AIにも創造性はあるのか？ 数学者の難問をGPTが解決
GPTが解いた 数学の難問GPT-5.4 Proが、世界最高水準の数学者を長年悩ませたErdős Problem #1196をわずか80分で解決しました。
これはAIが数学の知識を組み合わせて新たな解法を生み出したことを示唆し、創造性とは何かという議論を呼び起こしています。
人間も試行錯誤を繰り返す創造的なプロセスとAIは共通しており、既存の知識を合成する能力こそが本質であることがわかります。
GPT-5.4 ProというAIが、60年間未解決だった数学の問題「Erdős Problem #1196」をわずか80分で解決したとのことです。この出来事は、AIの創造性について議論を巻き起こしており、その本質とは何か、人間とAIの創造性の違いは何か、という問いを改めて私たちに投げかけています。本記事では、この事件をきっかけに、AIの創造性について考察を深めます。
未解決問題をAIが解決、その背景には何があるか？
Erdős Problem #1196は、整数の集合に関する複雑な予想問題であり、世界トップクラスの数学者も60年以上かけて解決できなかった難題でした。GPT-5.4 Proは、たった一つの指示（プロンプト）とわずかな計算時間でこの問題を解決したとのことです。従来の数学的手法では行き詰まっていた研究から一転、AIはマルコフ過程論という確率論の分野の知識を応用し、これまでとは全く異なるアプローチで問題に取り組みました。この出来事は、既存の知識や枠組みにとらわれないAIならではの視点が、新たな発見につながる可能性を示唆しています。
「創造性」とは何か？ 人間とAIの違いは？
AIの解決が「創造性」の現れなのかという議論が活発化しています。創造性とは、辞書的には「想像力や独創的なアイデアを用いて何かを作り出すこと」と定義されます。しかし、AIは単にデータを処理し、組み合わせを試しているだけではないか、という反論もあります。しかし、人間も試行錯誤を繰り返すことで創造性を発揮しているという指摘もあります。例えば、エジソンが白熱灯の開発に成功するまで、数千種類の素材を試したというエピソードは、まさに地道な試行錯誤の結晶と言えるでしょう。
既存の知識の組み合わせこそが創造性の本質
創造性とは、既存の知識やアイデアを組み合わせることで、新たな価値を生み出すプロセスであると考えられます。例えば、ゴッホの絵画やダ・ヴィンチの彫刻、法律の専門家による巧妙な弁論、科学的な発見など、私たちが「創造性」と呼ぶものは、すべて既存の概念の合成によって生まれるものです。AIも例外ではなく、既存の知識を組み合わせることで、人間には思いつかない解決策を生み出す可能性があると言えるでしょう。AIの創造性を否定するのではなく、その可能性を理解し、活用していくことが重要です。
まとめ
AIによるErdős Problem #1196の解決は、AIの創造性というテーマについて、私たちに深く考えさせる出来事でした。AIと人間は異なるアプローチで創造性を発揮するかもしれませんが、その本質は既存の知識を組み合わせるという点において共通しているのかもしれません。今後、AIが創造性をどのように活用していくのか、その動向に注目が集まります。
原文の冒頭を表示（英語・3段落のみ）
In April 2026, a 58-year-old mathematical puzzle known as Erdős Problem #1196 was solved by a 23-year-old amateur prompting GPT-5.4 Pro. It took the AI a single prompt and roughly 80 minutes of processing time to crack a problem that had stumped the world’s best mathematicians for nearly six decades (BuildFastWithAI).
Erdős Problem #1196 is a complex conjecture involving primitive sets which are sets of integers where no number divides any other number in the set (Terry Tao, arXiv). For 58 years, human mathematicians tried to solve the problem via using the traditional tools of analytic number theory. Generations of experts relied on Mertens-type estimates, "almost-primes," and Dickman distributions (Webiano). Human research communities inherited assumptions about what a "natural route" to a proof looks like, everyone kept pushing on the same locked door.
ChatGPT took an entirely different path, using Markov process theory. Instead of treating the numbers as static entities, the AI’s method viewed them as an evolving, probabilistic process where prime factors are added or removed over time (Terry Tao). It took a tool from probability and statistics and applied it to a rigid number theory puzzle.
※ 著作権に配慮し、引用は冒頭3段落までです。続きは元記事をご覧ください。