要約
令和8年7月30日開催の科学技術・学術審議会情報委員会（第48回）では、AI for Science／Science for AI／Science of AIという三区分の戦略的推進方針、LLM-jp/LLMC（国立情報学研究所）による生成AIモデルの透明性・信頼性確保拠点の令和7年度実績報告、「AI for Scienceを支える研究データの管理・利活用と流通の在り方について」の審議まとめ、そして情報分野研究開発プランへの新プログラム（AI for Scienceを支える次世代研究インフラの構築事業）追加が、一体的な政策パッケージとして提示された。特に目を引くのは、研究データ基盤NII RDCを2030年度までに容量5倍・AI化、学術情報ネットワークSINETを2028年度までに2倍高速化、AI共用計算資源を2030年度までに10倍以上に増強するという、極めて短期間かつ野心的な数値目標が複数同時に掲げられている点である。LLM-jpについてもR6年度の54モデル公開からR7年度は251モデルへと急拡大し、累計474万件超のダウンロードを記録するなど、量的な実績は着実に積み上がっている。しかし、こうした急速なインフラ拡張と数値目標の乱立の背後で、現場の研究者・大学・地域機関が実際にどこまでその変化に追随できるのか、そして「AI活用」そのものが目的化していないかという点については、資料内で必ずしも十分に語られていない。以下、現場視点から6点の懸念とそれに対応する改善提案を提示する。
現場視点の一般的な懸念
懸念①：複数プログラムにまたがる目標の同時達成要求による現場の累積負荷
情報分野研究開発プランには（1）AIP、（2）Society5.0拠点、（3）研究データエコシステム、（4）HPCI、（5）生成AIモデル拠点形成、（6）AI for Science科学研究革新、（7）次世代研究インフラ構築（新設）という7本のプログラムが並走し、それぞれにアウトプット指標・アウトカム指標が個別に設定されている。加えてNII RDC容量5倍、SINET2倍高速化、計算資源10倍、AI高度人材5年で3,000人増といった目標が同時期（2028〜2030年度）に集中している。これらの目標がそれぞれ独立したプログラムとして立案されている以上、大学の情報基盤・図書館・URA組織等、現場の運用部門が複数プログラムから同時に降ってくる対応要請の総量をどの主体が把握し調整するのかが、資料からは見えてこない。
懸念②：数値目標が自己目的化するリスク
「Top10％論文のうちAI関連論文数を世界3位へ」「AI関連論文数割合を世界10位→5位」「NII RDC容量5倍」「SINET2倍高速化」など、達成期限付きの定量目標が多数掲げられている。これらは進捗管理には有用である一方、目標自体が独り歩きし、論文数やダウンロード数、GitHubスター数（llm-jp-eval：162件）といった代理指標の最大化が、実質的な研究の質や信頼性向上と乖離して追求されてしまう危険がある。特にLLM-jpの実績報告では、モデル公開数やダウンロード数の伸びが強調される一方、それらがどのような学術的価値の創出につながったかの評価軸は相対的に薄い。
懸念③：データ整備・キュレーション負担の現場個人への帰属
審議まとめでは「研究データが研究プロセスの途中で散逸・停滞し、十分に利活用されていない」実態が指摘され、メタデータ整備・構造化・標準化がコミュニティから強く求められているとされる。しかし、これらの作業を実際に誰が・どのリソースで担うのかについては、名古屋大学を中心とした地域コンソーシアムやデータマネジメント人材育成といった体制論に留まり、個々の研究室・技術職員・URAへの実質的な作業負担増という現場の負荷構造そのものへの言及は限定的である。
懸念④：地域間格差の是正が「均質性の確保」という理念にとどまっている
SINETについては「地方大学や小規模機関においても同等の通信環境を利用可能とする全国的な均質性の確保が求められている」と明記される一方、NII-SOCSの対象は依然として主に国立大学等に限定されており、「サービス拡大に伴うコスト負担と運用リソースの確保が障害となっている」ことが資料内でも課題として認識されている。均質性の必要性は謳われても、公私立大学への展開に伴う財政的裏付けの具体策は次世代整備の方向性の中でも明示されていない。
懸念⑤：AI利活用そのものの自己目的化
資料全体を通じて「AI駆動型研究システム」「AIエージェント駆動型のパイプライン構築」「AI統合型の研究データ基盤」など、AIを研究プロセスに組み込むこと自体が反復的に強調される。一方で、「クローズドなAIサービスへの依存に対する懸念」や「研究者が利用するモデルや処理を把握・制御できる、再現可能で透明性のある AI環境」の必要性も同時に指摘されており、AI導入の加速と、AIブラックボックス化への懸念という二つの方向性が資料内で十分に統合されないまま並置されている。
懸念⑥：経済安全保障・国際競争力への傾斜と基礎科学・多様性への目配りの相対的希薄化
「勝ち筋になり得る分野等の研究力を世界のトップ水準に引き上げる」「経済安全保障」「国際優位性・戦略的自律性の確保」といった競争力・安全保障の観点が全編にわたり強調される一方、学術界における知の多様性、基礎研究の裾野の広さ、人文社会科学分野への言及は「学術審査AIエージェント」など限定的な言及にとどまる。AI for Scienceの推進が、特定の「勝ち筋」領域への集中投資という形で、研究テーマの多様性を狭める方向に作用しないかという論点は、資料内では明示的に検討されていない。
現場視点の一般的な懸念を踏まえた改善提案
改善提案①：プログラム横断の負荷総量を可視化する調整機能の設置
7つのプログラムおよび複数の数値目標を横断して、大学・研究機関側にどの程度の対応工数（人員・予算・システム改修）が発生するかを事前に試算し、情報委員会またはNIIが窓口となって負荷の総量を継続的にモニタリングする仕組みを設けることを提案する。個別プログラムの進捗報告に加え、現場の対応負荷そのものを定期的に調査・報告する枠組みがあれば、政策側も現実的なペース配分を検討しやすくなる。
改善提案②：定量目標に加えて質的検証プロセスを制度化する
論文数・ダウンロード数・容量倍率などの定量指標と並行して、それらの拡大が実際の研究の質・再現性・信頼性向上にどう結びついたかを検証する質的レビュー（例えば外部有識者による抜き取り評価）を、次回以降の実績報告に組み込むことを提案する。特にLLM-jpの評価では、モデル数やダウンロード数だけでなく、原理解明WG等の学術的貢献を継続的に可視化する報告様式の充実が有効と考えられる。
改善提案③：データ整備業務を担う人材・予算の恒常的措置
メタデータ付与やキュレーション業務を、研究者個人や技術職員の善意や追加的努力に依存させるのではなく、各大学のデータマネジメント人材の恒常的なポスト化・予算措置とセットで制度設計することを提案する。地域コンソーシアムの「質的拡大」を掲げるのであれば、その担い手に対する処遇改善・キャリアパスの明示を同時に打ち出すことが持続可能性を左右する。
改善提案④：NII-SOCS等セキュリティ基盤の公私立大学展開に財政措置を明示する
「均質性の確保」を理念で終わらせないため、NII-SOCSをはじめとするセキュリティ基盤・認証基盤の公私立大学への展開スケジュールと、それに要する追加予算の確保方針を、次期研究開発プランの中で数値目標と併記することを提案する。SINETの高速化目標（2028年度までに2倍）と同様の期限設定を、地域格差是正の指標にも適用することが望ましい。
改善提案⑤：AI活用の「手段」としての位置づけを明文化する評価軸の追加
各プログラムのアウトカム指標に、AI利活用の量（論文数、ユースケース数等）だけでなく、「AIに依存しない場合との比較検証」や「透明性・再現性の担保状況」を測る定性的な評価軸を追加することを提案する。特にクローズドAIサービスへの依存リスクが審議まとめ内でも指摘されている以上、次世代研究データ基盤の整備方針の中に、透明性確保の達成度を測る独立した評価項目を設けることが整合的である。
改善提案⑥：基礎科学・学術多様性へのインパクト評価を政策文書に組み込む
「勝ち筋」分野への集中投資の効果測定に加えて、AI for Scienceの推進が学術分野全体の多様性（分野間の研究テーマの偏り、若手研究者の参入分野の分布等）にどのような影響を与えているかを定期的に検証する評価項目を、情報分野研究開発プランの上位施策レビューに組み込むことを提案する。経済安全保障・競争力の観点と並立する形で、学術的多様性の維持状況を政策目標として明示的に位置づけることが、長期的な研究エコシステムの健全性を担保する。
情報委員会（第48回） 配付資料
https://www.mext.go.jp/b_menu/shingi/gijyutu/gijyutu29/siryo/1418998_20250424_00010.html
