この論文は、大きな言語モデル（LLM: Large Language Models）が統計学の厳密な論証（統計的証明）を手伝える範囲を調べています。結論は明快です。現行の汎用LLMは、問題がはっきり定義され、指示が具体的なら技術的な計算や論証の実行はできる一方で、問題をどう定式化するかや、どの戦略を選ぶかといった開かれた判断を一貫して自律的にこなすことは苦手だ、というものです。著者らはこれを「実行–戦略ギャップ」と呼んでいます。つまり、AIは与えられた戦略は実行できても、自分で最適な戦略を選べない、という性質です。 研究チームはこの問いを、日々の研究で出てくる実務的な統計的証明問題を用いて調べました。高次元推論、極値理論、転移学習、差分プライバシーという現代統計学の四分野から、計8題の研究レベルの問題を、対になった事例として扱いました。各問題は多くが進行中の研究課題で、公表済みの証明がないものがほとんどです。評価にはGPT-5.4 Thinking、Gemini 3.1 Pro、Claude Opus 4.6という三つの汎用LLMを用い、モデル間で一貫した挙動が見られたため、一般的な性質として結論をまとめています。 具体的な所見は実務的です。成功した場面は、「問題を正確に書く」「適切な仮定を与える」「具体的な手がかり（戦略のヒントや文献参照）を付ける」など、入力が限定されている場合でした。一方、失敗しやすい場面は、問題が開かれているとき、長い推論の連鎖が必要なとき、複数の相互依存する技術的要素を同時に扱う必要があるときです。研究では、ある高次元推論の対で、モデルが正しい結果に到達したものの、用いた戦略は既存論文と異なっており、モデルが「異なるやり方で解いた」ことも観察されています。 この結果が意味することは重要です。AIが計算や細かい推論を担っても、人間の専門家の役割は消えません。むしろ、専門家は問題の定式化やAIが生成した証明の検証といった判断により重心を移す必要があります。この移行は、日常の研究ワークフローや大学院教育の設計、共同資源（使える証明戦略のリポジトリ）や検証ツール（例えばLeanのような形式手法）整備の必要性を高めます。 重要な注意点もあります。今回の評価は汎用LLMを対象にしたものであり、将来の専用設計されたツールや検証に強いシステムでは事情が変わる可能性があります。また、論文は事例に基づく質的な分析を中心にしており、ここに掲げた結論は「現状の一般的なモデルに対する実務的な指針」として読むべきです。著者らは実用的な助言（問題の明確化、証明の分解、反復的な検証、ターゲットを絞った指示の活用）と、共同体としての取り組み課題を提示しており、人間とAIがより安全に協働するための出発点を提供しています。