実は人間が解ける問題をせっせと解いてくれるＡＩがエライ（数学）
実は人間が解ける問題をせっせと解いてくれるＡＩがエライ（数学）
こんにちはmakokonです。ＡＩの数学問題解決能力の進歩は素晴らしいものです。東大入試問題を解いたとか、数学オリンピックの問題を解いたとかいうニュースが目立ちましたね。
今回紹介する論文では、geminiを利用して、エルデシュ予想の未解決問題７００問を解いたてみたという大規模な実験です。
その結果は、5つの新規解法と8つの既習文献特定に成功しました。卓越した論文検索能力と推論力の無せる技です。それはそれで正しい。
しかし、「未解決問題を解くなんてＡＩは人間を超えた！」とはなりません。
未解決とは、以下のような問題が含まれており、今回のＡＩの見つけた解法は、まさにこれだったと思われます。
昔誰かが解いていたけれど、埋もれてしまって探せなかった。
たまたま誰も解こうとしていなかった。（makokonはこれをつまらない問題だからだと思っています）
つまり、いわゆる超難問を解いたわけではなく、それなりの人間が頑張れば解ける問題を解いたのです。でも、これこそがＡＩの素晴らしさ（付録）じゃないのかなという記事を書きました。
Semi-Autonomous Mathematics Discovery with Gemini: A Case Study on the Erdős Problems
何をしたのか
論文は、Google DeepMindの研究チームを中心としたグループが、Gemini Deep Thinkを基盤とする数学研究エージェント「Aletheia（アレテイア）」を用い、Bloomの「Erdős Problems（エルデシュ予想）」データベースに登録されている未解決問題（Open）を対象に行った半自動的な数学的発見のケーススタディをまとめたものです。
エルディス予想とは何？
「エルディス予想（Erdős Problems/Conjectures）」とは、20世紀で最も多作な数学者の一人であるポール・エルディス（Paul Erdős）が遺した、膨大な数の未解決問題や推測のことです。
これらの問題は多岐にわたる数学の分野（数論、グラフ理論、幾何学、組合せ論など）を網羅しており、現在では「ErdosProblems.com」によって体系的に管理されています。
1. 予想の規模と現状
問題数: 資料の執筆時点で、データベースには1,179件の問題が登録されています。
解決状況: そのうちの483件（約41%） が解決済みとされています。
つまり約７００件が未解決とされている。
難易度の多様性: AIによって自律的に解決できる「手の届きやすい（low-hanging fruit）」問題から、専門家による高度な検証を必要とするものまで多岐にわたります。
本プロジェクトの手法
AIによる大量生成と、人間の専門家による精査を組み合わせた多段階の検証プロセスを採用した。
AIによるスクリーニング（Aletheia）: Gemini Deep Thinkをベースとしたエージェントを用い、700の未解決問題に対して自然言語による検証メカニズムを適用。
人間による格付け: 数学者のチームがAIの回答をフィルタリングし、明らかに誤った回答を排除。
専門家による評価: 領域専門家が、解決策の数学的正当性と新規性を厳密に検証。文献調査を行い、外部の専門家とも協議。
検証プロセスの歩留まり
調査結果の分類（Taxonomy）
13件の肯定的な結果が得られたのですが、その結果は、以下の4つのカテゴリーに分類されました。（問題の詳細は示さないので、興味があれば元資料を当たってね）
自律的な解決（Autonomous Resolution）
AIが数学的に実質的な方法で、初めて（と判断される）正解を発見したもの。
Erdős-1051,Erdős-652部分的な解決（Partial AI Solution）
複数の問いからなる問題の一部に対して、初めて正解を発見したもの。Erdős-654, Erdős-935, Erdős-1040独立した再発見（Independent Rediscovery）
AIが正しい解決策を見つけたが、後に人間の監査員が同じ解決策が既に文献に存在することを発見したもの。
Erdős-397,Erdős-659,Erdős-1089文献の特定（Literature Identification）
データベース上は「未解決」であったが、実際には既に文献で解決されていたことを特定したもの。
Erdős-333, Erdős-591, Erdős-705, Erdős-992, Erdős-1105
--------------------------------------------------------------------------------
ＡＩが解決した５問 果たしてその難易度は？
AI（Aletheia）が解決した5つの問題（Erdős-652, 1051, 654, 935, 1040）の難易度は、数学者を長年悩ませてきたような超難問というわけではなく、むしろ「難易度よりも、その存在が埋もれていたこと（無名性）」が解決されなかった主な理由 であるとされています。
つまり、これら5問は数学界を停滞させていたような難問ではなく、AIが膨大なデータベースを網羅的に検証したことで「拾い上げられた」比較的平易な問題であったと言えます。
以下に詳細な難易度評価と特徴をまとめます。
1. 全体的な難易度評価
「手の届きやすい成果（low-hanging fruit）」: 専門家によれば、これらの問題は「適切な専門家がいれば簡単に片付けられたはずのもの」と評されています。
大学院生の演習レベル: 専門家の推定では、解決された5つの問題はいずれも単独で研究論文になるほどのレベルではなく、既存の文献を踏まえれば**「大学院生の演習問題」に近いレベル**のものさえあったとされています。
初等的な解決: エルディス予想の解決は、問題によっては**完全に初等的（elementary）**な手法で可能であることが示されました。
2. なぜ「未解決」のまま残っていたのか
これらの問題が解決されずに「Open（未解決）」の状態であった理由は、難解さよりも以下の要因が大きかったと資料は指摘しています。
無名性と重要性の欠如: 数学者が解決したとしても、あまりに単純な解法であるため、注目を集めたり出版されたりするに値しないと考えられ、放置されていた可能性があります。
問題文の不備や曖昧さ: 書き間違い（転写ミス）や定義の曖昧さによって、結果として問題が「易しくなりすぎていた」ケースもありました。
既存文献の見落とし: 実際には過去に人間が（別の定理の特殊なケースとしてなど）解決していたものの、データベース上では未解決扱いになっていたものも含まれていました。
論文の結論
論文での毛筒論は以下のようなものになっています。つまり、ＡＩは、膨大な未解決問題から比較的簡単な問題を見つけ出し、それを解くことができます。しかし、実際には解決済みだったり、問題の解釈を間違っていることがあるので、人間の確認など注意が必要です。
「低いところにある果実」: Erdős予想の中には、現在のAIの能力で十分に収穫可能な「比較的容易な未解決問題」が存在する。AIはこれらを特定し、解決を加速させる潜在能力を持つ。
人間の役割の重要性: 数学論文の執筆は依然として人間が行うべきである。著作者は数学的妥当性だけでなく、展示の誠実さ（適切な出典の特定など）に対して責任を負う必要があり、これは現在のAIには不可能な責任である。
コミュニティへの警告: データベースの解決状況を更新する際は、AIによる解決が単なる既存文献の言い換えや、誤った問題解釈に基づいていないか、専門家による厳格な評価が必要である。
付録 この論文が示すＡＩの本当の価値とは何なの（独自考察含む）
AIの本当の価値は、数学者を超えることではなく、数学者がその限られた時間の中では決して手を付けられなかった「膨大で断片的な知の山」を整理し、解決可能なものや既決のものを峻別する「情報の重機」として機能することにあります。
つまり、個々の問題に対する「超人的な数学的突破力」にあるのではなく、「人間が注ぎ込めるアテンション（注意・関心）の限界」を突破し、膨大な候補を効率的にフィルタリング・整理する能力にあります。
1. 「アテンション・ボトルネック」の解消
人間の専門家の時間は極めて限定的な資源です。700もの「未解決」とされる問題を、人間の専門家チームがそのすべてに対して解法の正当性や新規性を一答ずつ検証することは「不可能（infeasible）」でやってられません。
ども、AIのは、この700の問題から得られた回答を、人間が精査可能な27件という規模にまで、高速に絞り込んだ（narrow the search space）ことができます。AIは人間が直面する「注意力のボトルネック」を解消できるのです。
2. 「手の届く成果（Low-hanging fruit）」の網羅的な回収
解決された問題の多くは、難解さゆえに放置されていたのではなく、単に「無名であった（obscurity）」ために未解決のまま残っていました。これらは「適切な専門家がいれば簡単に片付けられたはず」の問題や、「大学院生の演習レベル」の問題です。 人間（数学者）は、研究論文としての価値や重要性が低いと判断した問題をあえて解こうとはしませんが、AIは「重要性にかかわらず、解決可能な問題を網羅的に拾い上げる（harvesting）」 ことができます。これは、埋もれていた知を整理する上で極めて有効な価値と言えます。
3. 「文献特定」という困難なタスクの代行
人間にとって最も困難で骨の折れる作業は、解法の検証ではなく「その解法がすでに過去の文献に存在するかどうか」を確認することでした。 データベース上で「未解決」とされていても、実際には過去の文献の特殊なケースとして解決されていたり、重要でないとして出版されていなかったりするケースが多々あります。AIが「未解決（Open）」とされていた問題が、実はすでに解決済みであることを文献から特定（Literature Identification）したこと は、研究の重複を防ぎ、データベースの正確性を高める上で大きな価値を持ちます。
4. 半自律的な発見（Semi-autonomous Discovery）の枠組み
AIが単独で数学を行うのではなく、AIが大量の候補を生成・検証し、人間がその結果を精査・解釈するという「ハイブリッドな方法論」 の有効性を示しています。 AIには「問題文の誤読」や「無意識の盗作（subconscious plagiarism）」のリスクがあるりますが、AIが「大規模なスクリーニング」を担当することで、人間はより高度な判断や複雑な問題に集中できるようになります。
ハッシュタグ
#AI数学 #エルデシュ予想 #未解決問題 #数学研究 #GeminiAI #Aletheia #DeepMind #AIの活用 #数学的発見 #AIと数学者 #問題解決 #人工知能
