フィールズ賞受賞のテレンス・タオ氏、AIエージェントで27年前の数学コードを数時間で移植――自身が見落としたバグも2件発見

フィールズ賞受賞者でありカリフォルニア大学ロサンゼルス校（UCLA）教授のテレンス・タオ（Terence Tao）氏が、AIコーディングエージェントを用いて1999年に作成したJava 1.0アプレットを数時間でJavaScriptに移植する実験を行い、その詳細をブログで公開した。この実験では、タオ氏自身が27年間放置していた未完の特殊相対性理論ビジュアライゼーションツールが実用的な形で完成したほか、移植の過程でタオ氏自身が見落としていたオリジナルのバグが2件発見された。本記事では、タオ氏が示した「AIの出力を信頼すべきか否か」を判断する検証フレームワークと、それが現代のソフトウェアエンジニアリングにおけるガバナンス原則とどのように一致しているかを解説する。

■数時間で復活した27年前のレガシーコード

2026年7月11日、400本以上の研究論文を執筆してきた数学者のテレンス・タオ氏は、AIコーディングエージェントを活用して、1999年に自身が執筆したJava 1.0アプレットを復活させ、さらに27年前に着手したまま放棄していた特殊相対性理論のビジュアライゼーションツールを完成させるまでの数日間にわたる実験をブログで報告した。この投稿は翌朝にはHacker Newsのトップストーリーとなり、大きな注目を集めた。しかし、本当に注目すべきは一時的な話題性ではなく、タオ氏がAIの出力を信頼するかどうかを判断する際に適用した「検証フレームワーク」である。これは、健全なエンジニアリングガバナンスが過去2年間にわたり提唱してきたものと完全に一致している。

タオ氏の実験は、10年以上の歴史を持つソフトウェアを抱えるエンジニアリングチームなら誰もが即座に共感できる課題から始まった。1999年、同氏は複素解析や線形代数の教育を支援するため、ハニカム構造やベシコヴィッチ集合などの抽象的な数学的対象をインタラクティブに視覚化するJava 1.0アプレット群を構築した。これらは長年ブラウザ上で正常に動作していたが、ウェブの進化に伴いブラウザによるJavaサポートが終了し、ツールは使えなくなっていた。

今回の復活劇で際立っているのは、その「速度」と「バグの数」だ。タオ氏がAIコーディングエージェントに、古いアプレットを現代のJavaScript（かつてJavaのAbstract Window Toolkit（AWT）が担っていたキャンバス描画環境に相当）へ移植するよう指示したところ、エージェントはわずか数時間で作業を完了した。オリジナルのモノクロ描画をカラー化したベシコヴィッチ集合を含め、インタラクティブなアプレットコレクションのすべてが再び動作するようになった。タオ氏は特に、1999年にコーネル大学の数学者アレン・クヌートソン（Allen Knutson）氏と共同執筆したハニカム構造のビジュアライゼーションが復活したことを喜んだ。これは手動でコードを書くには特に厄介なアプレットの一つだったという。

その後、タオ氏がバグを数えたところ、移植された約24個のアプレット全体で、複素解析アプレットのメイン表示エリア外をドラッグした際の不要な挙動という1件のバグが見つかったのみだった。それどころか、エージェントはタオ氏が1999年に書いたオリジナルのコード内に、これまで気づかなかった2つのバグを特定した。差し引きすると、AI支援による移植によって、元のソースコードよりもコード品質が向上するという結果になった。タオ氏は、これらのアプレットは数学的な証明そのものではなく、補助的な視覚支援ツールであるため、ダウンサイドリスク（失敗時のリスク）が低いことを明示的に指摘している。ドラッグイベントが誤作動しても視聴者が気づいて調整すれば済むが、証明の破綻はキャリアを揺るがす大問題になるからだ。このリスクの差こそが、同氏のフレームワークの根幹をなしている。

■エージェントが解決できるようになった「トランスパイル」の課題

Java 1.0アプレットをJavaScriptに移植する技術的課題は、単に2つのプログラミング言語間で構文を翻訳するだけにとどまらない。JavaのAWTは「リテインモード（保持モード）」のグラフィックスモデルを使用しており、オブジェクトは一度定義されるとランタイムによって管理される。一方、現代のJavaScriptビジュアライゼーションが使用するHTML5 Canvas APIは「イミディエイトモード（即時モード）」モデルであり、レンダリングループが毎フレームごとにピクセルバッファに描画を行う。この2つのパラダイムをまたいで移植を行うエージェントは、Java AWTの描画呼び出しを解析し、コードの構造からレンダリングされている数学的オブジェクトを特定し、描画プリミティブをCanvas APIの同等物に変換し、イベント処理システムをJavaのマウスリスナーモデルからJavaScriptのDOMイベントモデルに書き換えた上で、実行テストを行う必要がある。

タオ氏が使用したエージェントが、24個のアプレットに対してこの処理を数時間でこなし、結果としてバグを減少させたという事実は、具体的かつ検証可能な技術的成果である。これは同時に、2023年以降にAIコーディングインフラがどれほど進化したかを示している。タオ氏が利用したツール（JetBrainsの「AI Pulse」調査で、職場での採用率が2025年中頃の約3%から2026年1月までに18%へと急増したことが記録されている「Claude Code」など）は、インラインの提案エンジンではなく、ターミナルベースのエージェントとして動作する。これらはコードベース全体を読み込み、シェルコマンドを実行し、複数のパスにわたるファイルを修正し、観察された結果に基づいて反復処理を行う。作業の単位は「行」ではなく「タスク」なのだ。

■ミンコフスキー空間におけるInkscapeの実現

タオ氏のブログ投稿で最も鮮やかな部分は、数十年間放置されていたプロジェクトに関するものだ。1999年、同氏は特殊相対性理論のビジュアライゼーションツールを構想した。それは彼自身の言葉を借りれば、本質的に「ミンコフスキー空間におけるInkscape」であり、幾何学的オブジェクトがユークリッド幾何学ではなくローレンツ変換に従う描画環境である。当時Javaでコードを書き始めたものの、コードの複雑さが当時の自身の許容量を超えてしまい、プロジェクトは頓挫。27年間未完成のまま放置されていた。

しかし、AIエージェントとの数時間にわたる対話的なやり取りを経て、現在、時空図アプレットの動作バージョンが存在している。タオ氏は、このツールを作成するためにエージェントと交わした編集済みの会話ログも公開しており、人間が概念的な方向性とドメイン知識を提供し、エージェントが実装を担当し、人間が反復的なレビューと修正を行うという、実際のやり取りの貴重な記録を提供している。同氏は、同日に発表した論文に添えるギルブレス予想（Gilbreath conjecture）のビジュアライゼーションを構築するためにも同じワークフローを実行し、そのログも公開した。このログの保存は付随的なものではなく、監査証跡（オーディットトレイル）そのものである。

■AIエージェントをいつ信頼すべきか――タオ氏の法則

タオ氏は過去2年間にわたり、AIに対する自身の見解の進化を記録してきた。2024年9月に初期のOpenAIモデルを難解な数学の問題でテストした際、同氏はその体験を「平凡だが完全に無能ではない大学院生と働いているようだ」と表現していた。しかし、2026年3月に開催されたAIによる数学の加速に関するIPAMカンファレンスで講演した際には、その評価を「実用段階（ready for primetime）」へと引き上げた。OpenAI Academyによる同カンファレンスのレポートが記録しているように、数学や理論物理学において、AIは現在、無駄にする時間よりも節約する時間の方が多い状態になっているからだ。

懐疑論から条件付きの熱意への移行は、具体的な技術的進歩、すなわちタオ氏が自信を持って委ねることができるタスクカテゴリの拡大と一致している。2026年5月にスタンフォード大学で開催された「Future of Mathematics Symposium」において、同氏はその基本原則を直接表明した。Winbuzzerによる同シンポジウムの報道によると、「研究者が価値を失うことなく有益に利用できる自動化とAIの能力のレベルは、その検証プロセスがどれほど厳格であるかにほぼ比例する」という。

この原則を今回のコーディング実験に当てはめると、非常にすっきりと整理できる。インタラクティブなビジュアライゼーションには、組み込みの検証機能が存在する。それは「人間の目」であり、アプレットを実行して視覚的に何かがおかしいと気づくことだ。ベシコヴィッチ集合が誤ってレンダリングされていれば、それがどのような形をしているかを知っている数学者には即座に明らかになる。ミンコフスキー空間のローレンツ変換が誤って描画されれば、既知の相対論的挙動に反する形状が生成される。検証は迅速で、失敗は可視化され、リスクの範囲は限定的である。これら3つの条件――「高速（fast）」「可視（visible）」「限定的（bounded）」――こそが、タオ氏のフレームワークにおいてエージェントの使用を許可する条件そのものである。

■数学者が発見した、エンジニアがすでに知っていたこと

ここに、この記事の最大の含意がある。タオ氏の「高速・可視・限定的」な検証フレームワークは、数学に特有の洞察ではない。これは、2024年末以降にエンジニアリングガバナンスの枠組みが提唱してきた、リスクに見合ったAI導入原則と構造的に同一である。これは、2026年5月までにGitHubで合計約40万のスターを獲得した3つのオープンソース規律フレームワーク「Superpowers」「gstack」「GSD」の背後にある原則でもある。これら3つのフレームワークはすべて同じ核心的なルールに帰着する。すなわち、「AIエージェントの適切な自律性のレベルは、失敗がどれだけ迅速かつ確実に検出され、修正されるかの関数である」というものだ。

世界で最も厳格な数学者が、特定の実験的課題において第一原理から導き出したガバナンス原則は、エンタープライズソフトウェアエンジニアリングが逆方向から到達した原則と独立して一致した。この収束は偶然ではない。その原則が正しいという強力なシグナルである。

2025年11月、タオ氏はGoogle DeepMindと共同で67の困難な数学的問題にわたって「AlphaEvolve」システムをテストし、AIが既存の手法で到達可能でありながら、必要な時間と労力のためにまだ発見されていなかった数学的構造の発見に優れていることをarXiv論文（2511.02864）で報告した。当時同氏は、結果に対する悪用不可能な検証器を設計するには依然として多大な人間側の努力が必要であると指摘していた。構築問題が解決されても、検証問題は依然としてリアルに存在していたのだ。この観察はコーディングの文脈にも直接当てはまる。実行して目で確認できるアプレットのように「検証が容易なエージェントの出力」は、評価に深い専門知識を要する「数学的証明やセキュリティが重要なコードパス」のような出力とは、根本的にリスクプロファイルが異なる。

Quanta Magazineの2026年4月の数学におけるAI特集において、タオ氏は2025年を「AIが多くの異なるタスクで本当に役立ち始めた年」と評した。AIモデルはエラーを起こしやすすぎると片付けていた数学者たちも、これらのツールが真に新しい領域を切り開くのに役立つことに気づき始めている。タオ氏の7月11日の投稿に対するHacker Newsの反応は、数学とソフトウェアエンジニアリングの両方で権威を持つ人物が開発者コミュニティに向けて直接語りかけた際の影響を反映している。あるコメント投稿者は、現在の状況を「あのタオ氏でさえ、コンテナを起動しようと奮闘する一般の開発者と同じクラスの、AI支援によるデバッグ問題に直面している」と要約した。

■なぜレガシーコードが最適なターゲットなのか

エンジニアリングチームにとって、明示的に引き出す価値のある実用的な示唆がある。タオ氏の1999年のJavaアプレットは、ほとんどのソフトウェア組織がコードベースに抱えている社内ツールの完璧なアナロジー（類比）である。かつては機能していたものの、ランタイムの陳腐化によって塩漬けになり、ゼロから書き直すほどのエンジニアリングコストはかけられないが、再び動くようになれば確実に価値がある、という性質のものだ。Java 1.0から現代のJavaScriptへの移行は、Python 2からPython 3への移行、古い社内フレームワークから現代の同等物への移行、独自のドメイン固有言語（DSL）からオープンソースの代替物への移行など、問題が明確に定義され、移行前後の挙動がテスト可能で、人間の専門家が出力を観察することで正確性を迅速に検証できる一連の課題を代表している。

レガシーソフトウェアを維持するプロとしての義務を持たないフィールズ賞受賞者が、この移行を苦もなく行い、結果としてバグを減少させたという事実は、企業にとっても直接的な意味を持つデータポイントである。レガシーコード移行の経済性は、常にシニアエンジニアの時間のコストに支配されてきた。もしエージェントが言語間のトランスパイルという機械的なレイヤーを処理できるのであれば（タオ氏の実験はその強力な証拠である）、ボトルネックは検証レイヤー、すなわち「出力を実行し、正しい結果を目にしてそれと認識できる人材がいるか」に移行する。

タオ氏のワークフローからは、領域を問わず適用可能な3つの原則が浮かび上がる。

第1に、「リスクの大きさによるトリアージ」である。エージェントは、失敗モードが可視化され、かつ影響範囲が限定的なコード（数学的議論の破綻ではなく、ビジュアライゼーションにおけるドラッグイベントの不具合など）に対して使用された。エージェントを導入する前に、ダウンサイドリスクによってタスクカテゴリをマッピングすることが、AI導入を持続可能にするガバナンス業務である。

第2に、「対話ログの保存」である。タオ氏は、相対性理論アプレットとギルブレス予想のビジュアライゼーションの両方について会話ログを公開した。プロフェッショナルなエンジニアリングの文脈において、そのログは監査証跡となり、どの決定が人間によるもので、どれが委ねられたものかの記録であり、後で問題が発生した際のデバッグの証拠基盤となる。

第3に、「レガシーコードをターゲット豊かな環境として扱うこと」である。ほとんどのソフトウェア組織は、従来の手段で移行するリソースがある以上の、古いランタイムで動くコードを抱えている。言語の世代を超えてコードを移植し、タオ氏のケースのようにバグ数を純減させるエージェントの能力は、企業環境において現在十分に活用されていない、非常に価値の高いユースケースを示唆している。

■注目ポイントQ&A

●タオ氏が行ったことは、いわゆる「バイブコーディング（vibe coding）」にあたりますか？

極めて緩い意味においてのみそう言えます。タオ氏自身もこの言葉を使っていますが、彼の実際のプロセスは厳密な技術的定義からは重要な点で外れています。「バイブコーディング」という言葉は、2025年2月にアンドレイ・カルパシー（Andrej Karpathy）氏によって造られ、同年のコリンズ英語辞典の「ワード・オブ・ザ・イヤー」に選ばれたもので、開発者がAIの生成したコードを読んだりレビューしたりすることなく受け入れ、そのコードがどのように動作しているかを説明できないワークフローを指します。タオ氏はその逆を行いました。特定のバグを特定し、セッションの詳細なログを公開し、エージェントを導入する前に明確なリスクフレームワークを適用しました。開発者のサイモン・ウィリソン（Simon Willison）氏の広く引用されている定義によれば、出力をレビューし、テストし、他の人に説明できるのであれば、それはバイブコーディングではなく、単なるソフトウェア開発です。タオ氏の実験は、AIエージェントに支援されたソフトウェア開発と言えます。

●AIエージェントはどのようにしてJava 1.0からJavaScriptへのコード移植を行うのですか？

単なる構文の翻訳にとどまりません。Java 1.0アプレットは、グラフィックオブジェクトが永続しランタイムによって管理されるAWTのリテインモードモデルを使用して描画していました。一方、現代のJavaScriptは、毎フレームごとにピクセルバッファに描画するHTML5 Canvas APIのイミディエイトモードモデルを使用します。移植を行うエージェントは、AWTの描画プリミティブを解析し、コード構造から数学的オブジェクトを特定し、Canvas APIの用語で描画を書き換え、JavaのイベントリスナーシステムをJavaScriptのDOMイベントモデルに置き換える必要があります。その後、エージェントはコードを実行して出力を観察し、反復処理を行います。タオ氏における検証器は彼自身の数学的専門知識であり、ベシコヴィッチ集合やハニカム構造が誤って描画されていれば、それらのオブジェクトを知る者には即座に判別できました。

●AI生成コードを信頼するかどうかを判断するための「タオ氏の法則」とは何ですか？

タオ氏が2026年5月のスタンフォード大学のシンポジウムで最も正確に表明したフレームワークは、「研究者が有益に利用できるAI自動化のレベルは、その検証プロセスがどれほど厳格であるかにほぼ比例する」というものです。これをコードに適用すると、失敗の検出が迅速で、専門家にとって可視化されており、影響が伝播する前に結果が限定されるタスクにAIエージェントを使用します。逆に、失敗の検出が困難で、認識に深い専門知識を要し、伝播リスクが高いタスクには使用すべきではありません。論文の補足資料として構築されるインタラクティブなビジュアライゼーションは3つの条件すべてを満たしますが、セキュリティが重要な決済処理パスなどは満たしません。このフレームワークは数学に限定されず、企業のAIガバナンスが独自に到達したリスク対応型の導入原則と構造的に同一です。

●なぜレガシーコードの移行がAIコーディングエージェントに特に適しているのですか？

レガシーコードの移行は、古いランタイム向けに書かれたコードを理解し、現代のターゲット向けに書き換え、出力が正しいことを検証するためにシニアエンジニアの時間を必要とするため、これまで経済的に魅力がありませんでした。AIエージェントはこの問題の最初の2つのステップを変化させます。ソースを読み、コード構造や数学的文脈から意図を理解し、手動での書き換えよりも少ない労力でバグの少ない現代的な同等物を生成できます。3つ目のステップである「検証」は依然として人間が担当しますが、適切なドメイン専門家が出力をレビューするのであれば、多くの場合これが最もコストのかからない部分になります。タオ氏の27年前のJavaアプレットは、普遍的に認識されている技術負債のカテゴリーを代表しており、エージェントがバグを純減させつつ移植に成功したという発見は、レガシー移行が企業におけるAIエージェントの価値あるユースケースであることの強力な証拠です。

元記事: AI Agents Ported Tao’s 27-Year-Old Math Code in Hours and Found Two Bugs He Had Missed