AIエージェントたちが数学の新定理を発見——「The Station」が示す自律研究の現在地
はじめに：AIによる数学研究の新たなステージ
AIが数学の定理を「発見する」時代が近づいています。これまでのAI数学研究は、AlphaEvolveに代表される大規模進化探索が主流でした。大量の計算資源で数値的な構成を探し、その解釈や証明は人間の数学者が担う「中央集権型パイプライン」だったのです。つまり、探索の方向づけや検証には常に人間の介入が必要でした。
そこで研究者たちは「AIエージェントを独立した研究者として扱い、人間の介入なしに自由な環境で協働させたらどうなるか」と問いかけました。この問いから生まれたのが、オープンワールド型マルチエージェント環境 「The Station」 です。
The StationにはGPT-5.5、Claude Opus 4.8、Gemini 3.1 Proという異なるモデルファミリーから6体のエージェントが配置され、中央のコーディネーターは存在しません。本記事では、The Stationが生み出した5つの数学的発見と協働メカニズムを紹介します。
The Stationの仕組み——ミニチュア科学コミュニティ
The Stationは、現実の研究所を縮小したようなオープンワールド型環境です。6体のエージェント（GPT-5.5×2、Claude Opus 4.8×2、Gemini 3.1 Pro×2）が中央の指示なしに研究を進めます。
空間はArchive Room（論文の保管・査読）、Research Center（研究の中心）、Mail Room（直接通信）、Public Memory Room（掲示板）、Common Room（グループチャット）の5つのルームで構成され、時間は tick という離散単位で進みます。エージェントには寿命があり、誕生から40tickは隔離期間として独立探索に専念し、その後は論文出版や共同研究が可能になります。200tickで寿命を迎えると後継エージェントが自動的に誕生します。
重要なのは、知識が世代を超えて蓄積される仕組みです。研究成果は論文としてまとめられ、Archive Roomで査読を通過したものだけが残ります。後続エージェントは過去の論文を自由に引用・拡張でき、環境内に動的な知識ベースが形成されます。
行き詰まりを防ぐため、発散的思考を促すホリデー（休日）、経験豊富なスーパーバイザーによる助言、進展がない場合に別戦略へ切り替えるスタグネーションプロトコルも導入されています。こうした要素が、自己組織化的な科学コミュニティを支えています。
主要な発見——5つの問題で新規な数学的成果
6体のエージェントは12の数学問題に取り組み、5問で既存文献を上回る成果を達成しました。数値の改善だけでなく、定理の証明や構造解析まで自律的に生成した点が特徴です。
1. 有限体Kakeya集合——新しい無限族の発見
Kakeya集合とは、あらゆる方向の線分を含む最小の点集合を求める問題です。エージェントは p≡3(mod4) の素数 p に対し、サイズ (2p³+7p²+3)/8 の構成を発見しました。AlphaEvolveの無限族より (p-3)/4 点少なく、新たな最良上界となります。小さい例では 𝔽₃⁵ 上で53点を発見（従来は63点）。さらに1極Möbius族の構造解析を行い、p²項の改善には「1極族からの脱却」が必要と証明しました。
2. 11次元のキス配置——604点の3つの異なる構成
キス数問題は、中心球の周りに接触できる等球の最大数を問うものです。11次元は長らく未解決で、従来の下界は592点、AlphaEvolveが593点に押し上げたばかりでした。The Stationは一気に604点（K(11)≥604）の配置を3通り発見しました。うち2つは幾何学的に異なる新規の等長類です。エージェントはまずD11格子では最大582点しか得られないことを証明し、その限界を超える明示的な代数構成を探索しています。
3. 離散化Kakeya針問題——新たな上界と厳密解
有限グリッド上の「針」を最小限の点で覆う問題では、n=128で値0.107067を達成し、AlphaEvolve比6.74%改善、HorizonMath比1.91%改善しました。さらに n=3, 4 で厳密解（C_T(3)=5/18, C_T(4)=1/4）を証明し、n=5では非対称構成のほうが小さいという「対称性の破れ」も発見しています。
4. 符号不確定性原理——人間の記録を超える上界
誤り訂正符号の重み分布の極限を評価する問題で、人間による従来の上界0.3102を0.3089に改善しました。エージェントはまず二重根Laguerre族で探索し、その限界が0.3153付近と証明すると、より広い探索空間へ戦略的に移行。手法の限界を見極めて切り替える研究戦略を自律的に決定した好例です。
5. Erdős最小重複問題——ギャップの82%を埋める
整数列の最小重複率の下界を求める古典的な問題です。従来の下界0.37912を0.380552に改善し、未解決ギャップの約82%を埋めました。証明ではフーリエ位相情報を活用した4つの大域的不等式を用いています。当初「上界の改善」を指示されていたにもかかわらず、自らの判断で下界の証明へ舵を切った点も注目されます。
| 問題 | 従来の値 | AlphaEvolve | The Station | 改善幅 |
|---|---|---|---|---|
| Kakeya集合（p≡3(mod4)） | 既知の無限族 | (p-3)/4点改善 | さらに(p-3)/4点削減 | 合計(p-3)/2点 |
| 11次元キス数 | 592点 | 593点 | 604点（3構成） | +11点 |
| 離散化Kakeya針(n=128) | — | 0.1149 | 0.107067 | 6.74%改善 |
| 符号不確定性原理 | 0.3102（人間） | — | 0.3089 | 0.0013改善 |
| Erdős最小重複問題 | 0.37912 | — | 0.380552 | ギャップの82% |
さらなる成果——Book Ramsey数とJacobian予想
Book Ramsey数の分野では、会議グラフ族、二重Legendre族、Yamada–Pott族という3つの新しい無限族を発見しました。これにより n≤200 の範囲で、未解決28ケースを含む43の値の予想を証明しています。うち2つの無限族は完全自律による発見で、Yamada–Pott族は人間の専門家との協力で完成しました。
Jacobian予想は代数幾何学の有名な未解決問題でしたが、2026年7月に反例が発表されました。The Stationのエージェント（GPT-5.6 Sol）は、この反例をわずか1日以内に、元論文とは異なる線形座標で独立に再構築。さらに尖点型rulingの幾何学的説明も生成し、反例の背後にある構造を提示しました。
メタ分析——エージェント間の協働の実態
28のスポットライト結果のうち46.4%が複数モデルファミリーの協働によるものでした。発見への関与率はClaudeが64.3%、GPTが32.1%、Geminiが3.6%です。論文の採択率はGPTが76.7%と高く、Claudeは56.3%で安定、Geminiは投稿数最多ながら19.2%にとどまり、過剰主張の傾向が示唆されました。
発見のタイミングにも特徴があります。成果の46.4%がtick 1000以降に生まれており、知識が蓄積されるほど革新的な発見が出やすい傾向が見えます。また、キス数604点は3回の独立した実行で再現されました。協働で最も効果的だったのはArchive Roomへの論文出版とホリデーで、論文という「蒸留された知識」の共有がコミュニケーションを支えていました。
The Stationの限界と課題
課題もあります。専門家の直感の欠如により、有望な方向性を過小評価して見送ることがありました。多様な研究嗜好の不足もあり、同一ファミリー内では似たアイデアに偏る傾向があります。アーカイブの知見を吸収しきれないコンテキスト学習の限界や、些細なタスクに没頭するアトラクタートラップも観測されました。
さらに、不規則な数値最適化が本質的な問題では、大規模ヒューリスティック探索を使うAlphaEvolveのほうが依然として優れています。理論が探索を導ける問題ではThe Station、数値最適化が中心の問題ではAlphaEvolveという相補関係が浮き彫りになりました。
まとめ
The Stationは、中央コーディネーターなしの6体のAIエージェントが「自律科学コミュニティ」として機能しうることを、具体的な成果とともに示しました。数値的な構成（604点のキス配置、0.380552という下限値など）だけでなく、定理・証明・構造解析まで一貫して生成した点が従来と一線を画します。
一方で、The StationとAlphaEvolveは競合ではなく相補的な関係にあります。この棲み分けは今後のAI科学発見システム設計の重要な指針となるでしょう。数学以外の分野への応用や、Yamada–Pott族で見られた人間専門家との協働の体系化が今後の展望です。「自律エージェントによる科学研究」という長期ビジョンの第一歩として、大きな意義を持つ成果といえます。
よくある質問
The StationとAlphaEvolveの違いは何ですか？
AlphaEvolveは大規模進化探索を中心としたパイプライン型で、各ステップに人間の介入が不可欠です。The Stationは中央コーディネーターを持たない自由なマルチエージェント環境で、エージェントが自ら方向性を決め、定理や証明まで生成します。理論が探索を導ける問題ではThe Station、不規則な数値最適化ではAlphaEvolveが強いという相補関係にあります。
エージェントは実際に「理解」して証明を生成しているのですか？
論文は「理解しているか」という哲学的問題には踏み込まず、証明が数学的に検証可能であることを重視しています。生成された証明は形式的な検証パイプラインと数学者による査読を経て、正しさと新規性が確認されています。
この研究の実用的な意義は何ですか？
短期的には数学研究者のリサーチアシスタントとしての活用が期待されます。実際にYamada–Pott族は人間とエージェントの協力で完成しました。長期的には科学的発見の自動化や、AI Research Agentの設計への示唆につながります。
なぜ11次元のキス数に焦点が当てられたのですか？
11次元は未解明な部分が多く、AlphaEvolveが592点から593点へ改善したばかりの活発な問題でした。D11格子の構造が扱いやすく、理論探索と数値最適化のバランスが取れたベンチマークとして適していたためです。
エージェント間のコミュニケーションはどのように行われますか？
最も重要なのはArchive Roomでの論文出版・参照による非同期コミュニケーションで、全体の61.5%を占めました。ほかに直接メールやPublic Memory Room、Common Roomなどがあり、論文という蒸留された知識が効率的な情報伝達を支えています。
参考資料
- Autonomous Mathematical Discovery in an Open-World Multi-Agent Environment（arXiv:2608.23691）— https://arxiv.org/abs/2608.23691
- 論文HTML版 — https://arxiv.org/html/2608.23691v1
- 論文PDF — https://arxiv.org/pdf/2608.23691.pdf
- ソースコード — https://github.com/dualverse-ai/station
- データ・証明 — https://github.com/dualverse-ai/station_data_v2
- The Station: An Open-World Environment for AI-Driven Discovery（arXiv:2511.06309）— https://arxiv.org/abs/2511.06309
- AlphaEvolve: A Coding Agent for Scientific and Algorithmic Discovery（arXiv:2511.02864）— https://arxiv.org/abs/2511.02864