こんにちは、株式会社TIMEWELLの濱本 隆太です。
AI for Science（エーアイ・フォー・サイエンス）とは、人工知能を「研究を速く回すための道具」としてだけでなく、仮説を立て、実験を設計し、発見そのものを生み出す担い手として科学研究に組み込む、新しい研究のやり方を指す言葉です。タンパク質の形をAIが数分で言い当て、その仕事が2024年のノーベル化学賞になりました。数学オリンピックではAIが金メダル級の点を取り、日本でも理化学研究所が科学専用のスーパーコンピュータ「理究（りきゅう）」を立ち上げ、国は千億円単位の予算を投じ始めています。この記事では、AI for Scienceが何を指すのか、世界で何が起きているのか、日本は国としてどう動いているのか、そして高校の探究学習からその入口にどう立てるのかを、開発元と政府の一次情報だけを根拠に整理します。
私たちTIMEWELLは企業のAI伴走支援を本業にしていますが、高校の先生方から「探究の授業で、最前線の科学とAIの話をどう扱えばいいか」という相談を受ける機会が増えました。話題としては面白いのに、まとまった一次情報が意外と見当たりません。要点を先に3つ挙げます。
- AI for Scienceは「AIで研究を効率化する」話にとどまらず、AIが発見の担い手になる研究様式への転換を指します。タンパク質構造予測がノーベル化学賞になったことが、その象徴です
- 世界ではAlphaFold 3、ゲノム基盤モデルEvo 2、アルゴリズム発見エージェントAlphaEvolve、数学オリンピック金メダル級など、AIが本物の最前線を動かした実例が2024年から2025年に相次ぎました
- 日本は理研のスパコン「理究」や文科省の推進策（令和7年度補正で1,143億円規模）で国を挙げて追随しています。高校の探究学習は、この大きな流れに生徒がつながる最初の一歩になります
AI for Scienceとは何か。なぜ「今」なのか
AIを科学に使うこと自体は、実は珍しくありません。膨大な観測データをふるいにかけたり、シミュレーションを高速化したりする使い方は、以前から研究の現場にありました。AI for Scienceが指しているのは、そこから一歩踏み込んだ変化です。仮説を出す、次にどの実験をすべきかを決める、まだ誰も見たことのない分子や配列を設計する。これまで人間の研究者が担ってきた「発見に向かう判断」の部分に、AIが入り込み始めた。この様式そのものをAI for Scienceと呼びます。
文部科学省は公式資料で、AIを科学研究に組み込むことが「研究の範囲やスピードに飛躍的向上」をもたらし、「科学研究の在り方そのものに急速かつ抜本的な変革をもたらしつつある」と書いています[^1]。役所の文書としてはかなり踏み込んだ表現です。同じ資料は、その具体例としてタンパク質の構造予測を行うAlphaFoldを名指しし、「研究にかかる時間とコストを劇的に削減する」と評価したうえで、AIは研究の生産性を上げるだけでなく「科学研究の在り方そのものを変革する」と位置づけています[^1]。国が、一つのAIの名前を出して科学の潮目が変わったと認めている。これは注目に値します。
では、なぜ「今」なのでしょうか。理由は大きく2つあると考えています。ひとつは、生成AIと基盤モデルの登場で、AIが自然言語のまま推論し、専門知識をまたいで扱えるようになったこと。もうひとつは、AIの「粘り強さ」が伸びたことです。少し前まで、AIは質問に数秒で答える存在でした。ところが最近は、数十分から数時間、ときには数日をかけて調べたり考え抜いたりするエージェント型のAIが出てきました。腰を据えて探索するようになったAIは、答えのある問題を解くだけでなく、答えがまだ存在しない研究の領域に手を伸ばせるようになります。この長時間駆動のAIが研究に与える影響については、AI駆動研究の解説記事で掘り下げています。
世界の到達点。AIはすでに科学の最前線を動かしている
抽象論だけでは腹落ちしません。2024年から2025年にかけて、AIが実際に科学の最前線で成果を出した事例を、発表日と開発元をつけて並べます。いずれも開発元の公式発表か、公的機関が確認した事実に絞っています。
| 発表 | 時期 | 担い手 | 何が起きたか |
|---|---|---|---|
| AlphaFold 3 | 2024年5月8日 | Google DeepMind・Isomorphic Labs | タンパク質に加えDNA・RNA・薬の分子までの構造と相互作用を予測[^6] |
| ノーベル化学賞 | 2024年10月9日 | David Baker、Demis Hassabis、John Jumper | タンパク質の設計と構造予測に授与[^7] |
| Evo 2 | 2025年2月19日 | Arc Institute・NVIDIA | 生命のDNAを大量に学んだゲノム基盤モデルを公開[^8] |
| AlphaEvolve | 2025年5月14日 | Google DeepMind | 数学の未解決・難問で最良解を更新[^9] |
| 数学オリンピック金メダル級 | 2025年7月 | Google DeepMind・OpenAI | 国際数学オリンピックで金メダル基準の成績[^10] |
生命科学。タンパク質とゲノムをAIが読み解く
生命科学は、AI for Scienceの象徴的な舞台になりました。2024年5月8日に発表されたAlphaFold 3は、タンパク質の立体構造だけでなく、DNAやRNA、薬の候補になる低分子まで含めて、それらがどう組み合わさるかを予測します[^6]。開発元のGoogle DeepMindは、分子どうしの相互作用の予測で「既存手法より少なくとも50%の改善」と説明しています（この数値は開発元の公式表現です）[^6]。かつては一つのタンパク質の形を実験で決めるのに何年もかかりました。その作業が数分の予測に置き換わりつつあります。
この流れが世界的に認められたのが、2024年10月9日のノーベル化学賞です[^7]。賞の半分はタンパク質を計算で設計する研究（David Baker氏）に、もう半分はAlphaFoldによるタンパク質構造予測（Demis Hassabis氏とJohn Jumper氏）に贈られました。AIによる科学が、その年の化学賞そのものになった。研究の最前線でAIが主役級の働きをしている何よりの証拠だと思います。
もう一段、想像を刺激するのがゲノム基盤モデルです。2025年2月19日にArc InstituteとNVIDIAらが公開したEvo 2は、細菌から真核生物まで幅広い生き物のゲノムを「文章」のように大量に学習しました[^8]。学んだ塩基の量は9.3兆を超えます。その結果、乳がんに関わる遺伝子BRCA1の変異について「良性か病的か」を90%を超える精度で判別できると開発元は報告しています[^8]。DNAという生命の言葉を読めるようになったAIが、病気のリスク判定や新しい配列の設計に手を伸ばし始めています。
数学とアルゴリズム。人間が破れなかった記録を更新する
生命科学だけではありません。人間の知性の象徴とされてきた数学でも、AIが実際の記録を塗り替えました。2025年5月14日にGoogle DeepMindが発表したAlphaEvolveは、数学の未解決・難問50問あまりに挑み、約75%で既知の最良解を再発見し、20%では従来の最良解を更新したとされます[^9]。象徴的な例が、300年以上研究されてきた「11次元の接吻数」という幾何の問題で、下界を592から593に更新したことです[^9]。さらに、1969年以来最良とされてきた4×4行列の掛け算の手順まで改善しました[^9]。何十年も破られなかった記録を、AIが自分で見つけた解き方で更新している。ここは素直に驚きました。
数学オリンピックの話も外せません。2025年7月、Google DeepMindは同社のモデルが2025年の国際数学オリンピックで42点満点中35点、6問中5問を完全解答し、金メダル基準を達成したと公表しました[^10]。しかもこの成績は、IMOの主催者が公式に採点し認定したものです[^10]。数式専用の言語ではなく、人間と同じ自然な言葉で証明を書き、人間と同じ時間制限の中で解いた点も画期的でした。ここで一点だけ注意が必要です。同じ時期にOpenAIも同じ問題で金メダル級の成績を発表していますが、こちらは主催者による公式採点ではなく自社評価です[^10]。「AIが金メダルを取った」と一括りにされがちですが、公式に認定されたのはDeepMindの結果だという区別は、授業で扱うなら押さえておきたいところです。
こうした成果を並べると誇張したくなりますが、開発元が「世界初」「最大」と述べている表現は、あくまで開発元の主張として引用しています。第三者が検証し尽くした事実とは限りません。科学の話を扱うときほど、この線引きは崩さないようにしたいと考えています。
日本の国家戦略。理研「理究」と文科省の1,143億円
世界の話に圧倒されそうですが、日本も手をこまねいているわけではありません。むしろ、国を挙げてかなり本気で動いています。
スパコン「理究」。科学専用のAI計算基盤
その象徴が、理化学研究所が立ち上げた科学研究専用のスーパーコンピュータ「理究（りきゅう）」です。名称は2026年6月19日に決まりました[^4]。開発と運用を担うのは、理研の最先端研究プラットフォーム連携（TRIP）事業本部の科学研究基盤モデル開発プログラム（通称AGIS）と、計算科学研究センター（R-CCS）です[^4]。システムはNVIDIAの最新チップを積んだ400を超える計算ノードで構成され、日本を代表するスーパーコンピュータ「富岳」と連携して、世界トップレベルのAI for Science開発環境を目指します[^5]。運用は2026年7月の開始を予定しています[^4]。
名前の由来がまた洒落ています。自然現象の背後にある「理（ことわり）」をAIと計算で探り、それを「究める」という意味を込めた造語で、茶人の千利休（せんのりきゅう）に音が似ていることも意識されているそうです[^4]。日本発の科学AIの名前として、世界に伝わりやすさも狙った命名だと感じます。ハードウェアを一台つくったという話に見えて、実際には「科学のためのAIを国産で育てる」という意思表示です。理究とAGIS、TRIP-AGISと米アルゴンヌ国立研究所の連携、富岳NEXTとの関係までを一次情報で掘り下げた理研AGISとスパコン理究の詳細解説も用意しています。
文科省の推進策。戦略方針と千億円規模の予算
制度と予算の面でも、輪郭がはっきりしてきました。文部科学省はAI for Science推進委員会を設け、令和8年3月31日に「AI for Scienceの推進に向けた基本的な戦略方針」を策定しています[^2]。方針は、ライフサイエンスやマテリアルといった日本の得意分野に加え、科学専用の基盤モデル（科学基盤モデル）を国内で育てる方向を掲げています。国の資料には「自国でAI研究開発力を保持することは安全保障上極めて重要」という一文もあり[^1]、科学のためのAIを他国任せにしない、という危機感がにじみます。
予算の規模は具体的です。「AI for Science」による科学研究の革新に、令和7年度補正予算で1,143億円、関連経費を含めると1,527億円が計上されました[^1]。令和8年度の当初予算案でも193億円が確保されています[^1]。中でも中核が「AI for Scienceによる科学研究革新プログラム」の370億円で、その内訳は次のようになっています。
| 区分 | 予算規模 | 中身 |
|---|---|---|
| プロジェクト型 | 320億円 | 日本の勝ち筋となる重点領域に集中投資。1件あたり20億円程度、原則3年[^1] |
| チャレンジ型 | 50億円 | あらゆる分野の研究者を後押し。1件あたり500万円程度を約1,000件、期間はおおむね1年以内[^1] |
このチャレンジ型が、通称「SPReAD」と呼ばれる公募事業です。人文・社会科学まで含めたあらゆる分野を対象に、1件あたり最大500万円の研究費を約1,000件も配る構えで、第1回の公募は令和8年4月17日から5月18日にかけて行われました[^3]。事業の流れは、国が科学技術振興機構（JST）に基金を造成し、そこから大学等へ資金と計算資源を届ける仕組みです[^1]。小口の研究費を広くばらまいて裾野を耕しつつ、重点領域には大玉を投じる。二段構えで研究力の底上げを狙う設計です。
こうした一連の動きは、国の科学技術政策の大枠である第7期科学技術・イノベーション基本計画が目指す研究力向上を牽引する位置づけとされています[^1]。理究というハードと、戦略方針・予算というソフトが、同じ方向を向いてそろい始めた。ここ数年でこれだけ形になったのは、正直、想像より速い動きでした。
探究学習からAI for Scienceの入口に立つには
ここまでは研究者と国家の話でした。では、高校の教室とはどうつながるのでしょうか。私は、探究学習こそがAI for Scienceの一番身近な入口だと考えています。
理由は、両者のプロセスがそっくりだからです。高等学校学習指導要領は、総合的な探究の時間の目標に「実社会や実生活と自己との関わりから問いを見いだし、自分で課題を立て、情報を集め、整理・分析して、まとめ・表現する」というプロセスを埋め込んでいます。問いを立て、情報を集め、分析し、表現する。これはAlphaFoldやEvo 2を生んだ研究者たちがやっていることと、構造としては同じです。規模と道具が違うだけで、営みの骨格は変わりません。だからこそ、探究の授業は「小さなAI for Science」を体験する場になり得ます。この探究と生成AIの具体的な組み合わせ方は、高校の探究学習×生成AIの実践記事で手順まで書いています。
具体的に何ができるか。たとえば、AlphaFoldが公開しているタンパク質構造のデータベースを生徒が実際に開き、身近な生き物のタンパク質の形を眺めてみる。生成AIに「この仮説の弱いところはどこか」と壁打ちをさせ、問いを鍛え直す。長時間駆動のリサーチ系AIに、一次情報を横断して調べさせ、その結果を生徒が検証する。どれも数年前なら研究者しか触れなかった道具です。テーマの立て方に迷ったら、AIを軸にした探究の切り口をまとめた探究学習のAIテーマ集も参考にしてください。
ただし、順序を間違えると台無しになります。AIに問いごと丸投げさせると、探究は「AIに答えを出させて清書する作業」に化けてしまいます。文科省のN-E.X.T.ハイスクール構想も、AIを排除するのではなく、AIに代替されない力を育てたうえでAIを使いこなす、という二段構えを打ち出しています。この考え方はN-E.X.T.ハイスクール構想の解説と、「AIに代替されない力」を掘り下げた記事で詳しく整理しました。問いを立てる役割だけは生徒が握り続ける。AIは検証と加速の相棒に徹する。この線引きが、探究をAI for Scienceの入口に変える分かれ目になります。
私たちTIMEWELLも、学校・教育機関向けのWARP for Schoolsで、生成AIを使った探究学習の設計や、生徒が自分の手でプロダクトをつくる伴走を行っています。これまでに500名以上の育成に携わり、東京都との協定事業（WARP ENTRE）にも取り組んできました。AIの操作を教えるだけでなく、「自分で問いを立てて形にする」経験そのものを届けたい。最前線の科学とAIの話を、教室の探究にどうつなげるか一緒に考えたい学校関係者の方は、覗いてみてください。
まとめ
- AI for Scienceは、AIを効率化の道具にとどめず、仮説・実験設計・発見の担い手として研究に組み込む新しい研究様式です
- 世界ではAlphaFold 3、2024年ノーベル化学賞、Evo 2、AlphaEvolve、数学オリンピック金メダル級など、AIが最前線を動かした実例が2024年から2025年に相次ぎました
- 日本も理研のスパコン「理究」（2026年7月運用開始予定）と文科省の推進策（令和7年度補正1,143億円規模）で国を挙げて追随しています
- 高校の探究学習は「問いを立て、検証する」という点でAI for Scienceと骨格が同じで、生徒が最前線につながる入口になります
- 鍵は、問いを立てる役割を生徒が手放さないこと。AIに丸投げさせない設計が、探究をただの作業から本物の探究に変えます
科学の最前線は、もう研究者だけのものではありません。数分でタンパク質の形が分かる時代の高校生は、教科書に載る前の発見を横目で見ながら学ぶことになります。その入口に一番近い場所に立っているのが、探究の授業だと私は思っています。今日の授業のテーマ設定から、その一歩は始められます。
参考文献
[^1]: 文部科学省「AI for Scienceに関する令和7年度補正予算及び令和8年度当初予算案について」（AI for Science推進委員会 資料2、令和8年2月9日） [^2]: 文部科学省「AI for Scienceの推進に向けた基本的な戦略方針」（令和8年3月31日） [^3]: 文部科学省「AI for Science萌芽的挑戦研究創出事業（SPReAD）」特設サイト [^4]: 理化学研究所「AI for Science開発用スーパーコンピュータの名称を『理究（りきゅう）』に決定」（2026年6月19日） [^5]: 理化学研究所「AI for Science開発用スーパーコンピュータのシステムが決定」（2025年7月28日） [^6]: Google「Google DeepMind and Isomorphic Labs introduce AlphaFold 3」（2024年5月8日） [^7]: Google DeepMind「Demis Hassabis and John Jumper awarded Nobel Prize in Chemistry」（2024年10月） [^8]: Arc Institute「Evo 2: A biological foundation model」（2025年2月19日） [^9]: Google DeepMind「AlphaEvolve: a Gemini-powered coding agent for designing advanced algorithms」（2025年5月14日） [^10]: Google DeepMind「Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad」（2025年7月）