AIチュートリアル

Project Lighthouseを使ってAIで歴史的な科学文書を分析する方法

Project LighthouseがAIによる文字起こし、数学的な精読、独立したレビュー、共有証拠台帳をどのように連携させ、作業の重複や発見の誇張を避けながらデジタル化された歴史的文書を調査するのかを学びます。

2026年11月9日約16分で読了

Project Lighthouseを使ってAIで歴史的な科学文書を分析する方法

Project Lighthouseの概要

Project Lighthouseは、科学論文、ノート、書簡、そして顧みられてこなかった印刷物を大規模に調査するためのオープンな研究活動です。AIを使ってデジタル化されたページを文字起こしし、その数学的意味を再構成します。ただし、候補を信頼できる発見として扱うには、人による確認、計算による検証、文献調査、独立したレビューが必要です。

このプロジェクトは、未完の着想、帰属されていない成果、見過ごされてきた関連性を探すために設計されています。また、偽の手がかりや既知の成果も共有台帳に記録し、すでに行き止まりに達した調査を貢献者が繰り返さないようにしています。

2026年11月9日付のリポジトリ状況によると、Gauss、Riemann、Hilbert、Dedekind、Grothendieckによる約12,000ページが詳細に読解されていました。最有力候補は、Riemannのものとされる未発表の衝撃波面に関するL-019でした。その代数は計算によって検証済みでしたが、帰属については人間の古文書学者による確認待ちでした。

AIの支援による有望な読解が、自動的に発見となるわけではありません。Project Lighthouseでは、文字起こし、解釈、検証、歴史的先取権、専門家による確認を別々の問題として扱います。

主な機能

ページ単位の文字起こし: 原稿画像を逐語的なテキストに変換し、数式はLaTeXで表現し、取り消し線のあるテキストは明示的に示します。
文脈を踏まえた詳細読解: 数学的なページを前後のページとともに分析し、孤立した解釈ではなく議論を再構成できるようにします。
現代的な比較: 詳細読解では、現代における同等の概念、それを通常帰属される人物、0から10までの意外性スコアを特定します。
4段階の候補プロトコル: すべての候補は、スキャンの確認、計算による再導出、意味に基づく文献調査、先入観なしの独立レビューを通過する必要があります。
共有台帳: ledger/LEADS.mdには、重複、誤り、それらを解決した情報源を含め、候補と判定を記録します。
誤検出対策: docs/FALSE_POSITIVES.mdには、見かけ上の発見が失敗する12の典型的な原因を記録し、必須チェックリストを掲載しています。
貢献ラベル: ラベルは、確信度や人気ではなく、完了した作業を示します。
オープンな形式: 文字起こしと分析には文書化されたリポジトリ形式を使用し、貢献者がデータを確認して拡張できるようにしています。

リポジトリ構成を理解する

ページを処理する前に、主なパスを把握してください。

queue/QUEUE.md
src/transcribe.py
src/deep.py
src/read_source.py
data/<author>/STATUS.tsv
data/<author>/transcripts/<bundle>/cNNN.json
data/<author>/deep/<bundle>_cNNN.json
data/FORMAT.md
verify/
ledger/LEADS.md
docs/HOT_PAGES.md
docs/FALSE_POSITIVES.md
CONTRIBUTING.md
CITATION.cff

queue/ディレクトリでは、処理を待っている情報源を管理します。src/のスクリプトは文字起こしと詳細読解を処理します。著者ごとの出力はdata/以下に保存し、検証プログラムはverify/に置き、調査した手がかりは台帳に記録します。

インストールとセットアップ

1. リポジトリを取得する

GitHubからProject Lighthouseのリポジトリをクローンまたはダウンロードし、ルートディレクトリから作業してください。データを追加したり候補をレビューしたりする前に、貢献プロセスが定義されているCONTRIBUTING.mdを読んでください。

2. 文書化されたデータ形式を確認する

文字起こしファイルや詳細読解ファイルを作成する前に、data/FORMAT.mdを開いてください。既存のデータは次の形式に従っています。

data/<author>/transcripts/<bundle>/cNNN.json
data/<author>/deep/<bundle>_cNNN.json

別の構造を作るのではなく、文書化されたスキーマに従ってください。一貫したファイル名とフィールドにより、どのページがすでに処理済みかを貢献者が判断できます。

3. APIキーを設定する

このリポジトリでは、貢献者が各自のAnthropic APIキーを用意することを想定しています。キーは次のローカルパスに保存してください。

~/.config/hunt/anthropic_key

キーをリポジトリに絶対にコミットしないでください。READMEでは、Claude Opus 5.5による文字起こしと詳細読解の費用を、1ページあたり約$0.25と見積もっています。大規模な情報源を処理する前に、実際の使用量を監視してください。

4. 対象となる情報源を選ぶ

情報源は、著者、分野、言語、世紀を問わず選べますが、パブリックドメインであり、デジタル化され、取得を許可する規約のある場所でホストされている必要があります。このプロジェクトでは、原稿、ノート、書簡、顧みられてこなかった印刷物を受け付けています。

queue/QUEUE.mdに情報源を追加し、次の場所に著者ディレクトリを作成してください。

data/<author>/

図書館のスキャン画像をリポジトリでホストしないでください。Project Lighthouseはスキャンへのリンクを保持し、ローカルで作成した文字起こしと分析はリポジトリのライセンス規則に従って管理します。

基本的な利用ワークフロー

ステップ1: 各ページを文字起こしする

情報源がIIIF画像URLから利用できる場合は、src/transcribe.pyを使用してください。スキャンPDFにはsrc/read_source.pyを使用します。これは、PDFページからJPEG画像およびページレコードへ変換するワークフローをサポートしています。

文字起こしでは、黙って訂正するのではなく、ページに表示されている内容を保持してください。数式はLaTeXで記録し、取り消し線のあるテキストを示します。結果はdata/FORMAT.mdで定義された著者およびバンドルの構造に従って保存してください。

data/example_author/transcripts/example_bundle/c001.json

このパスは、文書化された命名パターンの例です。ソースには実際の著者、バンドル、ページの識別子を使用してください。

ステップ2：数学のページを精読する

src/deep.py、またはsrc/read_source.pyの精読関数を使用してください。記法、定義、中間手順を文脈の中で解釈できるよう、前後のページも含めます。

関連する各ページについて、論証を再構成し、現代における対応物を特定し、一般に誰の功績とされているかを記録し、リポジトリの0～10の驚き度スコアを付けます。結果は対応する精読パスに保存してください：

data/example_author/deep/example_bundle_c001.json

高いスコアは注意を優先するためのものにすぎません。歴史的な先取権を証明するものでも、より強いレビューラベルを正当化するものでもありません。

ステップ3：処理状況を確認する

data/<author>/STATUS.tsvを開き、書き起こし済みで、まだ精読されていないバンドルを見つけます。これは、新しいソースを追加せずに貢献する実用的な方法です。

ステップ4：驚くべきページを調査する

最も迅速なレビュー経路はdocs/HOT_PAGES.mdです。ここには、モデルが驚くべき内容だと評価したものの、まだ人間が確認していないページが一覧化されています。書き起こしをスキャン画像と直接比較し、前後のページを調べ、その主張が既知のものか、誤って書き起こされたものか、誤った年代が付けられたものか、または候補として検討する価値が本当にあるものかを判断してください。

候補プロトコルを適用する

考えられる発見の意義を述べる前に、4つの確認を順番にすべて完了してください。

スキャン画像と照合してページを読む。 筆跡、記号、欄外注記、削除、ページ順を確認します。AIの出力だけでは不十分です。
コードで数学を再導出する。 再現可能な計算をverify/に置きます。言葉の類似に頼らず、主張された恒等式や帰結を検証してください。
意味に基づいて文献を検索する。 まず著者の出版物から始め、その後に古い資料を調べます。AIが生成した「最初に功績が認められた」年代は、遅すぎる可能性があるため、検証なしに信用しないでください。
独立した、先入観のないレビューを依頼する。 求める結論を明かさずに、関連する事実を2人目の貢献者またはエージェントに伝えます。レビュー担当者は判定を書き、出典を引用しなければなりません。

すべての候補ファイルには、docs/FALSE_POSITIVES.mdのチェックリストも含める必要があります。これにより、誤った書き起こし、現代的な解釈、別名での既知の出版、根拠のない年代推定など、標準的な誤りを見つけやすくなります。

台帳に結果を記録する

候補とその判定をledger/LEADS.mdに追加します。否定的な結果も肯定的な結果と同じように注意深く記録してください。最終的によく知られた歴史だと判明した候補であっても、別の貢献者が同じ検索を繰り返すのを防げます。

リポジトリで目立つ例はL-019です。その完全な記録はledger/LEADS.mdにあり、docs/L019_expert_request_draft.mdには専門家向けに準備された依頼文が含まれています。READMEでは、コンピューターによる検証と、AIを用いた盲検の筆跡比較について説明していますが、人間の古文書専門家はまだ帰属を確認していないことも明記されています。

ラベルを正しく使う

Project Lighthouseのラベルは、発見への信念ではなく、完了した作業を示します：

transcribed：ページのJSONファイルが存在します。どの貢献者でも設定できます。
read：精読記録が存在します。どの貢献者でも設定できます。
self-checked：発見者がスキャン画像を確認し、数学を実行し、文献を検索しました。
reviewed：別の貢献者または先入観のないエージェントが4つの確認をすべて独立して繰り返し、出典付きの判定を書きました。
expert：指名された専門家がスキャン画像を確認しました。

投票は、どのページを先に確認するかを決めるのに役立ちますが、投票によってラベルが確定することはありません。

信頼できる研究のための高度なヒント

書き起こしと解釈を分ける

数学を理解したと思っても、書き起こしは忠実なままに保ちます。再構成、現代的な記法、歴史的な比較は、ソースを書き換えるのではなく、精読記録に記載してください。

ページの前後関係を読む

定義や以前の導出から切り離すと、公式が新しいものに見えることがあります。リードを作成する前に、必ず前後のページ、バンドルの順序、関連するノートを確認してください。

用語だけでなく概念を検索する

歴史上の著者は、現在の名称を使わずに現代的な結果を説明していることがあります。数学的関係、幾何学的構成、物理的条件、証明手法を検索してください。後世に功績が認められた資料と比較する前に、著者自身の出版物から始めます。

先入観のないレビューを維持する

ページに後世の有名な結果が含まれていると予想されることを、独立したレビュー担当者に伝えないでください。スキャン画像、書き起こし、年代の証拠、数学的事実を提供し、提案された結論は伏せます。これにより確証バイアスを減らせます。

検証を再現可能にする

スクリプトと計算をverify/に置き、仮定を文書化し、厳密な記号計算による確認と数値的証拠を区別します。有用な検証とは、別の貢献者が独立して導出を再実行できるものです。

未完了の作業を優先する

STATUS.tsvを使って精読待ちの書き起こし済みバンドルを見つけ、docs/HOT_PAGES.mdを使って人間による確認待ちの驚くべきページを見つけます。これらの経路により、完了済みの処理を重複して行うのを避けられます。

ソース固有の権利を尊重する

スキャン画像は各所蔵機関に保管されているため、ホスティングせずリンクしてください。リポジトリの転写と分析はCC BY 4.0、コードはMITライセンスで公開されています。グロタンディークの未刊ノートについては、READMEで説明されている例外に従い、リポジトリには分析と短い引用のみが含まれ、全文の転写は含まれていません。

優先順位と引用情報を保持する

Project Lighthouseでは、台帳エントリーを含む最初のコミットまたはリリースを、そのエントリーの公開日としています。ZenodoにアーカイブされたGitHubリリースには、DOIと独立したタイムスタンプを付けることができます。リポジトリを引用する際はCITATION.cffを使用し、CC BYの転写を再利用する際はリポジトリをクレジットしてください。

貢献する方法

手作業、または任意のツールやモデルで作成した既存の転写や翻訳を共有する。
新たに対象となる資料に処理スクリプトを実行する。
スキャン画像と比較して、生成された転写を修正する。
現在は転写のみ行われている資料群を精読する。
既存の候補を独立して検証する。
関連分野の専門知識がある場合、署名付きの専門家判定を提供する。

このプロジェクトは、専門家による読解と文献知識のほうが、モデルのトークンよりも不足していると強調しています。候補を反証する貢献であっても、明確な証拠と出典を添えて記録されていれば、価値があります。

結論

Project Lighthouseは、AI規模の写本処理と、意図的に懐疑的な研究プロトコルを組み合わせています。まず対象となる資料または未完了の資料群を選び、忠実な転写を作成し、文脈の中でページを精読します。そして、スキャン画像の調査、コード、文献調査、独立した検証を通じて、意外な主張を検討します。発見も行き止まりも再利用可能な学術的証拠となるよう、すべての結果を共有台帳に記録してください。