AIが科学的発見を成し遂げたと言えるのはいつか？

AIシステムがこれまで誰も思いつかなかった生物学的仮説を提示し、人間の科学者が実験台でそれを検証した場合、私たちはそれを「AIが成し遂げた科学的発見」と呼ぶべきか、それとも「人間がAIを活用して成し遂げた発見」と呼ぶべきか。この問いはここ一年で、哲学的議論の域を超え、現実の実験室へと持ち込まれるようになった。

先週水曜日、Anthropicは、今年初頭にひっそりと分子生物学実験室——真の意味での「湿式実験室（ウェットラボ）」——を立ち上げていたことを公表した。そこではClaudeエージェントが文献を読み込み、既知の事実を整理し、未解決の生物学的難題に対する仮説を提示する。一方、人間の科学者はその中から最も試みる価値のある仮説を選び出し、実行可能な実験計画に落とし込んで実験を行い、その結果をフィードバックする。つまり、AIが問題を出し、人間が答えを出すという閉じたループだ。

本当の問いは「AIは科学ができるか」ではなく、功績をAIに帰属させると決めた際に、私たちが依拠する基準は何かということだ。

AIはとっくに実験室に入っているが、その立場は依然として曖昧だ

実際、AIと科学研究の融合はすでに目新しいことではない。ただ、これまでの多くは「ツール」という形で現れてきた。2020年、DeepMindのAlphaFold 2はタンパク質構造予測で画期的な成果を上げ、AIが生物学を変える分水嶺として広く認識された。2024年のAlphaFold 3はさらにタンパク質とDNA、RNA、小分子との複合構造の予測にまで対象を広げた。2023年11月、DeepMindのGNoMEは約220万種の新たな結晶構造を一挙に予測し、そのうち数十万種が安定して存在しうると考えられている。同年、カーネギーメロン大学の「Coscientist」システムはGPT-4を活用した自動化実験プラットフォームで、化学合成の計画と操作を独自に完遂した。2025年2月、Googleはマルチエージェント構造で検証可能な研究仮説を生成する「AI co-scientist」を発表し、それ以前にはSakana AIの「The AI Scientist」がテーマ選定からコード作成、論文執筆に至る研究パイプライン全体の自動化を試みていた。

しかしこれらの事例の多くは「仮説の生成」や「構造の予測」の段階にとどまっており、実際に手を動かして検証するのは依然として人間だ。Anthropicの新たな取り組みが注目を集めるのは、まさにAIと湿式実験室を直接結びつけた点にある——試験管やピペットがあり、失敗率も伴う場所で、モデルの仮説が現実の検証にさらされるのだ。

「発見」とはいったい何か？

「AIが科学的発見を成し遂げたか」という問いに答えるには、まず発見とは何かを定義する必要がある。科学哲学では通常、少なくとも以下の条件を満たすことが求められる。すなわち、新規性があること、正しいこと（または少なくとも検証可能であること）、科学コミュニティに理解・受容されること、そして理想的には「なぜか」を説明できることだ。この基準に照らすと、AlphaFoldが予測した構造は実験で検証される前はあくまで「予測」にすぎず、GNoMEが列挙した結晶構造も合成される前は候補リストに過ぎない。

さらに厄介なのは能動性の問題だ。AIが大量の仮説を吐き出し、人間がその中から実現可能なものを選んで実験を完成させるとしたら、それは「乱数生成器と運」とどう違うのか。支持者は言う——大学院生が考えを提示し、指導教員が実験を設計した場合でも、私たちは発見の功績を大学院生に帰属させる、と。一方、反対論者は反論する——学生に功績を帰属させるのは、学生が自分の仮説をなぜ提示したかを理解しており、実験が失敗した際に方向を修正できるからだ。現在のモデルにそのような理解があるとは言いがたい、と。

学界における現時点での合意の最低ラインは、AIは論文の著者になれないということだ。Natureなどの学術誌は、著者は研究に対して責任を負わなければならないと明確に規定しており、AIは責任を担えない。こうして問題はより現実的な次元に押し出される——「AIに著作権はあるか」ではなく、「論文の仮説をAIが提示し、実験を人間が完成させた場合、この功績をどう分配すべきか」という問いへと。

Anthropicがなぜ湿式実験室を構築したのか

ビジネスの観点からすれば、この一手は理解しやすい。過去二年間、各モデル企業は「どのモデルが最も科学を得意とするか」というナラティブを争ってきた。しかし「AIサイエンティスト」という掛け声が大きくなるほど、検証のハードルも高くなる。真の意味での実験クローズドループは、百枚の美しいベンチマーク図表よりもはるかに説得力がある。

しかしAnthropicの動機はそれだけではないかもしれない。この企業は長らく「解釈可能性」と「長期タスク遂行能力」を核心的な研究方向として掲げてきた。Claudeに現実の実験室で数週間にわたって一つの研究課題を推進させることは、能力テストであると同時に安全性テストでもある——比較的監督の少ない状況でモデルが実験を設計できるとすれば、他の領域では何ができるのか？実験室での失敗や予期せぬ出来事は、モデルがどのように誤りを修正し、どのように無知を認めるかを観察する絶好の窓口となる。

答えは「イエス」か「ノー」の間にはないかもしれない

AIが発見を「成し遂げた」かどうかを議論するよりも、よりカオスな現実を認めたほうがいいかもしれない——現代の科学的発見そのものが、ますます集団的なものになりつつある。一つの結論が生まれるには、仮説の生成、実験設計、データ収集、統計分析、査読など十数ものプロセスを経ることが多く、AIはその中でますます多くの位置を占めるようになっている。数百年にわたって使われてきた功績の分配システム——第一著者、責任著者、謝辞リスト——は、「非人間の貢献者」のための場所を一切設けていない。

真の課題は技術ではなく、制度にあるのかもしれない。論文の核心的仮説が言語モデルによって提示され、重要な実験がAIによって計画される場合、私たちに必要なのは「AIが功績を上げた」あるいは「AIはただのツール」という単純な一言ではなく、著作権と帰属に関する新たな規範かもしれない。

最初の問いに戻ろう。AIが科学的発見を成し遂げたと言えるのはいつか？答えはある時点ではなく、一つのプロセスかもしれない——AIが仮説を提示するだけでなく、その仮説がなぜ成立しうるかを理解し、失敗後にどう修正すべきかを知り、そしてその貢献が説明責任を持つ仕組みによって記録される時、初めて私たちは「発見」という言葉をAIと分かち合う気になれるだろう。

本稿はMIT Technology Reviewより編訳。