一言で言うと
科学AIの成功例とされてきたAlphaFoldを作った人が、次の仕事として「汎用AIコーディング」を選んだ。最大の専門ツールの開発者が専門ツールから離れたという事実は、AI×科学の競争がすでに「専門ツールを作る競争」ではなくなりつつあることを内側から示している。
何が起きているのか
2026年5月のGoogle I/Oで、Google DeepMindのCEO Demis Hassabis氏は「特異点の麓に立っている」と語った。
同イベントでGoogleは複数の科学向けAIを発表した。仮説生成を行うAI Co-Scientist、アルゴリズム最適化ツールのAlphaEvolve、ハリケーン予測AIのWeatherNext、複数のAIをまとめて使えるGemini for Scienceだ。AlphaFold（タンパク質の立体構造を予測するAI）はすでに世界300万人以上の研究者に使われている。
ところが、この大量発表の裏で記事が注目するのは二つの動きだ。
一つ目、AlphaFold開発者でNobel化学賞受賞者のJohn Jumper氏が現在注力しているのは「AIコーディング」だ。「次の科学専門ツールを作る」方向ではなく、汎用の開発支援AIへ軸足を移した。
二つ目、OpenAIの汎用推論モデルが、科学専用の学習なしに「生成AIが数学に対してなした最も重要な貢献」と評される数学予想の反証を達成した。
AI業界の文脈では
Googleが科学向けAIを大量に発表したと見れば、これは「専門ツール競争の延長線」に見える。しかし、その見方には「科学AIの進歩は、問題ごとに特化したモデルを増やすことで測られる」という前提がある。
その前提が、内側から崩れ始めている。
AlphaFoldは成功モデルとして知られてきた。タンパク質の折りたたみという単一問題に絞り、大量の生物学データで鍛えたモデルが、何十年も解けなかった問題を解いた。しかし、その開発者が次に選んだのは「別の科学専門ツールを作ること」ではなかった。
OpenAIの汎用推論モデルが数学難題を解いたことも同じ方向を指している。科学専用の訓練なしに、汎用の推論力だけで科学的成果が出始めた。
Googleが発表したAI Co-Scientistも、「一つの問題を解く専門ツール」ではなく「研究プロセス全体を自律的に動かす汎用エージェント」の方向を向いている。発表の表面は専門ツールの量産だが、内側では汎用エージェントへの賭けが始まっている。
私の見立て
専門ツールがなくなるわけではない。AlphaFoldは今も300万人が使い、WeatherNextのような特化型が輝く領域は残る。ただ、「次の科学的発見はどこから生まれるか」という問いに対して、研究者の判断が変わり始めている。
経済的な計算がそれを後押ししている。専門ツールを1つ作るには数年と大量のドメインデータが必要だった。汎用エージェントの推論力が上がるほど、新しい問題に「専門ツールを作って解く」よりも「汎用エージェントに問いを設計して渡す」方が速く、安くなっていく。John Jumperが転じた方向は、その経済計算が変わったことを内側から証言している。
Nobel賞を取った研究者が次に向かう場所は、だいたい「発見の密度が最も高い」と本人が判断した場所だ。その行き先が汎用AIコーディングだったという事実は、それ自体が一つのシグナルだ。
もう一つ変わることがある。AlphaFoldは「何を問うか」が固定されていた。タンパク質の配列を入れると構造が出る。汎用エージェントは「何を問うか」が開いている。この違いが、新しい格差の源泉になる。同じエージェントを使っても、「どんな問いを設計できるか」で研究の質が変わる。科学者に求められる力が、実験設計から「AIへの問い方の設計」へと重心を移していく。
この転換がゆっくりになるとすれば、汎用エージェントが「再現可能性」と「説明可能性」で壁に当たるときだ。科学はブラックボックスを許容しない場面が多い。しかし今のところ、その壁よりも汎用エージェントへの資本と人材の流入が先を走っている。
→ 何が変わるか: AI×科学の競争軸が、「優れた専門ツールを持つ機関が強い」から「汎用エージェントへの問いを上手く設計できる研究者がいる機関が強い」に置き換わっていく。
→ 何をすべきか: 医療・創薬・材料科学など専門領域に関わる立場なら、「自分の研究課題のどこを汎用エージェントに渡せるか」を考え始める価値がある。今週できる一歩は、毎週こなしている作業の中から「AIエージェントへの問いに変換できそうなもの」を一つ書き出してみることだ。問いを設計する練習が、数年後の中心的なスキルになる。