人工知能が数学と理論物理学の発見プロセスを再定義しつつある。従来の脅威論とは異なり、現在の研究はAIが人間の創造性や直感を補完する拡張ツールとして機能することを示している。理論分野は物理実験の制約がなくデータ生成が迅速であるため、AIの適用環境が整っている。 近年の進展では、AIが証明の逐次検証、反例の体系的検索、論理の中間ステップの提案において顕著な成果を上げている。カリフォルニア州パロアルトのハーモニックが開発するAristotleはポール・エルデシュの難問解決に貢献。同地のAxiom Mathは専門家未解決問題を相次いで解き出した。さらに、サンフランシスコのOpenAIとロンドンのGoogle DeepMindは、数学的推論の検証を目的としたFirst Proof Projectの課題を克服している。 発見プロセスは課題設定、概念の形式化、仮説の提案、検証の段階に分けられる。AIは形式化と仮説生成において最大の効果を発揮している。UCLAのテレンス・タオ氏は証明支援ツールLean4を用いて自身の論文を検証し、人間では発見しにくい論理の隙間を特定。ロンドン帝国大学のケヴィン・バザード氏が主導するXenaプロジェクトでは教育課程の証明が体系的にデジタル化され、スウェーデンのゴテボリ大学ジョゼフ・アーバン氏は大規模言語モデルを用いてトポロジーの定理を形式化した。また、ネットワーク解析ソフトGraffitiや定数公式を提案するRamanujan Machineの系譜を受け継ぎ、AIは数学定数や物理法則の隠れたパターンを発見する能力を進化させている。 課題も残る。AIは現在のところ学術的文脈や分野の美学的基準を理解する直感を欠き、研究課題の優先順位付けや根本的な理論構築には人間の判断が不可欠である。しかし、検証や検索の自動化は、研究者が創造的な問題定義に集中できる環境を整えている。理論科学におけるAI導入は発見の科学そのものの変革を促進しており、研究者の積極的な統合が次世代の学術ブレイクスルーを決定する。