今年のフィールズ賞は「最後の純粋な世代」と見なされている—— 今後の画期的な研究は、すべてAIと組み合わせて行われるようになるかもしれない。
この転換の過程は、私たちが想像するよりもさらに速い可能性がある：フィールズ賞の記者会見で、カナダの数学者ジャコブ・ツィメルマンが今後の取り組みについて聞かれたところ、彼はAIセキュリティ研究に移行し、まもなくOpenAIのセキュリティ部門で働き始める予定であると述べた。
一方で、OpenAIの最高研究責任者であるMark Chenは直ちに歓迎を表明した。
最前線の学者たちは、トップAI企業を自身の志を実現するプラットフォームと見なしている。最近、数学者、物理学者、生物学者など、多くのトップ科学者が大規模モデル企業へと移動している。今年の上半期だけでも、ノーベル化学賞受賞者であるジョン・ジャンパー、経済学者のチャド・ジョーンズ、哲学者のハーヴェイ・レデルマンなどがアンスリックに加わった。
その背後で、トップのAI企業たちが次々と同じ方向に目を向けています。彼らは次々と科学者たちをAI開発の現場に招き入れています。AIと最先端科学の深層的な統合は、選択肢から必須へと変わりつつあります。
国内のAI大手企業も追随しており、今週木曜日、字節のSeed EdgeチームはSeed STEM科学者プランを発表し、数学、物理、化学、生物学などの先端科学分野の研究者および博士課程学生を対象に、100の協力枠を開放した。彼らを招き、Seedと共に基礎科学における未解決の課題を探究する。公開情報によると、これは国内初の大規模なAIによる先端科学発見の加速計画である。
大モデルの後半戦では、もうベンチマークの競争ではない
現在のAI分野における日単位の激しい競争の中で、長期的な基礎AI研究に取り組むことは、コードスキルを磨いたり、評価スコアを上げたりすることに比べて、はるかに直感的ではない。後者は能力の向上を製品体験や商業収益に迅速に変換できるが、基礎研究やAIによる科学的発見の促進はフィードバックサイクルがはるかに長く、探索の道のりも不確実性に満ちている。
しかし逆に言えば、この道で真のブレークスルーが達成されれば、そのもたらすパラダイムレベルの価値は、通常の製品の改善をはるかに上回る。
姚順雨は以前、チームと次のような見解を共有した：大規模モデルのトレーニングには魔法はない。真の課題は、最も基本的で確実に実行できることを正しく実行することにある。この判断は、AnthropicのCEOであるダリオが長年持つ見解と一致している——AIの進歩を支える核心的要素は、常に計算リソース、データの品質と規模、トレーニング時間、そして拡張可能な目的関数であり、「あらゆる賢い方法やテクニックは、それほど重要ではない」。
ClaudeやSeedanceといった真のSOTAモデルを振り返ると、その背後には近道は一切なく、核心的には早期に方向性を定め、データ品質や基盤アーキテクチャに多くの基礎的な作業を重ねてきたことである。
Anthropicは、リソースをモデルのコード能力の向上に集中させ、強化学習を用いて、モデルが試行錯誤を通じて高品質なコードを自ら理解・生成し、ユーザーのフィードバックに基づいて自己加速の進化フライホイールを形成します。
多くの大手企業が継続的に推進することが難しいビデオ生成分野において、Seedanceは革新的なモデルアーキテクチャと精密なデータワークを通じて、AIビデオ生成を「ガチャ」のような実験から、より制御可能で創造的な産業レベルの生産ツールへと変革しました。
明らかに、モデルの能力の上限を決定するのは、技術の積み重ねではなく、データをしっかりと整え、基盤構造を安定させ、目標を長期的に設定し、戦略的忍耐と十分な耐心を保つことである。
現在の環境では簡単なことではありませんが、国内の大規模モデル分野で、ますます多くの企業がこのような難しく正しい道を歩むことに意欲を示しています。
今年、 DeepSeek 導入されたmHC（多様体制約超接続）アーキテクチャは、大規模モデル基礎アーキテクチャ分野における画期的な進展とされています。また、 DeepSeek V4の重要なアーキテクチャアップグレードの一つとして、従来のリザイド接続を置き換え、モデル全体にわたって採用されています。注目すべきは、mHC研究がバイトダンスSeedチームが提案したHyper-Connections（HC）を引用していることです。
これまで、残差接続はTransformerの基本アーキテクチャとして業界でデフォルト設定とされてきたが、HCは計算量をほぼ増加させることなく、モデルの特徴表現能力を大幅に向上させ、この単一ストリームのパラダイムを最初に打破了した。HCの画期的な提案からmHCの実用化までに至る過程は、中国のAIチームが基盤アーキテクチャ分野で技術革新を遂げた象徴であり、過去の大規模モデル技術発展においては珍しい事例である。
昨年初、バイトダンスのSeedは、確定性がそれほど高くなく、短期的には結果が見えない研究課題に取り組むため、Edgeというチームを新たに設立した。研究者が安定した環境で作業できるように、彼らは評価周期を調整し、中間評価を設けず、結果が出た時点で一括して評価することにした。
このチームは設立後、一貫して控えめな姿勢を保ってきましたが、先日X上で超長距離評価セット「EdgeBench」を公開し、業界初として実環境におけるAgentの学習規則を体系的に定義し、環境学習の次元における新たなScaling法則を発見しました。これにより、業界の多くの有識者たちの議論を呼びました。
OpenAIもこの評価セットを用いて自社モデルの長期的性能をテストしているとされている。
AI分野では、人々は大規模モデルそのものに注目しがちですが、ベンチマークを構築するには長い期間と多大な人的リソースが必要です。先進的なAI能力のためのベンチマークを設計し、オープンソース化することは、自らの進捗を測るだけでなく、業界標準を確立し、モデルの弱点を明らかにすることで、全体の分野をより透明で信頼性の高い方向へ導くためでもあります。トップレベルのAI研究所は、ベンチマーク構築に多大なリソースを投入しています。
OpenAIはEvalsフレームワークをオープンソース化し、大規模言語モデルおよびLLMベースのシステムを評価するための業界標準ツールとなった。また、特定の最先端機能に向け、OpenAIはSimpleQA、BrowseComp、MLE-benchなどの一連の専用ベンチマークを設計した。
AnthropicはSWE-benchを基に多くの作業を行い、Claudeのコード能力の強みを明確にしました。また、Agentが実際のコマンドライン環境で長距離タスクを完了する能力を評価するためのTerminal-Benchを公開しました。
これらの評価作業と各モデルの能力の強みとの関係は、偶然ではない。
前線のAIチームは、AIの発展路径に関する判断を既に変化させている。大規模モデルの能力進化は、パラメータとデータの積み重ねに依存する事前学習の恩恵期を脱し、次段階の主要な成長動力は、モデルが現実のオープン環境で継続的に相互作用し、フィードバックを受け、自律的に進化することに必然的に求められる。
基礎科学の最前線は、開かれた未知のシナリオを最も高度な形で実現するものである。一方、バイトダンスが新たに発表したSeed STEM科学者プランは、科学者と共に研究レベルの課題を特定し、突破し、AIが科学的発見を加速する可能性を探ることを目的としている。科学者が提供するのは課題だけでなく、問題意識、判断基準、フィードバックの方法である。
なぜトップのAI企業
皆が分野の科学者を奪い合っている？
科学者たちと協力する理由は、残された「課題」が大規模モデルにとって十分に難しくなくなったからです。
現在の主流のモデル評価体系は、標準的な答えを持つ閉じたタスクを中心に構築されている。問題には明確な解が存在し、評価基準も固定されているため、モデルの能力向上の道筋は明確である。しかし、実際の科学研究はまったく異なるロジックに基づいている。明確な解法が存在せず、研究者は自ら仮説を立て、検証手法を設計し、異常値やノイズデータを処理し、基本的なメカニズムを導き出す必要があり、その過程は試行錯誤と反復、不確実性に満ちている。
現実世界のタスクこそが、AIモデルの能力を検証する最終的な基準である。事前学習のスケーリング、推論時のスケーリングに続き、業界は次なるスケーリングの方向性を模索しており、「現実のオープン環境における継続的なインタラクティブ学習」が最も注目されている道の一つである。
したがって、世界のAIトップチームは、AIチームだけでモデルを磨くのではなく、各分野のトップ研究者を導入し、現実の分野の課題をモデル能力の進化を牽引する力としています。
北米では、最近、多くの大学の研究者が大規模モデル企業に次々と移籍している。7月初頭、バークレーのEECS学科長であるジェラニ・ネルソンが学術休暇を取得し、Anthropicに加入したことを発表した。今年に入って、スタンフォード、バークレー、ハーバードなどの大学から、少なくとも22人の教授や研究者が一時的に職務を離れるか、勤務時間を減らして、OpenAI、Anthropic、DeepMind、Metaに移った。この4社は現在、少なくとも80人以上の現役または元大学教授を擁している。
大牛が次々と参入している背景には、体系的なプロジェクトがあります。
OpenAIにおいて、Residencyプログラムは、毎年恒例の高度人材採用チャネルとなり、現在AIを主な研究分野としていない人材を明確に対象としています。参加者は初日からOpenAIの最先端のアプリケーションおよび研究チームに直接参加し、実践的な協業を行います。このプログラムは「加速版博士課程」とも言え、異分野の専門家が迅速に学問の融合を実現するのを支援します。ImageGPTやCodexなどの複数の画期的なプロジェクトには、駐在研究者が深く関与しています。また、GPTシリーズモデルが数学的推論や生物メカニズムの導出における研究能力で達成した突破も、こうした学際的人材の継続的な貢献によるものです。
Anthropicでは、2026年にSTEMフェローシッププログラムを科学、技術、工学、数学分野の専門家向けに体系的かつ大規模に拡充しました。このプログラムは数ヶ月間継続され、物理学者、生物学者、数学者、経済学者など、AI分野以外のトップエキスパートをAnthropic内部に招き入れます。彼らは自身の分野における未解決の課題や複雑なワークフローを持ち込み、未公開のClaudeモデルおよび内部評価ツールを直接利用できます。
このようなプロジェクトでは、材料科学者はClaude用に相安定性推論の専用評価プロセスを構築し、気候科学者は専門的大気モデリングツールをモデルと深く統合します。駐在期間中に、80％以上の研究者が高品質な学術成果を生み出し、これらの実際の学問分野からのフィードバックは、直接モデルのイテレーションのトレーニング信号となり、Claudeの科学研究推論や複雑なツール呼び出しにおける進化を促進しました。
このようなプロジェクトの価値は、もはや研究そのものをはるかに超えており、トップのAI企業は計算リソースの確保と同等に、分野の科学者を獲得することを重視している。
科学界にとって、協力は同样に大きな価値を持っています。大規模モデルは新たな科学研究インフラとして台頭しており、数式の導出から数値シミュレーション、膨大な文献や実験データの分析に至るまで、AIは科学研究のパラダイムを再定義し、かつて人手や計算リソースの制約で進展が難しかった課題を可能にしています。
大規模モデルチームに招待され、現地研究に参加することは、天文学者が次世代の超宇宙望遠鏡の独占的使用権を手に入れるのと同等の意義を持つ。このようなプロジェクトは、科学者に多くの利点をもたらす。大量のAI計算リソースや最先端モデルの体験を得られるだけでなく、AIを「外部脳」として活用し、問題そのものの定義に集中できるようになる。
アントロピックやOpenAIに流入するこれらの科学者にとって、このような深層的な協力は、研究効率の増幅器であり、新たな発見を引き出すレバーである。一方、視点を国内に戻すと、AIと基礎研究の交差分野における空白を、バイトダンスのSeedが最初に補填していることがわかる。
AIの最終局面
長期主義を競う
フィールズ賞受賞者がOpenAIに参加し、ますます多くのSTEM科学者がモデルチームと連携し始める中、AIの次段階の競争は、短期的な製品の反復、ランキングスコア、単一タスクの突破から、より長期的で複雑かつ最先端の基礎的課題へと移行している。
科学研究が重要なのは、それが人類の知識の最前線に立っているからである。このような高複雑さのオープン環境で足場を固められることは、次世代のAIが本物の複雑なタスクに参加できる真正な能力を備えたことを意味する。
この道は短期間で目立った成果を出すのが難しく、短期的なビジネスの循環を築くのも難しい。遅く、重く、不確実性に満ちている。しかし、だからこそ、チームが本当に基礎や最先端に真摯に取り組む意欲があるかどうかを最もよく試すことができる。
大規模モデルが最終的に提出すべき答えは、人類と共に未解決の問題を推し進めるかどうかである。
科学的進歩には長期主義が必要であり、AGIの実現も同様である。
本文は微信公衆アカウント「機械の心」（ID：almosthuman2014）より、著者：澤南