**「破壊的科学のためのAI設計」**

エラ・ワトキンス＝デュラン（Ella Watkins‑Dulaney）によるアシモフ出版社の On Exactitude in Science（科学における正確さ）で、作家ホルヘ・ルイス・ボルヘスは、地図作成に至極的に執着する帝国を想像します。彼が描くこの帝国では、地図製作者たちが自らの領土と同じ大きさと詳細さで一枚の地図を描き上げます。「西部砂漠には今もなお、その地図の破れた廃墟が残っており、そこに動物や乞食が暮らしている」とボルヘスは書いています。ボルヘスの地図は知識への寓話であり、その教訓の一つとして「過度な詳細はすぐに非実用的になる」―その規模なら完璧でも役立たない、というものです。

しかし今日のAIシステムでは、そんな地図がむしろ理にかなっていると考える人も現れます。コンピュータやインターネットはすでに多くの人間知識をデジタル化しており、AIはそれを迅速かつ容易にスキャンできるからです。例えば、大規模言語モデルは数兆語にわたるテキストから訓練され、人類が記録したほぼすべての知識を学習します。生物学では、AlphaFold のようなシステムが大規模データベースからタンパク質配列を入力すると、その折りたたまれた構造を予測します。

このことは、ある意味でボルヘスの「実寸大地図」に相当するものが極めて有用になったことを示しています。そして、この分野における進歩速度を考えると、科学を前進させるには単により大きく、よりナビゲートしやすい AI システムを構築して「あらゆる分野をマッピング」するだけで十分だという錯覚に陥りがちです。

ただし実用性の欠如はボルヘスの地図の唯一の欠点ではありません。より深刻な問題は、詳細を追加すると同じ種別の情報（道路・山・村など）が増えるだけで、真に必要なのはまったく異なる概念的枠組みだということです。

ロンドン地下鉄の地図を例にとります。1933年以前、駅は実際の位置に正確に配置されていましたが、中央部の駅密度が高くなると読みづらい乱れが生じ、郊外の広大な空間は無駄に使われました。ハリー・ベックは地理的正確さを捨て、カラーラインと均等に配置された駅で構成される回路図としてネットワークを再描画し、この非効率を解消しました。

科学のパラダイムもある種の「地図」と考えることができます。ただしベックとは異なり、科学者は自分たちのマップが将来どのように使われるか事前には知りません。新しいパラダイムは、複雑現象を単純で統一的な原理で説明したいという欲求から生まれます。この原理はしばしば、元々のインスピレーションを超えた広範囲にわたる帰結を伴います。

例えば19世紀中頃まで、電気と磁気はそれぞれ別々に発見された法則の集合で記述されていました。ジャムズ・クラーク・マクスウェルはこれらを4つの簡潔な方程式にまとめましたが、その結果として空間を伝搬する電磁波（低周波数帯も含む）が存在すると示唆され、最終的にはラジオの基盤となりました。

対照的に現在のAIは「既存枠組み内での予測」に優れていますが、パラダイムシフトを起こすためにはまだ未踏の領域へ進む必要があります。電磁測定データのみで訓練されたコンピューティングシステムは正確な結果を出せても、新しい物理学的概念（例：ラジオ）を自ら発見することはありません。

この視点から見ると、AI が科学作業に中心的になるほど、「ハイパーナーマルサイエンス」と呼ばれる現象—現在のモデル内で予測が飛躍的に向上しつつ、新しい質問を投げる能力が低下する—に陥るリスクがあります。ボルヘスの地図帝国と同様に、詳細さを真の理解だと思い込む危険性です。

こうした近視眼を避けるためには、単なる予測ツールではなく「新しい概念語彙」を創出するAIを意図的に構築すべきです。言い換えれば、「未来を見通す」機械よりも「未来を設計する」機械を作る必要があります。

まず、科学のパラダイムシフトが実際にどのように起こるかを詳しく検討しましょう。科学は一般的に既存パラダイム内で事実を追加しながら進歩しますが、時間とともにその枠組みでは説明できない証拠が蓄積され、新しいパラダイムの必要性が生じます。新しいパラダイムは「古いものを即座に置き換える」わけではなく、実際には新しい応用で有用になるまで時間がかかります。

例：特殊相対性理論

19世紀末、物理学者たちは光を波動方程式で記述していました。すべての波（音や水波）は媒質を必要とするという前提から、光も「光速媒介体」と呼ばれるエーテルを通過すると考えられていました。この概念は学界に根強く、ケヴィン・オリバー・レノンも「エーテルは物理学で唯一確実な存在」と語っていたほどです。

アルバート・ミシェルソンとエドワード・モーリーは、地球の運動による「エーテル風」が光速に影響を与えると仮定し、2本の直交した経路で光を送って速度差を測定する実験を行いましたが、差は検出できませんでした。結果として、多くの物理学者（ミシェルソン自身も含む）はエーテル効果を「何らかの形で隠されている」と解釈し、ヘンドリック・ローレンツが提案した「運動体は移動方向に縮む」という補正理論を採用しました。

アルバート＝アインシュタインは26歳のベルンの特許局職員として、2つの原理――すべての慣性系で物理法則が同一であることと真空中の光速が観測者に依存しないこと――を掲げました。彼の特殊相対性理論は「エーテル」を不要化する単純かつ整合的な枠組みでした。ローレンツもアインシュタインと同様に実験データを説明できたものの、後者の理論が時間とともに圧倒的に有用であることが明らかになりました。

光速が一定ならば空間と時間は絶対ではなくなる。これがエネルギーと質量の等価性（E = mc²）へとつながり、核力から医療画像まで多くの技術を支える根拠となりました。

パラダイムシフトの普遍的条件

パラダイムは不完全であっても、その核心概念が十分に有用なら受け入れられる。ダーウィンの自然選択説は、遺伝子の機構を説明していなくても生物多様性を統一的に説明できたため広まりました。後に「パゲネシス」など誤った仮説が加えられたものの、核心概念自体は生存し続け、遺伝学の進展とともに補完されていきました。

このように、アインシュタインとダーウィンは「既存パラダイムから外れる」ことで新しい理論を提示しました。アインシュタインは学界の枠組みから離れた立場でエーテル概念に縛られず、ダーウィンは他分野（地質学・経済学）のアイデアを吸収した点が共通しています。

AI がパラダイムシフトを起こすか？

1970年代後半の「自動数学家」プログラムは、新しい概念や定理を発見することを目的に設計されました。簡単なアイデアから組み合わせ・変形し、興味深い結果だけを保持していましたが、その創造性は限定的でした。多くの「新発見」はすでにプログラム内で暗黙化されていた数学的構造に基づいており、本当に独自の概念生成ではありませんでした。

今日のAI はその力を大幅に拡張していますが、同様の制約は残ります。機械学習システムは「入力」と「ラベル」を事前に定義されたデータセットで訓練されるため、予測精度は高いものの、新しい概念的語彙を自ら生成することは困難です。

医療例

19世紀中頃、病院では空気汚染が病気の原因と考えられ、データもそれに沿って整理されていました。ウィリアム・ファー氏はロンドンでコレラ死亡者を地理的にマッピングし、低地点との相関性を見出しましたが、本当の原因（水系細菌）には到達できませんでした。AI がファーの記録からさらに微細なパターンを検知しても、水系微生物という概念はデータに存在しないため、発見できません。

近年の事例

2023 年、Google DeepMind の GNoME は巨大スケールで結晶構造の安定性を予測し、220 万種の新素材を発見しましたが、多くは既知構造タイプ内で要素を置き換える程度でした。基礎モデル（Foundation Model）は生物学的データや観測データから直接学習することで、従来のラベル付きデータに依存しないメリットがあります。しかし、それでも「新しい地図」を描くというよりは「既知のマップ内で未踏領域を埋める」ことが主です。

AI 科学者とハイパーナーマルサイエンス

“AI scientists” は文献検索、アイデア生成、コード作成、実験実行、論文執筆までを統合したエンドツーエンドパイプラインです。もし成功すれば、人間科学者よりも高速に研究を進めることが可能になります。しかし、新しいアイデアの質評価は既存パラダイムに依存するため、実際には「良い」かどうかの基準が「既存知識との整合性」に限定されます。真に革新的な再構築はこれらの尺度で低評価となりやすく、レビューアからの抵抗も大きくなります。

結論：パラダイムシフトを設計する AI をどう作るか

1. 単純さと類推性を重視

   • シンボリック回帰（AI Feynman など）は最小記述長原理に従い、最も簡潔な式を探索します。
   • Feynman の熱流・電場のように複数領域で共通する方程式を発見し、類推性を評価します。

2. 多モーダル経験の統合

   • 視覚・言語・物理実験を同時に処理できるマルチモーダルアーキテクチャは、抽象的思考を物理フィードバックで根付かせる可能性があります。

3. 人間とAI の協働

   • LLM を使った学際的アイデア探索により、人間の「構造類推」能力と AI の「深層処理」を結合します。

4. 科学設計のシミュレーション

   • AI エージェントを用いて、研究環境（小規模 vs 大規模、フラット vs 階層的）を変化させ、実験的にパラダイムシフトが起きやすい条件を探索します。

5. メタサイエンスの自動化

   • 既存研究成果の総合評価と新規性指標を同時に算出し、従来のベンチマーク最適化だけでなく「革新度」を重視した報酬設計を行います。

今後の課題

• パラダイムシフトの定量的表現：単純さや類推性以外に何が重要か？
• 実験データと理論のギャップ：AI が「未知」を発見できるように、データ収集プロセス自体を再設計する必要があります。
• 組織構造の影響：研究者が異分野間でアイデアを交換しやすい環境を AI でシミュレートし、最適な組織モデルを導出します。

結び

AI が科学加速に寄与するには、「既存パラダイムの予測力」を高めるだけでは不十分です。真に「パラダイムシフトを起こす」ためには、AI 自体が新しい概念的枠組みを創出できるよう設計し、科学自体のメカニズムを深く理解する必要があります。現在進行中の研究はその一歩であり、将来的に AI が「未来を描く」存在となるためには、これらの課題への取り組みが不可欠です。

著者情報

アルヴィン・ジャダジケルタ（Alvin Djajadikerta）は Evidentia Labs の CEO であり Science Works の創設研究員。ケンブリッジ大学で分子神経科学の博士号を取得しています。

出典: Djajadikerta, Alvin. “Designing AI for Disruptive Science.” Asimov Press (2026). DOI: 10.62211/29ej-27et