数学者Terence Taoが指摘するのは、AIが数学の問題を解くこと自体の是非ではなく、その解き方が生む一段深いコストだ。取り組む価値のある「良い・実りある未解決問題」という蓄積は有限であり、今それが再生不可能な形で掘り尽くされつつある——強力な解探索ツールを無差別に使えば、目先の問題は解けても、次に狙うべき有望な問題を見つけるための「難易度の地形(difficulty landscape)」ごと均されて消えてしまう。AIを使って未解決問題に挑む研究者にとっては、「解けるかどうか」だけでなく「この問題を今解くことが、次の世代が新しい問題を見つける手がかりを潰さないか」という判断が新たに問われることになる。これは、AIが著名な未解決問題を次々に解決していくというフロンティアAIの能力マイルストーンを追う動向全体に対し、達成そのものの価値だけでなく、それが数学研究のエコシステムに残す代償にも目を向けるべきだという構造的な視点を加えるものだ。本当の問いは、この有限な資源の枯渇速度をどう見積もり、どう管理するかに移る——そしてTaoは、AIによる即時の「平坦化」が研究者に有望な研究方向を公にしなくなるインセンティブを生みかねないとも警告しており、この悪循環が枯渇そのものを加速させる可能性まで示唆している。

何が起きたか

Terence Taoは2026年9月8日、自身のMastodonアカウント(@tao@mathstodon.xyz)で4件からなる連続投稿を行った。冒頭でTaoは「良い・実りある未解決問題という蓄積は、今や再生不可能な形で掘り尽くされている(採掘されている)」と述べ、この結果として、そうした問題が将来的に希少になっていく可能性があるという見立てを示した。

論旨の核心

Taoの議論は、いくつかの要素が連なって成り立っている。

まず、問いうる数学の問題そのものは無限に存在するが、その大半は取り組む価値がないとTaoは述べる。新たな洞察や他の問題とのつながりを示す見込みがなかったり、既存の手法に対して簡単すぎる、あるいは不可能すぎるために、そこから何かを学べる見込みが薄い問題がほとんどだからだ。

そのうえで、ある問いが実際に取り組む価値があるかどうかを見極める作業は、時間のかかる主観的な判断であり、同種の過去の問題に取り組んだ際にどのような良い数学が生まれた(あるいは生まれなかった)かという歴史的な経験に基づくことが多いという。この判断の核となるのが、Taoが導入する「難易度の地形(difficulty landscape)」という比喩だ——ある分野において、既知の手法で簡単に答えが出る問い、努力すれば解ける問い、そして不可能な問いがどこにあるかを把握していることが、取り組むべき問いを見極める上で決定的に重要だとTaoは説明する。

Taoが警告するのは、AIツールがすでに多くの分野でこの難易度の地形を「平坦化」してしまい、その分野で有望な新しい問題を見つける能力そのものを破壊しつつあるという点だ。強力な解探索ツールを無差別に使うことは、目先の問題を解くという短期的な目標を達成する一方で、次の波の進歩を支えるエコシステムを維持すること、あるいは既に得られた進歩を理解することを犠牲にする代償を伴う、とTaoは述べている。

さらにTaoは、元の要約には含まれない追加の懸念も示した。AIによる即時の「平坦化」が進むと、研究者が有望な研究の方向性を広い研究コミュニティに共有しなくなるインセンティブが生まれかねないという指摘だ。取り組む前に他者へ公にすれば、AIによる無差別な採掘の標的になりかねないという状況が、オープンサイエンスの伝統そのものを損なう方向に働く可能性がある。

なぜ重要か

Taoの指摘は、特定のAI研究成果(暗号解読や著名な未解決問題の証明など)の真偽を問うものではない。むしろ、そうした個々の成果が積み重なっていくこと自体が、数学研究のエコシステムに構造的な負荷をかけているという、一段上のレイヤーの警鐘だ。AIが著名な未解決問題を次々に解いていくという能力マイルストーンの物語を追う際には、達成そのものの派手さだけでなく、その達成の裏で「次に狙うべき有望な問題を見つける地図」がどれだけ消耗しているかという代償にも目を向ける必要がある、という教訓になる。

なお、この論考は査読を経た論文ではなく、数学者個人がMastodon上で発信した意見・警鐘である点には留意が必要だ。根拠強度としては「弱〜中」であり、専門家個人の見立てとして扱うのが妥当だが、発信者がフィールズ賞受賞者であり数学研究の最前線に立つTao本人であることは、この警鐘の重みを支えている。