はじめに
近年のノーベル賞によるAIの科学への貢献の表彰に伴い、大規模言語モデル（LLM）は生産性を向上させ科学的方法を再構築することで科学研究を変革しつつある。現在、LLMは特に化学や生物学の分野において、実験計画、データ分析、ワークフローに参加している。
人工知能の最新の進展は、社会の多くの側面、世界経済、そして学術研究の実践を変えてきた。生成AIとLLMは、科学の実践を転換し、科学の発展を促進し、技術革新を加速する前例のない機会をもたらしている。物理学賞と化学賞のノーベル賞は、複数のAIのリーダーに授与され、AIおよび先端モデル（LLMなど）への貢献を表彰した。これは、LLMが生産性を向上させ、科学的方法の各段階を支援することで、科学研究を転換または推進することを示唆している。科学におけるAIの応用は急速に拡大しており、多くの科学分野をカバーし、科学的方法の異なる部分に影響を与えている。
LLMは仮説生成やデータ統合において大きな可能性を秘めているものの、AIとLLMは基礎科学や科学発見の面では依然として課題に直面している。したがって、我々の見解は以下の通りである：これまでのところ、AIが基礎科学に与えた影響は限定的である。ここで基礎科学とは、新しい原理や新しい科学法則の発見と定義する。本稿では、LLMが現在どのように技術ツールとして科学プロセスを強化しているか、そして将来的にさらに強力になり、強力な科学アシスタントへと発展するにつれて、どのように使用される可能性があるかを概観する。データ駆動技術と記号システムを組み合わせることで、そのようなシステムはハイブリッドエンジンへと融合し、新たな研究方向を導く可能性がある。我々は、LLMを技術ツールとして使用することと、新しい質の高い科学発見を促進し、人間の科学者に新しい問題や仮説を提示できる「クリエイティブエンジン」として使用することとの間のギャップを描くことを目指す。最初に、科学におけるLLMの現在の応用を概観し、クリエイティブエンジンへと進む際に解決すべき限界を特定することを目的とする。
現在の応用
LLMは、科学文献解析、実験プロトコル生成、データ解析、初期仮説形成に広く応用されている。例えば、創薬においてLLMは分子特性の予測を支援し、材料科学では合成経路を推薦できる。しかし、これらの応用のほとんどは補助的なレベルにとどまっており、独立して独創的な科学的洞察を生み出すには至っていない。
課題と限界
LLMが直面する中心的な課題は、物理世界に対する因果理解の欠如、幻覚を生じやすいこと、学習データの質とバイアスへの依存、そして領域横断的な推論の不足である。基礎科学において全く新しい原理を発見するには、パターンマッチングを超えた抽象的な推論能力が必要であり、これが現在のLLMの弱点である。
将来の方向性
LLMをツールからクリエイティブエンジンへと飛躍させるには、ハイブリッドシステムの開発が必要である。すなわち、LLMの言語能力と記号推論、知識グラフ、物理シミュレーションを組み合わせることである。さらに、LLMの出力が人間の科学目標に適合することを確実にするために、明確な評価指標の確立が不可欠である。学際的な協力と継続的な人間とAIのアライメントが鍵となる。