【人間と機械の役割分担を考えるシリーズ ⑩研究者編】AIが研究できるなら、研究者は何をするのか？Google「Co-Scientist」から考える、機械と人間の境界線

AIに、人間の仕事をどこまで任せるべきなのでしょうか。

これまで、いくつかの専門職について考えてきました。

外科手術
司法
教育
税務・会計
クリエイター。
バンカー。
ライター。
エンジニア。

さまざまな専門職について考えてきました。

そして、もう一つ忘れてはいけない仕事があります。

研究者です。

研究者こそ、人間の知的活動の最前線にいる仕事のように思えます。

この仕事をAIができるようになったら、

研究者には、いったい何が残るのでしょうか。

Googleは、AIを「Co-Scientist」にし始めた

2025年、Google ResearchとGoogle DeepMindなどの研究チームが、「AI Co-Scientist」を発表しました。

そして2026年、この研究はNatureに掲載されました。

単なる「論文検索AI」ではありません。

研究者が自然言語で、

「私は、この問題を研究したい」

と研究目標を与える。

すると複数のAIエージェントが、

1. 仮説をつくる。

2. 互いに批判する。

3. 順位をつける。

4. 改善する。

5. 再び評価する。

というプロセスを繰り返します。

Generation。

Reflection。

Ranking。

Evolution。

Meta-review。

など、異なる役割を持つAIが、いわば「仮想的な研究チーム」をつくるわけです。

研究者一人に、大量のAI研究員がつくようなイメージです。

しかも、単なる「アイデア出し」ではない

興味深いのは、AIがつくった仮説の一部が、実際の実験で検証され始めていることです。

例えば急性骨髄性白血病では、Co-Scientistが既存薬の新しい利用候補や組み合わせを提案し、その一部について実験室で腫瘍細胞への作用が確認されました。

肝線維症では、新しい治療標的候補を提案し、ヒト肝オルガノイドを使った実験で抗線維化作用などが確認されています。

さらに抗菌薬耐性の研究では、AIが提案した仮説が、研究チームが長期間かけてたどり着いていた未発表の発見と重なるケースもありました。

つまりAIは、

既存の研究を要約する

だけではなく、

次に検証すべき仮説をつくる

ところまで入り始めています。

これはかなり大きな変化です。

研究者の仕事を分解してみる

では、研究という仕事を少し分解してみましょう。

大まかには、

① 知る
② 問う
③ 仮説をつくる
④ 確かめる
⑤ 解釈する
⑥ 伝える

という流れがあります。

AIは、このすべてに入り始めています。

① 知る

大量の論文を検索し、読み、関連研究を整理する。

これはAIが非常に強い。

② 問う

既存研究の空白を探し、「ここを研究してはどうか」と候補を出す。

これも可能になり始めています。

③ 仮説をつくる

Co-Scientistの中心です。

大量の知識を組み合わせ、人間が思いつかなかった仮説候補を生成する。

④ 確かめる

実験計画をつくる。

コードを書く。

シミュレーションする。

一部の研究領域では、実験そのものの自動化も進んでいます。

⑤ 解釈する

結果を分析し、可能な説明を複数提示する。

ここにもAIが入ります。

⑥ 伝える

論文を書く。

図をつくる。

査読コメントをつくる。

ここは、すでに生成AIがかなり得意です。

すると恐ろしい問いが出てきます。

全部、AIでできるのでは？

実際、「全部やるAI」の研究も始まっている

Sakana AIなどが発表した「AI Scientist」は、さらに先を目指しています。

研究プロセス全体の自動化。

ここは少し冷静に見る必要があります。

独立した研究者による評価では、このAI Scientistは、既存のアイデアを「新しい」と判断してしまったり、実験コードが動かなかったり、根拠の弱い論文を書いたりする問題が確認されています。

評価された実験では、42％がコーディングエラーなどで失敗しました。

幻覚的な数値を論文に書くケースも報告されています。

つまり、

AI研究者は、もう存在する。
でも、優れた研究者になったとはまだ言えない。

という段階です。

では、人間の研究者には何が残るのか

ここからが本当に面白いところです。

AIはおそらく、

探索

には猛烈に強くなります。

• 何百万本もの論文。

• 何億通りもの分子。

• 大量の実験条件。

• 膨大な仮説。

人間が一生かけても検討できない空間を、AIなら探索できます。

でも、研究には、その前にもう一つ仕事があります。

「どこを探索するのか」を決めること。

です。

AIに答えさせる前に、誰かが「問い」を渡している

GoogleのCo-Scientistにも、実は非常に重要な人間の仕事があります。

最初に研究者が、

Research Goal――研究目標

を与えます。

AIは、その目的の中で仮説を生成し、評価し、改善します。

つまり、

「この問題について考えてください」

という最初の問いは、人間側から始まっています。

ここが重要です。

例えば、

「アルツハイマー病の新薬候補を探してください」

とAIに言えば、大量の候補を探索できるでしょう。

しかし、

そもそも薬を探すことが正しい問いなのか？
予防を研究した方がいいのではないか。
疾患の分類自体を変えるべきではないか。
環境や生活習慣との関係を見るべきではないか。
現在の研究資金の配分そのものがおかしいのではないか。

こうした問いは、

与えられた探索空間の外側にあります。

研究とは「座標系」を疑うことなのかもしれない

少し数学的なたとえをしてみます。

線形代数では、同じ対象でも、どの「基底」を使うかによって表現の仕方が変わります。

簡単に言えば、

世界を見る軸を変えると、同じ世界が違って見える。

ということです。

科学の大きな進歩にも、似たところがあります。

既存の座標の中で答えを探すのではなく、

そもそも、その座標で考えること自体を疑う。

ニュートン力学とは違う形で、時間と空間を捉えてみる。

生物の形だけを見るのではなく、遺伝情報という別の軸から生命を見る。

病気を臓器別に分類するのではなく、分子メカニズムから捉え直してみる。

こうした瞬間です。

AIは、与えられた巨大な探索空間を猛烈な速度で調べることができます。

しかし研究者には、

「そもそも、この探索空間でいいのか？」

と問う仕事があります。

もちろん、将来のAIが新しい座標系そのものを提案できないとは限りません。

むしろ、それも研究対象になるでしょう。

だから、

「AIには問いをつくれない」と決めつける必要もありません。

大切なのは、

人間とAIのどちらが、どの種類の問いをつくるのが得意なのか

を見極めることです。

研究者は「知識を持っている人」ではなくなる

かつて研究者の価値の一部は、

大量の論文を読んでいること。
専門知識を持っていること。
高度な分析ができること。

にありました。AIによって、この希少性は少しずつ下がっていくでしょう。すると研究者の価値は、

何を知っているかだけではなく、

何を不思議だと思えるかへ移っていくのかもしれません。

誰も問題だと思っていないことを問題だと思う。別々だと思われていた現象をつなぐ。当たり前だと思われていた前提を疑う。予想と違うデータを「誤差」として捨てず、立ち止まる。

そして、

「もしかすると、私たちは問いを間違えているのではないか」

と言える。これは、かなり人間的な研究者像です。

AI時代の研究者は「問いのデザイナー」になる？

だからAI時代の研究者は、すべての作業を自分で行う人ではなくなるでしょう。
そのうえで人間は、何を研究するのか。どの仮説が本当に面白いのか。何を証拠として認めるのか。予想外の結果をどう読むのか。

そして、

次に何を問うのか。

を考える。

つまり研究者は、

Answer MakerからQuestion Designerへ

少しずつ重心を移していくのかもしれません。

そして、これは経営者にもよく似ている

ここで研究の話を企業経営へ置き換えてみると、驚くほど似ています。

AIに、

「この市場へ参入すべきですか？」

と聞けば、膨大な分析をしてくれるでしょう。

でも、

そもそも、なぜこの市場を見ているのか？

AIに、

「競合に勝つ方法を考えて」

と頼めます。

でも、

本当に、その会社を競合だと考えるべきなのか？

AIに、

「売上を20％伸ばす方法を考えて」

と頼めます。

でも、

そもそも売上を最大化することが、今の会社にとって正しい目的なのか？

これは、Research Goalそのものを疑う問いです。

研究者が科学の「座標系」を疑うように、

経営者も、

事業の座標系そのものを疑う。

そこに、人間の重要な役割が残るのではないでしょうか。

AIが答えを増やすほど、「問い」が希少になる

研究者の世界から見えてくるのは、

問いと発見

です。

• 何を研究するのか。

• 何を重要だと思うのか。

• 何をまだ分かっていないと考えるのか。

という問いの価値が上がっていく。

AI時代に希少になるのは、答えを知っている人ではなく、

「まだ誰も問うていない問い」に気づける人

なのかもしれません。

そして、おそらくこれは研究者だけの話ではありません。

経営者にも。コンサルタントにも。教師にも。クリエイターにも。同じことが起き始めています。

AIが答えをつくる時代。

人間には、

何を問うのかを決める仕事

が、これまで以上に重要になるのだと思います。

もしこの記事にご興味を持っていただけましたら、こちらで僕が考える新しい仕事の定義も書いてみたので、ぜひご参照ください。

→みなさまそれぞれの立場や状況に合わせてどんなふうに仕事が変わっていくのか、一緒に考えられるコンテンツになっています^_^

📚 関連記事・マガジン

この記事は、「AI時代、人はどう生きるのか ～未来を考える～」シリーズの一編です。
AI時代・未来予測・働き方・教育・人間らしさをテーマに、社会の変化を読み解く記事を公開しています。ぜひ他の記事もご覧ください。

#生成AI #AIエージェント #税務 #会計 #KSK2 #国税庁 #TaxAdministration #経営戦略 #意思決定 #DX #AI活用 #AI時代の働き方 #AIエージェント #デジタルDX #業務効率化 #リスキリング #税務会計 #公認会計士 #税理士 #国税庁 #KSK2 #データ駆動経営 #コーポレートガバナンス #未来の働き方 #イノベーション #FutureDesign #クリエイティブ #プロフェッショナルサービス #経営者 #組織設計 #HumanAI #エンジニア #ソフトウェア開発 #AIコーディング #組織設計 #Architecture #HumanAI #DX #未来の仕事  #研究 #科学 #研究者 #AIサイエンティスト #経営学 #イノベーション #HumanAI #未来

CROSS Business Producers
CROSS Graph Team
Knowledge Architect　フランソワ🐾
未来を描く事業開発のプロフェッショナル。
新規事業・AI戦略・未来構想の伴走支援を行っています。
「正しい戦略より、美しい構想を。」

💻ウェビナー開催！参加者募集中👇

今流行りの「 #データセンター 」「 #エネルギー 」に関する最新情報です！ぜひお申込みください✨