【26/8/14】週刊 AI関連ニュースまとめ

OpenAIの次世代モデル「Astra」、数学・理論計算機科学の10の未解決問題で新成果――Lean形式証明も公開

OpenAIは2026年8月1日、開発中の次世代主要モデル「Astra」の社内版が、数学および理論計算機科学における長年の未解決問題10件について、問題の解決または大幅な進展につながる成果を生み出したと発表しました。

対象となった分野は、高次元幾何学、符号理論、算術回路計算量、群論、作用素環、量子計算量、格子暗号、極値組合せ論など多岐にわたります。
具体的には、非ソフィック群の構成、Connesのrigidity conjecture（剛性予想）の反証、Ehrhartの体積予想、多色ラムゼー数など、数学・理論計算機科学の研究コミュニティで長く議論されてきた問題が含まれています。
OpenAIによれば、10件の解法を探索するために使用した総トークン数は、同社のSol APIの料金に換算して約2,000ドル相当だったとしています。

今回特に注目したいのは、AIが「証明らしい文章」を出力しただけではなく、10件の成果について、定理証明支援系「Lean」で検証可能な形式証明が用意された点です。
数学的な論証そのものはAstraが生成し、その後、人間が同じモデルを利用して論文原稿として整理。さらにAstraが各論証をLeanで形式化したとOpenAIは説明しています。
形式証明が公開されることで、少なくとも論理的な証明過程について第三者が機械的に検証できる形が整えられています。

これは「AIによる科学研究支援」を考えるうえで、かなり重要な事例といえそうです。
これまで生成AIの研究利用では、文献検索、要約、データ解析、プログラミング、論文執筆支援などが中心でした。
今回示されたのは、AIが未知の問題に対して数学的成果を生成し、人間と協働して論文化し、さらにAIが機械検証可能な形式へ変換するという一連の研究プロセスです。

医療・生命科学でも、将来的には仮説生成から解析、検証までをAIが連続的に支援する研究環境が広がる可能性があります。
その意味で、数学分野のニュースではありますが、AIを「研究者が利用するツール」から「研究プロセスに参加する協働者」へと位置づけ直す動きとして注目に値します。

ただし、Leanによる形式検証と、その成果の数学的な新規性や重要性について専門家が評価することは別問題です。
OpenAI自身も数学コミュニティによる検討と文脈づけの必要性に言及しており、通常の研究と同様、今後の専門家による評価を見ていく必要があります。

参考：
OpenAI「数学と理論計算機科学における10の進展」

---

Meta、AIコーディングエージェント「Muse Code」と新モデル「Muse Spark 1.2」を発表

Metaは2026年8月5日、新たなAIコーディングエージェント「Muse Code」と、その基盤となる最新AIモデル「Muse Spark 1.2」を発表しました。
Muse Codeはベータ版として提供されるターミナル型のコーディングエージェントで、大規模なコードベースを対象とした複雑なソフトウェア開発を支援します。

特徴は、単にユーザーの指示に応じてコードを生成するだけではなく、長時間に及ぶ複雑な開発タスクを処理し、コードを書いたうえで結果を検証できることです。
また、複数のサブエージェントを並行して動作させることで、難易度の高いタスクを効率的に処理する仕組みも採用されています。
Muse Codeには処理内容を記録する仕組みもあり、途中でクラッシュした場合でも、それまでの作業を引き継いで再開できるとされています。

Muse Codeを支えるMuse Spark 1.2は、Meta Superintelligence Labsが開発するMuse Sparkシリーズの最新版です。
Metaは2026年4月に初代Muse Sparkを発表して以降、AIによるコーディング能力や長時間のエージェント処理を強化してきました。
7月にはMuse Spark 1.1を開発者向けに提供し、そのモデルを利用して難しいコーディング課題を生成・評価することで、Muse Spark 1.2の複雑な指示への対応能力を改善したとされています。

今回の発表で重要なのは、AIコーディングの競争軸が「コードをどれだけ上手に生成できるか」から、「実際のソフトウェア開発工程をどこまで自律的に遂行できるか」へ移りつつあることです。
既存のリポジトリを理解し、変更内容を計画し、複数のコードを編集し、テストや検証まで行うことができれば、AIの役割は従来のコーディング補助とは大きく異なってきます。

医療分野でも、院内システムや研究用ソフトウェア、データ解析基盤など、さまざまな場所でソフトウェア開発が行われています。
コーディングエージェントの高度化は直接的な「医療AI」のニュースではありませんが、医療AIを開発する側の生産性を左右する基盤技術として無視できません。
一方で、医療関連システムでは品質保証やセキュリティ、個人情報保護が特に重要です。
エージェントが自律的に変更できる範囲が広がるほど、人間によるレビューや権限管理、検証プロセスの設計も重要になるでしょう。

OpenAIやAnthropicなどもエージェント型のソフトウェア開発環境を強化しており、Metaの参入によって、この領域の競争はさらに活発になりそうです。

参考：
Meta AI Research

---

米政府、AIで科学研究を加速する「Genesis Mission」を本格拡大――50億ドル超をコミット

米国政府は2026年7月22日、AIを活用して科学的発見を加速する国家プロジェクト「Genesis Mission」について、50億ドルを超える連邦政府としてのコミットメントを発表しました。
Genesis Missionは2025年11月に大統領令によって始まった「AI for Science」の国家的取り組みで、米エネルギー省（DOE）を中心とする枠組みから、15以上の連邦機関が参加する政府横断型プロジェクトへと拡大しています。

共通基盤となるのが、DOEが構築する「American Science and Security Platform」です。
政府が保有する科学データ、計算資源、AIツールなどを研究者と結びつけ、科学的発見を加速するためのインフラとして利用します。
目指しているのは、生成AIに論文を要約させるといった個別業務の効率化だけではありません。
AIモデルやエージェント、高性能計算、科学データ、ロボティクスを組み合わせ、研究プロセスそのものを変える構想です。

医療・生命科学は重要な対象領域の一つです。
米保健福祉省（HHS）などは、慢性疾患の原因探索、小児がん、新薬探索と臨床応用などにAIを活用する計画です。
さらに退役軍人省（VA）は、大規模な電子健康記録とゲノムデータをDOEのスーパーコンピューティング環境と組み合わせ、疾患や健康リスクをより早期に検出するAIモデルの研究を進める方針です。

研究データの規模も大きく、NASAとDOEは、望遠鏡、探査機、着陸機、人工衛星などから得られた150ペタバイトを超えるデータにAIを適用し、天文学、宇宙物理学、宇宙天気、地球科学などの研究を加速させる計画です。
このほか、量子技術、半導体、材料、電力網、バイオテクノロジーなども対象となっています。

特に興味深いのが「自律型研究室（autonomous laboratories）」です。DOE、HHS、NSF、NISTなどが、ロボティクス、エッジAI、リアルタイム解析を組み合わせた自律実験環境の構築を掲げています。
将来的には、AIによる予測や仮説生成を起点として、実験、測定、解析、次の実験条件の決定までを閉ループ化していく研究環境につながる可能性があります。

また、DOEは最初の公募から278件の研究プロジェクトを選定したと発表しています。
Genesis Missionが単なる将来構想ではなく、具体的な研究ワークフローの開発・実証へ移り始めている点も重要です。

医療従事者の視点から見ると、Genesis Missionは「医療AI」を単独の技術として考えるのではなく、科学研究インフラの一部として捉える必要性を示しています。
AIモデルだけでなく、データ基盤、スーパーコンピューター、研究施設、ロボティクスまで統合することで、創薬や疾患研究の速度そのものを変えようとしているからです。

参考：
The White House「Trump Administration Announces More Than $5 Billion for the Genesis Mission」

---

今週のまとめ

今週取り上げた3つのニュースには、「AIが個々の作業を支援する段階から、複数工程からなるプロセスそのものを担う段階へ進んでいる」という共通点があります。

OpenAIのAstraでは、AIが未解決の数学的課題に取り組み、人間と協働して論文化し、さらにLeanによる形式化まで行う研究プロセスが示されました。
MetaのMuse Codeでは、AIがコードを書く単発のアシスタントではなく、計画、実装、検証を含む長時間のソフトウェア開発を担うエージェントへと進化しています。
そして米国のGenesis Missionでは、AI、科学データ、スーパーコンピューター、ロボティクスを国家規模で統合し、科学研究そのものを加速しようとしています。

医療AIについても同様の変化が起こる可能性があります。
これまでの「画像を判定するAI」「文章を生成するAI」「論文を検索するAI」といった個別機能から、複数のAIやデータベース、解析環境、実験設備などが連携し、研究や業務の一連の流れを支援する方向への変化です。

特に研究領域では、人間がAIを使って一つひとつ作業する形から、人間が研究目的や評価基準を設定し、AIエージェントが複数工程を遂行する形へ移行するのかが今後の大きな注目点になりそうです。

一方、自律性が高まれば、AIの出力を「誰が、どの段階で、どのような方法で検証するのか」という問題も重要になります。
医療・生命科学では、研究の再現性やデータガバナンス、安全性、倫理、患者情報の保護なども関係します。
AIの能力向上だけでなく、人間による監督と検証の仕組みがどのように整備されるかも、引き続き追っていく必要がありそうです。