科学の律速段階

図：アイデアから実験へ知の大広間（ChatGPTによる）

"AI in Science: Early Insight"というGoogleやMITなどの研究者による論文がでていた。アブストラクトを和訳してみると，地味な感じだったので，ChatGPTにその先の展開を予測してもらった。

Ａ（ChatGPT + Claude）：

AIが科学を速くするのではない――律速段階が移る

１．この論文が測ったもの

『AI in Science: Early Insights』の価値は，普及率の調査にはない．AI導入で科学研究の制約点が移動し始めたことを，数量で捉えた点にある．約1500万件のGemini利用記録，2690の科学向け専門AIモデル，米英637人の研究者調査を組み合わせ，汎用LLMと専門AIが競合ではなく分業していることを示した．LLMは文献探索，コード，統計解析，文章作成を横断し，専門AIはタンパク質構造予測や分子設計など狭い領域で強い．万能AIが科学者を置き換える未来ではなく，汎用AIが多数の専門AIを使い分ける複合システムが見えてくる．

２．作りすぎて確かめられない「仮説」

研究者の約4分の3が時間節約を報告し，平均は週6.9時間である．ただし生産性が上がったと結論するのは早い．AIが安くするのは仮説生成，文献探索，コード，計算，解析，文章化といった情報処理，つまり研究の上流である．科学は考えて終わりではない．実験し，測定し，再現し，反証し，臨床や観測で現実と照合する後半が残る．AIはそこを同じ速度では安くできない．

その結果，困難は「仮説を作れない」から「作りすぎた仮説を確かめられない」へ移る．41%が未検証仮説の在庫増加を報告し，時間を節約した研究者の46%は，節約分の4分の1以上をAI出力の検証に費やしている．一時的な副作用というより，構造変化と見るほうが自然である．

３．全体は最も遅い工程で決まる

古典的な生産工程の話である．解析が100倍速くなっても，細胞培養に三日，加速器の運転枠に半年，臨床試験に数年かかるなら，研究全体は100倍にならない．科学は仮説，計算，実験，測定，検証，再現という相互依存した工程の束であり，一部を短縮すれば残りの工程が新しい律速段階になる．「AIの知能が10倍なら科学も10倍」という見方が疑わしいのはこのためだ．進歩を決めるのはAI単体ではなく，実験設備，データ，ロボット，人間の判断，制度を含む研究システム全体の処理能力である．

４．来るのは「AI科学者」ではなく「研究OS」

論文が示唆する近未来で最も重要なのは，LLMが研究全体のオーケストレータになることだ．現在の研究者は，文献検索，LLM，統計ソフト，シミュレータ，AlphaFold型モデル，実験ノートを手作業で渡り歩いている．次の段階では，汎用AIが課題を分解し，専門モデルを呼び，コードを書いて計算し，結果を相互検証して次の実験を提案する．中心技術は最も賢い一個のAIではなく，LLM，専門AI，シミュレーション，データベース，実験装置を束ねる研究OSになる．

人間は，問いを選び，証拠基準を設定し，どの候補に高価な実験資源を投じるかを判断する側に回る．論文自身も，人間の役割が「問いの選択」「証拠基準の設定」「物理的検証に値するものの選択」へ移る可能性を指摘している．科学者の消滅ではなく，重心の移動である．

５．「乾いた科学」と「濡れた科学」の分岐

移行の速度は分野で異なる．数学，計算機科学，一部の理論物理のように，答えを計算機内部で検証できる分野では，生成，検証，修正のループ全体をAI内部で回せる．この「乾いた科学」は大きく加速しうる．生物学，医学，化学，材料科学は，最後に現実との接触が要る．分子候補を百万個生成できても，合成し，測定し，生体で試す速度には物理的限界がある．そこで希少になるのはAIの能力ではなく，実験ロボット，試薬，測定装置，試料，臨床試験の能力である．

次のAI科学競争は，モデル性能だけでは決まらない．自動実験室，ロボット化，測定自動化を含め，AIが考える速度で現実を検証できるかどうかが問われる．

６．増えるのは「間違った科学」より「簡単な科学」

AIはすべての問題を同じ割合で安くするわけではない．データが豊富で，評価指標が明確で，正解判定が容易な問題ほどAI化しやすい．すると研究資源は，重要な問題ではなく，AIが扱いやすい問題に集まる．論文では，49%が「安全で漸進的な問題」へ向かう傾向の増加を認め，高リスクな問題が増えたと答えたのは28%にとどまった．鍵を落とした場所ではなく街灯の下を探す，あのStreetlight effectである．

論文も仮説も計算結果も増えるが，検証能力は増えない．発見が増えたわけではなく，科学のインフレが起きるだけかもしれない．

７．希少になるのは「答え」ではなく「確かさ」

したがって価値を増すのは生成能力ではなく検証能力である．必要なのはAI使用の取り締まりではない．どのデータを，どのモデルのどの版で，どのコードで処理し，どの結果を採用し，独立に再現できたのかを追跡可能にすることだ．制度の向かう先は「AIを使ってはいけない」ではなく，「AIを使ってよい．ただしAIを含めて再現可能であること」だろう．査読や研究評価も，完成した論文を読む制度から，データ，コード，モデル，実験記録を含む研究過程そのものを監査する制度へ変わらざるをえない．

８．科学革命の本体

20世紀までは，良い仮説を考え出せる人間の知能が希少資源だった．AIはその希少性を壊し始めている．だが科学に要るのは，もっともらしい答えではなく，現実について信頼できる答えである．ボトルネックは，発見することから，確定することへ移る．

AIが科学を変える理由は，AIが無限に賢くなるからではない．知的生産の一部が極端に安くなり，実験，検証，再現，人間の判断という科学システムの弱い部分が露出するからである．この論文は，後から見れば，科学の律速段階が〈思考〉から〈検証〉へ移り始めた瞬間の記録と位置づけられるかもしれない．