

４．「定説化」の作業に時間を割く

   AI時代に希少になるのは新しい結果ではなく、それを正しい位置に据えて他の知識とつなぐ作業である。しかもAI自身の能力がその産物に依存している。ここに時間を割いている限り、方向は間違っていない。

５．開示し、そして消化を優先する

   隠して使う均衡が最悪だという点は、個人にも当てはまる。そして生成が消化を追い越すのは共同体だけでなく書斎でも起きる。読んで即座に反応するより、自分の語彙に翻訳して定着させるほうが遅効で、しかし後から効いてくる。