科学は「答えを出す営み」から「世界を翻訳し、その翻訳を確かめる営み」へーー

＜２０２６年７月２２日以前のコンテンツ一覧はこちら＞

＜最近AIが数学問題を解いたと話題なので昔の自分の考察も含めてAIが解けそうな範囲についてAIにコメントを貰いました。＞

ラングランズ、IUT、物理、化学、コンピュータ科学から考える科学思考AI

科学には、観測すること、測定すること、未知の現象を発見すること、原因を説明すること、理論を作ること、予測すること、実験で確かめることなど、多くの営みがある。

そのすべてを「翻訳」という一語で説明することはできない。

しかし、数学、物理学、化学、コンピュータ科学を横断して見ると、非常に重要な問題解決の仕組みが繰り返し現れる。

ある表現では難しい問題を、別の表現へ移して解く。

そして、別の表現へ移したときに、

何が残り、何が失われたのかを確かめる。

という仕組みである。

ラングランズ・プログラムは、この発想を最も壮大な形で見せる例の一つだ。数論と表現論など、一見すると遠く離れた数学世界のあいだに深い対応を探し、一方の問題をもう一方の言葉で理解しようとする。

同じような構造は、物理学の双対性、化学の多尺度計算、量子計算の結果を学習した高速近似モデル、コンピュータ科学の中間表現、形式検証などにも現れる。

ここから浮かび上がるのは、「科学とは翻訳である」という単純な結論ではない。

むしろ、

という見方である。

生成AIの時代には、この問題がさらに重要になる。

AIが答えを作るだけでなく、

• 何が観測された事実なのか

• 何が仮定なのか

• 何が推論なのか

• 何が予測なのか

• 何がまだ未検証なのか

• どの表現へ変えれば問題を扱いやすくできるのか

• その変換で何を失ったのか

• どの方法で独立に確かめるのか

まで管理する必要が出てくるからだ。

このように、科学的方法そのものをAIの思考手順へ組み込む仕組みを、ここでは科学思考AIと呼ぶ。

1　ラングランズ・プログラムを「巨大な翻訳辞書」として見る

ラングランズ・プログラムを数学的に理解するには、高度な数論、表現論、代数幾何などが必要になる。

しかし、その問題解決の形だけを取り出すと、直感的には次のように見ることができる。

数学世界A
   ↓
対応関係を探す
   ↓
数学世界B

ただし
重要な構造が対応する

文章を日本語から英語へ翻訳すると、文字や語順は変わる。

しかし良い翻訳なら、意味はできるだけ保たれる。

数学でも、対象そのものは違って見えても、対称性、表現、L関数、スペクトル、対象同士の関係などが対応している場合がある。

すると、一方では扱いにくい問題を、もう一方の世界の道具で調べられる可能性が生まれる。

重要なのは「二つがなんとなく似ている」ことではない。

どの対象がどの対象に対応し、何が変換後も保たれるのかが明確であることである。

ラングランズ・プログラムは、数学の各分野を一つの言葉へ押し込むのではなく、異なる数学世界を異なるまま残しながら、そのあいだに橋を架けようとする。

この意味での「統一」は、すべてを一つにすることではない。

異なる世界を往来できるようにすることなのである。

2　数学では「同じもの」の意味そのものが変わる

数学では、対象そのものが同一でなくても、関係の構造が深く対応していることがある。

圏論では、対象だけではなく、対象同士を結ぶ「射」と呼ばれる関係まで含めて体系を見る。

そのため、

対象Aそのもの
≠
対象Bそのもの

でも、

Aの世界の関係構造
≃
Bの世界の関係構造

ということが起こりうる。

ホモロジカル・ミラー対称性などは、その典型的な考え方の一つである。

ここでは、表面上の姿よりも、

変換しても残る関係

が重要になる。

数学には「これは何か」を分類するだけでなく、

「どの変換の下で、何が変わらないのか」

を調べる長い伝統がある。

ラングランズ・プログラムは、その考えを非常に大きな規模で展開している。

3　物理学では「同じ現象」が別の理論として現れる

物理学でも、一つの現象を異なる理論や数式で記述することがある。

ある表現では難しい問題が、別の表現では簡単になる。

幾何学的ラングランズと量子場の理論との関係は、その象徴的な例である。KapustinとWittenは、超対称ゲージ理論の双対性を通じて、幾何学的ラングランズを物理学から理解する大きな枠組みを提示した。

数学的な表現
      ↕
別の数学的な表現
      ↕
量子場の理論

さらに物理学には、AdS/CFT対応のように、次元や自由度の異なる理論を対応させる考え方もある。

ただし、ここで注意が必要である。

「対応が提案されていること」と「数学的に完全な同値が証明されていること」は同じではない。

科学思考に必要なのは、「橋がある」と言うことだけではなく、その橋が、

• 定理として証明済みなのか

• 特定条件で成立するのか

• 強い理論的証拠に支えられた予想なのか

• 数値的な近似なのか

を分けて扱うことである。

4　「何を省いてよいか」を決めることも科学である

物理学には、非常に細かな世界をすべて記述するのではなく、今の問題に必要なものだけを残す方法がある。

有効場の理論（EFT）は、その代表例である。

高エネルギー側の重い自由度を明示的な対象から外し、低エネルギーで観測される効果を有効な演算子として記述する。

高エネルギーの詳細な理論
          ↓
重い自由度を整理する
          ↓
低エネルギーの有効理論

これは、AIがデータから近似モデルを学習することとは違う。

EFTは、対称性、スケール分離、有効演算子、展開次数などに基づく解析的・原理的な縮約である。

したがって、その限界も「学習データが足りない」ことではない。

主な問題は、

• どこまでのエネルギーで使えるか

• 展開を何次で打ち切るか

• どの演算子を残すか

• 有効係数をどう決めるか

である。

ここで見えてくるのは、

という事実だ。

科学的な簡略化とは、単なる省略ではない。

捨てるものと残すものを管理した変換なのである。

5　化学では「全部を量子力学で計算しない」ことで巨大系を扱える

化学では、この考え方が非常に分かりやすい形で現れる。

原理的には、分子も物質も量子力学に従う。

しかし巨大な生体分子をすべて高精度な量子計算で扱えば、計算量が大きくなりすぎる。

そこでQM/MMという多尺度計算法では、

• 化学反応が起きる重要部分を量子力学で計算する

• 周辺の大きな領域を、より簡単な分子力学で計算する

という分担を行う。

反応中心
高精度な量子計算
        ↕
      境界
        ↕
周辺環境
より軽い分子計算

2013年のノーベル化学賞は、複雑な化学系の多尺度モデルの開発に対して授与された。

ここでは、量子力学と古典力学のどちらか一方を選ぶのではない。

必要な場所に必要な精度を割り当て、異なる計算世界を接続する。

これも翻訳型の問題解決である。

そして重要なのは、境界で何が起きるかである。

二つのモデルを接続した瞬間に、誤差や不整合が消えるわけではない。

境界そのものが検証対象になる。

6　量子計算の結果を学ぶ「高速近似モデル」

材料や分子の研究では、高精度な量子力学計算の結果をAIに学習させ、原子同士の力やエネルギーを高速に予測する方法も広がっている。

専門的には、機械学習原子間ポテンシャルなどと呼ばれる。

意味としては、

である。

高精度な量子計算
       ↓
AIが規則を学習
       ↓
高速な近似モデル
       ↓
大きな材料・長時間の計算

これは非常に強力だが、EFTとは性質が違う。

こちらは主としてデータと学習に基づく近似である。

そのため、

• 学習した範囲の外へ出たらどうなるか

• 誤差がどれくらい増えるか

• 対称性や保存則を守れているか

• 長距離の効果を扱えるか

が重要になる。

同じ「詳しい世界を簡単な世界へ移す」方法でも、

解析的な縮約と、学習による近似は区別しなければならない。

この区別を失うと、「翻訳」という言葉が何でも同じに見せる危険がある。

7　コンピュータ科学は「翻訳」を工学として発達させた

コンピュータ科学では、翻訳は極めて具体的な仕組みとして使われている。

人間が書くプログラムと、CPUが理解する命令は同じではない。

そこでコンパイラが翻訳する。

しかし現代のコンパイラでは、元のプログラムから機械語へ一気に変換するとは限らない。

途中に中間表現を置く。

中間表現とは、

である。

LLVMでは、複数のプログラミング言語をLLVM IRという中間表現へ変換し、そこから異なるCPUや処理系へつなげる。

C
C++
Rust
Swift
   ↓
共通の中間表現
   ↓
x86
Arm
GPU
RISC-V

これにより、すべての入力言語とすべてのハードウェアを直接一対一で接続しなくてもよくなる。

ただし、中間表現は魔法の万能形式ではない。

途中の表現へ移した時点で、元の情報の一部が落ちることがある。

したがって重要なのは、中間表現を作ることだけではない。

• 何を保持するのか

• 何を具体化するのか

• 何を捨てるのか

• 元へ戻せるのか

• 同一の意味を保っているのか

を決めなければならない。

8　難解な理論を「理解のための中間表現」へ移す

この発想は、数学を読む側にも応用できる。

たとえば宇宙際タイヒミュラー理論（IUT）のような巨大で独自の記法を持つ理論を読むとき、原典そのものとは別に、

• 何が基盤なのか

• 何が後から構成されるのか

• 何がどこに依存しているのか

• 何が入力で何が出力なのか

• 何が必須条件なのか

を整理した地図を作ることができる。

数学原典
   ↓
理解のための整理形式
   ↓
依存関係
   ↓
命題の一覧
   ↓
形式化できる命題
   ↓
定理証明支援系による検査

この整理形式は、理解のための中間表現と考えることができる。

ただし、ここには非常に重要な注意がある。

理解のための中間表現へ置き換えたからといって、元の数学的意味が自動的に保存されたことにはならない。

工学的な比喩や階層化は、読解を助ける。

しかし、

• 原典のどの定義に対応しているか

• 何を省略したか

• 一方向の説明なのか、元へ復元できるのか

• 「同じ」と言っているのか、「対応する」と言っているだけなのか

は別途確認しなければならない。

つまり、中間表現そのものも検証対象である。

9　IUTは「翻訳を検査する」という問題を極端な形で示す

IUTを工学的な階層や統制された語彙で整理することには、読解上の価値がある。

一方、その整理によってIUTの数学的正しさが保証されるわけではない。

2026年7月17日にZEN大学のProject LANAが公表した中間報告では、IUT第III論文のTheorem 3.11からCorollary 3.12を導く過程について、少なくとも多くのプロジェクト参加者にとって不明瞭な点が残っていると報告されている。

Project LANAは、IUTによってabc予想が証明されたかどうかについて、現時点でも判断を保留している。

これは重要な事例である。

なぜなら、

原典
 ↓
人間による理解
 ↓
整理された命題
 ↓
Leanなどへの形式化

という各段階そのものが、すべて正しいとは限らないからだ。

形式化すれば自動的に元の数学問題が解決するわけではない。

Leanのような定理証明支援系が強力なのは、

を機械的に検査できることである。

しかし、

は、別の検証課題である。

この区別は、科学思考AIにとっても極めて重要になる。

AIが自然言語を数式へ変換し、数式を形式論理へ変換し、証明器へ渡したとしても、最初の翻訳を誤っていれば、最後の形式証明だけでは元の問いへの正しさは保証できない。

10　事実・仮定・推論・未検証を混ぜない

科学では、主張の内容だけでなく、その主張がどの状態にあるかが重要である。

たとえば、

観測済み
前提
仮定
推論
予測
暫定
検証済み
反証済み
不明

を区別する。

「観測した」と「推測した」を同じ強さで扱えば、議論は簡単に崩れる。

生成AIは、文章を滑らかにつなぐことが得意である。

しかし、その滑らかさは科学的な確実性とは違う。

AIが、

• 一次資料に書いてある事実

• そこからの推論

• AI自身の仮説

• 未確認の外部情報

を一つの文章へ自然に混ぜることは十分に起こりうる。

科学思考AIでは、

何を知っているかだけでなく、それをどこまで確かなものとして知っているのか

を保持する必要がある。

11　AI for Scienceと科学思考AIは違う

AI for Scienceは、科学研究にAIを利用する広い取り組みである。

たとえば、

• タンパク質構造の予測

• 新材料探索

• 気象予測

• 化学反応予測

• 顕微鏡画像の解析

• 実験条件の最適化

などが含まれる。

科学思考AIは、それとは少し違う。

AI for Science
AIを科学研究に使う

に対して、

科学思考AI
科学的方法をAIの考え方に組み込む

という違いである。

科学思考AIには、単なる高精度予測だけでなく、

• 事実と仮定を分ける

• 反対の証拠も探す

• 誤差を管理する

• 適用範囲を示す

• 根拠を残す

• 必要なら問題を別表現へ移す

• 重要な結論を別の仕組みに検査させる

能力が求められる。

12　変換には「何を残すか」という約束が必要になる

ある表現Aを表現Bへ移すとき、単に変換プログラムが動けばよいわけではない。

何を残すのかを決めなければならない。

たとえば精密な分子モデルを簡単なモデルへ変えるなら、

原子の種類        保持
座標              保持
エネルギー        近似
電子状態          一部を省略
長距離相互作用    モデル依存

というように、保存されるものと失われるものが異なる。

こうした、

を「意味保存契約」と考えることができる。

科学情報を共通形式へ変換するときも、単なるデータ形式では足りない。

• 単位

• 仮定

• 誤差

• 適用範囲

• いつ得られた情報か

• どこから得た情報か

• 何が検証済みか

まで持たなければならない。

13　誤差には「使える上限」がある

科学では、変換のたびに少しずつ誤差が入ることがある。

高精度計算
 ↓
AIによる近似
 ↓
分子シミュレーション
 ↓
大きなスケールのモデル
 ↓
工学判断

各段階がそれぞれ十分に良く見えても、誤差が積み重なれば最終判断を壊す可能性がある。

そこで重要になるのが、

どこまでの誤差を許せるかを先に決めること

である。

最終的に5％までしか誤差を許せないなら、途中の近似に無制限のズレは許されない。

科学思考AIは、

「こちらの方法の方が速いので使う」

のではなく、

と判断する必要がある。

つまり、AIがモデルを選ぶときにも、速度だけではなく誤差の予算が必要になる。

14　「分からない」を正しく残すことも科学思考である

科学思考AIは、すべてを断定するAIではない。

むしろ、

分からない部分を分からないまま保持できること

が重要である。

たとえば、

予測値
＋
誤差範囲
＋
置いた仮定
＋
使える条件

として答える。

一つの数字だけを提示するより、こちらの方が正確な場合は多い。

「不確実性を残す」と聞くと、能力不足に見えるかもしれない。

しかし科学では逆である。

不確実性を隠すことの方が危険なのである。

15　科学思考AIは、自分に都合の悪い証拠も探す

科学的方法では、自分の仮説を支持する証拠だけを探してはいけない。

反対の証拠も探す必要がある。

仮説
 ↓
支持する証拠を探す
 ＋
反対する証拠を探す
 ↓
競合する説明と比較
 ↓
残った仮説を評価

会話型AIは、ユーザーの質問に沿って一貫した回答を作るのが得意である。

しかし科学思考AIでは、

も考えなければならない。

自分の回答を補強するAIだけではなく、

自分の回答を壊そうとするAI

も必要になる。

16　AI自身を最後の裁判官にしない

AIが仮説を作ることと、その仮説を確かめることは分けた方がよい。

数学なら、Leanなどの定理証明支援系を使う。

論理制約ならSMTソルバーを使う。

数値問題なら別の計算方法で照合する。

実験可能なら実際に測る。

AIが候補を作る
      ↓
正式な問題へ変換
      ↓
別の検査器へ渡す
      ↓
通る / 通らない / 未確定

重要なのは、

AIの自己評価を、そのまま最終保証にしないこと

である。

ただし、検査器にも限界がある。

形式検証器が保証するのは、形式化された問題の内部である。

実験にも測定誤差がある。

シミュレーションにもモデルの限界がある。

したがって科学思考AIに必要なのは、一つの絶対的な判定器ではない。

異なる検証手段の守備範囲を理解しながら組み合わせることである。

17　科学思考AIは「科学コンパイラ」に近づく

現在の生成AIは、

人間の文章
 ↓
AI
 ↓
人間向けの文章

として使われることが多い。

科学思考AIでは、途中にいくつもの変換が入る。

たとえば研究者が、

「この材料の熱伝導率を下げたい」

と指示する。

AIは、それをまず、

• 何を最小化するのか

• どんな材料が対象なのか

• どんな制約条件があるのか

• どの精度が必要なのか

へ分解する。

次に、

• 文献

• 材料データベース

• 高精度な量子計算

• AIによる高速近似モデル

• 分子シミュレーション

• 最適化

• 実験

のどれを使うか判断する。

人間の問い
 ↓
科学的な問題へ整理
 ↓
共通の途中表現
 ↓
適切な計算・実験へ変換
 ↓
結果
 ↓
独立に検査
 ↓
人間へ説明

この姿はコンパイラに似ている。

人間の問いを一つの巨大AIが直接すべて処理するのではない。

問題に合った表現へ変換し、得意な計算器や実験器へ渡す。

この意味で、科学思考AIは「科学コンパイラ」のような役割を持つ可能性がある。

18　科学情報の「共通の途中表現」

科学コンパイラを実現するには、異なる研究分野や計算手法のあいだで情報を受け渡す共通の途中表現が必要になる。

対象になるのは文章だけではない。

• 数式

• 単位

• 分子構造

• 材料組成

• 実験条件

• 観測結果

• 仮定

• 誤差

• 計算条件

• 証明状態

などである。

概念的には、

論文
数式
分子
材料
観測
実験手順
   ↓
科学情報の共通の途中表現
   ↓
数値計算
量子計算
シミュレーション
定理証明
データベース
実験装置

となる。

しかし、ここでも一つの万能形式を作れば終わりではない。

共通の途中表現自体が誤訳を生む可能性がある。

だから、

科学情報の共通の途中表現
＝
内容
＋
確かさの状態
＋
出所
＋
使える範囲
＋
誤差
＋
検証状況

まで必要になる。

19　「根拠」と「来歴」は科学思考AIの外部記憶になる

複数の変換を通って得られた結論では、最終結果だけを見ても十分ではない。

どこから来たのかをたどれる必要がある。

観測データ
 ↓
前処理
 ↓
モデル
 ↓
AIによる推論
 ↓
結論

という流れなら、

• 元データ

• 使用したモデル

• モデルの版

• 設定値

• 実行日時

• 途中の変換

• 誤差

• 判断理由

を残す。

これは単なるログではない。

結論がどの道を通って生まれたのかを示す証拠である。

人間の科学にも実験ノートや引用、再現手順がある。

科学思考AIにも同様の外部記憶が必要になる。

20　さらに先には「分野と分野の橋」を探すAIがある

現在のAIは、既知の理論やデータを使って問題を解くことが中心である。

しかしその先には、

二つの研究分野のあいだに、未知の共通構造がないかを探すAI

が考えられる。

大量の論文、数式、シミュレーション結果、証明から、

• 同じ対称性

• 同じ保存則

• 同じ変換規則

• 同じスペクトル

• 同じ関係構造

を探索する。

分野A
   ↘
AIが共通構造を探索
   ↗
分野B
 ↓
対応候補
 ↓
反例探索
 ↓
数式化
 ↓
証明・計算・実験

ここでも、単なる「似たもの探し」では不十分である。

本当に同じ構造があるのかを、別の検査手段で確かめなければならない。

もしこの仕組みが成熟すれば、AIの科学的価値は、大量の文章を生成することとは別の方向へ進む。

人間が別々の学問だと思っていた領域のあいだに、新しい橋を見つけること

が重要になる可能性がある。

21　知性とは「どの表現で考えるかを選ぶ能力」なのかもしれない

複雑な問題では、どの表現を選ぶかによって難しさが大きく変わる。

時間の変化として扱うと難しい問題が、周波数へ変換すると簡単になる。

整数の問題を幾何学へ移す。

高エネルギーの詳細を有効理論へ移す。

量子計算を高速近似モデルへ移す。

プログラムを中間表現へ移す。

難解な数学原典を、依存関係が見える整理形式へ移す。

人間の自然言語を、計算可能な科学問題へ移す。

すると知性の一部は、

問題
 ↓
適切な表現を選ぶ
 ↓
別の表現へ移す
 ↓
そこで解く
 ↓
元の問いへ戻す
 ↓
変換で何を失ったか確かめる

という能力として捉えることができる。

科学思考AIは、その能力を機械へ持ち込もうとするものになる。

22　科学思考AIを七つの層で考える

科学思考AIの仕組みは、少なくとも次の七つの層に分けて考えることができる。

第1層
人間の問い・観測

 ↓

第2層
事実・仮定・推論・未知を分ける

 ↓

第3層
目的・条件・意味を整理する

 ↓

第4層
科学情報の共通の途中表現へ変える

 ↓

第5層
計算・シミュレーション・実験を実行する

 ↓

第6層
誤差・反例・論理を検査する

 ↓

第7層
根拠・来歴・再現手順を保存する

ここで、大規模言語モデル（LLM）は重要だが、全体ではない。

LLMは、人間の文章を理解し、問題を整理することに向いている。

数値計算は数値計算ソフトに任せる。

証明は定理証明支援系に任せる。

実験は実験装置に任せる。

根拠と履歴は来歴管理の仕組みに任せる。

つまり科学思考AIは、

一つの巨大AIではなく、複数の専門的な仕組みを、意味と誤差を管理しながらつなぐシステム

になる可能性が高い。

結論　科学の統一とは「全部を一つにすること」だけではない

「大統一理論」という言葉からは、宇宙のすべてを一つの方程式で説明する姿を想像しやすい。

しかしラングランズ、物理学の双対性、有効場の理論、QM/MM、AIによる高速近似モデル、コンパイラの中間表現、形式検証、そして難解な数学理論を整理する試みを一緒に見ると、別の統一像が浮かぶ。

すべてを一つの表現へ押し込む必要はない。

異なる表現を残してよい。

それぞれの表現には、それぞれ得意な問題がある。

重要なのは、

別の表現へ正しく移れること。

そして、

移ったときに何が残り、何が失われたのかを知ること。

さらに、

その変換がどこまで正当なのかを、別の方法でも確かめられること。

である。

ただし、これが科学のすべてではない。

未知の現象を発見すること、精密に測定すること、実験装置を作ること、原因を説明することなどは、「翻訳」だけでは捉えきれない。

翻訳は、科学を一語で定義する言葉ではない。

科学が複雑な問題を解くときに繰り返し使ってきた、非常に強力な機構の一つなのである。

この視点から見ると、AIには二つの方向がある。

一つは、AIを科学研究に利用するAI for Scienceである。

もう一つは、AI自身の考え方へ科学的方法を組み込む科学思考AIである。

科学思考AIは、単なる答え生成機ではない。

それは、

事実と仮定を分ける仕組み

であり、

問題に適した表現を選ぶ仕組み

であり、

変換で失われる情報と誤差を管理する仕組み

であり、

自分に都合の悪い証拠も探す仕組み

であり、

根拠と来歴を残す仕組み

であり、

重要な結論を別の検証手段にかける仕組み

になる。

未来の科学思考AIにとって重要なのは、何でも一つのモデルで答えることではない。

それが、知識量や計算速度とは別の、AIの科学的能力になるのかもしれない。

科学とは、一つの言葉で宇宙を説明することではない。

異なる言葉のあいだに橋を架け、その橋が本当に渡れるのかを確かめ続ける営みでもある。

参考資料

• Institute for Advanced Study, Modern Mathematics and the Langlands Program
  https://www.ias.edu/ideas/modern-mathematics-and-langlands-program

• D. Arinkin et al., Proof of the geometric Langlands conjecture（categorical, unramified geometric Langlands conjecture）
  https://people.mpim-bonn.mpg.de/gaitsgde/GLC/

• Anton Kapustin, Edward Witten, Electric-Magnetic Duality And The Geometric Langlands Program
  https://arxiv.org/abs/hep-th/0604151

• Nobel Prize in Chemistry 2013, Development of multiscale models for complex chemical systems
  https://www.nobelprize.org/prizes/chemistry/2013/advanced-information/

• LLVM Project, LLVM Language Reference Manual
  https://llvm.org/docs/LangRef.html

• ZEN大学, Project LANA Interim Report on IUT Theory（2026年7月17日）
  https://zen.ac.jp/news/zmcpostevent0717e

＜過去にAIで処理した変換例。問題を解いたわけではありません。＞