Claudeによるリーマン予想への失敗した挑戦が生んだ別の成果

Anthropicは未公開のClaudeモデルに、途方もない課題を与えた。しかし、その失敗は数学者が検討に値すると考えた成果を生んだと同社はいう。AnthropicとTechmemeをめぐるこの話は、ゼータ関数の零点に関する著名な未解決問題、リーマン予想への本格的な挑戦である。Claudeはこれを解決しなかった。

その代わりにAnthropicによれば、モデルは長年の下限を引き上げる方法を見つけた。この下限は、予想の臨界線上にあることが判明している関連零点の割合に関するものだ。Anthropicによれば、この数値は41.6%から67.2%へと上昇した。

この数値の飛躍は、実際よりも解決に近づいたように聞こえる。ほぼすべての零点を対象とする命題であっても、すべての零点がその直線上にあることを必ずしも確立するわけではない。したがって本質的な対立は、Claude対ある有名な予想ではない。自律的な探索と、研究数学に求められる厳格な検証基準との対比である。

Anthropicの実験は、AI支援による数学研究をめぐる複数の広く報じられた実演の後に登場した。OpenAI、Google DeepMind、そして学術チームは、オリンピック問題、形式的証明、未解決の研究課題でモデルを試す取り組みを強めている。この事例は、Claudeが手法を選び、他のエージェントを調整し、論文を探索し、自らの結果に異議を唱えたと報じられているため、ベンチマークの回答を超えるものだ。

この結果が重要なのは、まさに当初の任務が失敗したからである。従来のベンチマークなら不正解として記録される。だが、失敗した経路が別の成果を明らかにするなら、独立した専門家がその成果の正しさと新規性を確立できることを条件に、研究プロセスはなお価値を生み得る。

AnthropicとTechmemeの見出しが実際に示していること

Claudeはリーマン予想の一部を解決したのではなく、関連する下限についてより強い結果を確立したと報じられている。

リーマン予想は、リーマンゼータ関数のすべての非自明な零点が、実部が2分の1の垂直線上にあると予測する。ゼータ関数は複素解析と素数の分布を結び付ける。その非自明な零点は、数学者が素数間の不規則性をどれほど精密に記述できるかを左右する。

この問題は、ベルンハルト・リーマンによる1859年の論文にさかのぼる。また、Clay Mathematics Instituteが掲げる7つの著名な課題の一つであるミレニアム問題でもある。その地位が注目を集める理由だが、漸進的な進展について誤解を招く略述を促すこともある。

数学者はすでに、無限個の零点が臨界線上にあることを知っている。また、そこに見つかる零点の割合について下限も証明してきた。Anthropicが報告した研究以前、この無条件の関連下限はおよそ41.6%だった。

Anthropicによれば、ClaudeはBrian Conrey、Dan Goldston、Kyle Prattを含む複数の数学者や、関連する数論研究者による先行研究のアイデアを組み合わせた。その提案された論証は、この下限を67.2%まで引き上げたと報じられている。同社はこの成果を研究報告で説明する一方、Claudeが元の予想を解決したわけではないと慎重に明記している。

この違いには、研究者が臨界帯のより高い位置にある零点を調べる際、ある性質を満たす零点の極限的な割合を表す自然密度が関わる。67.2%という下限は、定理の条件下で少なくともその割合の零点が直線上にあることを意味する。これはリーマン予想の達成度を百分率で示すものではない。

仮に直線の外側に例外的な零点の集合が存在しても、それが全列の中で密度ゼロならどうだろうか。密度に関する命題は、すべての例外を排除しないまま100%に近づくことがあり得る。この予想が求めるのは、漸近的な多数派ではなく、すべての非自明な零点に関する普遍的な命題である。

コンピューターはすでに、直線外の零点を見つけることなく、非常に大きな有限範囲を検証している。ある公表済みの計算検証は、高さ3兆まで予想を確認した。この証拠は印象的だが、有限範囲をどれほど確認しても無限に関する主張は証明できない。

Claudeが報告した成果は、単なる数値テストではなく、定理構築の側面に属する。モデルは、別の零点のブロックを確認するのではなく、漸近的に適用される論証を生み出したとされる。その違いこそ、この主張が注目に値する理由であり、リーマンの問題を解決するにはほど遠いとしても同様である。

Anthropicは、このシステムを未公開の研究版として説明しているため、モデルの一般向け製品名を明らかにしていない。したがって読者は、広く提供されているClaudeのリリースを使ってこの実験を再現できない。たとえ成果論文を独立に評価できるとしても、これはモデルに対する外部評価を制限する。

そのため、公表された主張は二つの層に分けて読むべきだ。一つは、専門家が検査、再現、そして場合によっては反論できる数学的命題である。もう一つは、発見プロセスのどこまでをモデルが自律的に実行したかについてのAnthropicの説明だ。

これらの層には異なる証拠が必要である。正しい論文は数学的成果を裏付けるだろう。しかし、プロンプト、エージェントの調整、失敗したアイデア、人間の関与に関するすべての運用上の主張を自動的に検証するわけではない。

失敗した試みは自律的研究の試験へと変わった

注目すべき変化は予想の解決ではなく、自由度の高い失敗を検証可能な研究貢献へ転換したと報じられるシステムだった。

同社の説明によれば、AnthropicスタッフのJarred Sumnerがこのプロジェクトを始めた。Sumnerはソフトウェアエンジニアであり、Bun JavaScript runtimeの開発者であって、解析的数論の専門家ではない。当初の指示は、Claudeにこの問題へ真剣に挑むよう求めたものだったとされる。

Anthropicによれば、モデルはまずおよそ650のアイデアを生成・検証した。割り当てられた課題を解決したものはなかった。この失敗の段階は、一つの既知の経路を中心に慎重に演出された実演とは異なることを示すため重要である。

その後Claudeは、およそ60のサブエージェントを約1日半にわたって調整したと報じられている。サブエージェントとは、範囲が限定された研究または検証タスクを割り当てられた別のモデルインスタンスである。この集団は約2,400件のshell commandを実行し、数百本のPython scriptを生成したとされる。

Anthropicによれば、エージェントは既知の零点に対して数千回の数値チェックを実施した。また、提案された論証を検討し、反例を探し、最も強い結果を独立に再現しようとした。二つのClaude Codeセッションを通じて、システムは約3,100万出力トークンを生成したと報じられている。

これらの数値が示すのは規模であり、正しさではない。エージェントやトークンが増えれば、システムが探索できる経路は増える。同時に、繰り返される誤り、隠れた依存関係、類似の弱点を共有するモデル間での見かけ上の合意が生まれる機会も増える。

有用な仕組みは、構造化された異議申し立てである。あるエージェントが補題を提案し、別のエージェントが反例を探したり、元の導出に頼らず証明を再構築したりする。これは敵対的レビューに似ているが、同じ訓練とアーキテクチャを共有する場合、査読者が真に独立しているわけではない。

Anthropicによれば、Claudeは結果やその構成要素がすでに存在していないかを確認するため、54本のarXiv論文もダウンロードした。既知の定理を再発見することと、新しい成果を生み出すことは異なるため、文献探索は不可欠だ。特に論文間で用語が異なる場合、引用の照合だけでは新規性を確立できない。

それでも、この報告されたワークフローは長いチャットボットとの会話以上のものを表している。記号的推論、実行可能な実験、文書検索、委任されたレビュー、形式化を組み合わせた。この混合は、言語モデルを研究ツール群のオーケストレーターへと変える。

このオーケストレーションは、Anthropicがより広範に取り組む動的ワークフローに似ている。同社は、Bunの大規模な書き換えを含む大きなソフトウェア移行で、Claudeが複数のエージェントを調整した事例を説明している。この数学プロジェクトでは、定義、補題、数値テスト、先行文献に同様の運用パターンを適用した。

したがってClaudeによるリーマン予想への挑戦は、生の数学能力と同じくらい持続性を試した。多くのベンチマーク問題は、モデルが一度回答を出せば終了する。このシステムは、より狭い主張へ努力を振り向ける前に、何百もの実を結ばない方向を続けたと報じられている。

人間の研究者も、意欲的なプロジェクトから意図した定理ではなく有用な補題が生まれたとき、似たことをする。違いは速度と広がりである。エージェントの集団は疲れることなく、多くの変種を検討し、計算を実行し、参照文献を相互確認できる。

量は判断の必要性をなくさない。副次的な成果に意味があるか、仮定が一致しているか、証明が文献を前進させるかを誰かが判断しなければならない。これにより、この実験は、より大きな人間による検証システムの中で行われるAI数学研究の試験となる。

なぜ67.2%は解決の67.2%ではないのか

中心にある逆説は数学的なものだ。より大きな割合は実際の定理になり得るが、普遍的な主張の証明に比例して近づくわけではない。

一般向けの要約は当然ながら、41.6%から67.2%への変化に焦点を当てる。この増加は具体的で記憶に残りやすく、モリファイアと零点密度評価を含む技術的な論証よりはるかに伝えやすい。しかし、それは誤った理解の枠組みを招く。

モリファイアとは、ゼータ関数の平均を制御し、その零点に関する情報を明らかにするために使われる、注意深く構成された補助関数である。研究者は、困難な式を扱いやすくするため、その形と長さを選ぶ。改善はしばしば、誤差項が主要な結果を圧倒しないようにしながら、評価を組み合わせることに依存する。

少なくとも67.2%の零点が直線上にあると証明することは、無限のチェックリストの最初の67.2%を検証することと同じではない。自然密度は、範囲を広げたときの振る舞いを表す。まばらな例外集合は、極限的な割合には現れないままでも、無限個の要素を含み得る。

この違いは整数についての命題に似ている。素数は正の整数の中で自然密度ゼロだが、素数は無限個存在する。したがって、ある性質が密度の意味で対象の100%に成り立っていても、例外があり得る。

リーマン予想にとって、直線外に非自明な零点が一つでもあれば予想は反証される。非常に大きな割合に関する定理は、その一つの反例を排除できない。これが、この結果を予想の67.2%の解決と表現する際に専門家が異議を唱える理由である。

それでも、この成果は重要になり得る。無条件の下限を引き上げるには、より鋭い評価、確立された手法のより良い組み合わせ、あるいは別々の論文間でこれまで見過ごされていた整合性が必要になる可能性がある。その価値は手法と、他の研究者がそこから何を導けるかに依存する。

Anthropicによれば、Claudeはまったく新しい数学的枠組みを作るのではなく、先行研究を組み合わせた。この説明は、機械の独創性に関する主張を抑制すべきだ。既知のアイデアを再結合することでも、その組み合わせが新しい定理を生むなら、独創的な研究となり得る。

数学には、統合によって築かれた進歩の例が数多くある。既存の道具が特定の形で組み合わさることを、それまで誰も認識していなかったために、証明が新規となる場合がある。決定的な問いは、すべての構成要素が新しかったかではない。論証と結果がこれまで未知だったかどうかである。

その問いに答えるには、徹底した文献レビューが必要である。Claudeが54本の論文を横断して検索したことは関連性があるが、網羅性を保証するものではない。論文ごとに表記法は異なり、未公表の研究は私的に流通し、古い成果はarXiv外の書籍や学会紀要に掲載されている可能性がある。

Anthropicのtechmeme的な枠組みは、ゼータ関数研究の別の文脈で現れる異なる割合も一つに圧縮している。公表済みの成果の中には、追加仮定の下で単純零点を扱うものがある。一方で、そうした仮定なしに臨界線上の零点を扱うものもある。似た数値でも、技術的には異なる主張を表している場合がある。

したがって、責任ある解釈には定理を正確に保つことが求められる。仮定、数える零点の定義、極限操作、不等式が厳密かどうかは、いずれも重要である。わずかな不一致でも、一見した改善が先行研究の言い換えに変わりうる。

Anthropicによれば、同社の数学者2人がこの結果を検討したという。また、論文をレビューした外部専門家として、数論学者のBrian Conrey氏とDan Goldston氏の名も挙げている。専門家による精査は意味のある証拠だが、学術誌の査読が完了したことと同じではない。

この物語の最も強い形は、依然として検証を条件とする。伝えられるところでは、Claudeは実質的な数学的主張を生み出し、知見を持つ人間が真剣に検討するに足る信頼性を認めた。結果が受容された数学的知識となるかどうかは、論文への反応によって決まる。

形式検証は役立つが、すべてを決着させるわけではない

機械検査済みの証明は論理的な手順を検証できる一方で、新規性、重要性、忠実な翻訳については人間の判断に委ねられる。

Anthropicによれば、Claudeはこの結果を、各形式的ステップが宣言された規則と先行する命題から導かれるかを確認する証明支援系Leanで形式化した。Leanによる検査の成功は、形式化された議論の内部にある通常の論理的欠落のリスクを大幅に低減する。

形式検証は、同じモデルに自らの文章を読み返させるよりも強力な安全策を提供する。証明支援系は、もっともらしく聞こえるからという理由でステップを受け入れない。信頼できる論理カーネルに照らして、精密に符号化された項を検証する。

ただし、この安全策には境界がある。Leanが検査するのは、実際に符号化された定理である。形式的な命題が論文で意図された定理と異なっていれば、証明は通っても、公に示された主張を立証できていない可能性がある。

定義と仮定は特に重要である。形式定理には、文章では不明確に示される条件が含まれているかもしれないし、難しい補題の一つだけを形式化している可能性もある。読者が「Leanで検証済み」を万能の保証とみなす前に、機械化された結果の範囲を把握する必要がある。

形式化は新規性も証明しない。Leanは、ある定理が数十年前に異なる表記法で現れていたかを判断できない。また、その改善を専門家が概念的に重要とみなすのか、技術的にありふれたものとみなすのかも決められない。

それでもこのプロジェクトは、証明支援系がAI数学研究の中心になりつつある理由を示している。言語モデルは流暢だが無効な議論を生み出しうる。形式システムは、もっともらしい文章が明示的な数学へと変換されなければならない厳格な接点を提供する。

この組み合わせは、実務上の研究ループを変える。モデルは戦略を提案し、Pythonで例を検証し、重要な命題をLeanで符号化し、失敗を探索プロセスへ戻すことができる。各ツールは異なる種類の誤りを捉える。

数値検証は明白な反例を見つけられるが、無限に関する定理を確立することはできない。文献検索は新規性を検証するが、埋もれた資料を見落とす可能性がある。エージェントによるレビューは推論に異議を唱えるが、共通のバイアスを再生産するかもしれない。形式検証は符号化された論理を検査するが、正しい仕様に依存する。

これらのシグナルを統合する責任は、依然として人間の専門家にある。彼らは形式的な命題が意図された数学と一致しているかを評価する。また、独創性、関連性、記述、確立された研究とのつながりも評価する。

検証の連鎖がさらに重要になるのは、AnthropicがClaudeを有能な研究システムとして提示することに商業的利害を持つためである。これは主張を無効にするものではない。ただし、同社による運用面の説明を独立した証拠として扱うべきではないことを意味する。

未公開モデルは別の不確実性も生む。外部の研究者は論文と形式証明を精査できるが、それらを生み出した正確なシステムを試験することはできない。比較可能な実行がどの程度失敗するのか、既知の結果を再発見するのか、あるいは説得力のある誤った手がかりを生み出すのかを、まだ測定できない。

単一の成功例は、基礎的な成功率についてもほとんど語らない。Anthropicはこの実行の中で数百の失敗したアイデアがあったと報告したが、より広い分母は依然として不明である。同社は、この例を選ぶまでにいくつの未解決問題に取り組んだのかを公表していない。

選択効果は、あらゆるフロンティアモデルの実演に影響する。研究所が多くの問題を試し、最も強い成果を公表するなら、公開された事例は典型的な信頼性を過大評価する可能性がある。有用性を見積もるには、繰り返し可能で、事前に記録された実験が必要である。

これは結果をマーケティングに還元するものではない。印象的なケーススタディから信頼できる科学的方法へ進むために必要な証拠を示すものである。再現可能な成果物、詳細なプロンプト記録、独立した追試があれば、主張は大幅に強化される。

Anthropicはベンチマークと研究ワークフローに圧力をかけている

この実験は、AI研究所に対し、固定された数学テストでより高い点数を出すだけでなく、生産的な研究行動を示すよう求める圧力となっている。

数学ベンチマークは、モデルの進歩を最も明確に測定する手段の一部を提供してきた。競技問題には既知の答えがあり、採点は簡潔で、難易度もさまざまである。多くの対話型評価よりも、推論を直接的に試す。

Google DeepMindのAlphaProofとAlphaGeometryは、形式推論と特化システムを通じた別の道筋を示した。フロンティア言語モデルの開発企業も、国際数学オリンピックの問題で高い性能を報告している。こうした成果は、管理された条件下で、モデルが慎重に選ばれた問題を解けるかを測る。

オープンな研究は異なる振る舞いをする。答えは未知で、文献は不完全であり、適切な中間問題すら明確でないことがある。有用なシステムは、何を試すかを決め、失敗を認識し、立て直し、専門家が監査できる成果物を生み出さなければならない。

Claudeによるリーマン予想プロジェクトは、そのより広いループに取り組んでいる。報告された貢献は、元のプロンプトに答えたことから生まれたのではない。副次的な結果に集中的な展開の価値があると認識したことから生まれた。

この振る舞いは、Anthropic、OpenAI、Googleの間にあるベンチマーク優先の競争に異議を唱える。モデルは高得点を出しても、持続的な探究が不得手でありうる。反対に、見出しになる問題の解答に失敗したシステムでも、有用な補題や反例を発見することで価値を生み出せる。

この事例はまた、単一のモデル応答から、それを取り巻く研究インフラへと注目を移す。Claudeはシェルコマンド、コード実行、論文、複数のエージェント、形式証明環境にアクセスできた。この結果は、その完全なシステムに帰属する。

この区別は、企業や学術機関の購入者にとって重要である。ベンチマークのスコアだけでモデルを選ぶと、検索の品質、ツール利用、検証、可観測性、ワークフロー制御を見落とす。こうした能力が、長時間にわたる研究タスクが監査可能な成果を生むかどうかを決める。

ナレッジマネジメントも問題の一部になる。研究エージェントは、数百万トークンにわたり、仮定、失敗した方向性、情報源、数値的証拠、レビュアーの異議を追跡しなければならない。人間のチームも、機械生成の成果を評価する際に同じ課題に直面する。

検索可能なAI knowledge baseは、研究者がその証拠の軌跡を保持する助けになる。数学を検証するものではないが、主張を元論文、実験、レビュー判断と結び付けておける。

開発者は、技術的成果の背後にある経済性にも注目すべきである。3100万の出力トークンと数十のエージェントは、相当な計算資源を要する。Anthropicはこの研究モデルを公開しておらず、この記事はこのワークフローが一般ユーザーにとって経済的だと仮定すべきではない。

したがって競争上の問いは、どの企業が最も賢いモデルを持つかということより広い。人間による監督を扱いきれないものにせず、どの研究所が推論を反復可能かつ検証可能な研究へ変えられるかに関わる。

OpenAIとGoogleには、真に自由度の高いタスクから比較可能な証拠を公表する圧力がある。Anthropicには、外部者が科学的能力と選択的に提示された実演を見分けられるだけの成果物を提供する圧力がある。

数学者には別の圧力がある。機械支援の研究成果をどう帰属させるか、計算探索をどう記録するか、機械の速度で生み出される証明をどうレビューするかを決めなければならない。従来の査読は、大規模な自動実験に裏付けられたもっともらしい原稿の洪水を想定して設計されていない。

学術グループは間もなく、専門家が評価できる数を上回る候補議論を生成するかもしれない。これは検証のボトルネックを生む。希少な資源となるのは、アイデア生成だけではなく、信頼できる専門家の注意である。

したがって、AI数学研究のより広い可能性は、トリアージと切り離せない。システムは自らの発見を順位付けし、弱いステップを明示し、証拠を効率よく整理しなければならない。そうでなければ、安価な生成が科学コミュニティに高価なレビューコストを課しかねない。

Anthropicのワークフローは、考えられる一つの答えを示している。提案するエージェントと批判的なエージェントを分離し、実行可能な検査を使い、文献を検索し、中核的な主張を形式化するという方法である。この手法は妥当だが、どの程度確実に誤りを除外できるのかは、独立した証拠で示されなければならない。

この結果が続くかどうかを決める三つのシグナル

次の段階は、もう一つの劇的なプロンプトではない。独立した検証、再現性、そしてワークフローが一般化することを示す証拠である。

第一のシグナルは、完全な論文と形式的成果物に対する数学コミュニティの反応である。専門家は定理の仮定を検証し、先行する評価と比較し、既存技法の組み合わせを精査しなければならない。

訂正があったとしても、実験が無価値になるわけではないが、その教訓は変わる。微妙な欠落が見つかれば、大規模なエージェント群と形式ツールにも、より強力な仕様管理が必要であることを示す。広範な受容があれば、Claudeが正当な研究成果を生み出したというAnthropicの主張を支えることになる。

出版や専門家からの継続的な支持は、Anthropicのtechmeme的な物語を強めるだろう。新規性をめぐる論争、定理の弱体化、証明の撤回は、それを弱める。決定的な証拠は、同社外部の研究者から示されるべきである。

第二のシグナルは再現性である。Anthropicは、論文、Leanコード、計算スクリプト、人間の介入に関する明確な説明を含め、推論経路を再構成できるだけの情報を公開すべきである。

正確なモデル重みは非公開のままでも、研究成果物は結果を精査にさらすことができる。独立チームは、標準的なツールを用いて数値検証を再実行し、形式証明を確認できるべきである。

この実験は自律性について主張しているため、プロセスの記録は重要である。研究者は、モデルが生成した選択と、人間による修正、非公開の専門家向けプロンプト、編集上の再構成を区別する必要がある。その記録がなければ、独立して評価できるのは最終的な数学的主張だけである。

第三のシグナルは、新しい問題への一般化である。一つの副次的な成功結果だけでは、自律エージェントが数学を確実に前進させることを示せない。Anthropicまたは他の研究所は、成功だけでなく失敗も含む前向きな研究を報告しなければならない。

有用な指標としては、真に新しい成果を生み出したプロジェクトの割合、検証に必要な専門家の時間、もっともらしい誤った主張が出現する頻度などが挙げられる。もう一つ重要なのは、システムが新たな手法を導入しているのか、それとも既知の手法を主に再結合しているのかという点だ。

異なる分野をまたぐ結果は、特に有益な情報となる。解析的整数論では、記号操作、文献の統合、大規模な計算探索が重視される。一方で、幾何学、位相幾何学、確率論、応用数学では、それぞれ異なる検証上の要請が生じる。

こうした証拠が積み上がるまで、読者は安易な二つの結論を避けるべきだ。Claudeがリーマン予想を解けなかったからといって、この試みが無意味になるわけではない。また、報告された67.2%という上限も、完全な証明が近いことを示すものではない。

より妥当な解釈は、その両極の間にある。Anthropicは未公開モデルを未解決問題で試験し、初期段階の専門家による精査を通過した、より限定的な主張を得たように見える。裏付けとなる成果物が検証に耐えるなら、これは意味のある研究シグナルだ。

開発者にとっての実務的な教訓は、ワークフロー設計に関するものだ。長時間稼働するエージェントには、情報検索、実行可能なテスト、厳しいレビュー、そして永続的な記録が必要となる。流暢な回答だけでは、研究システムとはいえない。

ナレッジワーカーにとって、この事例は、AIが多数の文書や中間的な主張を統合する際には、なぜ追跡可能性が重要なのかを示している。knowledge blendingを支援するツールは証拠の整理に役立つが、その証拠が何を立証しているかを判断するのは、依然としてドメイン専門家である。

数学者にとって、当面の問いは具体的だ。証明は精読に耐えられるのか。そして、その手法は別の道筋を開くのか。AIユーザーにとっては、問いはより広い。最先端研究所の非公開インフラを必要とせずに、同じプロセスで有用な発見を生み出せるのか。

anthropic techmemeの見出しは、印象的な失敗と予想外の成果を捉えた。この話の行方を決めるのは、見出しの後に何が起きるかだ。独立した専門家が定理を検証し、研究所が研究プロセスの全容を公開するとき、その真価が問われる。