2025年12月、科学界に静かな、しかし地殻変動レベルの衝撃を与える論文がMIT（マサチューセッツ工科大学）の研究チームによって発表された。タイトルは『Universally Converging Representations of Matter Across Scientific Foundation Models（科学基盤モデル全体における物質表現の普遍的収束）』。
この研究が示唆する事実は、驚くべきものだ。化学式を読むAI、原子の3D座標を計算するAI、タンパク質配列を解析するAI――これら全く異なる「言語」と「目」を持つAIたちが、学習を進めた果てに、物質に対して「全く同じ内部イメージ」を持ち始めているというのである。
これは、異なる言語を話す人々が、辞書なしで「真理」という名の同じ概念に到達したことに等しい、まさに衝撃的な結末だ。
科学AIの「バベルの塔」崩壊と、共通言語の発見
これまで、科学AIの開発は極めて断片的であった。
化学者は分子をSMILES記法（文字列）で表すモデルを作り、材料科学者は結晶構造をグラフニューラルネットワークで解析し、生物学者はアミノ酸配列を言語モデルに読ませてきた。これらは「バベルの塔」のように互いに言葉が通じず、それぞれのドメインで局所的な最適化が行われてきたのである。
しかし、MITの研究チームが59種類もの主要な科学AIモデル（DeepSeekやQwenなどのLLMから、MACE、Orb V3、ESM2といった専門モデルまで）を調査した結果、ある奇妙な現象が確認された。
プラトン的表現仮説の実証
モデルの性能が向上すればするほど、それらのモデルが持つ潜在空間（Latent Space）――AIがデータを数値化して理解する脳内地図のようなもの――の形状が、モデルの設計思想を超えて「一致」し始めたのだ。これは、2024年頃からAI分野で議論され始めた「プラトン的表現仮説（The Platonic Representation Hypothesis）」が、自然科学の領域でも成立していることを強く示唆している。
つまり、優秀なAIたちは、人間が与えたデータの形式（文字列や座標）を暗記しているのではなく、その背後にある「物理的な実在（Physical Reality）」そのものの構造を学習し始めていると言える。
収束の証拠：文字列と3D空間の驚くべき一致
本研究の核心的発見の一つは、モダリティ（入力データの種類）を超えたアライメント（整列）である。
「SMILES」と「3D原子座標」の架橋
通常、SMILES文字列（例: CCO でエタノールを表す）だけを見て、その分子の立体構造や物理的特性を完全に把握することは困難であるはずだ。しかし、研究チームがCKNNA（Centered Kernel Nearest-Neighbor Alignment）という指標を用いて解析した結果、SMILES文字列で学習した言語モデルと、厳密な3D原子座標を用いて学習した原子間ポテンシャルモデル（MLIPs）の間に、高い表現の類似性が確認された。
これは何を意味するか。テキストベースのモデルが、単なる記号の羅列から、分子の幾何学的な「意味」や「構造」を、3Dモデルと同等のレベルで抽出できているということだ。特に、高性能なLLM（大規模言語モデル）にSMILESを与えた場合、専門的な材料科学モデルと強くアライメントする現象は、汎用AIが科学的直感を獲得しつつある証左と言える。
タンパク質モデルにおける「暗黙の折りたたみ」
さらに強力な一致が見られたのはタンパク質の世界だ。アミノ酸の「配列」のみを学習したモデル（ESM2など）と、立体「構造」を学習したモデルの間で、分子モデル以上の強いアライメントが観測された。これは、配列モデルが学習過程で、物理的なフォールディング（折りたたみ）の法則を暗黙的に再発見し、構造モデルと同じ結論に達していることを示している。
3. 性能と普遍性の相関関係：真理への収束
研究チームは、エネルギー予測などのタスクにおける「モデルの予測精度（MAE）」と「表現の類似度」の関係を定量化した。
- 高性能なモデルほど似てくる: 予測誤差が小さい（＝賢い）モデル同士は、アーキテクチャが全く異なっていても、その内部表現は互いに酷似する。
- 低性能なモデルはバラバラ: 逆に性能の低いモデルは、それぞれ勝手な解釈でデータを処理しており、内部表現に一貫性がない。
図表（論文中のFigure 1B参照）において、性能向上に伴ってモデル群が一点に収束していく様子は、まるで科学者たちが実験と検証を繰り返し、一つの物理法則（真理）にたどり着くプロセスを可視化したかのようである。
モデルアーキテクチャ間の表現アライメント（CKNNA指標）、エネルギー予測性能の向上に伴う表現の収束、局所的指標（CKNNA）と大域的指標（DCor）の相関、埋め込み表現の固有次元数（\(I_d\)）、および表現の類似性に基づくモデルの進化系統樹を示している。
潜在空間の「次元」が決まっている
また、各モデルが物質を表現するために必要な情報の複雑さを示す固有次元（Intrinsic Dimensionality: \(I_d\)）も、驚くほど一定の範囲に収束していた。
- QM9（小分子）: \(I_d \approx 5\)
- OMat24（無機材料）: \(I_d \approx 10\)
モデルが違っても、対象が同じならば「その物質を記述するのに必要な変数の数」が一致する。これは、AIが学習しているのがデータのノイズではなく、物質が持つ本質的な自由度であることを裏付けている。
4. 「ファウンデーション」への壁：分布外データにおける崩壊
しかし、本研究は楽観的な未来だけを描いているわけではない。現在の科学AIが抱える「致命的な限界」も如実に浮き彫りにした。
データ支配 vs アーキテクチャ支配
研究チームは、モデルが学習したデータに近い物質（In-Distribution）と、見たことのない未知の物質（Out-of-Distribution: OOD）に対して、AIの挙動がどう変わるかを分析した。
- 既知の領域（In-Distribution）:
モデルの表現は「学習データセット」によって支配される。異なるアーキテクチャでも、同じデータで学べば似た表現になる。これは「データ支配」の領域である。 - 未知の領域（Out-of-Distribution）:
ここが問題だ。学習データから大きく外れた複雑な分子（OMol25など）を入力すると、モデル間のアライメントは崩壊する。興味深いことに、このときモデルは「アーキテクチャごとの癖」を露呈し始める。
「情報の不均衡」と「多様性の欠如」
Information Imbalance（情報不均衡）という指標を用いた分析では、OOD領域において、モデルは互いに直交する（全く異なる）情報を捉えているか、あるいは全てのモデルが重要な化学情報を欠落させた「低次元のマニフォールド」に崩壊していることが判明した。
つまり、現在の最先端モデルであっても、真の意味での「ファウンデーション（基盤）モデル」――あらゆる物質に対して普遍的に通用するモデル――にはまだ到達していない。MITのチームは、現在の材料モデルは「データによる制限（Data-Governed）」を強く受けており、真の汎用性を獲得するには、平衡状態（sAlex）だけでなく非平衡状態（OMat24）を含む、より広範で多様な物理化学的環境の学習データが不可欠であると結論付けている。
次世代モデルへの指針：対称性か、規模か？
この研究は、今後のAI開発における重要な設計指針も提示している。それは、物理法則を厳密に守らせる「等変性（Equivariance）」の実装コストに関する議論だ。
「苦い教訓（The Bitter Lesson）」の科学版
MACEやEquiformer V2のようなモデルは、回転等変性などの物理的対称性をアーキテクチャに厳密に組み込んでいる。これは高精度だが計算コストが高い。
一方で、Orb V3のようなモデルは、アーキテクチャ自体には物理法則を厳密に組み込まず、学習時の正則化（Regularization）とデータ規模によって物理法則を近似させるアプローチをとっている。
分析の結果、Orb V3（Conservative版）の内部表現は、厳密な等変モデルと強くアライメントしていることがわかった。これは、計算コストのかかる複雑な数理的制約をモデルにハードコードしなくても、十分なデータと適切な学習戦略があれば、AIは自力で物理対称性を獲得できることを示唆している。これは、リチャード・サットンが提唱した「苦い教訓（The Bitter Lesson）」――人間の直感を組み込むよりも、計算量とデータをスケールさせた方が長期的には勝る――が、科学AIの領域でも有効である可能性を示している。
AIが見ている「世界」は我々と同じか
Edamadaka氏らの研究は、科学AIが単なる「データフィッティングマシン」から、「物理的実在の理解者」へと進化しつつある瞬間を捉えた歴史的な報告である。
59のモデルたちは、それぞれの「目」で物質を見て、同じ「真理」を見出し始めている。しかし同時に、彼らの理解はまだ学習した教科書の範囲内（In-Distribution）に留まっており、未知の荒野（Out-of-Distribution）では幻覚を見たり、独りよがりな解釈に逃げ込んだりしていることも明らかになった。
今後、Google DeepMindやOpenAI、そしてMITなどの研究機関が目指すのは、この「表現のアライメント」をベンチマークとして、既知のデータだけでなく、未知の物質に対しても普遍的に通用する内部表現を持つ「真のサイエンス・ファウンデーション・モデル」の構築となるだろう。その時、AIはもはや人間の科学者の補助ツールではなく、物理的現実を共有する対等なパートナーとなるはずだ。
論文