AI、ついに研究室の隣席へ？ 「共同研究者」と呼びたくなる理由

AIに論文を探してもらい、長い資料を要約してもらう。ここまではもう珍しい使い方ではなくなりました。

ところが2026年、AIの仕事がもう一段、研究の奥へ入り込んでいます。

研究者がAIへ難問を渡すと、AIが解答案を作り、検証役の仕組みが論理の穴を探します。問題があれば修正し、行き詰まれば別の方法を試す。最後に人間の専門家が、答えは正しいか、過去に同じ成果がないかを確かめます。

AIの役割は、仮説や反例を考え、証明を組み立て、実験方法を提案するところまで広がりました。

もう「便利な検索係」だけでは収まりません。AIは、研究者と同じテーブルで案を出し、ダメ出しを受け、また考えるところまで来ています。

AIは研究者の「共同研究者」になり始めたのか。限られた問題では、かなり近い役割を担い始めています。ただし、研究の目的を決め、成果の新しさと正しさに責任を持つのは、まだ人間の研究者です。

これまでの生成AIは、一度の指示に対して文章や答えを返す使い方が中心でした。研究向けの新しい仕組みは、答えを出して終わらず、検証と修正を繰り返します。

Google DeepMindが2026年2月に発表した数学研究用AI「Aletheia（アレテイア）」は、Gemini Deep Thinkを使って解答案を生成し、検証役が誤りを探します。小さな修正で済むなら書き直し、根本的な問題があれば別の解法を作る。必要に応じてウェブ検索や計算道具も使います。Google DeepMindの説明では、解けないと判断したときに失敗を認める仕組みも加えられました。

Aletheiaでは、解答案を作る役と検証する役が分かれています。検証を通らなければ、修正または別の解法へ戻ります。資料：Fengほか「Towards Autonomous Mathematics Research」をもとにDATA WORLD作成。元論文の図を転載したものではありません。

「解けません」と言える。これ、地味に見えますが、研究ではかなり大事な能力です。

研究の仕事では、最初の案がそのまま正解になることのほうが少ないからです。仮説を立てて計算し、証明の穴を指摘されたら、条件や方法を変えてもう一度試します。AIが研究者らしい動きを見せ始めたのは、この面倒な往復に入ってきたからなんですよね。

Googleの研究者らが公開した18件の事例集では、AIと専門家が、理論計算機科学、最適化、経済学、物理学などの未解決課題に取り組みました。

研究者が問題を小さく分けて何度も質問した例もあれば、AIを厳しい査読者のように使い、証明の見落としを探させた例もあります。AIがプログラムを書いて計算し、その結果を次の推論へ戻す方法も試されました。

中でも目を引いたのが、「Max-Cut」というネットワーク分割の課題です。点と点を線で結んだ図を二つのグループに分け、グループの境界をまたぐ線ができるだけ多くなる分け方を探します。点の数が増えると候補が爆発的に増えるため、毎回「絶対に最良の分け方」を効率よく見つけるのは困難です。

赤い線が二つのグループの境界をまたぐ線です。Max-Cutでは、この本数ができるだけ多くなる分け方を探します。資料：Woodruffほか「Accelerating Scientific Research with Gemini」をもとにDATA WORLD作成。

そこで使われてきた代表的な方法は、最良の分け方で得られる線の本数を100%としたとき、期待値で約87.8%以上となる結果を効率よく見つけられると保証しています。研究者が長く考えていたのは、計算途中のデータが一定の条件を満たす場合に、この87.8%という保証を超えられるかという問いでした。数学上の次元が2、3の場合には証明できていましたが、4以上の場合は答えが出ていませんでした。

この証明を止めていたのが、図形のばらつきに関する別の問いです。AIは、点と線の組み合わせを扱う普段の方法から離れ、空間や距離を扱う別分野の数学を使って、その問いに証明を与えました。完成した証明は改善幅を具体的な数字で示すところまでは届いていません。それでも、長く止まっていた研究を進める道筋になりました。

専門家は、自分の分野を深く掘ります。その一方で、遠く離れた分野の論文まですべて追い続けるのは難しい。AIは、研究者が普段なら開かなかった本棚から、使える道具を見つけてきたわけです。こういう瞬間は、たしかに「共同研究者」と呼びたくなります。

とはいえ、これは成功した事例を集めた報告です。AIに渡した全課題のうち、何割で役に立ったのかを測る試験ではありません。論文は2026年7月時点でプレプリント、つまり査読前。開発元のGoogleに所属する研究者が多く参加している点も含め、独立した検証を待ちたいところです。

AIが研究に入ると、「正しいか」と同じくらい厄介な問題が出てきます。

その答え、本当に新しいのか。

研究チームは、数学者ポール・エルデシュに関係するデータベースから、未解決と表示された700問をAIで調べました。2026年1月の報告では、13問について進展がありました。その内訳は、新しい可能性がある解答5件と、なんと過去の文献ですでに解かれていたもの8件です。

進展があった13問のうち8問は、AIが新しく解いた問題ではありません。データベースでは「未解決」とされていましたが、実際には過去の論文ですでに解かれており、AIがその事実を見つけた問題でした。

忘れられていた文献を掘り起こす仕事にも、もちろん価値があります。むしろ700問をまとめて調べられるのは、AIらしい強みです。

でも、既存の証明をAIが新発見のように出したら、話が変わります。AIが答えを作るとき、学習データに含まれていたどの論文や文章を思い出して使ったのかは、通常の出典一覧のようには表示されません。そのため、過去の証明をどこかで学んで再現したのか、それとも同じ結論へ独自に到達したのかを判別しにくいのです。研究チームは、この問題を「潜在的な盗用」の危険として指摘しました。

新発見か、既存研究の再発見か。その境目を確かめる作業は、今も人間の研究者が担っています。

AIの答えがもっともらしく見える問題は、研究に限りません。ChatGPTが作った文献情報を調べた研究では、GPT-3.5とGPT-4が挙げた636件のうち、存在しない文献がそれぞれ55％と18％含まれていました。2023年に公開された研究であり、現在のモデルへそのまま当てはめることはできません。それでも、研究では出典を一つ間違えるだけで、成果の新しさそのものを見誤ります。研究者にとっては、笑って済ませられない間違いです。

生命科学では、AIが出した仮説を、実際の細胞や組織を使った実験で確かめる試みが始まっています。さらに、人間が実験で突き止めた仕組みを、AIが公開文献だけから再現できるかも試されました。

Google Researchの「Co-Scientist」は、複数のAIが仮説を出し、互いに評価し、順位を付け、改善する仕組みです。2026年にNatureへ掲載された査読論文では、急性骨髄性白血病の既存薬転用、肝線維症の治療標的、細菌が遺伝情報を運ぶ仕組みという三つの領域で検証されました。いずれも、人間の専門家が研究目標や条件を与え、途中の選択と確認に参加しています。

研究者が目標や条件を渡すと、役割の異なるAIが仮説を生成し、比較し、検証しながら改善します。画像出典：Gottweisほか「Accelerating scientific discovery with Co-Scientist」Fig. 1（CC BY 4.0、掲載にあたりFig. 1aを切り出し）

急性骨髄性白血病の事例では、Co-Scientistが既存の薬を治療へ転用する候補を提案しました。人間の専門家が候補を選び、白血病の細胞を使って試したところ、AIが提案した薬の一部で細胞の生存を抑える作用が確認されました。これは、AIが出した候補を、その後の細胞実験で確かめた例です。臨床で患者に使えると確認された段階ではなく、論文も治療効果の本格的な評価には追加研究が必要だとしています。

横軸は薬剤の濃度、縦軸は白血病細胞の増殖を抑えた割合です。Co-Scientistが挙げた候補について、実際の細胞を使った濃度別の反応が測定されました。画像出典：Gottweisほか「Accelerating scientific discovery with Co-Scientist」Fig. 3（CC BY 4.0、掲載にあたりグラフ部分を切り出し）

肝線維症の事例でも、AIが治療標的の候補を提案し、人間の肝臓の働きを立体的に再現した小さな組織「オルガノイド」で検証されました。この二つでは、AIの提案が具体的な実験候補として扱われています。

また、細菌の遺伝情報が広がる仕組みを扱った事例では、少し違う能力が試されました。研究チームは、自分たちが実験で突き止めた未公表の仕組みについて、答えを教えずにCo-Scientistへ説明を求めました。AIは公開済みの文献を調べ、細菌に寄生するウイルスの「尾」を利用して感染先を広げるという、研究チームの発見と同じ説明へ到達しています。

研究チームによると、Co-Scientistには未公表の答えを与えていません。それでも、公開済みの知識を組み合わせ、人間の研究チームと同じ仕組みを導き出しました。
実にエレガントだ・・・！

白血病と肝線維症では、AIが実験にかける候補を出しました。細菌の事例では、散らばった文献から、人間の未公表の発見と同じ説明を組み立てました。AIが研究へ持ち込めるものは、資料の要約から、実験で確かめられる仮説や、研究者が見落としていた知識のつながりへ広がっています。

一方、研究の問いを決め、候補を選び、実験し、結果の意味を判断したのは人間の専門家です。AIの提案を発見へ変えるには、まだこの共同作業が欠かせません。

AIを共同研究者と呼べるか。人間そっくりに振る舞うかより、研究のどの仕事を一緒に担えるかで考えると、役割の違いが見えやすくなります。

この役割分担を考えていて思い出したのが、漫画『Dr.STONE』の主人公、石神千空の言葉です。

「科学では分からないこともある、じゃねえ」
「分からねえことにルールを探す」
「そのくっそ地道な努力を、科学って呼んでるだけだ」

研究は、正解らしい答えが一つ出れば終わる仕事ではありません。条件を変えても同じ結果になるか、別の人が同じ手順で確かめられるか、過去の研究と矛盾しないか。分からないものの中から規則を探し、その道筋を残すところまでが研究です。

AIとデータを仕事で扱っていると、派手な正解より、その裏側の記録が気になります。誰が問いを決めたのか。AIは何を参照したのか。どの案が捨てられたのか。最後に誰が検証したのか。

AIが研究チームに入るほど、どんな検討を重ねたかという記録が重要になります。答えを速く出す能力に加えて、地道な確認を人間とどう分担できるか。そこに「共同研究者」と呼べるかどうかの境目がありそうです。

Natureに掲載されたAIと科学研究をめぐる分析は、AIによって成果の数が増えても、研究者が理解したつもりになったり、似た方法や問いへ集中したりする危険を指摘しています。

論文が速く増える。でも、世界への理解は深まっていない。そんな未来は、ちょっと困りますよね。

AIは、文献整理をする助手から、仮説を出し、証明を批判し、実験案を練り直す相手になりはじめています。数学では未解決問題の解答候補を作りました。生命科学では、AIが提案した薬の候補を人間が細胞実験で確かめた例と、人間が先に実験で発見した仕組みをAIが公開情報から再現した例があります。

「共同研究者になり始めた」と呼べる根拠は、もう出てきています。

同時に、問いを選ぶ人、AIの誤りを見抜く人、実験する人、既存研究との違いを確かめる人、そして結果に責任を持つ人が必要です。この役割は、成功事例のどこを見ても人間が担っています。

AIは人間の隣で、休まず候補を出し、反論し、ときには遠い分野から意外な道具を持ってくる。その提案を本物の発見へ変えるのは、問いを持ち、現実に確かめ、結果へ責任を持つ研究者です。

共同研究者としてのAIに期待したいのは、人間より先に答えを出すことだけではありません。人間だけでは開かなかった扉を、一緒に見つけることではないでしょうか。