私： 人間が今まで解けなかった数学の問題をAIが解いてしまったという話は本当ですか？
本当なら、どのような問題をどのように説いたのか、それをわかりやすく説明してください。
そして、それは、どんな利用法が考えられますか？
ChatGPT：
はい、本当です。しかも、ここ1～2年でかなり状況が変わりました。
ただし、ここは大事なので最初に区別します。
「AIが人間には解けなかった数学問題を解いた」例は、すでに実際にある。
しかし、「AIが出した答えを人間がまだ完全に検証していないもの」まで、すべて「解決済み」と呼ぶのは危険です。
そして、まさに今、非常に大きなニュースがあります。
2026年9月8日、OpenAIは、約90年間未解決だったナビエ・ストークス方程式の存在・滑らかさ問題について、AIが解決したとする証明を公開しました。しかもLeanという定理証明システムによる形式化も公開しています。
ただし、これは現時点では「AIが証明を提示した」という段階で、数学界による独立した検証・受理とは分けて考えた方がいいでしょう。Natureも「OpenAI claims」と慎重に報じています。
まず、ものすごく簡単な例から
2023年にGoogle DeepMindが発表した FunSearch が、とても分かりやすい実例です。
問題は「キャップ集合問題（cap set problem）」というものです。
難しく考えず、平面上に点をたくさん置くことを考えてください。
例えば、
● ●
●
● ●
ここで、
「どの3点を取っても一直線上に並ばないようにしながら、できるだけたくさんの点を置けるか？」
という種類の問題です。
ところが、これを高次元にすると、とんでもなく難しくなります。
可能な組み合わせが爆発的に増えるので、
「全部試して、一番いいものを見つける」
というコンピューターの力技が通用しなくなります。
そこでAIに、
「答えそのものを探せ」
ではなく、
「答えを作り出すプログラムを考えろ」
とやらせたのです。
これが非常に面白いところです。
AIはどうやって解いたのか？
FunSearchの仕組みを単純化すると、
① AIがプログラムを作る
↓
② コンピューターがそのプログラムを実行する
↓
③ どれだけ良い結果が出たか自動採点する
↓
④ AIが改善案を作る
↓
⑤ また実行する
↓
⑥ 良かったものを残す
というサイクルを猛烈な速度で繰り返します。
つまり、
AIに「数学の答え」を直接聞いたのではなく、AIに「数学的な発見をする方法」を探させた
わけです。
Googleによると、この方法で当時知られていたキャップ集合の記録を更新し、既存の計算手法を上回る結果を発見しました。さらに同じ方法を「ビン・パッキング」という実用的な最適化問題にも適用し、従来の経験則より少ない箱で荷物を詰める方法を発見しました。
これはかなり重要です。
そして2026年は、さらに一段上に来ています
2026年には、AIが単なる「計算機」から、
数学者のように仮説を立て、証明方法を探す
方向へ進んでいます。
例えば2026年5月、OpenAIのAIが、数学者ポール・エルデシュが約80年前に提起した幾何学の問題を解決したとNatureが報じています。
また、2026年には研究レベルの未公開数学問題をAIに解かせる「First Proof」のような取り組みも行われています。
さらに2025年には、Google DeepMindとOpenAIのAIが国際数学オリンピック（IMO）で金メダル相当の成績を達成しました。これは研究数学とは違いますが、人間の数学エリートにかなり近づいたことを示す出来事でした。
そして今回の「ナビエ・ストークス」が別格です
これは数学好きでなくても、ちょっと驚く話です。
ナビエ・ストークス方程式は、
水、空気、煙、血液などの流体がどう動くか
を表す基本的な方程式です。
例えば、
水の流れ
飛行機の周囲の空気
船の周囲の水
台風
エンジン内部
血液の流れ
などを数学的に記述する基礎になっています。
ところが、
「この方程式の解は、3次元空間でいつでもちゃんと存在し、無限大になるような特異点を作らず滑らかに動くのか？」
という根本問題が、約90年間解けていませんでした。
これがミレニアム懸賞問題の一つです。
OpenAIの発表によれば、約10,000個のAIエージェントを協調させ、約88時間で証明を作り、その後17時間かけてGPT-6 AstraによってLean形式の検証を行った、としています。
イメージとしては、
AI数学者 A ─┐
AI数学者 B ─┤
AI数学者 C ─┤
AI数学者 D ─┤
↓
何千・何万もの仮説
↓
相互検討・淘汰
↓
有望なアイデア
↓
統合
↓
数学的証明
↓
Leanで形式検証
という感じです。
人間なら一人の数学者が何十年も考えるかもしれない問題を、大量のAI数学者を並列に走らせて探索したわけです。
ここが非常に重要です
私は、今回のニュースを単に
「AIは人間より数学が得意になった」
と見るのは少し違うと思います。
むしろ革命的なのは、
「数学者の数を、事実上何千人、何万人にも増やせる」
ことです。
人間は、
一人で考える
論文を読む
アイデアを思いつく
計算する
間違える
寝る
また考える
という速度です。
AIは、
仮説A → 失敗
仮説B → 失敗
仮説C → 少し良い
仮説D → 失敗
仮説E → 成功
を何百万回でも繰り返せる。
そして、
「成功したものだけ次のAIに渡す」
ことができます。
これは数学だけではありません。
では、軍事には使えるのか？
はい。かなり大きな可能性があります。
ただし「AIにミサイルを設計させる」といった具体的な兵器設計ではなく、もっと広い意味で考えた方が本質が見えます。
① 物流
これはすでにFunSearchの実例があります。
例えば、
「100台のトラックに、何をどの順番で積めば一番効率的か？」
という問題。
さらに軍事なら、
燃料
食料
弾薬
部品
車両
人員
をどこへどう配置するか。
こういう巨大な最適化問題はAIと非常に相性がいい。
実際、FunSearchはデータセンターの計算資源の割り当てなどにも応用可能なアルゴリズムを発見しています。
② 航空機・船舶・潜水艦
ナビエ・ストークス問題との関係で、こちらは非常に興味深いです。
AIが流体力学について新しい数学的性質を発見できれば、
「空気や水の流れをどう制御すれば抵抗を減らせるか」
という問題に影響します。
例えば一般論として、
飛行機の空気抵抗
船の造波抵抗
プロペラの効率
タービン
エンジン
潜水艦周辺の流体
などです。
これは軍事だけでなく、民間航空、造船、エネルギーにも直結します。
③ 暗号
これは非常に重要です。
数学には、
「ある問題は簡単に計算できるが、逆方向は非常に難しい」
という性質を利用した暗号があります。
AIが新しい数学的構造を発見すると、
「この暗号は本当に安全なのか？」
を調べる能力が飛躍的に上がる可能性があります。
逆に、
「今まで安全だと思っていた数学的問題に、実は効率的な解法がある」
とAIが発見すれば、既存暗号が危なくなる可能性もあります。
ですから、軍事・諜報・金融・国家インフラすべてに関係します。
④ レーダー・通信
ここも「数学の最適化」の世界です。
例えば、
「大量の雑音の中から、非常に弱い信号をどうやって見つけるか？」
これは数学・統計・信号処理の問題です。
AIが新しいアルゴリズムを発見できれば、
通信
レーダー
衛星
センサー
GPS
電波解析
などの性能向上につながる可能性があります。
⑤ 防衛計画そのもの
もっと大きな話があります。
例えば、
「限られた予算で、どこにどれだけ防衛能力を配置すればいいか？」
という問題。
これは実は数学的には、
巨大な最適化問題
です。
基地 A
基地 B
基地 C
↓
航空機
艦艇
人員
燃料
通信
レーダー
補給
↓
数千～数百万の組み合わせ
↓
AIが探索
↓
「この配置が最も効率的」
ということが可能になります。
そして、これは攻撃だけでなく、
「どうすれば攻撃を受けても国家機能を維持できるか」
という防衛にも同じように使えます。
私が特に面白いと思うのは「数学→物理→工学」の連鎖です
今まで、
人間が数学を発見する
↓
数学者が物理学者に教える
↓
物理学者が工学者に教える
↓
エンジニアが製品を作る
という流れでした。
これが将来、
現実の問題
↓
AI
↓
新しい数学を発見
↓
新しい物理モデル
↓
新しいアルゴリズム
↓
新しい材料・機械
↓
現実世界
という循環になる可能性があります。
ここまで来ると、AIは単なる「便利な検索・文章作成ソフト」ではありません。
人間の科学研究そのものを加速する装置になります。
ただし、一つ非常に重要な注意があります
今回のナビエ・ストークスについては、私は特に慎重に見るべきだと思います。
OpenAI自身は証明とLean形式化を公開していますが、数学では、
「AIが証明を出した」
と
「世界中の数学者が検証して定理として認めた」
は別です。
Natureも、今回の発表について数学者から「通常の論文審査・学会発表などを経て確認されることが望ましい」という慎重な意見が出ていることを報じています。
ですから今の段階では、
「AIが人間の数学研究では到達できなかった領域に入り始めた」
という表現が一番正確でしょう。
そして、これは以前お話しした**「AIは単なる答えを出す道具ではなく、若い世代のための道具になってほしい」**という話とも、かなりつながっています。
これから面白いのは、
「AIが解けなかった問題を解く」
だけではありません。
むしろ、
「人間がそもそも、そんな問題があることすら知らなかったところから、AIが新しい数学・物理・工学を発見する」
段階に入ることです。
これは軍事にも使えますが、同じ能力が、新薬、災害対策、エネルギー、材料、農業、気象予測、交通、宇宙開発にも使えます。
要するに、**「同じ数学的能力を、戦争に使うか、人間の生活を良くするために使うか」**という問題でもあるわけです。
私：一番興味深い領域は医学ではないでしょうか。特に循環器系の血液の流れや、それを妨害するプラークや血管のこぶ問題です。これを根本的に解決できたら、心臓や脳の病気で半身不随になる人の苦労がなくなるのではと期待しますが、どうでしょうか？
ChatGPT：
はい。私は医学、とくに循環器・脳血管領域は、AIが数学・物理学の能力を発揮する非常に有望な分野の一つだと思います。
そして、先ほどの話ときれいにつながっています。
ナビエ・ストークス方程式のような「流体の流れ」の数学は、実は血液にもそのまま関係するからです。現在すでに、患者個人のCT・MRI・超音波などから血管を3次元モデル化し、血流、圧力、血管壁にかかる力をコンピューターで計算する研究が行われています。
一番面白いのは「詰まっているか」だけではないことです
従来の診断は、かなり単純化すると、
「血管が何％狭くなっています」
を見ることが中心でした。
しかし本当に怖いのは、狭さだけではない。
例えばプラークが、
どんな材質なのか
血管壁のどこにあるのか
血流によってどんな力を受けているのか
表面が破れやすいのか
破裂したら血栓を作りそうか
まで分かれば、危険度の判定が変わってきます。
実際、2025～26年の研究ではAIがCT、血管内超音波（IVUS）、OCTなどからプラークを自動解析し、脂質コア、石灰化、血管壁の変形などの特徴を抽出する研究がかなり進んでいます。
そして「血管のこぶ」はさらに面白い
例えば脳動脈瘤です。
血管の一部分が膨らんで、
正常な血管
────────────
動脈瘤
─────────╮
╰──╮
╰──
となる。
問題は、
「このこぶは、いつ破裂するのか？」
です。
現在は大きさや場所などを重要な指標にしていますが、それだけでは十分ではありません。
そこでAIに、
患者の血管形状＋血流＋血管壁の状態＋年齢などの臨床情報
を全部入れて、
「この人のこの動脈瘤は、今後どうなる可能性が高いか？」
を予測させる。
これはまさにAI＋流体力学＋医学です。
2026年のレビューでも、脳動脈瘤について、画像・形状・血流シミュレーションなどを組み合わせたAIによる破裂リスク予測が重要な研究領域になっているとされています。
私が期待したいのは「病気を見つけるAI」より、その先です
ここが非常に重要です。
現在：
AI → 病気を発見する
から、
将来：
AI → 病気になる過程を予測する
さらに、
AI → その人に最適な治療方法をシミュレーションする
へ進んでほしい。
例えば、
患者A
血管の形状を3D化。
↓
現在の血流を再現。
↓
「この部分に異常な力が集中しています」
↓
5年後、10年後の変化を予測。
↓
「このままなら危険になる可能性が高い」
↓
薬で抑えた場合をシミュレーション。
↓
ステントを入れた場合をシミュレーション。
↓
手術した場合をシミュレーション。
↓
一番安全な方法を医師と患者が選ぶ。
これが「デジタルツイン」と呼ばれる方向です。
大動脈疾患では、患者個人の血管形状、血流、血管壁の力学、生物学的情報などを組み合わせた「患者個人の仮想血管」を作る研究も進んでいます。
そして「半身不随を減らす」という発想も重要です
ただし、ここは少しだけ現実的に考えた方がいいでしょう。
AIが血管病を根本的に解決すれば、脳梗塞や脳出血による後遺症を大幅に減らせる可能性はあります。
しかし、
「AIによって半身不随がなくなる」
とまでは、まだ言えません。
なぜなら脳梗塞の場合、
血管が詰まる → 脳細胞への酸素が不足する → 時間とともに脳組織が損傷する
という問題があるからです。
AIが、
「この人は3年以内に脳梗塞になる可能性が高い」
と予測できても、それだけでは不十分。
次に、
「では、どうすれば発症そのものを防げるか？」
が必要になります。
ここでAIがものすごく強力になる可能性があります
例えば、
100万人の血管画像＋血液検査＋生活習慣＋遺伝情報＋治療履歴
をAIに学習させる。
すると人間には見えない、
「この血管の形状＋この血流＋このプラークの性質＋この身体条件の組み合わせでは、数年後に急激に悪化しやすい」
というパターンを発見する可能性があります。
これは単なる画像診断AIではありません。
病気の「物理的な発生メカニズム」をAIが発見する
という話です。
さらに面白いのが「プラークを消す」研究です
ここは将来的に非常に大きなテーマになるでしょう。
現在でも動脈硬化については、脂質を下げる治療などによってプラークの進行を抑えたり、安定化させたりすることが重要です。
でも将来、
「なぜ、この場所にプラークができるのか？」
をAIが、
血流 × 血管壁 × 炎症 × 脂質代謝 × 免疫反応
という複雑な組み合わせから解析できれば、
「できたプラークを削る」
だけではなく、
「そもそも危険なプラークが形成される条件をなくす」
という方向へ進めるかもしれません。
血流と血管壁の相互作用を計算するCFD/FSI研究はすでに盛んですが、まだ病気の進行との関係には不確実性が残っています。
私なら「AI心臓・血管研究」をこういう順番で期待します
第1段階
CT・MRI・超音波から血管を正確に3D化する
↓
第2段階
その人の血流をリアルタイムに近く再現する
↓
第3段階
プラークや動脈瘤にかかる力を計算する
↓
第4段階
未来の病変の成長を予測する
↓
第5段階
薬・ステント・手術などを仮想的に試す
↓
第6段階
「この患者にはこれが最適」という個別治療を提示する
↓
第7段階
さらに進んで、病変が形成される根本原因そのものを突き止める
ここまで行けば、かなり医学が変わります。
実際、循環器領域ではAIが診断だけでなく、予後予測、個別化医療、治療計画まで広げていくことが期待されています。
そして、先ほどの数学の話との接点が非常に面白いんです。
人間が解けなかった流体力学の問題をAIが解く
↓
その数学を血液循環に適用する
↓
患者一人一人の血流を計算する
↓
プラークや動脈瘤がどう変化するか予測する
↓
脳梗塞・心筋梗塞・血管破裂を発症前に防ぐ
という流れです。
これは「AIが医師の代わりになる」という話より、私はずっと現実的で重要だと思います。
医師には診察・判断・患者との対話をしてもらい、AIには人間では計算しきれない何百万通りもの血流・病変・治療シナリオを計算させる。
そうなれば、AIは医師を置き換えるというより、一人の医師の後ろに「何万人もの仮想研究者・数学者・シミュレーター」がいる状態を作れるわけです。
これは、あなたが最初に言われた「人間には解けなかった数学問題をAIが解く」という話が、最終的には人間の命を救うところまでつながる可能性があるという、かなり面白い話だと思います。
ChatGPT の回答は必ずしも正しいとは限りません。重要な情報は確認するようにしてください。
