GPT-6が双子素数の答えを瞬時に出すのに、テレンス・タオはなぜ「言葉もない」と言ったのか？

2026年9月、OpenAIはGPT-6 Astraをリリースし、Sam Altmanは「AGI時代の幕開け」を高らかに宣言した。しかし報道によれば、フィールズ賞受賞数学者のテレンス・タオ（陶哲軒、UCLA教授）はある細部について公に苦言を呈した。GPT-6は双子素数に関連する問題の答えを直接出せるのに、証明のプロセスをまったく理解していないというのだ。彼の言葉を大まかに訳せば「言葉もない」といったニュアンスだった。テック業界が歓声を上げる一方で、数学コミュニティは眉をひそめている——このギャップ自体、分解して見る価値がある。

探偵は犯人を知っているが、裁判所は信じない

率直に言えば、数学研究の核心は昔から「答えは何か」ではなく「なぜそうなるのか」だ。

たとえ話をしよう。探偵に「犯人は誰だ」と聞くと、彼は即座に「張三だ」と答える。では証拠の連鎖は？と追问すると、彼は黙り込む。その答えは正しいかもしれないが、法廷では何の価値もない。数学の証明とはまさにその法廷だ——求められるのは結論ではなく、一歩一歩検証可能な論理の鎖なのである。

タオの苦言が本質的に指摘しているのはこういうことだ。GPT-6はあらゆる事件の記録を暗記した超記憶装置のようなもので、推論プロセスを再構築できない。一般ユーザーにとって「双子素数予想は成立するか」という答えだけで十分かもしれない。しかし数学者にとっては、検証可能な証明のない答えは、何も言っていないのと同じだ。

これはつまり、AIの数学における「知能」と、私たちが日常的に理解する「知能」の間に、根本的なズレがあるということだ。AIはパターンマッチング、確率的推論、大規模計算はできるが、人類の数学コミュニティが認める厳密な演繹的推論を現時点では構築できない。これはバグではなく、現在のLLMアーキテクチャの構造的な特徴だ——訓練方法の時点で「似ていること」の方が「そのものであること」よりも学びやすいように設計されているのである。

AGI宣言と数学者の冷静な視線：誰が「知能」を定義するのか？

OpenAIはGPT-6 Astraのリリースを「AGI時代への突入」と定義したが、報道によれば、同時期にMicrosoft幹部はAnthropicなどの競合を過小評価しないよう警告していた。一方では高らかな宣言、他方では社内の緊張感——この空気が露呈しているのは深いレベルの問題だ。モデルはますます強力になっているが、「強力」の定義権は誰が握っているのか？

ここには警戒すべきナラティブの罠がある。AI企業が「AGI」という言葉で自社製品のアップデートを定義するとき、彼らは実は「知能とは何か」をこっそり再定義している。「知能」が「正しい答えを出力できること」に単純化されるなら、確かにGPT-6は強力だ。しかし「知能」に「なぜその答えが正しいのかを理解すること」が含まれるなら、真の汎用知能にはまだ遠い。

一つの読み方はこうだ。OpenAIのAGI宣言は学術的コンセンサスというより、市場向けナラティブである。数学者コミュニティの冷淡な反応は、まさにこのナラティブに対する鏡の役割を果たしている——「答えが合うこと」と「理解していること」の間には、今のところ誰も渡り方を知らない溝があることを思い出させてくれる。

あなたの事業計画書と子どもの宿題

双子素数は自分とは遠い話だと思うかもしれない。しかしこの問題の背後にあるロジックは、多くの日常的なシーンと驚くほど共通している。

具体的なシーンを想像してほしい。AIを使って事業計画書を執筆しているとしよう。AIは「予想年間リターン率23%」という結論を出力する。この数字はどう算出されたのか、どのような仮定に基づいているのか、どんな条件で破綻するのかと聞くと——AIは美しい文章を返してくるが、根本のロジックは説明できない。この計画書を持って投資家に会いに行けるだろうか？投資家から「この成長モデルの境界条件は何ですか」と一言聞かれたら、その場でボロが出る。

あるいは、AIで子どもの数学の宿題をチェックしているとしよう。AIは「この問題の答えは42」と言う。しかし子どもの解き方のどこが間違っていたのかを知りたい——AIは助けにならない。なぜならAI自身に「解き方の筋道」がないからだ。ゴール地点は教えてくれても、その道を一緒に歩くことはできない。

これがGPT-6の双子素数問題が一般人に与える本当の教訓だ。AIはますます答えを出すのが上手くなるが、「なぜその答えが正しいのかを理解する」ことは、依然として人間にしかできない。言い換えれば、AI時代には「質問する力」と「検証する力」の方が、「答えを見つける力」よりもずっと価値を持つようになる。

四色定理の古い論争はまだ片付いていない

視野を広げると、AIの科学研究における役割には常に一つの緊張関係がある。AIは大量のデータ処理、パターンの発見、計算の加速には長けているが、科学の核心——仮説の提唱、理論の構築、因果関係の検証——は依然として人間の領域だ。

歴史上、コンピュータ支援証明で最も有名な事例は1976年の四色定理だ。当時、数学者アッペルとハーケンはコンピュータを使って1,936通りの構成を網羅的に検証して証明を完成させたが、大きな論争を呼んだ。人間がコンピュータの各ステップを一つずつ検証できないからだ。それから約50年経った今も、この論争は完全には収まっていない——少なくない数学者が、あれは「本当の証明」とは言えないと考えている。

もし将来AIが完全な数学的証明を生成できるようになったとしても、同じ信頼の危機に直面するだろう。むしろさらに深刻かもしれない。AIの証明の各ステップが論理的必然なのか、それとも確率的に継ぎ接ぎされた「正しそうに見える」ものなのか、どう確認するのか？この問題が解決されない限り、基礎数学研究におけるAIの役割は、「共同研究者」ではなく「高度な電卓」に長くとどまる可能性がある。

次世代モデルが、説明可能性と形式検証の融合においてブレークスルーを達成できるかどうかが問われている。たとえば、AIが生成した証明の各ステップをLeanやCoqといった定理証明器で自動検証できるようにする、といったことだ。それができれば、AI支援研究の天井は大幅に引き上げられる。できなければ、タオ的な「言葉もない」という反応は、あらゆる学問領域でますます頻繁に現れることになるだろう。

今日のポイント

GPT-6は数学の答えを直接出力できるが、検証可能な証明プロセスは提供できない。これはたまに起きるミスではなく、現在のLLMアーキテクチャの構造的な限界だ。
OpenAIは「AGI時代」への突入を宣言したが、数学界の冷静な視線はこう思い出させてくれる。「答えを出すこと」と「推論を理解すること」の間には根本的な溝があり、今のところ誰もそれを埋める方法を知らない。
一般の人々にとって、AIが答えを出すのが上手くなればなるほど、「この答えはなぜ信頼できるのか」を自分で判断する能力が必要になる——この能力は、AIには当面、そしておそらく長い間、代替できない。

共有しやすい一言まとめ： GPT-6は数学の答えを瞬時に出せるが、数学者は「なぜそうなるのか」を全く理解していないと言う——「答えが合うこと」と「理解していること」の間の溝こそ、AIが最も補うべき一课だ。

コメント欄への問いかけ： AIを仕事や学習に使っている中で、「答えは正しそうだが、なぜ正しいのか説明できない」という状況に遭遇したことはありますか？具体的にどんなシーンで、最終的にどう対処しましたか？

概念図

実例図