核心内容の要約
Anthropicが未公開の科学研究用バージョンであるClaudeは、167年間解かれていなかった数学の難問である「リーマンの予想」を証明しようと試みました。成功には至りませんでしたが、予期せず「臨界線上に位置するリーマンゼータ関数の零点の割合の下限」を41.6％から67.2％に引き上げることに成功しました。さらに重要なのは、この突破がAIが既知の答えがある問題に対して「解答する」のではなく、複数のエージェント（Agent）が協力し、異なる時代の文献を組み合わせ、何度も試行錯誤を繰り返すことで達成されたという点です。これはAIがオープンな科学研究の環境において、「科学研究のツール」から「科学研究のエージェント」へと進化していることを示しています。
詳細な分析
1. 67.2％は「リーマンの予想が解けた」という意味ではなく、「既知の零点の下限の大きな前進」
リーマンの予想とは、リーマンゼータ関数のすべての重要な零点が複素平面上の「臨界線」上にあるというものです（簡単に言えば、この線は素数の分布と密接に関連しています）。しかし、人間にはまだすべての零点がその線上にあることを証明することができません。そこで次善の策として、「どれだけの割合の零点が確実にその線上にあるか」を証明しようとしています。これが「零点の割合の下限」と呼ばれるものです。
過去100年以上にわたり、数学者たちはこの割合を「無限多」（ただし具体的な割合は不明）から41.6％（2020年時点）まで引き上げました。Claudeによってその割合が67.2％にまで向上しました。つまり、現在では少なくとも67.2％の零点が臨界線上にあることが確認できますが、残りの32.8％がそうかどうかはわかりません。これは予想が67.2％解けたという意味ではなく、「私たちが確実に言える範囲」が広がっただけです。
さらに驚くべきことに、Claudeは従来のLevinson法を使用せず、1973年にMontgomeryが提案したアイデアを再構築することで、以前の技術的なボトルネックを克服しました。
2. この突破は「新しい数学理論の創造」ではなく、「散在していたツールの組み合わせ」
Claudeの成果は新しい理論を創造したわけではなく、過去数十年間に異なる論文で発表された数学的な手法を組み合わせたものです。例えば、BaluyotやGoldstonらによるMontgomery法の改良や、BombieriによるWeilエルミ型に関する研究などが活用されています。
なぜ人間は早くこのことに気づかなかったのでしょうか？それは時間や労力の制約があるため、すべての関連文献を読み尽くすことが難しく、異なる時代や分野の手法を組み合わせることも困難だからです。AIの強みは膨大な量の文献を処理し、人間が見落としていた関連性を見つけ出すことができる点にあります。この突破の鍵は、Claudeが「臨界線上の零点」と「臨界線上にない零点」を同じ数学的な枠組みの中で処理することにありました。これは人間にとっては非常に複雑な作業だったかもしれません。
3. まるでAI科学研究チームのように：650回の失敗 + 60個のサブエージェントによる分業
この研究プロセス自体が結果以上に驚くべきものです：
- 試行錯誤の規模：Claudeは最初に650のアイデアを試しましたが、すべて失敗しました。その後、60個のサブエージェントが協力して作業を行いました。2つのエージェントが核心的な考え方を担当し、13個が補助的なアイデアを提供し、30個が新しい方向性を探り、13個が正誤を確認し、2個が論文を執筆しました。
- 作業量：2400のコマンドを実行し、数百のPythonスクリプトを書き、数千回の数値計算を行い、合計で3100万トークン（長編小説10冊分に相当）の出力が生成されました。
- 自己検証：結果を得た後、Claudeは54件の論文をダウンロードして重複を確認し、異なるエージェントによる相互レビューを行い、さらに形式的な証明も生成しました（ツールを用いて検証されました）。
これは従来のAIが「問題に答える」方法とは全く異なります。まるで本物の科学研究チームのように、未知の領域で継続的に試行錯誤を繰り返し、協力し、自己修正を行っています。
4. AIが「独立した科学者」になったわけではない
成果は素晴らしいものの、現実を正しく理解する必要があります：
- 結果は完全には検証されていない：Anthropicはいくつかの専門家にレビューを依頼しましたが、まだ数学界での完全なピアレビューを経ていません（これは科学的成果が認められるための重要なステップです）。
- 手法には限界がある：現在の方法では、最大で約68.185％の零点が臨界線上にあることしか証明できません。70％を突破するには新しい数学的なツールが必要です。
- AIの役割は補助的なもの：Claudeの成果は「予期せぬ副産物」に過ぎず、リーマンの予想を証明することが本来の目的でした。結果の判断や検証は依然として人間科学者の役割です。AIは人間を置き換えるのではなく、「面倒で疲れる作業」を手伝う存在です。
5. 産業界への影響：AIは科学研究の予算を狙い、ツールからエージェントへと進化
この実験が産業界に与える影響は数学そのものよりも大きいです：
- 科学研究用AIの進化：以前のAIは論文の検索やコードの作成などのツールでしたが、今では「エージェント」として機能し、目標を追跡し、タスクを割り当て、方向性を調整することができるようになりました。まるで自律的な小さなチームのようです。
- 商業的価値：科学研究は薬品開発や材料科学、数学など、高い付加価値がある分野です。AIが人間が時間をかけて行う試行錯誤や文献の組み合わせを自動化できれば、研究機関に大きな効率向上をもたらす可能性があります。
- 将来の展望：AIが突然アインシュタインのようになることはないかもしれませんが、人間科学者の「超級アシスタント」として機能するでしょう。時間のかかる試行錯誤や文献検索、結果の検証を代行し、人間は問題の選定や重要なポイントの把握に専念できるようになります。
最後のまとめ
Claudeはリーマンの予想を解くことはできませんでしたが、AIが科学研究の「未開拓領域」に進出できたことを証明しました。試行錯誤、手法の組み合わせ、協力といったプロセスは、AIが「チャットボット」から「科学研究のパートナー」へと進化する上で重要な一歩です。将来的にはAIが単独でノーベル賞を受賞することはないかもしれませんが、人間科学者の効率を大幅に向上させる可能性があります。