科学は、人間の健康からエネルギー生産、国家安全保障、宇宙の理解に至るまで、あらゆるものを形作ります。もし AI が科学を加速させ、新しいアイデアを生成したり、アイデアから実証結果までの時間を短縮したりすることができれば、その恩恵は社会全体に広がるでしょう。
しかし、依然としてイノベーションの速度が制約となっています。たとえ素晴らしいアイデアがあっても、それを実際の製品や治療法に変えるには何年もかかることがあるのです。最近の調査（新しいウィンドウで開く）では、米国の60％の人々が「科学や医療のブレークスルーが自分たちのもとに届くのが遅すぎる」と答え、73％が「発見を加速するためのより良い方法が必要だ」と答え、69％が「科学分野におけるリーダーシップは国の最優先事項である」と回答しました。
本日、OpenAI は「GPT‑5 を用いた科学の加速に関する初期実験（新しいウィンドウで開く）」という論文を公開します。これは、バンダービルト大学、カリフォルニア大学バークレー校、コロンビア大学、オックスフォード大学、ケンブリッジ大学、ローレンスリバモア国立研究所、ジャクソン研究所などの大学・国立研究所の共同研究者と共著で作成されました。本論文は、数学、物理学、生物学、計算機科学、天文学、材料科学における初期事例をまとめたもので、GPT‑5 が既知の結果を新しい方法で統合したり、強力な文献レビューを行ったり、難しい計算を加速させたり、未解決命題の新しい証明を生成したりするのに役立った事例を紹介しています。また、その制限についても記載しています。当社の目標は、研究現場において現在これらのシステムに何ができ、何ができないかをコミュニティに明確に示すことです。
以下の事例は、専門家が使用した場合に GPT‑5 が科学的発見をどのように加速させるか、そしてその加速がなぜ重要かを示しています。
- 生物学：Derya Unutmaz 医学博士が主導する研究では、科学者たちが数か月間を費やし、人間の免疫細胞に見られる不可解な変化を説明しようとしていました。GPT‑5 は未発表のチャートから数分でその可能性のあるメカニズムを特定し、それを証明する実験を提案しました。このようなスピードは、研究者が病気をより早く理解し、より良い治療法を開発するのに役立つ可能性があります。
- 数学：別の事例では、研究者 Mehtaab Sawhney 氏と Mark Sellke 氏が Paul Erdős 氏によって提案された数十年前の未解決問題に取り組んでいました。同氏らは最終ステップで行き詰まっていましたが、GPT‑5 は奇数がパターンを崩すという新しいアイデアを提供し、証明の完成に役立ちました。このような進展は、多くのアルゴリズムやセキュリティ技術が根本的に依存している数学的基盤を強化します。
- アルゴリズムと最適化：研究者 Sébastien Bubeck 氏と Christian Coester 氏は、ロボティクスやルーティングで使われる一般的な意思決定手法は人々が想定しているほど信頼できるかどうかを検証していました。GPT‑5 は、この手法が失敗する新しい例を明確に示し、さらに最適化に関する古典的な数学的知見を改善しました。この種の進展は、ロボティクスやルーティングなど実世界の意思決定システムをエンジニアがより深く理解するのに役立ちます。
OpenAI for Science の使命は、科学的発見を加速させることです。研究者がより多くのアイデアを探求し、仮説を迅速に検証し、従来は長時間を要したインサイトを明らかにするのを支援します。当社はフロンティアモデルを適切なツール、ワークフロー、共同作業と組み合わせることで、これを実現しています。
OpenAI は学術界、産業界、国立研究所の研究者と緊密に連携しています。こうした協力により、モデルがどのような場面で役立ち、どのような場面で失敗するのか、そして文献レビューから証明生成、モデリング、シミュレーション、実験計画に至るまでの科学プロセスにモデルを統合する方法を理解することができます。
当社のアプローチは2つの補完的な考え方を組み合わせています。シミュレーションエンジン、タンパク質データベース、数式処理システムなどの専門的な科学ツールは、効率性と精度に不可欠です。同時に、基盤モデルのスケーリングは、分野を横断してアイデアをつないだり、証明を概説したり、メカニズムを提案したり、大規模な文献をキーワードではなく概念的にナビゲートしたりなど、新しい推論能力を解放し続けています。OpenAI は、専門ツールが存在する分野ではそれを使用し、より一般的な推論が必要な場合はそれに対応できるモデルを構築しています。これら2つのアプローチは互いを補完し合っています。
最も意味のある進展は、人間と AI が協力することで生まれます。科学者は議題を設定し、質問を定義し、方法を選び、アイデアを批判し、結果を検証します。GPT‑5 は幅広さ、スピード、複数方向を同時に探索する能力を提供します。
GPT‑5 を効果的に使うことは1つのスキルです。研究者は、質問の仕方、反論のタイミング、問題を段階ごとに分解する方法、独立して検証すべきことを学んでいます。生産的な作業は対話のように見えることが多く、有望な方向性が浮かび上がるかアイデアが破棄されるまで、研究者とモデルの間でやり取りが繰り返されます。
これらの初期研究では、専門家が使用する場合、GPT‑5 が研究ワークフローの一部を短縮できることが示されています。プロジェクトを自律的に進めたり、科学的問題を解決したりするわけではありませんが、探索の幅を広げ、研究者が正しい結果により速く到達するのを支援します。
- 新たな能力の1つは、概念的文献検索です。GPT‑5 は、アイデア間の深い関係を特定し、言語やアクセスしにくい情報源を横断して関連資料を取得することができます。研究者たちは、以前は知らなかった参考文献やつながり、論文を発見したと報告しています。
- 数学や理論計算機科学の分野は構造が明示的でフィードバックが迅速なため、GPT‑5 が特に有用です。数学者は GPT‑5 を使って数分で実行可能な証明の概要を生成しており、従来なら数日や数週間かかった作業を変革しています。物理学や計算科学の領域では、GPT‑5 が簡略化変換を提案したり、他分野の類似構造を指摘したりできます。
- 生物学やその他の経験科学では、GPT‑5 はメカニズムを提案し、ウェットラボで仮説を検証する実験を設計することができます。
モデルが単に既存知識を要約する段階は終わりました。現在、GPT‑5 はまだ初期段階ではありますが、専門家の監督下で研究者を意味のある形で支援することができます。能力やツールが進化するにつれ、さらなる加速を期待できる可能性が示唆されています。
これらのケーススタディは、GPT‑5 が有用であった場面を厳選した例であり、体系的なサンプルではなく、役に立たなかったすべてのパターンを網羅するものではありません。専門家による監督は依然として不可欠です。GPT‑5 は時折、もっともらしい引用、メカニズム、証明を生成してしまうことがあります（ハルシネーション）。また、スキャフォールディングやウォーミングアップ問題に影響されやすく、特定の領域固有の微妙な点を見落とすことがあり、修正しないと非生産的な推論に向かうこともあります。これらは現在活発に研究されている分野であり、将来のシステムを改良する上で、共同研究者とともにこれらの失敗を測定・軽減する取り組みを行っています。
これらの初期研究を総合すると、GPT‑5 が新しいタイプの科学研究に役立ち始めていることがわかります。GPT‑5 は自律的ではありませんが、専門家が使用することで、定理の証明、構造の再発見・拡張、分野横断的なつながりの発見、科学者が検証するためのメカニズムや実験の生成を支援できます。
また、こうしたシステムは時間と計算量が増えることで改善するという傾向も見えます。もし GPT‑5 がある研究課題に20分で有意義な支援を提供できるなら、何時間、あるいは何日も問題について推論した場合、より深い成果を期待できます。世界クラスの科学者と組み合わせることで、科学的生産性における飛躍的な変化の可能性もあります。
