世界AIブリーフ｜AIが18年間未解決の量子計算予想を証明――Anthropicは発電設備1.7GW確保、中国Antが5600億パラメータ新モデル

2026年11月9日（月）

今日の3行

• 米Physical Superintelligence（PSI）は11月6日、Anthropicの未公開AIモデルを組み込んだ研究システムが、2008年以来未解決だった量子計算の「Aaronson–Ambainis予想」の証明を導き出したと発表した。証明は形式検証システムLeanで確認され、論文と検証用コードも公開された。ただし、専門家による独立した評価は継続中である。

• Anthropicがデータセンター向けに17億ワット相当のガス発電設備を確保する約34億ドルの契約を結んだと、11月8日にFinancial Timesが報じた。半導体だけでなく、発電設備の納期そのものがAI計算基盤の拡大を左右する状況が鮮明になった。

• 中国Ant Groupは、総パラメータ数5600億、推論時の稼働パラメータ数250億のマルチモーダルAI「Ling-3.2-flash」を公開した。プリンストン大学は研究論文1000本をAIが実験できる環境へ変換する「Scientist World」を発表し、東京大学はLLMの内部表現を熱力学から解析する新理論を公表した。

1．AIが18年間未解決の量子計算予想を証明――PSI、Anthropicの未公開モデルを使用、Leanで形式検証

米国のAI研究企業Physical Superintelligence（PSI）は11月6日、量子計算の理論的限界に関する「Aaronson–Ambainis予想」を証明したと発表した。

この予想は、Scott Aaronson氏とAndris Ambainis氏が2008年に提起したもので、量子コンピューターが通常のコンピューターよりも指数関数的に高速な計算を実現するには、問題にどのような条件が必要なのかという根本的な問題に関係している。

PSIによれば、同社が開発した自律研究システムにAnthropicの未公開AIモデルを組み込み、研究を実行したところ、3日目に完全な証明が得られた。

さらに、関連する問題を探索する過程で証明結果を2回改善した。

数学的証明をコンピューターが検証

今回の研究で重要なのは、AIが自然言語で数学的な説明を作成しただけではないことである。

PSIは、形式的な数学証明を検証するシステム「Lean 4」を利用した。

Leanは、数学的な命題と証明の各段階を形式的に記述し、論理的な矛盾や不足がないかを検査する。

PSIが公開した証明は、Leanの検証を通過したという。

また、同社は論文だけでなく、証明のソースコードと形式化した命題も公開した。

公開リポジトリによれば、主要な定理は未証明の部分や追加公理を使わずに検証されている。

ただし、外部の研究者が、形式化された命題と元の予想の数学的意味が正確に一致するかを確認する作業は引き続き重要である。

量子コンピューターの優位性に関する予想

量子コンピューターは、特定の問題について通常のコンピューターを大きく上回る性能を実現できる可能性がある。

代表例は、整数の素因数分解を高速化するShorのアルゴリズムである。

しかし、すべての計算問題で量子コンピューターが指数関数的に高速になるわけではない。

Aaronson–Ambainis予想は、入力データに特別な構造がない場合、量子計算の優位性には制約があるという考え方を、数学的に裏付けるための予想である。

PSIが今回示した証明が成立すれば、ランダムな入力に対する特定の判定問題について、量子コンピューターが必要とする入力参照回数を、通常のコンピューターでも多項式的な増加の範囲で模倣できることになる。

これは、量子コンピューター全般の高速性を否定するものではない。

また、量子コンピューターの実際の計算時間が、あらゆる問題で通常のコンピューターと同程度になるという意味でもない。

今回の結果は、量子計算における入力参照回数の理論的な限界に関するものである。

人間の研究者が証明を評価

PSIによれば、スタンフォード大学の研究者4人が証明の検討を進めている。

この研究者らは2026年8月、同予想に関係する特別な条件下での結果を証明していた。

PSIの研究システムを開発したDavid Turturean氏は、問題の設定、システムの実行、論文の確認を担当した。

同社の説明では、AIが証明を生成した一方、研究者が問題を選択し、結果の正確性について責任を負う構成である。

今回の成果は、まだ通常の学術誌による査読が完了したものではない。

そのため、現時点では「形式検証を通過した証明が公開され、専門家が評価を進めている」と整理するのが正確である。

AI for Scienceの新段階

今回の発表は、AI for Scienceの発展を考えるうえで重要である。

AIが既存の数学的知識を説明したり、人間が考案した証明を形式化したりすることと、未解決問題に対する新しい証明を発見することは異なる。

PSIのシステムは、研究者が設定した問題に対し、AIを利用して新たな数学的結果を導き出したとしている。

さらに、結果を形式的に検証できる形で公開した。

これは、AIによる研究成果の信頼性を確保する方法としても意味がある。

一方、数学的に検証可能な成果と、実験や観測を必要とする科学研究では、検証の方法が異なる。

今回の成功が、そのまま物理実験や材料開発の完全自律化を意味するわけではない。

PSIの成果は、AIが未解決の数学的問題に取り組み、検証可能な新しい結果を生み出す研究主体として機能し始めていることを示している。

2．Anthropic、発電設備1.7GWを34億ドルで確保へ――AI計算基盤の競争が電力設備の調達に拡大

Financial Timesは11月8日、米AnthropicがAIデータセンター向けに約34億ドルを投じ、合計1.7GWのガス発電設備を確保する契約を結んだと報じた。

契約は9月下旬に締結されたとされる。

報道によれば、Anthropicは米テキサス州の電力設備事業者OnePWR Solutionsが発注していたCaterpillar製発電機の注文契約を引き継いだ。

契約には、発電設備の設置に必要なエンジニアリングや建設関連の能力も含まれるという。

ただし、AnthropicがOnePWRそのものを買収したわけではない。

また、今回の1.7GWは調達対象となる発電設備の容量であり、すでに稼働している発電能力ではない。

AnthropicとOnePWRによる契約条件の公式確認は得られておらず、現時点ではFinancial Timesの取材報道に基づく情報である。

発電機の注文枠そのものを確保

今回の契約で特徴的なのは、Anthropicが発電事業者から電力を購入するだけではなく、発電設備の調達に直接関与したことである。

OnePWRは、約2年前にCaterpillarへ発電設備を発注していたという。

Anthropicは当初、OnePWRから電力を購入する計画だったが、その後、発電設備の注文契約を引き継ぐ方式へ変更したとされる。

この方式であれば、新たに発電機を発注して製造を待つよりも、早い段階で設備を確保できる可能性がある。

AIデータセンターの建設が拡大する中、大型発電設備や変圧器などの納期が長期化している。

半導体を確保しても、電力供給が間に合わなければ計算設備を稼働できない。

そのため、発電設備の注文枠自体が重要な資産になっている。

発電能力は原子力発電所1基を上回る規模

1.7GWは170万kWに相当する。

大型原子力発電所1基の出力を上回る規模である。

ただし、ガス発電設備の定格容量と、実際に継続供給できる電力量は異なる。

設備の稼働率、燃料供給、保守、送電設備などによって、利用可能な電力は変わる。

また、今回の契約に含まれる発電機が、単一のデータセンターへ集中的に設置されるのか、複数の施設へ分散されるのかは明らかになっていない。

AI企業が電力インフラへ進出

AI企業はこれまで、GPU、AIアクセラレーター、サーバー、ネットワーク機器などの調達を重視してきた。

しかし、大規模AIモデルの学習と推論には大量の電力が必要になる。

特に、データセンターの建設が短期間に集中する地域では、既存の送電網だけでは新たな需要に対応しきれない場合がある。

そのため、AI企業が発電設備を自ら確保する動きが広がっている。

今回のAnthropicの契約は、AI企業が電力会社やデータセンター事業者に依存するだけでなく、発電設備の調達段階から関与する方向を示している。

一方、ガス火力への依存が拡大すれば、燃料調達費用や温室効果ガス排出への対応も重要になる。

AI計算基盤の整備は、半導体産業だけでなく、電力設備、エネルギー供給、建設、環境政策とも密接に関係するようになっている。

AIインフラの競争は、GPUの確保から、発電機の注文枠と電力供給能力をどれだけ早く確保できるかという競争へ広がっている。

3．中国Ant Group、5600億パラメータの「Ling-3.2-flash」公開――100万トークン、画像・動画・医療情報を統合

中国のAlibaba（アリババ）系Ant Groupは11月6日、新しいマルチモーダルAIモデル「Ling-3.2-flash」を公開した。

同モデルは、総パラメータ数5600億、推論時に稼働するパラメータ数250億の混合専門家方式（MoE）を採用する。

最大100万トークンのコンテキストウィンドウを備え、文章、画像、動画を入力できる。

Ant Groupは、複雑な視覚理解、長時間のAIエージェント作業、3D空間の理解、医療分野のマルチモーダル処理を重点領域としている。

大規模モデルの能力と計算効率を両立

MoE方式では、モデルが持つすべてのパラメータを毎回使用するのではなく、入力内容に応じて一部の専門的な計算部分を選択する。

Ling-3.2-flashの場合、総パラメータ数は5600億だが、推論時に稼働するのは約250億である。

これは、モデル全体の規模を維持しながら、推論時の計算負荷を抑えるための構成である。

ただし、稼働パラメータ数が少ないことだけで、実際の推論費用や応答速度が他のモデルより優れていると判断することはできない。

実際の性能は、モデルの構造、実行環境、入力の長さ、並列処理の効率などにも左右される。

画像・動画を使う長時間エージェント

今回のモデルで重要なのは、画像や動画を理解する能力を、AIエージェントの動作と組み合わせようとしていることである。

従来のAIエージェントは、文章による指示や、外部ツールから取得したテキスト情報を中心に処理するものが多かった。

しかし、実際の仕事では、画像、動画、図面、グラフ、画面操作など、多様な情報を扱う必要がある。

Ling-3.2-flashは、こうした情報を認識しながら、複数の工程を継続して実行することを目指している。

また、3D空間における位置関係や物体の配置などを理解する能力も重点分野に位置付けた。

これは、ロボティクスや空間認識を必要とするアプリケーションとの関連性が高い。

ただし、3D空間を理解できることと、実際のロボットを安全に制御できることは別である。

医療画像と診断情報の理解

Ant Groupは、医療分野での利用も想定している。

対象となるのは、医療画像の理解、検査報告書の解釈、複数の情報を組み合わせた分析などである。

医療分野では、文章だけでなく、画像や検査数値などを組み合わせて判断する必要がある。

そのため、マルチモーダルモデルの能力向上には意味がある。

ただし、今回のモデルが臨床現場で診断能力を実証したわけではない。

医療機器としての承認や、医師の判断を代替する能力が確認されたことを意味するものでもない。

Tencent Hy4との競争

中国では11月4日にTencentが7700億パラメータの「Hy4」を発表したばかりである。

Hy4は、コンピューター操作や専門ソフトウェアの利用能力を強化した。

一方、Ant GroupのLing-3.2-flashは、画像・動画の理解、長時間エージェント、3D空間、医療情報を重点分野としている。

両社のモデルは、総パラメータ数だけで単純に優劣を比較できない。

重要なのは、いずれも文章生成や知識検索にとどまらず、複雑な情報を理解し、実際の作業へ結び付ける方向を強めていることである。

中国のLLM競争は、モデルの規模や一般的な推論性能だけでなく、マルチモーダル情報を利用した長時間の作業遂行能力を競う段階へ進んでいる。

4．プリンストン大学、AI研究者向けに実験環境1000件を公開――「Scientist World」、研究手法の改善率74％

米プリンストン大学の研究チームは11月5日（米国時間）、自律的に科学研究を行うAI向けの実験環境「Scientist World」を発表した。

研究論文を読み取り、その中で扱われた研究課題や実験方法を、AIが実際に試せる環境へ変換する仕組みである。

研究チームは、最初の1000件の実験環境を公開した。

また、AIによる研究過程を記録した合計6400時間分のデータも整備した。

研究論文を実行可能な環境へ変換

従来のAI研究支援では、論文を検索し、要約し、研究内容を説明することが中心だった。

しかし、論文を読めることと、そこに記載された実験を再現できることは異なる。

Scientist Worldは、研究論文から実験方法を抽出し、再現可能なプログラムと評価環境を構築する。

研究チームは、この処理を複数のAIエージェントに分担させた。

論文の実験を再現するエージェント、研究課題を設定するエージェント、実験環境を整理するエージェント、結果を検証するエージェントが協力する。

これにより、人間が一つずつ実験環境を作成する作業を減らす。

研究チームによれば、1000件の環境構築は、人間による個別の論文レビューを挟まずに実施した。

AIが既存研究の成果を上回る

研究チームは、Scientist Worldを利用して、AIが既存の研究方法を改善できるかを評価した。

その結果、既存の研究方法を出発点として改善する条件では、AIが元の論文の再現結果を上回った割合は84％だった。

また、元の研究方法を与えず、研究課題から新しい方法を考案する条件でも、74％の試行で元の論文の再現結果を上回った。

ただし、この評価は1000件すべての実験環境で行われたものではない。

計算費用を考慮して選んだ10件の実験環境を使用し、複数のAIモデルを評価した結果である。

また、AIが現実世界のあらゆる科学研究で人間の研究者を上回ることを示したものでもない。

研究チームが設定した条件下で、既存研究の再現結果を改善できた割合である。

研究履歴をAIの学習に利用

Scientist Worldのもう一つの特徴は、研究の成功だけでなく、失敗や試行錯誤も記録することである。

AIがどのような仮説を考え、どの実験を行い、なぜ失敗し、次に何を変更したかを保存する。

研究チームは、こうした記録を利用して小規模なAIモデルを追加学習した。

その結果、研究アイデアの考案に関する評価スコアが158％改善し、実験で比較した最先端モデル群に近い水準へ到達したとしている。

これは、AIが研究を実行するだけでなく、過去の研究過程から新しい研究方法を学習する可能性を示している。

自律研究AIの評価基盤

今回の研究で重要なのは、特定の科学的発見そのものではなく、AIが科学研究を行う能力を評価する仕組みを整備したことである。

AIによる研究では、もっともらしい仮説を生成できても、実験結果が改善するとは限らない。

また、AIが作成した研究成果を、別の研究者が再現できるかも重要である。

Scientist Worldは、研究成果を文章の説得力ではなく、実際に実行した実験の結果で評価する。

この方式が発展すれば、AIによる科学研究の能力を継続的に比較し、改善するための基盤となる可能性がある。

Scientist Worldは、AIが論文を読む段階から、実験を再現し、研究方法を改善し、その過程を次の学習に利用する段階へ進んでいることを示している。

5．東京大学、LLMの内部にある「世界モデル」を熱力学で解析――文章生成の不可逆性を定量化

東京大学と科学技術振興機構（JST）は11月6日、大規模言語モデルなどの自己回帰生成モデルを、熱力学の観点から統一的に解析する新しい理論を構築したと発表した。

研究を行ったのは、東京大学大学院工学系研究科の沙川貴大教授である。

成果は11月5日、学術誌「PRX Intelligence」に掲載された。

今回の研究は、LLMの性能を直接改善する新しいモデルを開発したものではない。

LLMが文章を生成する過程に、どのような情報構造が存在するのかを数学的に理解するための理論である。

文章生成を熱力学から捉える

LLMは、これまでに生成した文章の履歴をもとに、次に出力する単語やトークンを予測する。

このような仕組みは、自己回帰生成モデルと呼ばれる。

東京大学の研究では、LLMの基盤となるTransformerだけでなく、信号処理で利用されるカルマンフィルターなども含め、自己回帰生成モデルを統一的に扱う熱力学理論を構築した。

特に注目したのは、生成過程の「不可逆性」である。

物理学の熱力学では、時間の経過に伴う変化が、どの程度一方向的に進むかを考える。

今回の研究では、こうした考え方を文章生成などの確率的な情報処理へ応用した。

エントロピー生成を推定

研究チームは、生成過程の不可逆性を表す量として、エントロピー生成を利用した。

さらに、この量を効率的に推定する方法を示した。

理論上、エントロピー生成を各時刻に対応する非負の寄与の和として表現できることも示した。

これにより、生成過程のどの部分が、時間の方向性に関係しているのかを分析できる可能性がある。

LLMを用いた実験では、文章に含まれる出来事の順序関係が、モデルの生成過程に反映されていることを示唆する結果が得られた。

LLMの世界理解を定量的に分析

LLMは大量の文章を学習することで、物体、出来事、因果関係、時間の順序などについて、一定の内部表現を獲得していると考えられている。

こうした内部表現は「世界モデル」と呼ばれることがある。

しかし、LLMが現実世界についてどのような構造を学習しているのかを、直接理解することは容易ではない。

今回の研究は、生成過程の不可逆性という数学的な指標を利用し、内部表現を解析する新しい方法を示した。

ただし、LLMが人間と同じように現実世界を理解していることを証明したわけではない。

また、モデルが正しい因果関係を常に推論できることを示したものでもない。

AIの内部理解へ

AIモデルの能力が高まる一方、その内部でどのような情報処理が行われているのかを理解することは、引き続き重要な研究課題である。

特に、自動運転やロボティクスでは、AIが物理世界の変化をどのように予測しているかが、安全性や動作の信頼性に関係する。

今回の理論は、直接的に自動運転AIやロボットを制御する技術ではない。

しかし、生成モデルが時間的な関係をどのように表現しているかを解析するための基礎研究として意味がある。

東京大学の研究は、AIの能力を高める研究とは別に、AIが内部で何を学習し、どのように情報を生成しているのかを数学的に理解する研究が進んでいることを示している。

今日の読み解き

今回の週末ニュースで最も注目すべき変化は、AIが科学研究を支援するだけでなく、研究の実行と成果の検証に深く関与するようになっていることである。

PSIによる量子計算予想の証明は、その象徴的な事例である。

これまでAI for Scienceでは、既存の研究論文を分析したり、実験候補を提案したりする用途が注目されてきた。

しかし、今回のPSIの研究システムは、長年未解決だった数学的問題について、形式的に検証可能な証明を導き出したとしている。

重要なのは、単にAIが新しい結果を生成したことではない。

その結果を、第三者が確認できる形で公開したことである。

AIが高度な数学的説明を生成しても、その説明に誤りがあれば研究成果としては成立しない。

一方、形式的な証明を検証できれば、少なくとも定められた数学的命題に対して、論理的な証明が成立しているかを確認できる。

もちろん、形式化された命題が元の研究問題と一致しているかなど、人間による評価が不要になるわけではない。

それでも、AIが研究成果を生成し、その成果を機械的に検証できる形へ変換することには大きな意味がある。

プリンストン大学のScientist Worldも、同じ方向の変化を示している。

こちらは、特定の未解決問題を解くことよりも、AIが研究を実行するための環境を整備することに重点を置いている。

研究論文から実験方法を再現し、AIが新しい方法を試し、元の研究結果と比較する。

さらに、研究の成功や失敗を記録し、その情報を次のAIモデルの学習へ利用する。

この仕組みが発展すれば、AIによる研究は、単発の成果を生成するだけでなく、実験と改善を継続する方向へ進む可能性がある。

ただし、今回の評価対象は主として計算機上で再現できる研究である。

物理実験や臨床研究のように、現実世界での実験が必要な分野へ同じ方式を適用するには、追加の技術や設備が必要になる。

一方、東京大学の研究は、AIによる研究の別の側面を示している。

PSIとScientist Worldは、AIを利用して新しい研究成果を生み出す方向である。

これに対し、東京大学は、AIモデルの内部でどのような情報処理が行われているのかを理解しようとしている。

AIの能力が向上するほど、その判断や生成過程を理解する必要性も高まる。

特に、AIが科学研究や現実世界の作業へ深く関与する場合、結果の正しさだけでなく、どのような条件で誤りが生じるのかを把握することが重要になる。

今回の三つの研究は、AIによる科学研究の自動化と、AIそのものの理解が並行して進んでいることを示している。

一方、Anthropicの発電設備調達は、こうしたAIの高度化を支える物理的な条件を浮き彫りにしている。

AIが長時間にわたって研究を実行し、多数の実験を繰り返す場合、計算資源が必要になる。

高度なAIモデルの学習にも、大量の半導体と電力が必要である。

今回のAnthropicの契約は、発電設備の調達そのものがAI企業の事業戦略に組み込まれ始めていることを示している。

従来、AI企業の設備投資では、GPUやAIアクセラレーターの確保が注目されてきた。

しかし、半導体を購入できても、電力供給が間に合わなければ計算設備は稼働しない。

そのため、発電設備の納期、送電網への接続、燃料の確保などが、AI産業の成長を左右する要因となっている。

この点は、前週に取り上げた英国Drax発電所での大規模データセンター開発とも共通している。

ただし、Draxの計画は既存の発電所と送電網を活用する構想であるのに対し、今回のAnthropicは発電設備の調達契約に直接関与するという違いがある。

AI企業の電力確保戦略が多様化していることが分かる。

中国Ant GroupのLing-3.2-flashは、AIモデルの能力向上が引き続き急速に進んでいることを示している。

特に、画像や動画を理解し、長時間の作業を実行する能力を重視している点が重要である。

これは、AIが文章を生成するだけでなく、複雑な情報を認識し、複数の工程を実行する方向へ進んでいることを意味する。

前週のTencent Hy4も、コンピューター操作や専門ソフトウェアの利用能力を強化していた。

中国の主要AI開発企業は、モデルの規模を競うだけでなく、実際の業務に利用できる能力の拡張を進めている。

今回の5件を総合すると、AI産業では三つの競争が同時に進んでいる。

第一は、AIが実行できる知的作業の高度化である。数学的な未解決問題の証明や、研究手法の自律的な改善が、その代表例である。

第二は、AIが現実世界の複雑な情報を理解し、長時間の作業を遂行する能力の向上である。中国Ant Groupの新モデルは、この方向を示している。

第三は、こうしたAIの能力を支える計算設備と電力の確保である。Anthropicによる発電設備の調達は、AIの高度化が物理的なインフラの制約と切り離せないことを示している。

さらに、東京大学の研究が示すように、AIが高度化するほど、その内部の情報処理を理解する研究も重要になる。

AI産業は、モデルの性能を競う段階から、AIが新しい知識を生み出し、その成果を検証し、継続的に改善する仕組みを構築する段階へ進んでいる。

その一方で、こうした能力を拡大するには、半導体、電力、研究環境、検証技術などの基盤が必要になる。

今後は、AIがどのような新しい発見を生み出したかだけでなく、その成果を第三者が再現・検証できるか、必要な計算費用はどの程度か、そして現実の研究や産業活動にどのような価値をもたらすかを継続して検証する必要がある。

#WorldAIBrief
#世界AIブリーフ
#AIニュース
#生成AI
#人工知能
#AI
#エンドツーエンド
#E2E
#エンボディドAI
#フィジカルAI
#EmbodiedAI
#PhysicalAI