2026年9月10日、インクルージョン・バーロー会議のメインフォーラムで、プリンストン大学AIイノベーションセンター長の王夢迪教授は、「AIは新しい科学を自主的に発見するにはどのくらい遠いのか？」という問いを提起しました。

彼女の判断によると、現在の大規模モデルはすでに多くの人間の知識を習得していますが、真の科学的発見においては依然として明確な限界があります。大規模モデルは「最も可能性が高い」答えを見つけるのが得意ですが、本当の新発見は、確率分布の長尾に隠れていることがほとんどです。

1789014510348.png

王夢迪チームは最近、プリンストン大学社会学教授の謝宇と協力し、ChatGPTやClaudeなどの大規模モデルを使って「シミュレート・ライフ（人生のシミュレーション）」実験を行いました。例えば、1930年に生まれたイギリス人の人生をモデルに自ら生成させる試みです。

実験の結果、結婚年齢、職業、性別など多くの問題において、大規模モデルは一般的な状況を過剰に評価する傾向があるものの、少数の状況や長尾分布を明らかに低估していることがわかりました。

「大規模モデルは確率分布の中でも最大尤度の点を学習しますが、長尾の知識については過小評価したり、まったく無視してしまうことがあります」と王夢迪は語っています。

彼女は、これこそがなぜ大規模モデルが数学やコーディング分野では急速に進展しているにもかかわらず、物理、化学、生物学などの基礎科学分野では同等規模の独自の発見をまだ生み出していない理由であると考えています。

その違いは、数学やコーディングには相対的に明確な「検証システム」があるからです。コードはコンパイラやUnit Testで検証でき、数学はLeanなどの形式化証明システムで検証できます。モデルは繰り返し試行し、フィードバックを得て答えを修正し、次のトレーニングに進めます。しかし現実の科学研究では、検証がそれほど容易ではありません。

「アイデアは安い。コードを見せてくれ、または実験を見せてくれ」と王夢迪は述べています。科学の研究は複雑な実験機器、人的判断、そしてチーム間の協力に依存しており、多くの実験は安定して再現できません。情報が増えることは、真正な有効な情報の増加につながるとは限らず、むしろ研究過程における「信号対雑音比（信噪比）」を低下させる可能性があります。

彼女にとって、AIが自主的な科学発見に向かうための鍵は、モデルがさらに多くの知識を持つことではなく、現実世界をより検証可能にするところにあると考えています。

王夢迪チームは、このようなインフラストラクチャの構築に取り組んでいます。量子材料の研究において、彼らは自動化された実験プラットフォームを構築し、従来の研究者が何カ月もかけて行ってきたグラフェン実験のプロセスを自動化し、実験装置と能力をAPIとして封入することで、他の研究機関が実験を呼び出し、再現できるようにしています。また、研究室向けのスマートオペレーティングシステム「LabOS」の開発にも取り組んでおり、マルチモーダルAIがスマートグラスを通じて実験環境を感知し、研究者を支援し、ソフトウェア、AIモデル、ロボット、および実際の実験装置と接続できるようにすることを目指しています。

王夢迪は、AIが「発見者」として機能するかどうかを決定するのは、モデルの大きさではなく、仮説、検証、追跡、再現をつなぐインフラストラクチャが存在するかどうかであると考えています。物理的世界での実験プロセスが系統的に記録され、継続的に検証され、再現可能なようになったとき、AIはようやくトレーニングで学んだ「尤もらしさ」を、「可能性」への探求に変換することが可能になるのです。

2026インクルージョン・バーロー会議は、9月9日から12日まで上海で開催され、テーマは「AIによる新しい経済の創造」です。AIが持つ持続可能な経済成長と広範な社会的価値をどう促進するかについて議論されます。