何が起きたか
1995年にYoav BenjaminiとYosef Hochbergが考案したBenjamini-Hochberg法(BH法)は、数千の仮説を同時に検定する際に「有意」と報告された結果のうち偽陽性の割合(偽発見率=FDR)を抑える手法です。ゲノム解析のように多数の遺伝子を一括で調べる場面で不可欠となり、引用は13万件を超えます。
当初BenjaminiとHochbergは、データが互いに独立な場合にこの手法が機能することを示しました。しかし現実のデータ点はしばしば相関します(一緒に遺伝する遺伝的変異など)。専門家は長年、正規分布に従う相関データで両側の逸脱を検定してもBH法は信頼できると想定してきましたが、証明は誰も与えていませんでした。
Dobriban教授はGPT-5.6 Sol Proを使い、この想定を覆しました。実際のFDRが目標水準を証明可能な形で上回る統計モデルを構成し、シミュレーションでも裏づけ、コードも公開しています。
なぜ重要か
注目すべきは規模ではなく質の変化です。前世代のGPT-5.5は複数のエージェントで約20時間動かしても解けませんでした。UCバークレーの統計学者Will Fithianはこの予想を「自分の分野で最も興味深い未解決問題」と呼んでおり、その一つが約90分で崩れた点に、能力の実質的な前進が表れています。
ただしDobriban教授は冷静です。目標を超える幅は0.104対0.1とわずかで、当面は理論上の意味が中心であり、BH法が一般に使えなくなったわけではないと述べています。
「新しい知」か「組み替え」か
今回の解は、まったく新しいものを生むというより既存の手法を組み合わせたもので、難所は「既知の方法をどう正しくつなぐか」にありました。ここから、人間のデータで訓練したモデルが本当に新しい知に到達できるのか、それとも学習内容の再結合に留まるのかという問いが浮かびます。深層学習の先駆者Richard Suttonは、より野心的な目標には再結合を超える何かが要ると考え、その課題に挑む新会社を設立しました。
💼 事業会社視点：これは自社にどう効くか
経営者がここで読むべきは「AIが数学の難問を解いた」ではなく、「熟練者が20時間かけて解けなかった専門課題が、次世代モデルで90分に縮む」という前進の速度です。SaaSや受託開発、データ分析を担う事業会社では、これまで博士級の人材にしか任せられなかった検証・アルゴリズム設計・統計的妥当性チェックが、モデル+人の監修という体制で回り始めます。特に医療・広告効果測定・不正検知など多重検定を扱う領域では、手法の前提が崩れるリスクをAIで先回り検証できる意味が大きい。一方で今回の解が「既存手法の組み合わせ」だった点は示唆的です。真に新しい発明ではなく、既知の接続を最適化する用途でこそ効く。役員は「AIに独創を期待する」より、自社に蓄積された知見・過去案件・社内文献をAIに与え、組み合わせの探索を任せる設計に投資すべきです。検証コードを公開したDobriban教授のように、AI活用の成果は再現可能な形で残すことが信頼の条件になります。