2023年、AIシステムの国際数学オリンピック（IMO）の問題での得点は、ほぼゼロでした。2024年、DeepMindのAlphaProofが銀メダル水準に到達しました。2025年には、GoogleのGemini Deep Thinkが金メダルに達したと報じられています。3年間で本当に目覚ましい躍進であり、すべての生徒と保護者に率直な問いを投げかけます。AIがオリンピック級の数学を解けるようになった今、自分で学ぶ価値があるものは何なのでしょうか？この記事では、どちらの方向の誇張にも頼らず、2026年10月2日時点で実際に示されている事実に基づいて、はっきり答えます。
「数学をするAI」は、みな同じではない
「AI」という言葉は本当に異なる何種類もの道具を指しています。それらを混同することこそ、どちらの方向であれ、自信ありげな主張の多くが間違う原因です。
| 道具 | 実際にしていること |
|---|---|
| 電卓 | 入力された数についての正確な計算。推論はせず、設計上の限界内では間違えない。 |
| 数式処理システム（例：Mathematica、SymPy） | 微分、因数分解、方程式を解くといった正確な記号操作を、決まった検証済みのアルゴリズムで行う。 |
| 数値計算ソフトウェア | 正確な形を持たないことが多い答え（例：流体の流れのシミュレーション）を、よく理解された誤差の範囲内で近似する。 |
| 道具を使わない言語モデル | 文章から学んだパターンをもとに、ステップごとの答えを生成する。流暢に推論するが、電卓なら決してしない計算ミスや論理の誤りをすることがある。 |
| 道具を使う言語モデル | 推論を書き出し、実際の計算は本物の電卓やコード実行環境に任せる。流暢な説明と正確な計算を組み合わせる。 |
| 形式的証明支援系（例：Lean、Coq） | 証明のすべての論理的ステップを厳格な形式的規則で確認する。受け入れられた証明のそのステップには、論理の穴が本当にありえない。 |
| 数学推論に特化したAI（例：AlphaProof、AlphaGeometry） | 競技形式の証明問題や幾何問題のために特別に設計・訓練されたもので、形式的な検証器と組み合わせることが多い。 |
学習者が見落としがちな違い
答えを推測する言語モデルと、答えを検証する形式的証明支援系は同じではない
オリンピックの金メダルが示すこと、示さないこと
試験のコツ
DeepMindのAlphaProofは、AlphaGeometry 2と組み合わさって、IMO 2024の6問中4問を解き、銀メダル圏の得点を上げました。前年のゼロからの大きな飛躍です。2025年には、GoogleのGemini Deep Thinkが、競技の制限時間である4時間半以内に、すべて自然言語で問題を解き、金メダル水準に達したと報じられています。本当に難しい基準での、本当に印象的な成果です。IMOの問題は計算だけでなく、本物の創造的なひらめきを必要とします。
学習者が見落としがちな違い
オリンピックでの成績、研究数学、そしてあなたの宿題は、3つの異なるテスト
AIが数学の学習に本当に役立つところ
- 適切な道具を使った計算。本物の電卓やコード実行環境を使うAIシステムに、正確な計算や代数を頼むのは信頼でき、確認の目的なら手で計算するより速い。
- パターンの探索。ある手法の解答例をすばやくいくつも作り、それを形式化する前に、背後にあるパターンを自分で見つける。
- 方針の提案。つまずいている問題で、完全な解答は求めずに「最初にどんなアプローチを試す？」と尋ねる。
- 自分のステップの確認。まず自分で問題を解き、それからAIに一から解き直させるのではなく、自分の方法そのものを確認してもらう。
- 復習の支え。特定の苦手分野について追加の練習問題を作ってもらったり、教科書の説明がしっくりこないときに別の言い方で説明してもらったりする。
まだ間違えるところ：知っておきたい3つの典型的なパターン
下の3つの例は、これらの失敗のパターンをはっきり示すために作った説明用の例で、実際のAIシステムの記録ではありません。ただし、どれも記録があり、よく知られた種類の間違いを反映しています。
1. 定義域の制限の見落とし
試験形式の問題
(x² − 1) / (x − 1) を簡単にしなさい。 [2点]
模範解答と採点基準を表示
- 分子を因数分解する：x² − 1 = (x − 1)(x + 1) (1点)
- 共通因数 (x − 1) を約分する：(x − 1)(x + 1) / (x − 1) = x + 1。ただし x ≠ 1 (1点)
採点者が重視する点: 簡単にした形 x + 1 ともとの式は同じ関数ではありません。x = 1 のとき、もとの式は定義されない（0/0）のに対し、x + 1 は 2 になります。正しい答えは制限を残したまま、x + 1（x ≠ 1）としなければなりません。
よくある間違い: 流暢に聞こえるが不完全な答え：x ≠ 1 という制限をこっそり落として、「x + 1」とだけ書くこと。これはAIにも（生徒にも）非常によくある間違いです。代数自体は正しいのですが、制限を書かない限り、簡単にした式は厳密には問題文のものとはわずかに異なる関数を表してしまいます。
2. 正しい例の連続から一般化してしまう
n² + n + 41 という式は、0 から 39 までのすべての整数 n で素数になります。40個連続の素数です。この連続は、規則が成り立つ圧倒的な証拠のように見えます。下のスライダーを試してみてください。
試してみよう：n² + n + 41 は常に素数になる？
n = 10
| n | n² + n + 41 | 素数？ |
|---|---|---|
| 6 | 83 | はい |
| 7 | 97 | はい |
| 8 | 113 | はい |
| 9 | 131 | はい |
| 10 | 151 | はい |
| 11 | 173 | はい |
| 12 | 197 | はい |
| 13 | 223 | はい |
| 14 | 251 | はい |
n² + n + 41（オイラーが研究した式）は、0 から 39 までのすべての n で素数になります。40個連続の素数で、圧倒的に見えます。スライダーを n = 40 まで動かしてみてください。式の値は 1681 = 41² で、まったく素数ではありません。40個の正しい例が続いても、それはまだ証明ではなく、41番目のケースでまさに崩れるのです。
n = 0 から 39 だけをもとに推測するAIシステム（あるいは生徒）は、この式が常に素数を生むと考える十分な理由を持ってしまい、n = 40 で間違えることになります。
これは、一般的な規則を証明するのではなく、パターンだけから推論するシステムが陥りやすい、まさにその種類の間違いです。そのシステムがAIであっても人間であっても同じです。40個の正しいケースは決定的に感じられますが、そうではありません。
3. 理解を伴わずに規則を当てはめる
私たちの導関数についての記事は生徒についてこの点を指摘していますが、これはAIの出力にもそのまま当てはまります。べき乗の公式を機械的に当てはめて x³ を微分すると、正しく 3x² が得られます。ところが、いくつもの規則をつなげて作られた関数（たとえば2つの関数の積や、関数の中に別の関数が入った合成関数）に、同じ機械的なパターン認識を当てはめるとどうなるでしょう。黙って間違った規則を使ったり、正しい規則を間違った部分に使ったりしたうえで、自信に満ちた流暢な見た目の誤答を出すことがあります。合成関数の微分法（連鎖律）がなぜ存在するのか、つまり変化がつながった量を伝わっていくことを理解しているシステム（あるいは生徒）なら、答えが筋が通っているかを確かめられます。機械的な手順をまねただけのものには、それができません。
学習者が見落としがちな違い
「AIはパターン認識しかできない、以上」という話ではない
理解度チェック
あるAIツールが (x² − 1)/(x − 1) を簡単にして、制限を書かずに「x + 1」とだけ答えました。次にとるべき最も役に立つ行動はどれですか？
実践的な進め方
次のように使えば、AIはあなたの数学を置き換えるのではなく、強くしてくれます。
- まず自分で問題に取り組む。途中まででもかまいません。実りのある苦労は、理解が生まれる過程の一部です。
- つまずいたら、答えではなくヒントを求める。「これを解いて」ではなく「最初に何を試せばいい？」と聞きましょう。
- 方法を自分の言葉で説明し直す。それができないなら、どこから得た方法であれ、まだ自分のものになっていません。
- 前提と定義域の制限をはっきり確認する。流暢に見える答えが静かに間違うのは、ここが最も多い場所です。
- 独立に検証する。別の方法、おおよその見積もり、よく知られた特別な場合などで確かめましょう。
- よく似た問題を、何の助けも借りずに解いてみる。理解が本当に身についたかを確かめる、本当のテストです。
次に読むなら
n² + n + 41 の例に出てきた「証拠と証明の違い」に興味を持った方は、ミレニアム懸賞問題の記事と、未解決の数学の謎ハブをご覧ください。分野の最先端で今まさに未解決の、この差の実例がたくさん紹介されています。
出典とさらに詳しく学ぶために
- AI achieves silver-medal standard solving International Mathematical Olympiad problems — Google DeepMind — AlphaProof + AlphaGeometry 2、IMO 2024
- Olympiad-level formal mathematical reasoning with reinforcement learning — Nature
- From Silver to Gold: A Technical Look into AI's Conquest of the IMO — 2025年の金メダル水準の成果
- Live from ICM 2026: What Is Math For in the Age of AI? — Quanta Magazine
最終確認：2026年10月2日。AIの能力は急速に変化しています。最新の成果は上記の情報源でご確認ください。
よくある質問
では、数学の宿題はAIに任せてしまっても大丈夫ですか？
自分の解答の確認、「もし〜だったら」という変化を試すこと、ある一歩でつまずいたときの手がかりとしてなら、はい。そうした使い方なら、本当に役に立つ学習ツールです。理解しないまま答えを出させて提出するのであれば、いいえ。試験会場（AIは使えません）で必要な力が身につきません。また、AIの推論はどれほど優れていても、気づきにくい形でまだ十分な頻度で間違えます。そのため、確認していない結果をそのまま使うのは本当のリスクです。
AIはすでに国際数学オリンピックで金メダルを取ったのではありませんか？
はい。GoogleのGemini Deep Thinkは、IMO 2025で金メダル相当の得点を、すべて自然言語で、通常の制限時間内に達成したと報じられています。DeepMindのAlphaProofがIMO 2024で銀メダル水準に達した1年後のことで、本当に大きな成果です。ただし、オリンピックの問題は、難しいことで有名でも明確に定義された、特定の種類の数学です。オリンピックで強いからといって、あらゆる種類の数学の仕事にそのまま通用するわけではありません（下の「オリンピックの金メダルが示すこと、示さないこと」をご覧ください）。
オリンピックの問題を解けるのに、AIが簡単な計算を間違えることがあるのはなぜですか？
汎用の言語モデルは、学習したパターンをもとにトークンを1つずつ生成して答えをつくります。これは計算を機械的に実行するのとは別のプロセスです。そのため、同じシステムがオリンピック級のエレガントで正しい議論を書いたあとで、同じ会話の中で何桁もの掛け算を間違えることがあるのです。計算を本物の電卓やコード実行環境に任せるシステムは、この種の失敗を避けられますが、テキストだけから答える「素の」言語モデルは避けられません。
AIがもっと優秀になっても、数学を理解することは大切ですか？
むしろ、もっと大切になります。決まりきった計算が自動化されるほど、本当に人間的な力こそが、誰にも外注できない部分になります。それは、どんな問いを立てるべきかを知り、自信満々なAIの答えが実は間違っていることに気づき、結果を新しい状況に応用できるほどよく理解する力です。これはまさに、「どうやるか」より先に「なぜか」を学ぶべきだという、導関数についての私たちの記事の主張そのもので、ここではさらに直接当てはまります。
読者からの評価とレビュー
この記事を複数の観点から評価してください — あなたの意見は他の読者の助けになり、私たちの改善にもつながります。
この記事は役に立ちましたか？
ご感想をお聞かせください — 修正点、未解決の疑問、次に取り上げてほしいトピックなど。
直接話したいですか？ ご都合のよい時間に無料のビデオ通話を予約できます。短い質問は15分、その他は30分です。時間はお住まいのタイムゾーンで表示されます。
著者について
Sudershan Soni
Mostak Servicesの創業者兼主任講師 — 数学・理科・情報科学・STEMの修士号を持つ講師であり、20年以上のプロフェッショナルとしての経験を持ちます。11+やGCSEからA-Levelおよびそれ以降まで、世界中の生徒をオンラインで指導しています。
プロフィール全文を読む