2026年2月、OpenAIはGPT-5.2 Proが理論物理の研究において「新しい一般式の導出」に貢献したと発表した。
対象はゲージ理論におけるグルーオン散乱振幅であり、個別ケースの計算から、あらゆる粒子数に成り立つ一般式を導いたというニュースだった。
あの出来事は、AIが単なる計算機ではなく、構造発見の道具として機能し始めたことを示していた。
しかし話はそれで終わらなかった。
2026年3月、OpenAIは続く研究成果として、
その構造を重力理論へ拡張する結果を発表した。
対象はグラビトン散乱振幅。
つまり、強い相互作用の理論から、重力の理論へ。
これは単なる追加ニュースではない。
理論物理の文脈では、このジャンプには特別な意味がある。
何が起きたのか
前回の研究では、GPT-5.2は次のような問題を扱っていた。
グルーオン散乱振幅において
single-minus amplitude と呼ばれる特殊な構造がある。
研究者はこれまで、小さな粒子数については式を書けていたが、
一般の粒子数 n に対する形は見えていなかった。
GPT-5.2はそれらの式を整理し、
任意の粒子数に対して成立する
閉じた形の一般式
を提案した。
今回の研究は、その構造を
グラビトン（重力子）の散乱振幅
にまで拡張したものだ。
つまり
グルーオン
↓
グラビトン
という理論の階層をまたいだ拡張である。
なぜ重力は特別なのか
理論物理ではよく言われる。
「重力はすべてを難しくする」
ゲージ理論（電磁気や強い相互作用）は比較的扱いやすいが、
重力の散乱振幅は計算量が爆発的に増える。
そのため研究者の間では昔から、
ゲージ理論の構造を理解すれば
重力の構造も見えてくるのではないか
という発想があった。
実際、散乱振幅の世界では
gauge theory → gravity
という対応関係が何度も発見されている。
今回の研究も、その流れの延長にある。
AIが見つけた構造を、
人間の研究者が重力理論に持ち込み、
新しい式として整理した。
GPTは何をしたのか
ここで重要なのは、GPTの役割だ。
今回の研究でも、
問題設定
理論的枠組み
結果の検証
はすべて人間が担っている。
GPTが担当したのは主に
構造探索
だ。
膨大な式の集合を整理し、
そこに潜むパターンを抽出し、
より単純な形の候補を提示する。
人間がそれを検証し、
数学的に成立することを確認する。
この流れは、すでに研究の一部として機能し始めている。
研究の風景はどう変わるか
今回のニュースが興味深いのは、
AIが「式を見つけた」ことではない。
それよりも、
理論の拡張にまで関与した
ことだ。
科学史では、発見そのものよりも、
その構造が別の理論へ広がる瞬間に、
本当の意味が現れることが多い。
ニュートン力学が天体運動に適用され、
マクスウェル方程式が電磁波を予言したように。
今回の研究はまだその規模ではない。
しかし少なくとも、
AIが研究の補助者から
構造探索の共同作業者へ近づきつつある
ことは確かだ。
静かな続編
2月のニュースは「発見」だった。
今回のニュースは「拡張」だ。
理論物理では、この順番が重要になる。
構造が見つかり、
それが別の理論にも現れるとき、
研究者は初めてそれを
本物の構造
と認識する。
今回の結果は、AIがその過程に参加し始めたことを示す、
静かな続編と言えるだろう。
まとめ
今回のニュースは、前回の研究の単なる続報ではない。
AIが提案した構造が、別の理論へと拡張されたという点で、理論研究の文脈ではむしろ意味が重い出来事だ。
科学史を振り返ると、新しい式が発見された瞬間よりも、その構造が別の理論にも現れることが確認されたとき、研究者はそれを「偶然の計算結果」ではなく「本物の構造」と認識してきた。
言い換えれば、
「式の発見」より「理論の拡張」のほうが科学史では重い。
今回の研究は、その入り口に立った出来事と言えるだろう。
もちろん、AIが自律的に物理学を発見したわけではない。
問題設定、理論的枠組み、そして最終的な検証は、すべて人間の研究者が担っている。
それでも、AIが構造探索という領域に実際に踏み込み始めていることは、もはや否定できない。
ここ最近のOpenAIの発表を見ていると、同社は単なる「便利なAIツール企業」ではなく、フロンティア研究を主導する存在としての姿を強く打ち出そうとしているようにも見える。
ちょうどIPOが噂されるタイミングでもあり、こうした成果発表が「AIはどこまで到達しているのか」という物語を形作っている側面もあるだろう。
ただ、それを差し引いても、今回の出来事は興味深い。
AIは文章を書き、画像を生成し、コードを補完する。
そうした能力はすでに日常の道具になった。
しかし今、AIはもう一歩だけ奥へ進みつつある。
それは、人間が長い時間をかけて見つけてきた
「構造」そのものを探す仕事だ。
もしこの流れが続くなら、AIは計算機でも検索エンジンでもなく、
理論を磨くための新しい研究装置として位置づけられるようになるのかもしれない。
そして今回のニュースは、その静かな始まりを示す一つの例として、後から振り返られる可能性がある。
コラム１：今回の研究で本当に面白いのは「式の形」だ
今回のニュースで一番面白いのは、実は式そのものだ。
研究者が「これは綺麗だ」と言い始めている理由も、そこにある。
まず前提を軽く整理しておこう。
今回扱われているのは 散乱振幅（scattering amplitude） という量だ。
これは粒子同士が衝突したとき、「どんな確率でどんな状態になるか」を計算する、素粒子物理の基本的な道具である。
今回研究対象になったのは、その中でも
single-minus amplitude
と呼ばれる特殊なケースだ。
これは粒子の ヘリシティ（スピンの向き） の組み合わせの一種で、ざっくり言うと次のような配置になる。
1個だけマイナス
残り全部プラス
例として書くと
- + + + + + +
のような形だ。
ところが、このときの散乱振幅の式が 異様に扱いづらい ことで知られていた。
これまでの状態
研究者は長い間、次のようなやり方で計算してきた。
粒子数4 → 計算
粒子数5 → 計算
粒子数6 → 計算
つまり
個別の式の山
を積み上げるしかなかった。
しかも、その式は非常に長い。
紙が何ページも埋まるようなタイプの計算になる。
このため、
「一般の粒子数 n に対して、どんな形になるのか」
という構造は見えていなかった。
GPT-5.2が見つけた構造
今回AIが提案したのは、かなり大胆な書き方だった。
ざっくり言うと
「グラフの和」で書く
という形だ。
イメージとしては次のような構造になる。
Σ（すべての木グラフ）
×
辺ごとの係数の積
つまり
粒子を ノード
相互作用を エッジ
として表現し、
木構造（tree graph）
をすべて足し合わせる形で散乱振幅を書ける、というものだ。
複雑な式を延々と展開する代わりに、
構造そのものを式として書く
という発想である。
さらに今回の拡張
今回の論文では、この構造が
グラビトン散乱
にまで拡張された。
グラビトンは、重力を媒介する仮想粒子とされる存在だ。
ここで物理学者がよく口にする言葉がある。
gravity = gauge theory²
重力の理論は、ゲージ理論の「二乗構造」として現れる、という考え方だ。
今回の結果も、まさにその雰囲気を持っている。
ゲージ理論
↓
木グラフの積
重力理論
↓
その「二乗構造」
つまり、AIが見つけた構造が、別の理論にも自然に現れる形になっている。
なぜ研究者が「美しい」と言うのか
この結果が注目されている理由は、単なる整理ではない。
比較すると分かりやすい。
これまでの式
→ 数ページに及ぶ計算
今回の式
→ グラフの和
つまり
複雑な式 → 構造的な式
へ変わった。
数学者や理論物理学者は、この瞬間が大好きだ。
歴史的にも、同じパターンが何度も現れている。
Maxwell方程式
Dirac方程式
Yang-Mills理論
どれも最初は泥臭い計算から始まり、最後には
信じられないほど短い式
に収束する。
実はここが一番ゾクッとする
今回の研究でもう一つ驚かれているのは、
directed matrix-tree theorem
という数学が現れたことだ。
これは グラフ理論 の定理である。
つまり今回の研究は
素粒子物理
×
グラフ理論
という交差点に立っている。
科学史的に見ると
これは決して珍しいことではない。
自然はしばしば、
予想外の数学
で書かれている。
例えば
量子力学 → フーリエ解析
相対性理論 → リーマン幾何
ゲージ理論 → 群論
そして今回
散乱振幅
→ グラフ理論
という関係が見えてきた。
自然界の構造が、思いもよらない数学の形で現れる。
理論物理の研究者が興奮するのは、まさにこういう瞬間なのである。
コラム2：物理学者はなぜ「Feynman図」を捨て始めているのか
ここまでの話を読むと、ひとつ疑問が湧く。
なぜ散乱振幅の研究では、グラフ構造のような表現が重要になってきたのだろうか。
その背景には、理論物理の世界でここ十数年続いている、ある静かな革命がある。
それは、
Feynman図を使わない散乱振幅計算
という研究潮流だ。
Feynman図という伝統
素粒子物理では長い間、粒子の相互作用は Feynman図 で計算されてきた。
これは粒子のやり取りを図で表したものだ。
粒子A →●→ 粒子B
|
●
|
粒子C
線は粒子の伝播、
頂点は相互作用を表す。
この図をすべて列挙し、それぞれの寄与を計算し、最後に足し合わせる。
それが散乱振幅の計算方法だった。
この方法は非常に強力で、
標準模型の計算のほとんどはこれで行われている。
しかし問題もあった。
図の数が爆発する
粒子数が増えると、Feynman図の数は爆発的に増える。
例えば、
粒子4個 → 数十個の図
粒子6個 → 数百個
粒子8個 → 数千個
という具合だ。
そして奇妙なことに、最終的な答えは
驚くほどシンプル
だったりする。
つまり研究者は長い間、
巨大な計算
↓
すごく短い答え
という構図に悩まされていた。
これはまるで、
「遠回りな計算をしているのではないか」
という感覚を生んでいた。
新しい視点
2000年代以降、理論物理の一部の研究者が言い始めた。
「Feynman図は便利な道具だが、
自然の本当の構造を表しているわけではないのではないか？」
そこで登場したのが、
散乱振幅そのものの幾何構造
を直接扱うアプローチだ。
この研究から次々と新しい概念が生まれた。
- BCFW再帰関係
- アンプリチュヘドロン（amplituhedron）
- スピノルヘリシティ形式
などだ。
これらはすべて、
Feynman図を使わずに振幅を書く
方法を目指している。
今回の研究との関係
今回の研究が面白いのは、
この流れの延長線上にある点だ。
AIが提案した式も、
Feynman図を直接足し合わせる形ではない。
代わりに現れたのが
木構造（tree graph）の総和
という形だった。
つまり
従来
Feynman図の山今回
構造的なグラフの和
になっている。
研究者の目には、これは
より本質的な構造
に見える。
なぜAIと相性がいいのか
ここでAIの役割が見えてくる。
Feynman図の計算は
人間が考えたアルゴリズム
だ。
しかし散乱振幅の世界は、
- 対称性
- 組み合わせ
- グラフ構造
が複雑に絡む。
こういう問題は
探索型アルゴリズム
と非常に相性がいい。
つまりAIは、
既存の計算を速くするというより
構造の候補を探索する
道具として働いている。
研究の風景は変わりつつある
ここ十数年で、理論物理の研究者の視点は変わりつつある。
昔は
Feynman図
↓
計算
↓
答え
だった。
今は
対称性
↓
幾何構造
↓
振幅
という順序で考える研究者が増えている。
今回の研究は、その流れの中で生まれたものだ。
AIが新しい物理理論を発明したわけではない。
しかし、
構造探索の役割
を担い始めている。
科学史の中で見ると
歴史を振り返ると、科学の進歩はしばしば
計算の革命
ではなく
表現の革命
として現れる。
ニュートンは微分法で運動を表した。
マクスウェルは電磁気を方程式で統一した。
アインシュタインは重力を幾何学として書いた。
今回の研究も、その系譜の端にあるのかもしれない。
もしそうだとすれば、AIは
計算機でも検索エンジンでもなく、
理論の構造を探索する新しい研究装置
として使われ始めていることになる。
参照
Extending single-minus amplitudes to gravitons
https://openai.com/index/extending-single-minus-amplitudes-to-gravitons/
GPT-5.2 derives a new result in theoretical physics
https://openai.com/index/new-result-theoretical-physics/
論文（一次ソース）
https://arxiv.org/abs/2603.04330
