生成AI時代のデータサイエンティスト ― AI人材・研究基盤・技術変化と新しいキャリアのかたち

人工知能(AI)の進展は、近年ますます社会の基盤的技術としての性格を強めています。とりわけ生成AIの登場によってその影響は一層可視化され、AIは単なる研究分野の一つではなく、社会のさまざまな領域に浸透する汎用技術として認識されるようになりました。

企業活動、行政サービス、教育、医療、研究開発など、多くの分野でAIの活用が広がりつつあり、AIは社会の仕組みそのものを支えるインフラの一部となりつつあります。

このような状況のもとで重要になるのは、AIそのものの技術開発だけではありません。それを支える人材、教育、キャリア形成、そしてアカデミアと産業界の関係のあり方もまた、AI時代の社会を形作る重要な要素です。

本稿ではAI人材、教育、働き方とキャリア、日本政府の政策などについて概観したうえで、急速に変化するAI分野においてデータサイエンティストがどのようにキャリアを形成していくのかについて、具体的な事例を交えながら考えていきたいと思います。

本記事の監修者

杉山 将 Masashi Sugiyama

東京大学 大学院新領域創成科学研究科 教授 理化学研究所 革新知能統合研究センター(理研AIP) センター長

• 東京大学 大学院情報理工学系研究科 コンピュータ科学専攻 教授（兼担）
• 東京大学 理学部 情報科学科 教授（兼担）

著書：『機械学習のための確率と統計』『異常検知と変化検知』など多数

得意領域：統計的機械学習、データマイニング、信号画像処理 など

AI人材の多様性と日本の人材育成

まずAI人材についてです。AI人材という言葉はしばしば高度な研究者やエンジニアを指して用いられますが、実際にはそれよりも広い概念です。AIの理論やアルゴリズムを研究する基礎研究者、AIを用いてサービスや製品を開発する応用人材、さらにAIを理解し社会や組織の意思決定に活かす人材など、多様な役割が存在します。

AIが社会の基盤技術として広がるほど、こうした複数の層の人材が相互に連携することが重要になります。

日本においてもAI人材の育成は政策的な課題として位置づけられてきました。政府は「AI戦略2019」以降、数理・データサイエンス・AI教育を大学教育の基盤として整備する取り組みを進めています。現在では多くの大学でデータサイエンス教育プログラムが導入され、文理を問わずAIやデータ活用の基礎を学ぶ機会が広がっています。

こうした取り組みは、AIを専門とする研究者の育成だけでなく、社会全体のAIリテラシーを高めるという意味でも重要です。

日本のAI研究基盤と政策的取り組み

研究面に目を向けると、日本でもいくつかの特徴的な取り組みが進められてきました。筆者がセンター長を務める理化学研究所の革新知能統合研究センター(理研AIP)は、文部科学省の人工知能／ビッグデータ／IoT／サイバーセキュリティ統合プロジェクトを推進する拠点として2016年に設立されました。理研AIPでは数理に基づく機械学習の基礎研究に加え、AIによる科学研究の加速や社会課題の解決、さらにはAIの信頼性や社会的側面の分析など、幅広い研究課題に取り組んでいます。

さらに近年では、生成AIの急速な普及を背景に、AIの研究開発基盤を強化する政策も進められています。経済産業省が主導するGENIAC(Generative AI Accelerator Challenge)は、生成AIの開発を担う企業や研究機関を支援する取り組みであり、計算資源やデータ、研究開発環境の整備を通じて国内のAI開発力を高めることを目的としています。

生成AIの研究開発では計算資源やデータへのアクセスが大きな意味を持つため、このような基盤整備は国際競争の観点からも重要です。

AIの社会実装が進むにつれて、安全性や信頼性に関する議論も重要になっています。いわゆるAIセーフティやAIガバナンスに関する議論は国際的にも活発化しており、日本でもAI利用に関するガイドライン整備やリスク評価の枠組みづくりが進められています。

AI技術は大きな可能性を持つ一方で、誤情報の拡散や偏りの問題など新たな課題も生み出します。そのため、技術的研究と制度設計の双方から取り組むことが求められています。

また、長期的視点から研究開発を推進する枠組みとして、内閣府のムーンショット型研究開発制度があります。この制度では将来の社会像を見据えた挑戦的な研究目標が掲げられており、その一つとして以下のようなテーマのもとで研究が進められています。

短期的な成果だけでなく、10年、20年先を見据えた研究を支える制度として、このような取り組みの意義は大きいと言えるでしょう。

AI研究のもう一つの重要な基盤は計算資源です。大規模な機械学習モデルの研究開発には膨大な計算能力が必要となります。日本ではスーパーコンピュータ「富岳」をはじめとする計算基盤が整備されており、AI研究にも広く活用されています。

また近年では、AI研究における半導体や計算基盤の重要性も改めて認識されています。AIの研究開発力はアルゴリズムだけでなく、計算資源や半導体技術とも密接に結びついているためです。

AI時代のキャリア観と産学連携、国際性

AIの時代には働き方やキャリア形成のあり方も変化します。従来は一つの専門領域を深く掘り下げるキャリアが主流でしたが、AIが多くの分野に浸透する中では、異なる分野を結びつける能力が重要になります。AI技術を理解しながら医療や金融、製造業といった分野で応用できる人材は、社会の中で大きな価値を持つでしょう。

AI時代のキャリアとは、専門性を持ちながらも分野を横断する視点を持つことだと言えます。

このような人材を育てるうえで重要になるのが、アカデミアと産業界の関係です。AI研究の基礎的成果は大学や研究機関から生まれることが多いですが、それを社会に広く展開し発展させる役割は企業が担います。米国では大学と企業の間の人材移動や共同研究が非常に活発であり、それがAI研究と産業応用の双方を飛躍的に加速させています。日本でも産学連携は徐々に進み、大学発スタートアップや共同研究拠点の整備などが進められています。

AI研究は極めて国際的な分野であり、研究者コミュニティも国境を越えて形成されています。現在、AI研究の中心は米国や中国にあり、巨大な研究資金と人材が集中しています。一方で、日本にはロボティクスや製造業といった分野で長年の技術蓄積があり、AIとの融合によって新しい価値を生み出す可能性があります。また、日本が直面する高齢化や社会インフラの課題は、AIの応用研究にとって重要なテーマでもあります。

AI時代において重要なのは、技術そのものだけではなく、その技術を社会の中でどのように位置づけるかです。AI人材の育成、教育制度、産学連携、そして研究基盤の整備を統合的に考えることが求められています。日本から世界を見る視点と、世界から日本を見る視点の双方を持ちながら、AI時代の社会と人材のあり方を考えていくことが、これからますます重要になるでしょう。

AIと物理学が示す研究の本質

ここからは視点をもう少し具体的なものに移し、変化の激しいAI分野において、データサイエンティストがどのようにキャリアを築いていくのかについて考えてみたいと思います。

2026年3月8日から11日にかけて、筆者が所属する東京大学と理化学研究所の共催で、AIと物理の接点を議論する国際会議を開催しました。機械学習、統計物理、熱力学、数学など、異なる分野の研究者が集まり、AIと物理学の関係について活発な議論が交わされました。

AI研究と物理学は、実は古くから互いに深い影響を与え合ってきた学問領域です。確率的グラフィカルモデル(複数の確率変数間の依存関係をグラフ構造で表現するモデル群)やベイズ推論(観測データから事柄の確からしさを確率として更新していく統計的推論手法)の研究には統計物理(多数の構成要素からなる系の振る舞いを統計的に扱う物理学の一分野)の考え方が色濃く反映されていますし、ニューラルネットワークの理論的理解にも物理学的アプローチがしばしば用いられてきました。

また、変分オートエンコーダ(VAE:ニューラルネットワークでデータの背後にある潜在的な構造を学習する生成モデル)などの生成モデルの発展にも、統計物理に由来する概念が重要な役割を果たしています。こうした歴史を振り返ると、AI研究の進展は情報科学だけで完結するものではなく、基礎科学との相互作用の中で育まれてきたことが分かります。

現在、このAIと物理の接点の中でも特に注目を集めているのが、非平衡熱力学(平衡状態にない系のエネルギーや物質の流れを扱う熱力学の一分野)の考え方に着想を得て開発された「拡散モデル」です。拡散モデルは、画像、音声、動画などの高精細なデータを生成するアルゴリズムであり、近年の生成AIを支える中核的技術の一つとなっています。多くの画像生成サービスの背後にも、この拡散モデルの枠組みがあります。

拡散モデルの基本的な発想は比較的直感的です。まず元のデータに徐々に雑音を加えていく拡散過程を考え、その逆過程、すなわち雑音を段階的に取り除くプロセスを学習することで、新しいデータを生成します。この枠組みは、物理学における拡散現象や確率過程の理論と密接に関係しており、AI研究における物理学の影響を象徴する例の一つといえるでしょう。

今回の会議には、拡散モデルの提案者の一人であるヤーシャ・ソール=ディックスタインさん(現アンスロピック社テクニカルスタッフ)も参加されました。ソール=ディックスタインさんは計算神経科学や物理学のバックグラウンドを持ち、物理の視点をAI研究に持ち込んだ象徴的な研究者の一人です。

興味深いことに、ソール=ディックスタインさんが2015年の論文で拡散モデルを提案した当初、この研究は現在ほど大きな注目を集めていたわけではありません。当時、画像生成の分野では敵対的生成ネットワーク(GAN:生成側と識別側の2つのネットワークを競わせて学習させる生成モデル)が主流であり、拡散モデルは比較的静かな存在でした。

しかしその後、ニューラルネットワークのアーキテクチャ、利用可能なデータ量、そして計算資源が飛躍的に進化したことで、この手法の潜在的な可能性が一気に開花しました。現在では、拡散モデルは生成AIを代表する技術の一つとなっています。

近年のAI研究では研究のサイクルが非常に速くなり、国際会議の論文でも過去の古典的研究よりも、ここ2〜3年の比較的新しい研究を基礎に改良を行う研究が増えているように感じます。もちろん、このスピード感こそがAI研究の魅力でもあります。

しかし拡散モデルの例が示しているように、過去の研究の中には、当時は計算資源やデータの制約によって実用的でないと判断されていた技術が数多く存在しています。機械学習アルゴリズム、データ、計算パワーが進歩した現在では、そうした研究が再び注目され、新しい技術として花開く可能性もあります。

研究開発競争の激しいAI分野で研究者・技術者として独自性を出すためには、最近の論文だけでなく、過去の研究を丁寧に調べ、その中に埋もれている可能性を見出すことも重要なアプローチではないかと思います。

変わりゆく実装スタイルと社会への広がり

AIの実装のあり方も、この数年で大きく変化しています。これまでは、プログラミング言語を用いてアルゴリズムを実装するコーディングが、データサイエンティストにとって重要な技能でした。しかし現在では、対話型AIに自然言語で指示を与えることでアプリケーションやコードの多くを自動生成・修正する、いわゆる「バイブコーディング」(AIに自然言語で指示を出して実装やコードを生成・修正してもらう新しい開発スタイル)と呼ばれるスタイルが広がりつつあります。このような環境では、単純にコーディング技術を磨くだけでは差別化が難しくなりつつあります。

一方で、AI技術を社会のより広い層に届けていくことの重要性は、むしろ高まっています。特に、まだ情報技術に十分アクセスできていない子どもたち、女性、発展途上国の人々などに対して、AIの基礎とその活用方法を学ぶ機会を提供することには大きな意義があります。

筆者が関わっているNeural Information Processing Systems(NeurIPS)やInternational Conference on Machine Learning(ICML)といった機械学習の国際会議でも、Women in Machine Learning、Black in AI、Global South in AIなどのコミュニティ活動が継続的に支援されています。こうした活動は研究者同士のネットワーク形成にとどまらず、AI教育や人材育成の重要な役割も担っています。

まとめ

このように考えると、生成AI時代のデータサイエンティストのキャリアは、単にアルゴリズムを開発したりコードを書いたりすることだけではありません。過去の研究を掘り起こして新しい技術の可能性を見出すこと、異なる学問分野をつなぐこと、そしてAI技術を社会のさまざまな人々に広げていくこともまた重要な役割です。

急速に変化するAIの世界では、技術そのものだけでなく、その技術を社会とどのように結びつけていくかを考える視点が、これからのデータサイエンティストに求められているのではないでしょうか。

柏倉＠acrefa

関連記事Related Posts