コンテンツ集

複雑性：人間の科学の限界

私は物理学を研究してきました。物理学には大きく分けて二つの方向性があります。一つは、素粒子に代表されるような基本法則を突き詰めていくアプローチです。もう一つは、その基本法則から、なぜこの世界にこれほど多様で複雑な現象が立ち現れるのかを理解しようとするアプローチです。私は後者、すなわち生物を含む複雑な存在がどのようにして生まれてくるのかという問いに、長く関心を向けてきました。
ところが、この「複雑さ」を研究対象にすると、従来の理論的な理解の方法は早々に限界を露呈します。紙と鉛筆で美しく解ける問題は、実は自然界の中ではごく一部にすぎません。非線形で相互作用が絡み合った現象の多くは、解析的に解くことができず、シミュレーションに頼るか、あるいはデータから直接モデルを構築するしかありません。私自身も長らくシミュレーションを主軸に研究してきましたが、近年、状況は大きく変わりつつあります。
AGISで取り組んでいる、AIによって科学を加速する試み「AI for Science」は、こうした変化の延長線上にあります。AI for Scienceという言葉は、「計算が速くなる」「実験が自動化される」といった効率化の話として受け取られがちです。しかし私が本当に重要だと考えているのは、科学の中心のプロセス、とりわけ仮説生成やモデル化といった推論の前提にAIが関与するということなのです。

データが変える科学

これまでの科学の営みでは、仮説は人間の科学者の経験や直観に大きく依存してきました。実験、理論、シミュレーション、観察を往復しながら、少しずつ未知の領域を切り拓いていく。そうした往復運動が、科学の基本構造だったと言えるでしょう。
AIは、この構造に、これまでとはまったく異なる要素を持ち込みます。膨大なデータを横断的に扱い、人間には一度に把握できない高次元のパターンを抽出し、さらには分野を横断した抽象化を行う。こうしたAIの特徴は、人間の経験や直観の延長線上にはなかった仮説の候補を提示する可能性を持っています。
この変化を象徴する事例として、タンパク質構造予測AIであるAlphaFoldが挙げられます。AlphaFoldは、長年にわたって実験的手法に大きく依存してきたタンパク質の立体構造予測において、高い精度での推定を可能にしました。ただし、ここで大切なことは、AlphaFoldが登場した背景には、機械学習技術そのものの進展だけでなく、タンパク質構造データが長年にわたって蓄積されてきたということです。仮に現在の機械学習技術が二十年前に存在していたとしても、当時のデータ量では同じ成果を出すことは難しかったでしょう。
AI for Scienceにおいて、データをどのように取得し、蓄積していくかが、研究の成否を左右する重要な要素なのです。そのためには、実験や観測そのものの自動化、ロボティクスを含むデータ生成プロセスの自動化が不可欠です。AGISの大きな目標の一つは、科学の基盤モデルを構築することですが、それと同時に、実験科学、ライフサイエンス、物質科学、計算、ロボティクスといった複数の領域を横断しながら、研究プロセス全体をAI・自動化技術と組み合わせることを進めています。

未来の科学者は、人間とAIの複合体

AI for Scienceにおいて取り組むことは、科学の主体の再定義です。従来、科学を遂行する主体は人間の科学者でした。AIは道具であり、補助的な存在にすぎなかった。しかし仮説生成やモデル構築にAIが深く関与するようになると、科学の主体は人間単独ではなく、人間とAIの複合体へと移行していきます。
これは、科学者の仕事がなくなるという話ではありません。むしろ逆なのです。何を問いとして設定するのか、どこに価値を見出すのか、AIが出してきた結果をどう解釈し、社会にどう位置づけるのか。そうした判断は、これまで以上に人間側に強く求められるようになるでしょう。
この役割分担は、科学研究の進め方そのものを変えるでしょう。科学者は、実験装置を手で操作することよりも、研究全体の設計に集中するようになります。問いの構造を設計し、AIがどの部分を担い、人間がどこで判断するのかを組み立てることが、科学者の中心的な仕事になるのです。

科学を開拓する、変化の場所

思考実験をしてみましょう。ノーベル賞をとるような発見をAIがしてしまいました。その発見はこの世界におけるさまざまな課題を克服する可能性があります。しかし、その発見が何で、どのようなものなのか、その説明が一切なかったら、どうすればよいのでしょうか？　　
AIが特に力を発揮するのは、複雑性の高い対象を扱う領域です。生命現象、細胞の応答、材料の自己組織化、非線形な化学反応ネットワークなどは、紙と鉛筆で理論的に理解することが極めて難しく、従来はシミュレーションに頼らざるを得ませんでした。しかし近年、十分なデータがあれば、AIが予測能力を持つモデルを直接構築できる段階に入っています。これは、複雑な対象を「理解してからモデル化する」という従来の科学の手順に揺さぶりをかけています。
その最たる例がAlphaFoldでしょう。タンパク質構造予測のように、入力と出力の対応関係が高精度で学習されれば、その内部が人間にとって直感的に理解できなくても、実用的な意味を持つ。因果関係を明示的に書き下せなくても、機能するモデルが成立してしまうことが、すでに現実に起きているのです。
この事実は、「理解とは何か」「説明とは何か」という問いを、人間の科学者に突きつけています。説明可能性をどこまで求めるのか、予測が成り立つことをどの段階で科学的理解とみなすのか。その判断は自明ではありません。私たちがこれから探すのです。
また、説明可能性の問題は、AIの社会的な正当性にも関わります。再現性、透明性、説明責任といった従来の科学が従ってきた原理は、AIによるブラックボックス的な仮説生成とは必ずしも整合しません。これはAI for Scienceが近い将来直面する社会課題です。だからこそAGISでは、モデル開発だけでなく、ロボティクスや自動化を含めた実験基盤を重視しています。人間の手作業に依存しない形でデータを取得し、実験条件を記録し、再現性を可能な限り高める。AIの不透明さを、実験の厳密さで補う設計こそが必要だと考えています。
AGISが目指すのは、科学を閉じた自動化ループに押し込めることではありません。AI、「富岳」のようなスーパーコンピュータ、ロボティクス、人間の科学者が相互に影響し合いながら、新しいオープンな知の生態系をつくることです。その中では、科学の価値は単なる効率や生産性では測れません。真理の探究と同時に、社会にどのような価値をもたらすのかという問いを、避けて通ることはできません。

私たちは科学者としてこの大きな変化の岐路に立ち、科学とは何か、理解とは何かを、改めて問い直し、つくりなおしていく。AGISは、その挑戦と責任を引き受ける先鋭的な組織であり、変化の場所なのです。

AI以前にある問題

AGISでは、AI for Scienceを「AIが科学研究を加速する」「研究が自動化される」といった表現とともに語ることが多くあります。しかし私は、その入口に立つ前に、まず別の問いを立てる必要があると考えています。それは、AIが介入する以前に、科学研究の側はどこまで準備ができているのか、という問いです。
私はこれまで、材料科学、とりわけ高分子材料の研究に携わってきました。高分子材料は、プラスチックやゴム、繊維など、社会や産業のあらゆる場面で利用されている材料です。一方で、AIを用いたデータ駆動型研究という観点から見ると、きわめて遅れた領域でもあります。端的に言えば、AIが前提とする量と形式を備えたデータが、十分に存在していない分野なのです。
高分子材料は、化学構造の自由度が非常に高く、合成や評価のプロセスも多段階にわたります。そのため、実験一件あたりのコストが高く、得られるデータは研究室ごとに分断されがちです。こうした事情から、分野全体でデータを共有し、オープンな形で蓄積していく文化が、これまでほとんど育ってきませんでした。
AIは、データがなければ機能しません。これは技術的な未熟さの問題ではなく、原理的な制約です。将棋や囲碁、あるいはAlphaFoldに代表されるタンパク質構造予測のように、AIが顕著な成果を上げてきた分野では、長年にわたって蓄積され、共有されてきた巨大なデータ基盤が存在していました。高分子材料の研究は、そもそもその前提条件を欠いた分野だと言えます。
私が提唱している「ポリマーオミクス」は、この状況を転換するための試みです。ポリマーオミクスとは、高分子材料を一つ一つ個別に理解するのではなく、構造、合成条件、物性、機能といった要素を統合的に扱い、網羅的かつ体系的に理解しようとする研究の枠組みです。
具体的には、計算機上で高分子材料の性質を再現する大規模なシミュレーションを行い、その結果を体系的なデータベースとして整備します。さらに、実験ロボットを用いて現実世界での合成や評価を自動化し、実験データを継続的に生成します。これらを計算データと結びつけることで、AIが利用可能な形で知識を蓄積していくことを目指しています。
生命科学の分野では、ゲノミクスやプロテオミクスが膨大な分子情報を横断的に扱うことで、新たな知見を生み出してきました。同様に、高分子材料の世界においても、「網羅的に扱える状態」を整えることが重要になります。ポリマーオミクスは、そのための基盤を構築しようとする取り組みなのです。

AIを用いた科学における「スケール」の課題

ポリマーオミクスに取り組むなかで、私はAIを用いた科学と従来の科学とのあいだに存在する、さまざまな課題に直面してきました。それらを欠点として捉えるのではなく、今後必ず顕在化する課題を先取りしているものとして向き合うようにしてきました。
その一つが「スケール」の問題です。ここで言うスケールとは、どの程度のデータ量や試行回数があれば、科学的に意味のある議論や予測が可能になるのかという、量に対する認識のことを指します。
従来の高分子材料の実験科学では、数十点から数百点規模のデータであっても、仮説検証や理論構築において十分に意味のある研究が成立してきました。研究者は限られたデータの中から傾向を読み取り、次の実験や理論へとつなげてきました。そのようなスケール感覚のもとで、この研究領域は発展してきたのです。
しかし、AIを用いて汎用的な予測モデルを構築しようとすると、この前提は大きく変わります。機械学習は、個別の事例を理解するというよりも、データ全体に内在する統計的な構造を学習する手法です。そのため、モデルが安定して機能するためには、少なくとも十万点、場合によっては百万点規模のデータが必要になることが多くあります。さらに長期的には、数十億や数百億といった桁のデータ量が視野に入ってきます。これは誇張ではなく、現在の機械学習手法が持つ統計的性質から要請される、現実的な条件です。
このような“桁違い”のスケール感覚の違いは、研究者の感覚や既存の研究体制とのあいだに、大きな断絶を生む可能性があります。自動実験装置やロボットを導入すれば、自然に大量のデータが得られると考えられがちですが、実際にはそう単純ではありません。多くの場合、自動化された実験であっても、得られるデータは数十点から数百点規模にとどまります。装置を自動化しただけでは、AIが前提とするスケールには到達しないのです。
では、どのようにしてAIにとって意味のあるスケールに近づくことができるのでしょうか。重要なのは、実験装置そのものよりも、実験設計の考え方を根本から見直すことです。どの条件を、どの範囲で探索するのか。どの物性を優先的に測定するのか。こうした判断が、得られるデータの量と質を大きく左右します。
この部分には、研究者の経験や判断が強く関与しており、単純に自動化できるわけではありません。むしろ、人間の知見とAIの計算能力をどのように組み合わせるかが問われている領域だと言えるでしょう。
AGISでの取り組みは、こうした課題を解決するための試行錯誤でもあります。従来の研究文化や方法論を尊重しながら、AI時代に適応した研究のスケールへとどう移行していくのか。その過程で、研究分野としての持続性を保ちつつ、継続的に意味のあるデータを生み出し続けられるのか。その問いに向き合い続けることが、AGISの重要な役割だと考えています。

AIが届かない場所を、ともに科学する

また、高分子材料の研究では、探索すべき材料空間が事実上、無限に広がっています。どれほど計算資源や実験装置が高度化したとしても、そのすべてがデータで埋め尽くされる日は、少なくとも数十年単位では訪れないでしょう。つまり、高分子材料の研究は、AIが容易に到達できない領域を多く含む分野だと言えます。
科学の本質は、未知の領域、すなわち未踏領域を探ることにあります。未踏である以上、そこにはあらかじめ整備されたデータは存在しません。データがなければ、AIは直接的に介入することができません。この制約は、技術がどれほど進歩しても、本質的には変わらないものだと考えられます。AIは既存のデータからパターンを学習することは得意ですが、データが存在しない場所に自ら踏み出していくことはできないからです。
その結果、AIが活用されやすい科学は、データが比較的そろいやすい領域に偏る可能性があります。これは、科学の進め方そのものに偏りを生みかねません。こうした点からも、AI for Scienceは「AIがすべてを解決する」という前提から始めるべきではないことが、改めて明らかになります。
むしろ重要なのは、AIが届かない領域が必ず存在することを前提にしたうえで、人間の研究者とAIの役割分担をどのように設計するかという視点です。どこまでをAIに委ね、どこからを人間が担うのか。その境界を意識的に引き直すことが、これからの科学研究には求められているのではないでしょうか。
その意味で、AGISが掲げる「基盤モデル」という考え方は、AIの限界を踏まえつつ、人間の探索をどこまで支援できるかを考えるうえで重要だと感じています。巨大なデータから汎用的な知識を学習したモデルを用意し、それを起点として、比較的少数のデータしか得られない特定の領域へと適応させていく。この方法は、AIがリーチしにくい、データが希薄な領域への橋渡しを試みるものだと言えるでしょう。

AGISの役割は、AI for Scienceに関する「正解」を示すことではないと私は考えています。データ、計算、実験、さらには研究制度や研究文化といった要素が複雑に絡み合う問題に対して、どこから手をつけるべきかを、実際の研究現場で一つずつ検証していく。そのための実験場であることこそが、AGISにとって何よりも重要なのではないでしょうか。

科学の「未解決問題」に挑む

20世紀の科学は、自然を理解するための強力な理論的道具を数多く生み出してきました。相対性理論や量子力学、統計力学は、直感的には複雑に見える現象を数式として記述し、予測と制御が可能な対象へと変換してきました。これらの理論は、外部とのやり取りが限定され、状態が時間とともに大きく変化しない「平衡系」と呼ばれる系で多くの成功を得ました。
平衡系とは、たとえば密閉された容器の中で十分に時間が経過し、温度や圧力が一様になった状態のように、全体が安定した条件にある系を指します。このような系では、多数の要素の振る舞いを平均化し、全体を少数の変数で表現することが可能になります。その結果、理論と実験の対応関係を比較的明確に描くことができました。
一方で、20世紀の科学が十分に扱えなかった領域も存在します。それが「非平衡系」や「複雑系」と総称される問題群です。非平衡系とは、外部からエネルギーや物質の出入りがあり、系の状態が常に変化し続ける系を指します。生命現象はその典型ですし、気候変動、脳の活動、社会システムなどもそうです。これらは複雑系とも呼ばれます。
これらの系では、要素の数が膨大である(大自由度)だけでなく、要素同士が一様に振る舞いません。個々の要素がそれぞれ異なる状態や履歴、つまり「個性」を持ち、それらの相互作用の積み重ねとして、全体としての振る舞いが立ち上がります。たとえば、個々の細胞や個人の行動を単純に平均しただけでは、生命や社会のダイナミクスを説明できないのです。
非平衡系では、このような理由から単純な平均化や近似が通用しにくく、境界条件も単純には定義できません。その結果、系の状態を表現するのに必要な変数の数が爆発的に増え、人間の認知能力で扱えるようなコンパクトな数式などでの表現が困難になります。大自由度非平衡系こそが、20世紀科学が次の世代へ引き渡した宿題だと言えます。
AI for Scienceが最も大きな力を発揮すると思われるのは、まさにこの領域です。ただし、それはAIが万能であり、従来解けなかった問題をすべて解決できるという意味ではありません。重要なのは、多数の変数を同時に扱い、複雑な相関関係をできるだけ失わずに保持したままモデル化する計算的手段が、ようやく現実的な規模で利用可能になったという点です。
また、AIは、既存の数学や理論を置き換えるような存在でもありません。AIは科学から何かを奪うのではなく、これまでの理論や計算では手の届かなかった領域に対して、新たな足場を提供し始めているのです。

AIが自動化する知的労働

AI for Scienceという言葉から、科学者そのものを代替する技術を想像する人は少なくありません。もちろんそういった側面もあるでしょう。しかし、それ以上に、これまで理論化や体系化が困難だった領域に踏み込むための、新しい科学のかたちを示す試みでもあるのです。
20世紀を振り返ると、産業革命は主に人間の肉体労働を自動化する技術でした。蒸気機関や機械化によって、人間の力や速度の制約は取り払われ、生産の規模と速度は飛躍的に拡張されました。同様に、21世紀のAIは、後に「知的労働の自動化技術」と位置づけられることになるでしょう。ここで言う知的労働とは、判断、探索、最適化といった、一定の規則性や反復性をもつ作業も含みますし、さらには新たな仮説の創成のような創造性そのものが問われる思考過程も含みます。
人類の創造的な試行錯誤の現場の最たるものは何か?それは、芸術活動と並んで、科学研究でしょう。従って、AIという新しいテクノロジーを最も先導的に導入し、その影響を受け、また最も多くのメリットを享受出来る分野の一つは、確実に科学研究なのです。

科学の本質はデータを生む現場にある

現代のAIは、データと計算資源に強く依存しています。インターネット上に存在する膨大な情報を収集し、学習に利用できる巨大IT企業が優位に立ってきた背景には、この構造があります。
一方、科学に用いられるAIを考える場合、データはもともと存在しているものだけではなく、つくることも考えなければいけません。実験科学では、多くの場合、厳密に設計された実験や観測のプロトコルを通じて、はじめて生まれます。ここで言うプロトコルとは、実験条件の設定、測定手順、使用する装置、誤差の扱い方などを含む一連の取り決めです。
つまりAI for Scienceにおける科学の本質は、データを生む現場にあります。重要なのはデータの量や形式だけではなく、それがどのような現場で、どのような手続きを経て生み出されたか、そのものなのです。
たとえば理化学研究所では、オルガノイドの作製、材料合成、精密な物理計測など、特定のラボ環境でしか実行できない高度な実験手法が長年にわたって蓄積されています。これらのプロトコルは、単に再現が難しいというだけでなく、研究者の判断や熟練の技能が深く組み込まれており、先端的な研究現場でしか作り出せないものです。
こうした実験プロセスを自動化し、計算と結びつけることができれば、AI企業だけでは容易に代替できない科学的知見が生まれる可能性があるのです。
また、AGISが構想するAI for Scienceは、既存のデータを大量に集めて学習することを主目的としたAIとは異なります。次にどのデータが必要かを判断し、その生成過程にまで踏み込む点に特徴があります。この考え方は一般に「能動学習」と呼ばれています。能動学習とは、AIが仮説や不確実性に基づいて次に試すべき実験条件を提案し、ロボットなどの自動化された装置が実行し、その結果を再び学習に取り込むという循環を指します。
ここで学習の対象となるのは、すでに静的に蓄積されたデータだけではありません。データが生み出され続けるプロセスそのものが、学習の一部として組み込まれます。言い換えれば、科学研究の方法論そのものが、AIとともに更新されていくのです。
この循環において主導権を握るのは、必ずしもAIモデルの規模や数値的な精度だけではありません。どのような条件で、どのようなデータを生み出せるかという現場を設計し、安定的に運用する能力が問われるのです。我々が自律ロボット実験ラボの構築に力を入れているのは、このためです。

人間には、人間の科学が必要だ

では、AI for Science以降の科学はどのようなものになるのでしょうか。私たちの世界は、無数の素粒子が相互作用する極めて複雑な系であり、その時間や空間のスケールは人間の感覚から大きく外れています。人間の脳や五感は、何億年という生命進化の過程を経て、目の前の暮らしを生き延びることに最適化されてきたものです。例えば、生命の進化の過程では、ナノ秒(1ナノ秒は10億分の1秒)といった短い時間や、パーセク(1パーセクは約3.26光年)といった長い距離を直感的に把握することは求められて来ませんでした。つまり、私達の脳が、たかだか数百年の歴史しか持たない自然科学が扱う対象をきちんと把握し、理解できることには何の保証もないのです。
それでも私たちは、数式や言葉、モデルといった表現を用いて世界を単純化し、「これなら納得できる」という説明の形に落とし込もうとします。この営みこそが科学です。つまり、人間の身体を持った私達が、その脳を使ってこの複雑な世界を理解しようとすること、それが科学であって、その主語である人間を取り除いたところには、もしかしたら数学はあるかもしれませんが、しかし科学は存在しないのです。もしそうでなければ、この宇宙を構成する全ての素粒子の位置と状態をそのまま書き下せばそれがそのまま宇宙のもっとも完全な「理解」になるはずですが、普通はそうは考えません。人間の脳や身体を通じて、人間が理解出来るような理論や数式や論文に情報を「圧縮」するプロセスこそが、科学なのです。
一方で、AI for Scienceの議論を進めていくと、人間の科学とAIの科学が将来的に分岐していく可能性が見えてきます。有限の身体や認知構造を仮定しなければ、「理解」も存在しないという話をしましたが、AIにとってもこれは同じです。人間とAIでは情報処理の仕組みが大きく異なります。ということは、人間の科学的理解と、AIが自分の精度を上げるために行う「科学的理解」とにズレが生じることは、ある意味で必然であるとも言えます。

では、このズレは人間の科学にとって不都合なものでしょうか？ この問題をどう捉えるのかには様々な考えかたがあると思いますが、今後の科学の歩む道にとっては大きな分岐点なのではないかと思います。我々AGISプログラムは、このズレを前向きに考えたいと思っています。つまり、人間の科学と「AIの科学」との緊張関係は、長い目で見ればむしろ人間の科学の可能性を広げるものだと私は思います。

AI利用格差が科学力格差になる

AGISが「AI for Science」として掲げるミッションは、AIを一部の研究者だけが使いこなせる状況を変え、より開かれた形で研究基盤として整備することです。言い換えれば、AIによって科学研究の再発明をしようということです。
私たちはよく、科学研究を加速する、という表現をします。これは、科学研究のサイクルをより早く回し、より多くのイノベーションに到達するということです。もちろんこれまでも研究費の増額や人材の確保によって、科学研究を加速する試みが行われてきました。しかし、それだけでは十分ではない時代に、私たちはすでに足を踏み入れています。現代において科学研究の加速の鍵を握るのは、計算資源とAIだからです。
現代において科学の進歩は、もはや一部の天才研究者による単発の成果だけで支えられるものではありません。仮説が生まれ、検証され、修正され、次の問いへとつながっていく。科学研究における反復的なプロセスに十分な計算資源が割り当てられ、AIやロボティクスが深く関与することによってもたらされる、人間の思考速度や作業量の制約を超えた科学。それを基盤にすることによってでしか、もはや科学研究の加速が得られない時代になりつつあるのです。
すでに、AIをめぐる格差は研究現場に「見えない分断」を生み始めています。米国や欧州では、AIの活用を前提とした研究基盤の整備が国家戦略として進められ、仮説生成から実験設計、データ解析に至るまでをAIが支援する研究スタイルが急速に広がっています。十分な計算資源やAIにアクセスできるかどうかによって、回せる研究サイクルの数は大きく変わり、その結果、成果に到達するまでの時間にも決定的な差が生じます。
すでに世界の一部の研究者は、かつて数カ月を要していた探索や検証を、数日から数週間で進められる環境を手にし始めています。一方で、同じ分野に身を置きながら、こうした変化から取り残されつつある研究者も少なくありません。この分断はやがて、個々の研究者にとどまらず、研究機関、さらには国全体の科学力の差として可視化されていくでしょう。私たちがAI for Scienceを通して実現することは、こうした分断を是正し、すべての研究者がAIの恩恵を受け、その結果として国としての科学研究を加速するということなのです。

すべての研究者が「使いたおせる」計算基盤へ

理化学研究所ではすでに、TRIP事業の中でAI for Scienceを実現するための計算基盤の開発が進められています。その延長線上に位置づけられているのが、スーパーコンピュータ「富岳NEXT」です。
「富岳NEXT」が目指すのは、研究者が計算機の存在を強く意識することなく、AIとともに科学を進められる環境となることです。実験と計算、理論とデータ、人間とAIが分断されるのではなく、ひとつの連続した研究プロセスとして結びつく。そのための基盤となることが、「富岳NEXT」のミッションです。
スーパーコンピュータ「富岳」が果たした役割は、計算能力そのものの到達点を示したことです。実験や観測を中心に発展してきた科学研究に対し、計算によって現象を再現し、理解し、先取りできる可能性を、具体的な成果とともに示しました。その功績は、計算が補助的な手段ではなく、科学を前進させる中核になり得ることを実証したことです。
「富岳NEXT」の役割は、「富岳」とは明確に異なります。「富岳NEXT」は、従来のスーパーコンピュータに期待されてきた「大規模計算を高速に実行する装置」という枠組みを超えたものとして構想されています。AIと数値シミュレーションを密接に結びつけ、仮説の生成・検証、コード生成、物理実証の自動化を含む科学研究全体のサイクルを飛躍的に高精度化・高速化することを前提に設計されています。
つまり「富岳NEXT」は単なる「富岳」の「次世代機」ではなく、科学の方法そのものを変えるためのインフラとして位置づけられているのです。研究者が仮説を思いつき、試し、結果を解釈し、次の問いへと進む。その一連の循環のなかに、AIが自然に組み込まれ、計算と実験が往復する速度と精度が桁違いに引き上げられる。「富岳NEXT」は、その循環を支える基盤として設計されているのです。
そしてこの計算資源をすべての研究者に利用可能にすること。つまりすべての研究者が使いたおせる計算基盤をつくることを通して、科学研究を加速する。それが私たちのミッションです。

オープンモデルによるオープンサイエンス

AI for Science、そして「富岳NEXT」によって、私たちはオープンモデルに基づくオープンサイエンスを実現したいと考えています。ここで言う「オープン」とは、単に成果やコードを公開することではありません。すべての人が参加でき、検証でき、再利用できる形で知が共有される、新しい科学のあり方を指しています。
現在、最先端のAIモデルの多くはブラックボックス化が進み、どのようなデータで学習され、どのような手続きを経て結果が導かれたのかが、外部からは見えにくくなっています。こうしたモデルは、利便性や性能の面では強力ですが、再現性と共有を重視する科学の基盤としては、根本的な課題を抱えています。科学において重要なのは、結果そのものだけでなく、「なぜその結果に至ったのか」を検証できることであり、その過程が共有されていることだからです。
AGISが担おうとしているのは、この課題を克服するためのオープンな計算基盤の構築です。AIモデルの設計、学習、検証、改良といった一連のプロセスを、計算資源とともに開かれた形で運用します。データ、アルゴリズム、計算過程が分断されるのではなく、科学的手続きとして追跡可能であり、第三者が検証できる状態を保ちます。これが、私たちが目指すオープンモデルです。
このようなオープンサイエンスが実現すれば、研究の進む速度そのものを引き上げることができます。共通の計算基盤の上でモデルや知見が共有されていれば、ある地域で行われた試行錯誤を、別の地域で最初から繰り返す必要はなくなります。これによって科学研究は、分断された取り組みの集合ではなく、連続した知の更新プロセスとして回り始めます。
もちろん、オープンであることは、デュアルユースを含む課題を伴います。しかし、閉じた中央集権型の仕組みだけで安全が保たれる時代がすでに終わっていることは、オープンソースソフトウェアが社会インフラとして定着してきた歴史を見ても明らかです。むしろ、透明性を確保し、多くの目によって検証されることこそが、科学的な信頼性と社会的な安全性を両立させる道だと考えられています。
「富岳」が「計算で何ができるか」を示し、「富岳NEXT」が「計算とAIによって科学をどう加速するか」を問う存在だとすれば、オープンモデルはその先にある共有の形式です。科学を一部の専門家だけのものにするのではなく、検証可能な知として社会に開いていきます。そのための新しい基盤を築くことが、AI for Scienceと「富岳NEXT」に託された役割です。
日本のスーパーコンピュータは、これまで世界から高く評価されてきました。これからの日本に求められているのは、その評価を国内にとどめないことです。世界のエコシステムの中で、計算資源、データ、ノウハウを提供し、共通の科学基盤づくりに主体的に関与する。そのなかで、日本がどのような貢献を果たしたのかを明確に示すこと。それこそが、これからの時代における科学立国の一つの姿なのではないでしょうか。