Anthropicが国立研究所のAI Jamに参加した理由

Anthropicが1,000人の科学者のAI Jamに加わった理由

2025年2月28日、Anthropicは米エネルギー省(DOE)傘下の複数の国立研究所の科学者、合計1,000人が参加する「AI Jam」への参加を発表しました。フロンティアAIモデルを科学研究と国家安全保障の応用の両面で評価する、DOEにとって初のセッションです。

評価対象になったのは、その同じ週に立ち上げたばかりのClaude 3.7 Sonnetでした。Anthropicが「市場初のハイブリッド推論モデル」と位置づけていたモデルを、発表直後というタイミングで実際の研究現場に投入した形です。ハイブリッド推論モデルとは、短い応答をすぐ返す通常モードと、時間をかけて段階的に考える拡張思考モードを1つのモデルで切り替えられる設計を指します。発表直後の新モデルを、社内テストではなく外部の専門家1,000人にいきなり触らせるという進め方自体が、この評価の位置づけの強さを物語っています。

国立研究所とDOEはどういう組織か

AI Jamの主催母体であるDOEは、エネルギー政策だけでなく、核兵器の管理・不拡散を担うNNSA、そして基礎科学研究を担う十数か所の国立研究所を傘下に持つ、米国の科学インフラの中核機関です。国立研究所は大学や民間企業では扱いにくい規模の計算資源や実験設備を抱え、エネルギー・材料科学・生命科学・核物理など幅広い分野の基礎研究を担ってきました。

AIモデルの評価パートナーとして国立研究所が選ばれる意味は、単に「大きな組織だから」ではありません。国立研究所には、実験計画から論文執筆まで一貫して担う現役の研究者が多数在籍しており、AIが実際の研究フローのどこで役に立ちどこで役に立たないかを、研究者自身の言葉で評価できる立場にあります。1,000人という規模は、特定分野に偏らない横断的なフィードバックを集める狙いを裏づけます。

民間企業がAIモデルを政府機関で評価してもらう場合、通常は限られた担当者による小規模な検証に留まりがちです。1,000人という桁違いの規模で、しかも各自の専門領域の実課題を持ち寄る形式は、モデル開発企業が得られるフィードバックの量と多様性という点で、通常のエンタープライズ導入検証とは性格が異なります。

DOE・NNSAとの提携はどう積み上がってきたか

AI Jamは単発のイベントではなく、Anthropicと米政府の科学・安全保障機関との協力関係の延長線上にあります。

2024年4月、AnthropicはNNSAと国立研究所が運営する機密環境(Top Secret classified environment)でモデル評価を行った、フロンティアAI企業として初めての事例になりました。目的は、大規模言語モデルが核分野の国家安全保障リスクにどう関わりうるかを見極めることです。

2024年の取り組みが「モデルがリスクにならないか」を確認する安全保障寄りの検証だったのに対し、AI Jamは「モデルが研究の役に立つか」を確かめる応用検証です。同じDOE・国立研究所という枠組みを使いながら、検証の軸を安全保障からその先の科学的生産性へ広げた点が、この積み重ねの意味です。

検証の設計そのものも異なります。2024年のNNSA評価は非公開の機密環境で、核分野のリスクという単一の観点から少数の専門家がモデルを精査する形でした。一方のAI Jamは、公表されたイベントとして1,000人という桁違いの人数を集め、各自が持ち込む多様な研究課題でモデルの有用性を横断的に測る形をとっています。閉じた環境で1つのリスクを深く検証する設計から、開かれた場で多様な用途を広く検証する設計へと、検証のつくり方自体が変わっています。

AI Jamで科学者は何を評価したのか

参加した科学者たちは、各自の専門領域から持ち込んだ実際の研究課題を使い、Claudeの能力を次の工程で試しました。

• 問題理解
• 文献検索
• 仮説生成
• 実験計画
• コード生成
• 結果分析

架空のベンチマーク問題ではなく、現場の研究者が抱えている生の課題を使う点が、この評価の設計上の特徴です。Anthropicは発表で、この形式のほうが「AIが科学的探究の複雑さと機微を扱える能力について、より実態に即した評価になる」と説明しています。

6つの工程は、それぞれ研究プロセスの異なる段階に対応します。問題理解は、抱えている課題のどこに核心があるかをモデルと一緒に切り分ける入口の段階で効きます。文献検索は、関連する既存研究を漏れなく洗い出し、車輪の再発明を避けるための段階です。仮説生成と実験計画は研究の設計段階にあたり、モデルが複数の仮説候補や検証手順の叩き台を出せるかが試されます。コード生成は実験を実際に動かす段階、結果分析は得られたデータから何が言えるかを読み解く検証の最終段階です。研究の一部分だけでなく、着手から結論に至るまでの流れ全体を通してモデルの有用性を見ようとした設計です。ある研究者にとってはコード生成の速さが評価軸になり、別の研究者にとっては文献検索の網羅性が評価軸になるというように、参加者の専門分野によって重視するポイントが変わる評価でもあります。

なぜ実務課題での評価にこだわったのか

一般的なベンチマークは特定の能力を切り出して測るのに向いていますが、研究現場での有用性までは保証しません。実験計画の立て方や、どの文献を優先して読むべきかの判断は、分野ごとの文脈に強く依存します。

AI Jamのような形式は、モデル開発企業の側にとっても意味があります。1,000人規模で多分野の専門家からフィードバックを一度に集める機会は、通常の開発サイクルでは得にくいものです。Anthropicは発表で、この機会で得た知見をClaudeの改善に反映し、米国の科学コミュニティへの貢献と競争優位の強化につなげるとしています。

Anthropicは発表の中で、この取り組みを「業界と政府がAIの変革力を活かしつつ、厳格なテストを通じて潜在的リスクにも対処できることを示す試み」と位置づけています。単にモデルの性能を宣伝するのではなく、評価プロセスそのものを政府機関と共同で設計・実施したという点を強調している言い回しです。発表で公開されているのはAI Jamの実施内容と狙いまでで、研究課題ごとの評価結果や参加者数の内訳といった詳細は明らかにされていません。

Claude 3.7 Sonnetの直後投入という選び方

AI Jamで評価されたのは、発売済みで実績のあるモデルではなく、その週に立ち上がったばかりのClaude 3.7 Sonnetでした。すでに評判が固まったモデルを国立研究所へ持ち込む方が無難な選択のはずですが、Anthropicはあえて発表直後のモデルを充てています。

新モデルを一般公開と同じタイミングで政府系研究者の前に出すという判断は、社内ベンチマークだけでは測れない実務適性を、早い段階で厳しい目を持つ専門家集団に確かめてもらう狙いがあったと読めます。ハイブリッド推論モデルという新しい設計思想が、実際の科学研究の現場でどこまで通用するかを、発表直後という最も注目度の高いタイミングで検証したことになります。

この提携が示すもの

AI企業が政府機関と組む動き自体は珍しくありません。ただしAI Jamが示すのは、その関係が「安全保障上のリスク評価」という守りの領域だけでなく、「科学的生産性の向上」という攻めの領域にも広がっているという点です。

守りの実績(2024年のNNSA機密環境評価)を先に積んでから、攻めの応用(AI Jamでの科学タスク評価)に進んだ順序にも意味があります。国家安全保障に関わる機関との信頼関係(2025年7月に結ばれた国防総省との2億ドル契約もその一つです)を先に作ったうえで、より広範な科学領域への展開に踏み出した形です。一度きりの広報イベントというより、政府機関との協業を段階的に広げる過程の一コマと見るのが妥当です。

Claude利用者にとって、この提携が直接に何かを変えるわけではありません。効き方は立場によって変わります。

政府・研究機関向けの導入を検討する組織にとっては、Claudeが機密環境や国立研究所での実運用実績を積み上げている事実そのものが、調達判断の材料になります。官公庁向けの導入体制は官公庁のClaude導入ガイドで扱っています。

科学研究領域への展開は、AI Jamの後も続いています。研究者向けのワークベンチとして提供が始まったClaude Scienceや、希少疾患研究向けのAI for Scienceクレジット枠は、AI Jamで得た「科学現場でどう使われるか」の知見が、その後の製品展開につながっている例と位置づけられます。

AI Jamは一般公開のイベントではありません。発表の対象は、DOE傘下の複数の国立研究所に所属する科学者であり、DOEとAnthropicが共同で企画した、政府系研究機関の専門家向けのセッションでした。

まとめ

Anthropicは2025年2月、DOE傘下の国立研究所の科学者1,000人が参加するAI Jamに参加し、立ち上げたばかりのClaude 3.7 Sonnetを実務の研究課題で評価しました。2024年のNNSAとの機密環境評価から続く関係の延長線上にあり、検証の軸を安全保障から科学的生産性へ広げた点に意味があります。Claudeの利用体験を直接変えるものではありませんが、政府・研究機関向け導入を検討する組織にとっては、実運用実績の一つとして参照できます。