数学者のタオ・チューシェン氏が、AI における新たな役割を公表しました。SAIR Foundation の共同設立者です。
かつて氏は、世界的に有名な数学の天才であり、若くして頭角を現した伝説的な数学者でした。13 歳で国際数学オリンピック（IMO）で史上最年少の金メダルを獲得し、24 歳でカリフォルニア大学ロサンゼルス校（UCLA）の史上最年少となる終身正教授に就任しました。
ここ数年、ChatGPT の爆発的な人気に伴い、氏は「AI×数学」の象徴的な存在となり、AI と基礎科学の交叉可能性について、より高頻度に考察し語るようになりました。
そして 2026 年の年始早々、50 歳となったタオ氏はさらに一歩を踏み出し、共同設立者として「SAIR Foundation」を発足させました。AI と科学の関係を再構築することを目指すこの非営利同盟は、学界と産業界を結びつけ、より多くの若手科学者を団結・支援しながら、以下の 2 つの主要目標の推進を目指します。
第一に、「科学的アプローチで AI を構築する」こと。第二に、「AI を活用して基礎科学研究を再構築する」ことです。
△ SAIR Foundation の主要専門家メンバー
SAIR Foundation の設立が公式発表された後、SAIR の共同設立者であるタオ氏とチャック・ン氏に量子位が独占取材。AI x サイエンス、数学、基礎研究などに関する彼らの考えを伺いました。
両氏によれば、AI x サイエンスが最も刺激的な点は、研究の民主化（普惠化）にあるといいます。SAIR を架け橋とし、より多くの若者に対して「象牙の塔」の扉を開くことを目指しています。
未来、世界には「1 万人のタオ・チューシェン」が現れるかもしれません。
上記はその氷山の一角に過ぎません。90 分を超えたこの深い対談では、以下の興味深い观点も語られました。
AI が回答時に信頼度（例：「かなり確信がある」「ここはやや不確か」）を表明できれば、実用性は飛躍的に向上する。
学界と産業界が各々役割を分担する従来のモデルは機能せず、速度も遅すぎる。AI 時代には両者の緊密な連携が不可欠だ。
金融や医療と比較し、科学は AI にとってより安全な実験場である。数学の問題を 1 問間違えたとしても、実質的な損失はほぼない。
一見反復的で退屈に見える基礎的な作業は、人間の成長に極めて重要であり、若者にはこうした貴重な訓練の機会が必要だ。
多くの学問分野が互いに交流を深めており、AI はその学際的相互作用を促進する重要な触媒となっている。
新技術を単純に禁止するのではなく、大学の役割は学生にその正しい使い方を教えることだ。
研究体制の構造的ボトルネックを解決し、学際的なグローバル協力を通じて、科学的かつ安全な方法で汎用人工知能（AGI）や超知能（ASI）の進化を加速させる必要がある。
以下に、精査・校正された完全なインタビュー記録を掲載します。全文は 1 万 5 千字を超えます。可読性を高めるため、量子位では原意を変えない範囲で適宜整理・要約を行っています。
どうぞご堪能ください。
AI x サイエンスには専用垂直 AI が必要
量子位：まず、SAIR Foundation の設立おめでとうございます。この AI x サイエンス機関を立ち上げた動機について教えてください。
タオ・チューシェン：AI は研究のパラダイムを根本から変えるでしょう。その中で私たちが最初に明確にするべき核心は、「研究の現場において、いかに合理的かつ効率的に AI を活用するか」という点です。
実際、何がベストプラクティスかを示す高品質なパイロットプロジェクトがいくつか必要です。それにより、他の科学者たちが参照・学習できるようにするのです。
かつて、こうした取り組みは大学、研究機関、政府部門が主導していました。しかし現在の環境下では、他分野からの支援も同様に重要です。より柔軟であり、革新的な試みを可能にします。
この団体の設立に関われたことを嬉しく思います。新たなアイデアを探求し、より大胆な道筋を試みる。AI と科学がより慎重に結びついた時、どこまで到達できるのかを見てみたいのです。
チャック：私は常に優秀な科学者たちと協力することを楽しんできました。テリー（タオ氏）と共にこの団体を立ち上げられることを、本当に興奮しています。さらに、ノーベル賞受賞者やチューリング賞受賞者ら複数名も参加しています。
テリーは主に学術側の話をしましたが、私は長年「学術と産業界の融合発展」を推進してきました。これも、私たちがこのプロジェクトに特別な情熱を抱く理由の一つです。
立ち上げイベントを見れば分かるとおり、参加者には世界中のトップクラスの学術研究者に加え、NVIDIA、OpenAI、Amazon、Microsoft などのハイテク企業代表も集まりました。各方が AI x サイエンスの発展について議論を交わし、その後の分野横断的な協力の基盤を築きました。
学界と産業界が一堂に会すれば、多くの機会が生まれ、取り組むべきことは山ほどあります。
量子位：お二人の視点から見て、現在の AI 技術の主な弱点はどこでしょうか。なぜ研究分野では OpenAI や他社のモデルをそのまま使えないのでしょうか。
タオ・チューシェン：実際、私たちはすでにいくつかの主要な大規模言語モデル（LLM）の使用を試みており、それらを用いて成果を上げた研究者もいます。
問題なのは、モデルが「ハルシネーション（もっともらしい嘘）」を起こす点です。これは研究にとって極めて深刻な問題です。研究には検証可能で信頼できるシステムが求められます。
もう一つの課題は「説明可能性」です。モデルは時として素晴らしいアイデアを提示しますが、それが訓練データ内の既存文献からのものなのか、それとも新たな組み合わせによるものなのか、また既存の研究とどう関係するのかを説明できないことがよくあります。
科学とは単に個々の問題を解決するだけでなく、新しい結果を既存の知識体系の中に位置づけ、後続者がその上でさらに発展させられるようにすることが重要です。そのためには、結果の追跡可能性、規範的な引用、そしてどのように拡張・修正されたかの明確な説明が求められます。
商用の大規模モデルでもこれらが実現されることはありますが、安定してはいません。もし研究専用に設計された AI を持つか、あるいはより良いワークフローで強制的に検証を行い、体系的に結果と文献体系とを結びつけることができれば、科学への貢献ははるかに大きくなるでしょう。
最終的に進むべき方向は、「既存のモデルを、より厳格なフレームワークに組み込む」ことでしょう。強力な検証・照合メカニズムを組み合わせ、それらを実際の科学発見のツールとして機能させるのです。
チャック：実際、日常的なライティングなどのレベルでは、AI の出来栄えはすでに良好です。
しかし、より深く専門的な技術領域に入ると状況は一変します。多くの細分化された科学分野では、高品質で構造化されたデータそのものが非常に限られています。それゆえ、科学者との緊密な連携が不可欠なのです。
私たちの目標は、これらのシステムを研究に信頼して使用できるレベルまで洗練させることです。最終的には、高度な AI を大多数の人々が利用できるようにする、つまり「AI の民主化（普惠化）」を実現したいと考えています。
タオ・チューシェン：非常に単純な例を挙げましょう。
科学者が結論を提示する際、通常はその結論に対する「確信度」も併せて説明します。「これには非常に自信がある」「ある程度自信がある」「このアイデアはまだ成熟していない」といった具合です。
AI はそうはしません。ほぼ常に 100％確実という口調で答えを提示します。もし AI が「異なるレベルの確信度」を明確に表現できれば、研究における実用性は格段に向上するでしょう。
量子位：現在、産業界全体のメインテーマは「スケーリング」です。より多くのデータ、より大きなモデル、より強力な計算能力。しかし SAIR は「Scaling the Science of AI（AI の科学のスケーリング）」を重視しています。これは具体的に何を指すのでしょうか。
タオ・チューシェン：これまでのところ、テック企業が採用してきたアプローチは非常に成功しています。計算能力と訓練データが 1 桁増えるごとに、モデルの能力は顕著に飛躍します。この手法は現在まで概ね良好な結果を残しています。
しかし、長期的に見れば、いずれ限界にぶつかるでしょう。データは無尽蔵ではなく、公開インターネット上のデータはほぼ使い尽くされつつあります。さらに、エネルギーや計算リソースなどの制約も存在します。
また、現在の AI は非常に困難な問題を解決できますが、往々にして非効率的です。人間の数学者なら 10 個ほどの例から問題の核心を掴み、応用を利かせることができます。一方、既存の AI は正解を導き出すために数百万もの訓練サンプルを必要とし、何度も試行錯誤を繰り返すか、あるいは 100 回以上も実行しなければならないこともあります。
研究の文脈で考えれば、常に「最大かつ最も汎用的なモデル」が必要なわけではありません。多くの研究タスクは極めて専門化されています。状況によっては、より小規模で消費電力が少なく、コストも低い、さらには個人の PC 上で動作するモデルで十分な場合さえあります。
大企業は「何でもできる」汎用モデルの構築に注力しがちですが、研究の現場では「特定のワークフローのためにカスタマイズされた専用ツール」の方が求められるかもしれません。こうしたツールの開発とサポートこそ、私たちが SAIR を通じて推進したいと考えていることです。
量子位：そのように理解してよろしいでしょうか。AI x サイエンスという方向性において真に重要なのは、モデルをひたすら巨大化させることではなく、より優れた原則と方法論なのですね？
タオ・チューシェン：そのように理解して結構です。私たちは信頼性を評価し、確信度を表現するためのより良い方法を必要としています。システムの説明可能性を向上させる必要もあります。
また、人間と AI の協働方法も改善する必要があります。現在最も一般的なインタラクション・モードは、ユーザーがプロンプトを入力すると、モデルが完全な答えを即座に返すというものです。
しかし、多くの研究シナリオでは、研究者は最終結論だけでなく、「推論プロセスそのもの」にも関心があります。途中で介入して新しい情報を追加したり、異なる道筋を探求したりしたいと考えることもあるでしょう。
現在でも多くの研究者が AI の応用に対して慎重な姿勢を崩していません。一つにはシステムがエラーを犯すのを実際に経験したからであり、もう一つには既存のツールが彼らの核となる研究ニーズに合致していないからです。
もし科学者自身が、自らのワークフローや研究ニーズに真に即したツールを開発できれば、これらのシステムの利用率は確実に向上すると信じています。
チャック：信頼性に関連する別の角度、つまり「データの質」について補足させてください。
私たちの緊密なパートナーの一人であるジョン・ヘネシー氏は、SAIR Foundation に対して助言を提供し続けています。チューリング賞受賞者であり、Alphabet の会長も務める彼が常に強調するのは、研究においては「データ品質の向上」がモデルそのものの向上と同じくらい重要だということです。
「信頼」自体、より巨視的な社会問題でもあります。地域によってデータや技術への信頼度は異なります。米国社会におけるある事象への信頼度は概ね 70％から 80％ですが、AIGC（AI 生成コンテンツ）への信頼度は、その半分程度に留まっています。
このギャップこそが、OpenAI や xAI を含む多くの AI 企業が私たちとの協力を望む理由を説明しています。信頼、信頼性、そして科学的厳密さは極めて重要なのです。
量子位：AI が研究のハードルを下げ続けるにつれ、産業界全体、ひいては世界の研究格局にどのような変化がもたらされるでしょうか。
チャック：良い質問ですね。究極の目標は、トップクラスの科学者や研究者との協力を通じて、AI を「デフォルトで信頼できる」レベルに引き上げることです。
AI がそのレベルに達すれば、もはや専門家だけが使うものではなくなります。一般の人々、例えばあなたの両親やお祖父母でさえ、それが信頼に足るかどうかを心配することなく、日常生活で AI を頼れるようになるでしょう。
それゆえにこそ、私たちは一流の科学者と産業界のパートナーを集め、互いに学び合い、共に推進しようとしているのです。こうした協力を通じて初めて、技術そのものと、それが実際の研究現場での応用が共に前進できるのです。
私たちは AI を、まるで「自動車」のような日常ツールにしたいと考えています。AI がそのレベルの信頼性に達した時、初めて世界の研究格局は真に変化するのです。
量子位：SAIR は具体的にどのようにして、この変革に関与し推進していくのでしょうか。
チャック：私たちのアプローチは、学界と産業界を、より直接的かつ組織的な方法で結びつけることです。
学界側では、多くの研究者が計算リソースに欠け、長期的かつ安定的な資金調達が困難です。一方、産業界側には計算リソース、資本、エンジニアリング能力がありますが、既存のモデルやツールと研究ニーズとの間に明らかなミスマッチがあります。
研究分野では、より広範な社会勢力の参画が求められつつあります。寄付者、財団、投資家、起業家などです。これらの人々を一箇所に集めることで、真に長期的で影響力の高い研究分野をより良く支援できると考えています。
私たちは、この協力モデルが科学のフロンティアをさらに押し広げると信じています。
タオ・チューシェン：過去数十年間、主流となってきたモデルはこうです。「学界は主に政府資金に依存し、産業界が研究成果を実用化する」というものです。研究者が基礎的なアイデアを提案し、産業界や他の主体がそれを知的財産、特許、商業製品へと変えていきます。
この仕組みは機能してはいますが、速度は比較的遅いものです。国によっては、学界に市場化を考慮する動機がなく、産業界も短期的なリターンを重視するあまり、真に長期的かつ基礎的な研究にはほとんど投資してきませんでした。
私たちは再考すべきです。21 世紀において、基礎科学から応用研究、そして現実世界の製品に至るまでの道筋をいかに設計すべきか。いかにしてより効率的かつ、社会のニーズに即したものにするかを。
チャック：これは非常に特殊な歴史的転換点です。かつて大学や研究機関は比較的安定した政府の支援に依存できていました。しかし現在、特に米国においては「その支援に変化」が生じており、新たな協力モデルが極めて必要とされています。
私たちはこれを機会と捉えています。各方が新たなリソース統合モデルを模索する中、SAIR のような組織も名乗りを上げ、傑出した研究者を支援し、産学パートナーと緊密に連携しているのです。
量子位：AI モデルの品質はデータに大きく依存します。基礎科学の各分野において、データの量が AI の導入難易度の差につながるとお考えですか。
タオ・チューシェン：AI は、「高品質なデータ」が比較的豊富な科学分野において、最も急速に進歩する傾向があります。
典型的な例が「タンパク質折りたたみ」です。この分野は何十年にもわたる継続的な投資により、注意深く整理された大量の高品質なタンパク質データが蓄積されています。
しかし、他の分野では状況が全く異なります。例えば単一の細胞をモデリングする場合、一見すると類似した問題に見えますが、現時点では同等の品質・規模のデータは存在しません。
AI のデータへの依存度は非常に高く、多くの伝統的な科学的手法を遥かに凌駕しています。これは実在するボトルネックです。
「合成データ」で実データを代替できると期待する向きもありますが、生成方法が厳密でなく基準も低ければ、逆効果になりかねません。低品質な合成データは、既存のデータセットを汚染しかねないのです。
チャック：全く同感です。分野間の難易度の差は非常に大きいと感じています。
これらの分野でより困難な問題を解決したいなら、強力な基盤モデルが重要であることは間違いありません。しかしテリーの言うとおり、高品質なデータがなければ、いかに複雑なモデルでも手も足も出ないでしょう。
「Garbage in, Garbage out（ゴミを入れればゴミが出てくる）」という古い格言が、ここで如実に表れています。それゆえに、AI x サイエンスのようなプロジェクトがこれほど重要なのです。
2 月 10 日のイベントでは、異なる分野・異なる機関に所属するトップクラスの学者たちを集めました。参加者には UCLA、バークレー、カリフォルニア工科大学（Caltech）、ならびに米国・北米各地の大学に所属する研究者が含まれていました。
基調講演者には、最近チューリング賞を受賞し、強化学習の創始者の一人であるリチャード・サットン氏も名を連ねています。
私たちは「地域を越えた研究者間の交流」も促進しています。AI x サイエンスを推進するには、世界規模での共同参画が不可欠です。
量子位：SAIR は具体的に、科学者たちの学際的・国際的な協力をどのように支援するのでしょうか。
チャック：IPAM（純粋・応用数学研究所）と UCLA は、実はこの分野で長年、非常に優れた活動を行ってきました。IPAM には長らく、学際的なテーマプロジェクトやワークショップを主催する伝統があり、期間も長期にわたり、関わる分野も多岐にわたります。
先日私がシンガポールとマレーシアを訪れたのも、OpenMind が主催する冬季アカデミー・キャンプに参加したためです。OpenMind の設立者はチューリング賞受賞者のリチャード・サットン氏で、同組織は主に世界各国の若手研究者を対象としています。
今回の参加者の多くはアジア出身で、シンガポール、マレーシア、中国、フィリピン、韓国などから集まりました。皆で集まり、アイデアを交換し、より効率的なモデルについて議論し、AI が今後どこへ向かうべきかを共に考えました。
このような地域横断的・学際的な協力枠組みは、SAIR が支援を目指す方向性と高度に一致しています。
タオ・チューシェン：SAIR が始動したのは今年に入ってからですが、IPAM は 20 年以上も運営を続けています。
IPAM の代表的な活動の一つに、約 3 ヶ月に及ぶ長期テーマプロジェクトがあります。これらのプロジェクトでは、異なる分野の学生や教員、時には産業界の研究者も招き、心臓に関連する科学や自動運転など、特定のテーマを深く掘り下げます。
実際、ディープラーニングが大規模に台頭する以前から、関連するワークショップを開催していました。
IPAM は AI 専門の機関ではありませんが、AI 関連の方向性において影響力のあるイベントを数多く開催しています。その中核的理念は、普段交流する機会の少ない集団、例えば純粋数学者、応用数学者、物理学者、エンジニア、その他の科学者たちを一箇所に集めることにあります。
かつて、こうした協力は学術界内部に留まることがほとんどでした。SAIR を通じて、私たちはこのモデルをさらに一歩前進させたいと考えています。「産業界との連携を強化」し、中短期的に実際の影響を生み出す応用により注力するのです。
私の専門背景は依然として数学が中心ですが、現在ではより広義に数学を捉え直し、理論・計算・現実への影響をつなぐエコシステムの一部として位置づけています。
新たな形式を試み、異なるコミュニティを一堂に会させる可能性をさらに探求したいと考えています。
チャック：IPAM と UCLA は数十年をかけて強固な協力の基盤を築き上げました。SAIR を通じて、このモデルを地理的範囲において、また学術と産業界の間において、さらに拡張することができます。
SAIR の中核目標は、すでに効果が実証されている基盤の上に立ち、それを真に「グローバル化・学際的」であり、かつ現実の科学問題と密接に結びついた協力ネットワークへと発展させることにあります。
量子位：AI for Science の発展は、逆に産業界が AI を開発・利用する方法に影響を与えるでしょうか。それは AGI へのより良い道筋となり得るでしょうか。
タオ・チューシェン：非常に将来性のある方向性だと思います。
数学や科学、とりわけ数学においては、出力の多くが「形式的検証」可能です。これにより、AI を制約する手段が得られます。AI を検証可能な環境に置くことで、ハルシネーションを減らす手助けになります。
もし数学や科学の分野で、信頼可能かつ検証可能な AI フレームワークを構築できれば、これらの原則は他の分野へも応用可能になるでしょう。
現在、医療や金融などの分野では、AI を完全に信頼することは依然としてリスクが高すぎます。補助ツールとして使うことはできても、人命や巨額の資金に関わる局面で、制御権を AI に委ねることは容易ではありません。
もし科学の分野でまず信頼性と検証の問題を解決できれば、その成果はその後、「より広範な応用」へと転用される機会が生まれます。
チャック：金融を例にとれば、大多数の人はセンシティブな金融判断を AI に完全に委ねようとはしないでしょう。医療も同様で、誤りは生死に直結します。
それゆえにこそ、AI for Science、そして逆に Science for AI が極めて重要なのです。
科学的環境下で真に信頼に足る AI システムを構築できれば、これらの進展は近い将来、中核的な応用シナリオへと転用できると期待しています。
タオ・チューシェン：その通りです。数学と科学は、AI にとって非常に安全な実験場を提供してくれます。
AI が医療や金融のシナリオで誤りを犯せば、その結果は甚大になりかねません。しかし、数学の問題を 1 問間違えたとしても、最大でも再試行するだけで、「ほぼ損失はありません」。
これにより、数学は信頼できる AI システムを磨き上げるための理想的な環境となるのです。
チャック：もう一つの利点として、数学研究は他の応用分野ほど莫大な計算リソースを消費しないという点が挙げられます。これにより、より低コストで新しいアイデアを効率的に繰り返し実験・探索することが可能になります。
タオ・チューシェン：これが、ここから出発する理由です。創薬ももちろん重要ですが、臨床試験のコストは極めて高く、期間も長期に及びます。ある AI メソッドを検証するために数十億ドルも投じることは現実的ではありません。
それに対し、数学の分野で AI を開発・テストすれば、「より迅速かつ安全にアイデアを検証」でき、その後、段階的にハイリスク・ハイコストな分野へと進出できます。
量子位：懸念される点として、より高次の研究能力、いわゆる「センス（品味）」は、確固たる基礎訓練の上に成り立つべきものですが、AI は若手研究者の成長の階段を壊しつつあるのではないかという意見があります。これについてはどうお考えですか。
タオ・チューシェン：現在、AI は過去に大学院生や若手研究者の訓練内容であった多くの作業、例えば標準的な問題解決、実験の一部、文献整理などをこなせるようになっています。
これらの作業はますます自動化が容易になっており、「AI の方が速いなら、いっそのこと全て AI にやらせよう」という誘惑が生じます。
しかし問題なのは、一見反復的で退屈に思えるこうした訓練が、人間の成長には極めて重要だということです。私自身を含め、多くのベテラン研究者の能力の多くは、こうした初歩的な作業から培われたものです。
したがって、バランスが不可欠です。AI にできるとしても、若手研究者のために価値ある訓練プロセスを意識的に残す必要があります。十分な経験、例えば一定数の実験を手作業でこなした後に、徐々に自動化を導入すべきでしょう。
チャック：すでに過度な依存の兆候が見られます。誰もが AI を 100％信頼できるわけではないと理解していながら、多くの人はまず問題を AI に投げかけ、答えや提案を直接求めます。これは独立した思考力を弱める結果になりかねません。
それゆえに、私たちはトップクラスの科学者の参画を特に重視しています。テリーのような研究者、あるいはノーベル賞クラスの科学者たちは、AI ツールが存在しなかった時代に厳格な訓練を積んできた人々です。
「師弟関係」に似た構造を築き、経験豊富な研究者と潜在能力ある若者が緊密に協力できるようにする。これにより、より良い実践方法、より良いモデル、そしてより良いプラットフォームが形成され、革新を支えつつも学習そのものを犠牲にしないようにできるのです。
タオ・チューシェン：ここには非常に興味深い歴史的類推があります。「計算機」が登場した当初、多くの人は「生徒たちはもう基本的な算数を学ばなくなるのではないか」と懸念しました。
この懸念はある意味で正当なものでした。それゆえ今日に至るまで、私たちは子供たちにまず手計算で四則演算を教え、その後に計算機を使わせています。
一方で、計算機は人々が探索できる範囲を劇的に拡大もしました。数字を実験しやすくし、法則を発見し、本来なら到達が困難だったアイデアを探求することを可能にしたのです。
ツールそのものが人間を弱めるわけではなく、探求心や創造性を刺激することもあります。重要なのは「いかに使うか」です。
AI に対しても同様の判断が求められます。「いつ使い、いつ自制すべきか」。そして、真に重要な中核能力を損なうことなく、いかにして訓練体系にそれを取り入れるかです。
量子位：AI が既存の研究プロセスやスキルの多くを代替するにつれ、未来の研究者に最も重要な能力や資質は何になるでしょうか。
タオ・チューシェン：未来の研究は、より大規模で多様なチーム形態で進められるようになるでしょう。チームには学術研究者、産業界の研究員、数学者、科学者だけでなく、AI システムや多様な背景を持つ人々も共に協働することになります。
そのような状況下では、「大規模チーム内でいかに効率的に協力するか」が極めて重要な能力となります。
かつて科学は「孤独な天才」の営みと描かれることが多かったですが、現実はとっくにチームワークであり、その傾向は今後さらに強まるばかりです。「コミュニケーション能力」や、いわゆるソフトスキルが、これまで以上に重要になるでしょう。
この文脈において、「センス（品味）」が鍵となります。全体像を判断し、どの方向にリソースを投じる価値があるかを見極め、AI ツールや他の協力者を使ってアイデアを展開させる。この能力は非常に重要です。
私たちは、過去よりもはるかに「きめ細かい分業」を目にすることになるでしょう。
伝統的に、特に数学の分野では、働き方何百年もほとんど変わっていませんでした。時に「中世風」とも言えるほどです。一人の人間が、詳細の確認、計算、アイデアの発展、論文執筆、資金申請、そして発表までを全て請け負うのです。
しかし未来は、大規模プロジェクトを多くの人々が共同で完遂するようになります。長期ビジョンを担う人、AI ツールとの深い連携を得意とする人、チーム調整役、そしてそれをより多くの人に伝える役割などです。
数学や科学に貢献できる「能力の種類」は、これまでよりもはるかに豊かになるでしょう。
チャック：私はよく冗談めかして自分のことを「科学者志望の男」だと言います。それは、テリーのような傑出した科学者・数学者と長期間協力する機会を得られたからです。
私の背景は研究ではなく、むしろビジネス分野にあります。しかし、数十億ドル規模の企業を築き上げた非常に成功した人々から、こんな話を聞きました。「最も優れたプロンプトエンジニアたちの背景は、工学やコンピュータサイエンスではなく、会計士や弁護士だった」と。
これはまさに、未来の研究がよりオープンになることを示しています。AI と新しいツールを駆使すれば、全く異なる背景を持つ人々でさえ、意味のある形で研究に参加する機会が得られるのです。これもまた、私たちの言う「科学と AI の民主化（普惠化）」の重要な内涵の一つです。
タオ・チューシェン：現在私が携わっている多くのプロジェクト、そして SAIR が支援を目指す方向性は、それ自体がすでに高度に協力的なものです。そこには職業数学者、学生、他分野の研究者、時には「一般の参加者」さえもが集まっています。
AI や関連ツールの発展に伴い、本格的な科学や数学研究への参入障壁は下がりつつあります。これが今回の技術変革において、最もエキサイティングな点なのです。
量子位：では、将来は中学生の弟でさえ『Nature』に論文を発表できる可能性があるということでしょうか。
タオ・チューシェン：それは十分にあり得ます（笑）。
未来には「何千人もの著者」がいる論文が登場するかもしれません。一人ひとりがその一部を貢献し、それぞれが真に価値ある貢献をするのです。その意味では、非常に若い人々が関わることも不可能ではありません。
実際、数学の分野ですでにそうした例があります。AI の支援を受け、既知の問題に対して新たな解法を見つけた青少年がいたのです。それが最も画期的なブレークスルーでなくとも、確かに新しい成果です。
今後こうした状況がどれほど一般的になるかは現時では不明ですが、唯一の方法は試行を続け、異なる研究方法を模索し続けることです。
チャック：実は私も、そのような光景をぜひ見てみたいと願っています。過去には、強力な STEM（科学・技術・工学・数学）や工学のバックグラウンドがなければ、最先端の研究に直接関わることはほぼ不可能でした。
もし非伝統的な背景を持つ人々が意味のある形で研究に参加し、真に世界へ良い影響を与えられるなら、それは素晴らしいことです。
量子位：これまでの議論を踏まえ、SAIR が今後どのようにして若手研究者の成長を支援していくのか、より具体的な例を挙げていただけますか。
チャック：素晴らしい質問です。正直なところ、これは私個人が非常に情熱を注いでいることです。私は大学の頃から長年、メンター制度に関連する活動を行ってきました。
私の観察から言えるのは、「若手研究者を育成する上で最も重要なのは、ロールモデルを示すこと」です。
人間は人生の各段階でロールモデルを求めます。幼少期は家庭で両親を、学校では先生を、そしてその後はより広い社会に視線を向けるようになります。
それゆえ、私たちは異なる分野の傑出した科学者たちを集めることをこれほど重視しているのです。創設メンバー一人ひとりが、全く異なる成功への道筋を歩んできました。
バリー・バリッシュ氏の研究経歴はその好例です。アインシュタインは初期の論文で重力波の存在を予言していましたが、この理論が提唱されてから実験的に観測されるまで、「約 100 年」を要しました。
しかし人類が初めて重力波を検出したのは 2016 年前後のこと。バリー・バリッシュ氏はこれにより 2017 年にノーベル賞を受賞しました。現在、氏もまた SAIR 顧問委員会の創設メンバーです。この例は、何十年にもわたり一貫して取り組むことが何を意味するかをよく表しています。
これらの傑出した科学者たちの価値は、その成果だけにあるのではありません。不確実性、挫折、失敗の中でいかにして坚持し続けたかを共有できる点にあります。これもメンター制度の極めて重要な一部です。
若手科学者に才能が不足しているわけではありません。始まったばかりなだけです。だからこそ、私はテリーや創設チーム全体でこの取り組みを重視しています。今最も支援を必要としているのは、まさにこれらの若者たちだからです。
テリーは唯一無二の存在です。しかし AI とより良い育成チャネルを活用すれば、「未来、タオ・チューシェンは一人ではなく、1 万人現れるのではないか」。それは何とワクワクする未来ではないでしょうか。
タオ・チューシェン：その通りです。SAIR は数ある試みの一つに過ぎず、全てを網羅できるわけではありません。次世代の研究者を支援する必要性は極めて広範で、どの組織一つで研究人材全体を育成する任務を完遂することはできません。SAIR にできるのは、少数のターゲットを絞ったプロジェクトに特化することです。
IPAM を例にとれば、私たちは「サマースクール」や「セミナー」、そして一般向けの「サイエンス・コミュニケーション活動」などを支援できます。共同作業型、あるいはクラウドソーシング型の研究プロジェクトは、それ自体が若手研究者を自然に惹きつけ、場合によっては彼らがリーダーシップを発揮する役割を担うことさえあります。
SAIR が他の組織へのインスピレーションとなり、より多くの機関が次世代の研究人材を支援するという重要な責任を引き受けるようになることを願っています。
タオ・チューシェンは AI をいかに活用しているか
量子位：次に話題を数学に移しましょう。テリー、最近は何をされていますか。特に興味を持っている方向性はありますか。
タオ・チューシェン：私は現在、時間の約半分を依然として伝統的な純粋数学の研究に費やしています。過去 23 年間続けてきた類の仕事、つまり数字の中のパターンを研究したり、高度に構造化・周期的な関数と非常にランダムな関数の本質的な差異を理解したり、流体力学に由来する偏微分方程式などを研究したりしています。
しかしこれらの方向性においても、現在では最先端かつ技術的な進展の多くを、より若い協力者たちに任せることが増えています。その代わり、「いかに数学を行うか」「いかに協働して数学を行うか」といった新しいアプローチが、私の研究においてますます重要な部分を占めるようになっています。
現在、私が非常に興味を持っている方向性の一つが「形式化」です。紙とペンによる証明に依存するだけでなく、数学をコンピュータが理解し自動検証できる形式言語で記述するのです。これは協働のあり方を根本から変えるでしょう。AI システムと共働できるだけでなく、「面識のない多くの研究者」とも協働できるようになります。
かつて、見知らぬ人から証明が送られてきても、その正しさを疑うのが普通でした。しかし、その数学的内容が形式化検証可能な言語で記述されていれば、そうした懸念はほぼ不要になります。
これらの手法を用いることで、私たちはすでに一部のプロジェクトにおいて「数十人、時には 50 人以上」による協働を実現しています。しかもその多くは互いに面識がありません。個人ではほぼ解決不可能な巨大な問題を、共に解決することが可能になっているのです。
また、AI を「証明アシスタント」として活用する試みも進めています。同時に、現代のソフトウェアエンジニアリングの多くの概念、例えば「GitHub によるバージョン管理」「単体テスト」「品質チェック」などのアイデアも取り入れています。
ある意味で私は、ソフトウェアエンジニアリングのツールを学び、それを「数学エンジニアリング」とも呼ぶべき実践に取り入れようとしているのです。
私にとって、これらは一連の実験です。すべての試みが成功するわけではありませんが、何が機能しないかを明らかにすること自体にも大きな価値があります。
量子位：新しい技術を自らの研究プロセスに積極的に取り入れる姿勢は以前から変わっていませんね。レックス・フリードマン氏のインタビューを受けてから半年が経ちましたが、この間で AI に対する見解に変化はありましたか。
タオ・チューシェン：全体的には大きな変化はありません。しかし一点、予想外だったのは、「数学分野における AI の進歩が、当初の予想よりも速かった」ことです。もちろん、真に成熟するまでには長い道が残されていますが。
より顕著な変化は、学術コミュニティ全体の態度に見られます。AI は消え去るものではなく、長期的に存在し続けるという事実を、同僚たちが受け入れ始めているのを目にするようになりました。異なる使用法を試みることへの開放性も、明らかに高まっています。
ただし、未だに広く理解・認知された「中間状態」が存在しないのも事実です。多くの場合、「ほぼ全てを AI に任せる」か「全く使わない」かという両極端な選択肢しかないように感じられます。
真に理想的なのは、ハイブリッドなワークフローです。研究の大部分は従来の方法でこなしつつ、特定の工程のみを意識的・管理的に AI に委ねる。現在、私たちはまだその最適なバランスポイントを見出せていません。
私はよく「インターネット」に例えます。インターネットは極めて有用ですが、全てのことに利用するわけではありません。友人とは対面で会うことを選び、常にビデオ会議をするわけではありません。しかし、今のような対話のような特定のシナリオでは、インターネットはまさに最適です。
長年をかけて、私たちは「いつ、いかにしてインターネットを最大限活用するか」を学んできました。AI についても、現在はそのバランスを探っている最中だと感じています。
量子位：テリー、あなたは世界トップクラスの数学者の一人であり、多くの一流数学者と長年協力しています。日常の研究において、具体的にどのように AI を活用していますか。
タオ・チューシェン：実はごく日常的に使っています。主に補助的なタスクです。例えば文献検索。ある数学的結論の具体的な形式や、別の結果との関係が思い出せない時、直接 AI に尋ねます。また、手早く図を描いたり、簡単な可視化を行いたい時にも AI に手伝ってもらいます。
文字を扱う作業では、より多用しています。執筆中はほぼ常に自動補完をオンにしています。論文の構成を 5 つのステップに分割し、最初の 2 つを自分で書いた後、残りのステップの草案を AI に作成させることもあります。
そのため現在、飛行機の中などで AI が使えない状況で文章を書いていると、ふと「なぜこの文を完成させてくれないのか」と無意識に考え、その瞬間に「あ、AI がいないんだった」と我に返ることがあります。
誰かから長い論証や論文が送られてきた場合も、よく「まず AI に要約させる」ことがあります。これらの点において、AI は非常に有用なツールです。
しかし、真に深い思考を要する時、例えば困難な研究問題の解決に取り組んでいる最中には、基本的に AI は使いません。そのような時は依然として「紙とペン」に依存しています。
AI と直接研究レベルの問題を解こうと試みたこともありますが、現時点での体験は理想的ではありません。提案されるアドバイスは往々にして紋切り型で、時には思考の流れを妨げることもあります。ただし、研究を取り巻く「補助的な工程」においては、AI はすでに極めて価値ある存在となっています。
量子位：この 1 年で、何か新しい「アハ・モーメント（ひらめきの瞬間）」はありましたか。
タオ・チューシェン：はい、よくあります。ある問題について何ヶ月も考え続けた末、ある日突然「ああ、こんなに単純だったのか。なぜ前に気づかなかったんだ？」と気づく瞬間です。
その前には、すでに多くの道筋を試しています。時には 8 通り、9 通りの方法が全て行き詰まります。しかし、これらの失敗した試みこそが不可能な方向を一つずつ排除し、最後に真に実行可能な道だけを残すのです。ついにその道が見えた時、振り返ればそれは自明に思えます。
こうした瞬間には、往々にして「これまでの試みは時間の無駄だったのか」という錯覚を伴います。しかし実際には、「絶え間ない試行錯誤と排除」こそが、何が機能するかを真に理解させるのです。私自身の数学的「ひらめき」は、現在もなおこのようにして生まれています。
現在の AI には、このプロセスを再現することはできません。確かに多くのアイデアを提案することはできますが、それらは往々にしてランダムであり、人間のように失敗から段階的に学習し方向転換するようには見えません。現時点で、研究レベルの難問を AI で直接解決できたことはまだありません。
しかし、明確な思路や解法さえ持っていれば、AI は極めて有用になります。結果の執筆、既存文献との関連付け、コード生成、あるいは数学的計算の一部支援などです。
その意味では非常に価値がありますが、あくまで相補的なツールです。私の仕事をサポートしてくれるものの、私が最も重視する部分を代替するものではありません。
総じて人々は、自分があまり楽しまないタスクに AI を使い、真に好きな部分は自分自身のために残す傾向があるように思います。私にとって、「数学そのもの」が最も楽しむ部分であり、それが数学に取り組む中核的な動機です。したがって、この部分は自ら行います。
一方で、喜んで AI に任せたいこともあります。例えば文献の中で「類似の方法を使った例」がないか探したり、何千という論文から「関連する研究をふるいにかけたり」するのは、私にとって理想的な AI 活用例です。また、長々として煩雑な計算も、AI に任せるのに適しています。
もちろん、これは人それぞれです。「異なる研究者」が「楽しむ工程」は異なり、AI 自体も極めて広範なツールです。ある人にとって特に有用な機能も、別の人にはそれほど重要ではないかもしれません。したがって「最高のモデル」や「標準的なワークフロー」などというものは存在しません。
重要なのは、あなたが AI に何をしてほしいと願い、どの部分を自分自身のために残したいと考えるかです。
量子位：数学はかつて他分野から栄養を吸収してきました。今回、数学は AI から何を学びましたか。あるいは将来何を学ぶ可能性がありますか。
タオ・チューシェン：私自身が今大量に学んでいることの一つが、ソフトウェア開発です。未来の数学は、今日のソフトウェア開発により似てくるかもしれません。
50〜60 年前に遡れば、ソフトウェアは往々にして一人の人間によって完成されていました。「一人がコードを書き、テストし、デバッグする」。全てを自分で行うのです。
しかし今日、ソフトウェア開発は「成熟した産業界」へと変貌しました。コード専門の人間、UI 専門の人間、品質管理担当者がおり、一連の成熟したワークフロー、ツール、ベストプラクティス、そして数多くの失敗からの教訓が存在します。
数学はこのモデルを、その成功も失敗も含めて学び始めつつあります。
伝統的に、「数学と物理学の関係は非常に緊密」でした。しかし現在では、生命科学や社会科学などの分野とより多く相互作用するようになっています。これらの分野の問題はより複雑で混沌としており、方程式も物理学ほどクリーンではなく、データへの依存度もはるかに高いのです。
その観点からすれば、AI はこうした「複雑でノイズが多く、形式化が容易でない問題」を処理するのに極めて適していると言えるでしょう。
私たちは、より学際的な時代へと入りつつあると感じています。数学はもはや物理学とだけ対話するのではなく、ほぼ全ての学科が互いに交流し合っており、AI はまさにその学際的相互作用を推進する重要な力の一つなのです。
量子位：つまり現在は、「ソフトウェア開発」もされているのですね。
タオ・チューシェン：ある意味ではその通りです。現在私が関わるプロジェクトは少なくありませんが、越来越多的に私は「プロジェクトマネジメント」のような役割を担っています。実際に定理を証明するのは他の協力者たちであり、私はむしろ「全体を調整し、異なる部分を統合する」役割です。
これは非常に興味深い役割です。いくつかのプロジェクトでは、私は主な「問題解決者」ではなく、組織し推進し、各人が自らの能力を最大限発揮できるよう手助けする存在です。そのようにして科研を進めることも十分に機能することが証明されています。
量子位：AI は数学のハードルを下げているだけでなく、先ほど言及されたプログラミングや物理学、医学など多くの他分野のハードルも下げています。AI は他の分野への興味をそそるようになりましたか。
タオ・チューシェン：非常に顕著です。私自身驚いたことですが、現在協力している人々の背景は、以前よりもはるかに多様化しています。
10 年前、私はほぼ数学者としか協力しておらず、たまに統計学者や電子エンジニアと仕事をする程度でした。
しかし現在、私は様々な分野の人々と協力しています。特に「産業界の人々」と、チャックのようなパートナーです。誰もが互いに対話し始め、その過程でお互いに学び合っているという実感が本当にあります。
他分野の研究者は、より数学的な思考法から恩恵を受けられます。一方、「数学者もまた、より現実世界に近い視点から多くのことを学べる」のです。
これが可能になったのは、多くのツール、その多くは AI 駆動によるものですが、それらが「互いの言語や作業方法を理解」する手助けをしてくれたおかげです。協力がかつてなく円滑かつ効率的になりました。
これこそが、現在のこの段階で真にエキサイティングな点の一つだと感じています。「学科間の壁が低くなり」、過去には困難だっただろう方法で共に作業することを学び始めているのです。
量子位：背景が全く異なる人々と共に働くのは、どのような感覚ですか。
タオ・チューシェン：実は非常に楽しんでいます。ただし、一点明確にしておきたいのは、「深い専門性を持つ専門家」は常に代替不可能な位置を占めるということです。非常に狭いサブ分野で世界トップレベルに達した人々は、依然として必要です。その点は変わっていません。
変化しているのは、これらの専門家が、別のタイプの人々とより緊密に協力できるようになったことです。特定の分野に特化していなくとも、異なる学問のアイデアをつなぎ合わせ、全体像を俯瞰する能力に長けた人々です。
ここ数年で私自身、訓練範囲内では全く想定されていなかった多くのことを学びました。生物学、経済学、政策、研究資金のメカニズムなどです。内容によっては予想外で、挑戦的なものもありました。
しかし同時に、数学の中核的な概念が、非常に自然な形で他分野へ応用できることにも気づきました。特に検証、厳密さ、そして明晰な思考に関する一連の方法論です。
私にとって、これは継続的な学習のプロセスであり、心から楽しんでいます。新しい研究環境においては、「開かれた心を持ち、学際的なコミュニケーションを恐れず、新しい『言語』を学ぶことも厭わない」人々が、より順応しやすいでしょう。
チャック：テリーの言葉は、まさに私たちが以前話した「技術の民主化」、特に AI に関するものに通じます。現在の技術、そして SAIR の活動を通じて、私たちは「非常に異なる分野から集まった一流の人材」を一堂に会せつつあります。
そのようなネットワークを持てば、物事はぐっと容易になります。真に挑戦的な問題を見つけやすくなるだけでなく、その問題を解決するのに最も適した人物が誰かを素早く判断することも容易になります。時には、その人々がすでに答えの一部を手にしていたり、より適切な協力者へと即座に紹介してくれたりすることもあります。
私から見れば、このように問題と人材を効率的に結びつける能力こそが、「AI の民主化」が現実において具体的に現れた姿なのです。
タオ・チューシェン：伝統的に、研究は学科を中心に組織されてきました。数学専攻、物理学専攻、経済学専攻などです。この構造は必然的に、数学者は数学者と、物理学者は物理学者と主に交流することになり、「真の学際的協力」は稀でした。
私が SAIR に期待する点の一つは、それが「当初から背景や興味が極めて多様な人々を意図的に集めた」ことです。この設計自体が、伝統的なシステムでは「起こりにくかったつながり」を生み出しやすくしています。
制度的・学問的な障壁を低くすることで、本来ならば起こり得なかった協力を推進する機会が生まれるのです。
AI 時代、大学は新たな育成方法を模索せよ
量子位：テリー、先ほど伝統的な高等教育に触れられていましたが、まさにそれが次に話したいテーマです。チャック、AI 時代において、大学生にとってより重要な能力は何だとお考えですか。
チャック：私はここ数年、多くの学生のメンターを務めてきました。私の実感としては、博士課程の学生でさえ、長期的かつ緊密に協力する指導教員の数は限られており、通常 3〜5 名、多くて 10 名程度です。これでは触れられる視点の範囲が制限されてしまいます。
しかし現在、状況は変わりつつあります。特に AI x サイエンスのような方向性では、異なる種類の専門能力をより容易に集約できるようになりました。「こうした問題は本質的に学際的」であり、AI は異なる背景を持つ大規模な協力を可能にするのです。
このような環境下で、特に重要になる能力が一つあります。それが「批判的思考」です。多くの人が「プロンプト・エンジニアリング」について語りますが、私から見れば、プロンプト・エンジニアリングとは本質的に批判的思考のもう一つの形に過ぎません。
「自分が何を解決しようとしているのか」「いかに問題を明確に表現するか」「そして真にどのような答えを求めているのか」。これらが明確でなければ、AI もそれほど役には立ちません。
したがって、明晰に思考し、良い問いを立て、問題の核心を捉えるという能力は、依然として極めて重要です。
同時に、AI は非伝統的な STEM 背景を持つ人々の参入障壁も下げています。私自身がその好例です。体系的な科研訓練は受けておらず、背景はむしろビジネス分野です。
しかし AI を駆使することで、意味のある形で科学議論に参加し、中核的な思想を理解し、貢献することも可能になりました。この体験は非常にパワフルなものです。
未来は「STEM 系と非 STEM 系」という区分けだけでなく、「異なるスキル構造を持つ人々が、異なる方法で参画する」時代になるでしょう。これこそが、AI x サイエンスと SAIR がこれほど重要である理由です。
タオ・チューシェン：実際、科学に興味を持ち参画を望む人々の数は、正式な科研訓練を受けた人々を遥かに上回っています。AI はまさに、科研に参加し得る人々の範囲を拡大しているのです。
未来の科学の発展は、技術力だけで決まるわけではありません。技術が重要であることに変わりはありませんが、「組織力」「コミュニケーション能力」「他者と協働する能力」が、ますます価値を増しています。
同時に、「全体像を俯瞰する視点」を持っているか、どの問題に注力する価値があるかを知っているか、そして「いつ技術を使い、いつ自制すべきか」を判断できるかどうかもまた、極めて重要です。
量子位：現在の大学システムは長く存在してきました。AI の登場により、大きな変革が到来しつつあると感じる人が多くいます。高等教育はいかにして適応すべきだとお考えですか。
タオ・チューシェン：非常に厄介な問題です。正直なところ、これらのことをゆっくり考える時間がもっとあればと願いますが、現実は「歩きながら考える」ことを余儀なくされています。
すでに懸念すべき現象が見られます。AI への過度な依存により、成績は良くても実際に学んだことは少ない学生もいます。
一方で、伝統的な方法に固執し AI をほとんど使わない学生もいます。彼らの理解は確固たるものですが、効率や成果の面では、ツールを多用する学生に遅れをとる可能性があります。
したがって、「バランス」を再考する必要があるのは明白です。学校は学生に、いかに責任を持って AI を使うか、そして「いつ使うべきでないか」を教えなければなりません。
今後はより、「グループプロジェクト」や「協働型学習」へと移行していくでしょう。これら自体、科研や産業界の実際の姿により近いものです。
また、講義間の統合もより緊密になる必要があるかもしれません。現在の教育制度は、知識を比較的孤立した専門モジュールへと細分化しがちです。将来的には、より全体的な構造、汎用的な問題解決能力を重視する構造が必要になるでしょう。
過去、学生は課題、試験、そして難問との格闘を通じて、いかに学び、いかに失敗と向き合い、いかにプレッシャーに耐えるかを徐々に学んできました。現時点では、これらの能力に対する体系的な代替案は見つかっていません。
大学は現在、日常業務の維持、大学院生の資金確保、予算のバランスなど、多くの現実的な問題に引きずられ、「立ち止まってゼロから教育制度を再設計する」余裕をほとんど持てていません。
歴史的に見ても、「私たちはこのような衝撃に初めて直面した」わけではありません。コンピュータが普及した時も教育は変化し、インターネットが登場した時も変化しました。Wikipedia が登場した当初も、学生が内容をコピペして提出する時期がありました。
その後、解決策は「新技術を完全に禁止すること」ではなく、「いかに正しく使うかを学生に教える」ことだと分かりました。「それを終着点とするのではなく、出発点とする」ことです。
AI も同様だと考えています。AI は探求や研究の出発点にはなり得ますが、思考そのものを代替することはできません。学生は単に AI から答えをもらい、それを課題に貼り付けるだけではいけないのです。
高等教育の真の課題は、そのバランスポイントを見出すことです。一方で AI の利点を最大限に活かしつつ、他方で深い学習と真の知的成長を犠牲にしないことです。
チャック：往々にして産業界の変化は学界よりも速いものです。AI 時代において、この格差はより明確になっています。これこそが SAIR Foundation が目にする機会です。「学界と産業界を結びつけ」、双方が互いに学ぶようにすることです。
起業家たちとの交流経験から言えるのは、彼らには非常に共通した特質があるということです。「強烈な問題解決志向」です。いかに困難な問題であれ、「いかに解決するか」に注目し、そのためにあらゆる努力を払う意思があります。
このマインドセットは、高等教育がより多く吸収してほしいと願うものです。特に AI が中核的なツールとなっている現在においては。大学の育成モデルはこれに合わせ、学生がいかに AI を使って現実世界の問題を解決するかを学べるように調整されるべきです。断片的な知識を掌握するだけではありません。
もう一つ避けられない大きな問題が「コスト」です。多くの先進国、特に米国では、高等教育は極めて高額です。一部のトップ大学では、授業料と関連費用を合わせると年間 10 万ドル（約 1,500 万円）近く、4 年間で 40 万ドル（約 6,000 万円）に達します。
この傾向が続けば、特に AI が知識やスキル獲得の新たな道を提供した現在、「大学学位は依然として価値があるのか」と疑問を持つ人が現れるのも自然な流れです。
それゆえ、教育と産業界をより密接に整合させることが極めて重要なのです。社会が真に必要としている能力は何か、そして大学がいかにしてその育成方法を変化させ需要に応えるべきかを、より明確にする必要があります。
今後の一連のプロジェクトでは、産業界と高等教育の責任者を同時に招きます。私たちはペンシルベニア大学、南カリフォルニア大学、UCLA などの大学代表を招き、カリキュラム体系や育成モデルがいかに進化すべきかについて、率直に議論する円卓会議を組織しています。
また、OpenMind のような組織には深く感銘を受けました。同様の実験が可能かどうかも検討しています。SAIR を通じて IPAM や UCLA と連携し、サマースクールなど、より集約されたプロジェクトの開催を探っています。
この形式の利点は、「従来の学期制度に縛られることなく、より迅速にカリキュラム内容を反復・改良できる」点です。同時に、AI 発展そのもののテンポにもより沿ったものになります。
量子位：最後の質問です。テリー、もし将来本当に AGI が実現し、その数学能力が人間を完全に凌駕したとして、それでも私たちは数学を学ぶ必要があるのでしょうか。
タオ・チューシェン：AGI そのものが実は非常に曖昧な概念で、人によって理解が大きく異なります。
例を挙げましょう。「交通手段」です。かつて人々は歩き、馬に乗って移動していました。その後、自動車や飛行機が登場し、効率性は歩行を遥かに凌駕しました。しかし、それによって人々は歩かなくなったでしょうか。そうではありません。必要だからではなく、「好きだから」、あるいは「健康に良いから」歩くのです。
科学や数学も、将来は同様になるかもしれません。いつか AGI を通じて、科学発見の速度が人間単独のそれを遥かに凌駕する日が来ても、「人々は依然として自ら科学や数学を行いたい」と願うでしょう。
それはより「工芸」や「趣味」のようなもの、あるいは興味や好奇心、自己満足に基づく知的活動となるかもしれません。
同時に、AI がどれほど強力になろうとも、人間は機械とは異なる方法で価値を創造し続けると信じています。
人間の学習・推論方法は、AI とは大きく異なります。AI は膨大なデータと計算を通じて結論を導き出しますが、「人間は時に、極めて少量のデータとごくわずかな計算量で、かなり的確な判断を下す」ことができます。このような能力は、未来においても依然として重要であり続けるでしょう。
科研の規模と方法は、劇的に変化する可能性があります。現在、研究者は通常一度に一つの問題のみを解決します。未来は、「数千、いや数百万の問題を同時に進行させる」こともできるかもしれません。人間が少数の重要な方向性を把握し、AI が残りの部分を埋めるのです。
私たちはまだそこには到達していませんが、これは妥当な進化の方向性です。「そのような未来においても、数学を学ぶ意義は依然としてあります」。ただ、その役割と目的は、今日とは全く異なるものになるかもしれませんが。