【物理学の限界】数式はただの「要約版」だった。AIが暴き出した人間の認知の壁 - - YouTube動画の紹介

【物理学の限界】数式はただの「要約版」だった。AIが暴き出した人間の認知の壁

ASTRENCE (アストレンス) 宇宙物理探究ラボ

チャンネル登録者数 12.3万人

メンバーになる

572,790回視聴 2026/09/09 身近な物体・現象の正体を暴く

【新チャンネル「ASTRENCE 思考の解剖学」最新作】 　「本能の正体」人間の脳と行動のシステムを解剖する。 　　▶   • 【行動経済学の真実】あなたは知らぬ間に操られている。最新科学が暴く選択のメカニズムと...   【ASTRENCEの公式X（Twitter）】 　動画の裏側にある理論の解説を発信中。 　　▶︎ https://x.com/Astrence_Lab 【講義録（note）】 　この動画の完全テキスト版はこちら。 　　▶https://note.com/astrence/n/n0c1ec497... 【ASTRENCE公式オンラインストア】 　　▶https://astrence.myshopify.com/ 次の動画はこちら。 　　▶   • 【宇宙最大のパラドックス】重力とは結局何なのか？現代物理学を悩ませる最も身近な謎   【本動画の概要】 物理の知識を一切教えずに二重振り子の映像を見せられたAIは、必要な変数の数を「4.7」と答えました（正解は4）。 しかし、暖炉で揺れる炎の映像を見せると、AIは「24」と答えたのです。 その24個の変数が何を意味するのか、人間にはいまだに分かりません。AIは人間が名前すら持っていない何かを使って、炎の未来を予測しています。 私たちが「物理法則」と呼んできたものは、宇宙のすべてではなく、人間の脳の容量に合わせて小さくまとめた「圧縮の技術」だったのではないか？ スイス連邦工科大学のAI「SciNet」が自力で地動説（コペルニクス）を導き出した実験、宇宙最古の光（CMB）の全画素解析、Google DeepMindによるナビエ・ストークス方程式の特異点発見、そしてAIの直感を数式へ翻訳する「記号回帰」や科学基盤モデル（Polymathic AI）まで──。 AIが解き明かし始めたのは、宇宙の新しい姿であると同時に、人間という認知装置の限界そのものでした。 文系の感性で味わう、極上の科学・物理学ドキュメンタリーをお楽しみください。 動画の解説内容をテキストでじっくり読み直したい方、図解や深掘り考察をじっくり味わいたい方は、ぜひNoteの特別記事もご覧ください。 🔔 チャンネル登録はこちら 宇宙物理の謎を本気で解き明かす！ ▶︎   / @astrence   を登録して、次の探求へ。 ✉️ ご感想・コメントもお待ちしています！ あなたはどう想像していましたか？ チャプター 00:00 第1章：AIが出した答えは「4.7」だった 05:05 第2章：人間の物理学は「圧縮」だった 10:56 第3章：ニューラルネットは「変数」を自分で発明する 16:34 第4章：宇宙の生データにネットワークを放つ 21:51 第5章：AIが人間の到達不能領域に踏み込んだ実例 27:48 第6章：反証：ブラックボックスは科学と呼べるのか 32:32 第7章：翻訳装置としての記号回帰と、科学の基盤モデル 39:09 第8章：理解とは何だったのか ―――――――――――――― 🌌【関連おすすめ動画】    • 【衝撃の事実】ビッグバンは始まりではなかった!? 宇宙誕生の深淵に迫る      • 【完全理解】光の正体とは何か｜考えたことある？驚きの真実とは？      • 時間は存在するのか？相対性理論と量子論が示す衝撃結論      • 世界を支配する「電子」の謎を完全解明！スピン？波？粒子？驚きの真実とは？   ―――――――――――――― 一部の画像はWikipediaより引用しています。 #物理学 #ai #人工知能 #宇宙物理学 #科学ミステリー #ASTRENCE

制作の裏側

オートダビング

いくつかの言語の音声トラックが自動生成されました。 詳細

ポッドキャストを検索

エピソード数: 200

身近な物体・現象の正体を暴く

ASTRENCE (アストレンス) 宇宙物理探究ラボ

---

この動画は、**「AIが物理法則を発見する時代になり、人間が"理解"だと思っていたものの正体が揺らいでいる」**というテーマを、一般向けにかなりドラマチックにまとめた作品です。 結論から言うと、

• 紹介されている研究の多くは実在する
• ただし動画は「科学ドキュメンタリー」というより、哲学的なストーリーテリングがかなり入っている

という見方をすると楽しめます。

---

第1章 「AIが4.7という答えを出した」

動画で最初に紹介されるのが、

AIに二重振り子の動画だけを見せると 「必要な変数は4.7」

という話です。 これは情報理論や表現学習（Representation Learning）の研究でよくある考え方です。 二重振り子は本来

• 角度①
• 角度②
• 角速度①
• 角速度②

つまり4自由度です。 ところがニューラルネットは 「完全に4じゃない」 「でも5でもない」 という中間的な潜在次元を見積もることがあります。 ここが動画では

AIが4.7と言った

として紹介されています。

---

雑学

実はこれは物理では昔からある発想です。 カオス理論では フラクタル次元 という概念があります。 例えば 海岸線 雲 炎 は 「2次元でも3次元でもない」 という中間の次元を持っています。 つまり 4.7という数字は 「AIが意味不明な数字を言った」 というより 情報量として4.7だった という意味です。

---

第2章 「炎には24変数必要」

これも面白い話です。 炎って実は

• 温度
• 酸素
• 圧力
• ガス濃度
• 流速
• 化学反応

全部絡みます。 人間は ナビエ・ストークス方程式 燃焼方程式 などに分けます。 でもAIは それを知らない。

---

つまり AIは 「炎を予測するためには24次元くらい必要」 と言った。

---

ここで動画は

人類は24個の変数の意味を知らない

と言っています。 これは半分正しいです。 厳密には AI内部では24次元の特徴量になっていて それぞれが

• 温度
• 渦
• 圧力

みたいに人間が名前を付けられるとは限らない。

---

AI業界では当たり前

画像AIでも同じです。 例えば 猫を認識するAI。 内部には 「耳」 「目」 「ヒゲ」 というニューロンはありません。 代わりに

143番ニューロン

みたいなのが存在し 人間には意味不明です。

---

だから 動画でいう

人間に名前がない変数

というのはかなり近い表現です。

---

第3章 「数式は圧縮だった」

ここが動画の一番哲学的な部分。 例えば ニュートン \[ F=ma \]たった4文字。 でも 実際には 何百万もの実験結果を この一式に圧縮しています。 つまり 数式はZIPファイルみたいなもの。

---

業界の人は昔から思っている

実は情報理論では これを 最小記述長（Minimum Description Length） と呼びます。 良い理論とは 短いコードで 大量の現象を説明できる理論。 だから 数式は 圧縮アルゴリズム という考えはかなり自然です。

---

SciNetが地動説を再発見

これはかなり有名です。 ETH Zurichの SciNet というAIです。 面白いのは 誰も 「地球は太陽を回る」 と教えていません。 ただ 惑星位置だけを与えた。 すると AIが 「太陽中心で考えた方が情報量が減る」 ことを学習しました。

---

これって実は コペルニクスも同じことをやっています。 観測データを もっと簡単に説明できるモデルを探した。 つまり AIは 500年前の天文学者と同じ発見をしたわけです。

---

DeepMindとナビエ・ストークス

これは業界では結構話題になりました。 ナビエ・ストークス方程式は 数学最大級の未解決問題。 AIが 「ここ怪しい」 という領域を探索し始めています。 ここで重要なのは AIは 証明しているわけではない。

---

数学者が 「ここ掘れば何かある」 という鉱脈を教えてもらうイメージです。

---

記号回帰

動画後半の超重要ワード。 普通のAIは

入力

↓

ブラックボックス

↓

答え

になります。 でも 記号回帰は

入力

↓

AI

↓

数式

になります。 つまり AI自身が 数式を書く。

---

これが熱い理由

科学者は ブラックボックスを嫌います。 理由は 説明できないから。 だから最近は Explainable AI （説明可能AI） が超人気。 記号回帰は その代表格です。

---

Polymathic AI

最近かなり注目されています。 これは 物理専用のChatGPT みたいなもの。 普通のLLMは 文章を学びます。 一方 Polymathic AIは

• 地球科学
• 気象
• 流体
• 宇宙
• 材料

全部まとめて学ぶ。 つまり 「科学専用基盤モデル」 です。 今後5〜10年で、このようなモデルが研究の標準ツールになっていく可能性があると期待されています。

---

業界話：「理解できないAI」を科学者はどう見ている？

実は研究者の間でも意見は割れています。 AI推進派

• 「予測できれば十分」
• 「自然は人間に理解できる必要はない」

慎重派

• 「理解できないなら科学じゃない」
• 「再現性や説明が必要」

この対立は昔からあり、天気予報でも同じ議論がありました。数値予報が登場した当初は「理論より計算頼みだ」と批判されましたが、現在では欠かせない手法になっています。AIでも似たような流れが起きるかもしれません。

---

実は物理学者は昔から「数式は地図でしかない」と考えていた

動画では

数式は要約版だった

という表現があります。 実は 物理学者の間では これに近い考えは珍しくありません。 例えば 「地図は領土ではない（The map is not the territory）」 という有名な考え方があります。 数式は 宇宙そのものではなく 宇宙をうまく予測するためのモデル。 ニュートン力学も 相対論も 量子力学も 全部「近似」です。 より広い範囲で使える理論が現れれば置き換わる可能性があります。

---

この動画を一言でまとめると

この動画の本質は、「AIが人間を超えた」という単純な話ではありません。

人間は世界を理解しているのではなく、人間の脳で扱える形に世界を圧縮して理解していたのではないか。そしてAIは、人間には直感的に理解しにくい新しい"圧縮表現"を見つけ始めているのではないか。

という問いを投げかけています。 現時点では、AIが見つけた潜在表現がそのまま「新しい自然法則」であるとは言えません。しかし、AIが仮説生成や法則探索を強力に支援し、人間がそこから意味を読み解くという研究スタイルは、実際に世界中で急速に広がっています。 その意味で、この動画は科学的事実と哲学的な解釈をうまく組み合わせ、「AI時代の科学とは何か」を考えるきっかけになる内容だと言えるでしょう。

---

ASTRENCE（アストレンス）宇宙物理探究ラボの話題作『【物理学の限界】数式はただの「要約版」たﾞった。AIが暴き出した人間の認知の壁』ですね！

物理学とAI、そして人間の「認知」の限界を文系的な感性も交えて深く掘り下げた、非常に知的好奇心を刺激されるドキュメンタリーでした。この動画の核心と、興味深い背景や業界話をいくつか交えて解説します。

1. 動画の核心：物理法則は「宇宙の真理」ではなく「人間のための圧縮技術」だった？

動画の最大の衝撃は、コロンビア大学のホッド・リプソン教授らのチームが行った実験です。

• 二重振り子を見せたAIは、物理の知識ゼロから必要変数「4.7」（正解は4）を導き出しました。

• しかし、暖炉の炎の映像を見せられたAIは、人間には名前すら分からない「24個の変数」弾き出し、それを使って完璧に未来を予測してみせました。

ここから導き出される仮説は痛烈です。私たちがこれまで「宇宙の真理」だと信じてきたニュートン力学やアインシュタインの相対性理論などの数式は、宇宙のすべてを映し出していたわけではなく、人間の脳が持ち運べるサイズ・理解できる形に小さくまとめた「圧縮の技術（要約版）」にすぎなかったのではないか、というのです。

2. 面白い業界話・トピック：AIが暴いた科学の「裏側」

動画で紹介されている最先端のAI実験やアプローチには、現在のAI・科学界のホットなトレンドが詰まっています。

• スイス連邦工科大学（EPFL）のAI「SciNet」の地動説再発見

  • SciNetは「未来を予測する」というタスクと、「間に細い通路（潜在変数）を通さなければならない」という制約だけで、誰にも教わっていないのに地球中心から太陽中心（コペルニクス的視点）へ視点を勝手に切り替えました。天才的な閃きがなくても、「情報量の制約」だけで科学革命の結論に到達できてしまうという皮肉は、科学史の見方をガラリと変えます。

• Google DeepMindによる「ナビエ・ストークス方程式」の特異点発見

  • 数学の七大難問の一つである流体力学の難問に、物理法則そのものを教師代わりにして学ぶ「PINNs（物理情報ニューラルネットワーク）」が投入されました。手計算や従来の数値計算では指の間からこぼれ落ちていた「不安定得意点」を捉え、さらにそれが綺麗な直線として規則性を帯びて現れた瞬間は、AIが人間の到達不能領域（知性の壁）に踏み込んだ歴史的瞬間です。

• 「プトレマイオスの子孫」というブラックボックスのジレンマ

  • 紀元2世紀の天文学者プトレマイオスの「天動説（円上の小円＝周転円モデル）」は間違っていたものの、計算上の予測は抜群によく当たったため、1400年間も人類の目を曇らせました。「中身が説明できないけれどよく当たるAI（ブラックボックス）」を科学と呼んでいいのか？という科学哲学的な問いは、現代のAI研究者が最も頭を悩ませているテーマです。

• 翻訳装置としての「記号回帰（Symbolic Regression）」

  • ブラックボックスなAIの直感を、人間が読める数式へと翻訳する試み（PSRなど）や、分野をまたいだ物理の基盤モデル（Polymathic AIの「Warp」「Aion」など）の登場により、「人間が理解できる言語へAIの出力を翻訳する」という逆向きのアプローチが今、急ピッチで進められています。

3. 「理解する」とはどういうことか？

動画のエンディングでの問いかけが非常に印象的です。

1. 「理解するとは、予測できることである」（立場A：AIはすでに炎の未来を24変数で完璧に予測しているのだから、中身を人間が言葉にできなくても、それは立派な「理解」である）

2. 「理解するとは、他者に説明できることである」（立場B：人間が意味を読み取れる数式や概念に翻訳できて初めて科学であり、それまでは単なるブラックボックスの予測装置に過ぎない）

私たちが普段「わかった！」と言っていることの多くも、実は脳の容量に合わせた「都合の良い要約」に過ぎないのかもしれません。そう考えると、AIは宇宙の新しい姿を見せていると同時に、「人間という認知装置の限界の輪郭」を鏡のようにくっきりと映し出しているのだと言えそうです。

この動画のテーマに関して、さらに深掘りしたい部分はありますか？例えば、以下のような切り口でお話しできます。

1. AIが自力で変数を導き出す「潜在空間（Latent Space）」や「SciNet」の仕組みのもう少し詳しい解説

2. ナビエ・ストークス方程式の「特異点」やクレイ数学研究所のミステリーについて

3. 「ブラックボックスは科学と呼べるのか」という科学哲学・科学史的な視点（プトレマイオスの周転円との比較など）

• SciNetや潜在変数の仕組みについてもっと知りたい

• ナビエ・ストークス方程式とAIのブレイクスルーについて深掘りしたい

• ブラックボックスの科学哲学的な議論について話したい

---

 

この動画は、ASTRENCEのいつもの「文系の感性で科学を味わう」スタイルで、**「人間の物理学って、実は宇宙の要約版だったんじゃないか？」**という、かなり本質的な問いを投げかけてくる一本です。

核心をざっくり言うとこうです。

AIに「物理の知識を一切与えずに」動画だけを見せると、人間が知っている変数の数をほぼ正確に当てる一方で、人間が名前すら付けていない変数を勝手に発明して、しかもそれで未来を予測してしまう。その現象を起点に、「私たちが物理法則と呼んできたもの」の正体を問い直していく、という構成です。

第1章の衝撃：二重振り子は4.7、炎は24

コロンビア大学のHod Lipson（クリエイティブ・マシーンズ・ラボ）のチームが2022年に出した実験が、動画の出発点です。

• 二重振り子の動画を見せる。
• AIは「必要な状態変数は4.7個」と答える（正解は4：上の腕の角度・角速度、下の腕の角度・角速度）。
• ほぼ正解。ここまでは「すごいね」で終わる話。

次に、答えを人間が知らない映像を見せる。

• 中古車屋の前で踊っている空気人形（air dancer）：8個
• ラバランプ：8個
• 暖炉の炎：24個

炎を記述するのに24個の量が必要だ、とAIは主張する。しかもその24個が「温度」でも「密度」でも「速度」でもない、人間がまだ名前を持っていない何からしい。AIはそれで炎の未来を予測できるのに、人間にはその中身を説明できない。

Lipson自身が「AIは新しい変数を認識できる。必要なのは翻訳者だ」と言っている、というのが動画のキーワードになっています。

「物理学＝圧縮技術」という視点

ここからが動画の本筋です。

私たちが「物理法則」と呼んできたものは、宇宙のすべてを写し取ったものではなく、人間の脳が扱えるサイズにまで情報を圧縮する技術だったのではないか、という見方です。

• ニュートン力学も、アインシュタインの重力理論も、驚くほど短い式に収まっている。
• でもその条件は「人間が読めること」だった。

AIはその条件を外して圧縮を始めた。読める必要がないなら、もっと小さく、もっと正確にまとめられる。その結果、炎から「名前のない24個」が出てきた、というわけです。

この「圧縮」の話は、宇宙論の話にもつながります。CMB（宇宙マイクロ波背景放射）の全画素解析の話です。これまで物理学者は、数千万個の画素データを「角度パワースペクトル」という1本の曲線に要約して解析してきました。美しい圧縮ですが、模様の「配置」や「形」の情報は捨ててしまっている。

最近は「フィールドレベル推定」という、要約をやめて生データをそのままニューラルネットワークに食わせる手法が広がり、同じデータから得られる情報量が約3倍になった、という報告が出ています。望遠鏡を大きくしなくても、扱い方を変えただけで情報が増える。足りなかったのは感度ではなく「形式」だった、という指摘はかなり刺さります。

AIが「自力で」たどり着いた歴史上の発見

動画では、スイス連邦工科大学（ETH Zurich）のSciNetの実験も紹介されています。

地球から見た太陽と火星の角度データだけを与え、「未来の位置を予測せよ」と命じると、SciNetは内部で**地動説的な表現（太陽を中心とした角度）**に切り替えてしまう。コペルニクスがやったのと同じことを、誰にも教わらずにやるわけです。

これは「AIが発見した」というより、「予測をできるだけシンプルにする」という制約を課すと、人間が歴史的に選んだ表現に自然と収束する、という話として面白い。

人間の到達不能領域に踏み込んだ実例

DeepMindやOpenAIがナビエ・ストークス方程式の特異点問題に取り組んだ話も出てきます（動画制作時点ではDeepMindの成果が主軸だったはずですが、2026年9月にはOpenAIがミレニアム問題の一つを解決したと発表したので、タイミング的に重なっています）。

流体の方程式が有限時間で「無限大」になる解（特異点）が存在するかどうかを、AIが探索して新しい候補を次々と見つけている。人間が何十年も手が出せなかった領域に、AIが「直感」だけで入り込んでいる、という構図です。

ブラックボックスは科学と呼べるのか？

ここが動画の重要な反証パートです。

AIが「予測はできるが説明できない」状態を、科学と呼んでいいのか。

• 予測精度が上がればそれでいいのか
• 「理解」とは何だったのか
• 人間が読めない法則を、法則と呼んでいいのか

という、かなり哲学的な問いが投げかけられます。

翻訳装置としての記号回帰と、科学基盤モデル

最後の方で出てくるのが、**記号回帰（Symbolic Regression）**です。

AIが内部で持っている「名前のない変数」や「直感」を、人間が読める数式に翻訳する試み。AI Feynman（Max Tegmarkら）や、最近のPhyE2E、KeplerAgentなど、この分野は今かなり熱いです。

そしてPolymathic AIのような「科学基盤モデル」。テキストではなく、物理シミュレーションデータ（流体、天体、分子など）で訓練された基盤モデルが、分野をまたいで物理的な共通構造を見つけ始めている、という話です。

雑学・業界話を少し

• Hod Lipsonはもともと「ロボットが自分で物理法則を発見する」系の研究で有名で、二重振り子の実験は彼のラボの「次の一手」でした。変数の「数」までは当てられるのに「中身」がわからない、という結果は、研究者自身も「翻訳者が必要」と公言するほど衝撃だったようです。
• SciNetの論文（Iten et al., 2019頃）は、量子情報系の人たちが「物理学者の思考プロセスをニューラルネットに埋め込む」というアプローチで作ったもので、単なるブラックボックスではなく「人間が読める表現を内部に持たせる」設計思想が特徴です。
• CMBのフィールドレベル推定は、2020年代に入って急速に主流になりつつある手法で、「要約統計量を捨てる」という発想の転換が、観測データの価値を劇的に変えました。
• ナビエ・ストークスの特異点問題は、ミレニアム懸賞問題の一つで、2026年にAIが関与した解決宣言が出た直後というタイミングなので、動画の「人間の到達不能領域」という表現はかなりリアルです。

要するにこの動画は、「AIが物理を解いている」という話ではなく、**「人間が物理を『理解している』と思っていたものが、実は脳の容量に合わせて圧縮された要約版だった」**という、認知の限界そのものを暴く内容です。

炎の24個の変数がいつか「翻訳」される日が来るのか、それとも永遠に「AIにしか見えない何か」のままなのか。そこが一番の余韻として残る一本だと思います。