道端の石ころを一つ拾ってAIに見せたら、「これは未来の電池に必要な鉱物です」と教えてくれる。そんな話なら、少し出来すぎに聞こえるでしょう。実際、普通の写真だけで石の成分や地下の鉱床まで正確に言い当てることはできません。色や形が似た岩石は多く、表面は風化し、照明一つで見え方も変わるからです。
ところが、AIと石ころの組み合わせ自体は冗談ではありません。航空機やドローンが測る光の波長、地磁気、重力、過去の地質図、ボーリングで採取した岩石の化学成分を重ねると、AIは「次に詳しく調べるべき場所」を絞れます。火星では、探査車が自ら岩を選び、成分を測るところまで進んでいます。
私の見立てでは、この技術の本当の価値は、石を宝石のように鑑定することではありません。何万、何億という候補の中から、限られた人員と費用をどこへ向けるかを変えることです。石の価値を決めるAIというより、調べる順番を変えるAI。その違いを押さえると、資源探査の未来がぐっと現実的に見えてきます。
AIは石の名前より「次に調べるべき石」を選ぶ
石を見分ける仕事には、いくつもの段階があります。見た目から大まかな種類を推定することと、含まれる鉱物や元素を測ること、さらに地下に採掘可能な規模で続いているかを確かめることは別です。AIが得意になりつつあるのは、各段階の候補を速く絞り、人が測るべき対象を優先順位づけする部分です。
スマホ写真は入口であって確定診断ではない
写真から岩石の種類を分類する研究は進んでいます。顕微鏡で薄くした岩石を見る「薄片画像」では、鉱物の色や結晶の並びを学習したモデルが分類を助けます。ただし、整った照明と顕微鏡で得た画像と、屋外で撮った一枚の写真は同じ条件ではありません。
似た色の石でも化学組成は異なり、同じ種類でも粒の大きさや風化で表情が変わります。写真判定は候補名を知るには便利ですが、資源の有無や価値を決める根拠には足りません。AIが自信満々でも、石は「いや、表面しか見ていませんよ」と静かに反論しているかもしれません。
分光センサーは人の目にない色を見る
本格的な判定では、可視光の外側まで測る分光センサーが力を発揮します。米国地質調査所（USGS）の説明によれば、ハイパースペクトル調査は赤外線など多くの波長で地表から反射する光を捉え、鉱物ごとに異なる吸収パターンを探します。人の目には同じ灰色に見える岩でも、光の「指紋」は違うことがあるのです。
それでも分光だけで十分ではありません。植生や土に覆われた地下は直接見えず、表面の水分や粒の大きさも測定に影響します。AIはセンサーの結果を整理できますが、測れていないものまで透視できるわけではありません。
価値を決める最後の一線は地中にある
地表で有望な兆候が見つかっても、鉱物が地下へどのくらい続き、どの濃度で含まれ、採掘や精錬に見合うかは別問題です。ボーリングでコアを採り、化学分析を行い、地下構造を推定して初めて経済性の議論へ進めます。
したがって、AIの役割は掘削を消すことではなく、外れやすい場所への掘削を減らすことです。ここを誤解すると、きれいな予測地図が鉱山そのものに見えてしまいます。
石ころの価値は四つのデータが重なる場所に現れる
有望な場所を探すAIは、一枚の写真だけを見る名探偵ではありません。地質学者が長年使ってきた複数の手掛かりを、広い範囲で同時に照合する助手に近い存在です。光、物理、化学、過去の記録が同じ場所を指したとき、詳しい調査へ進む理由が強くなります。
空から地表の鉱物パターンを探す
衛星、航空機、ドローンは、人が歩くには広すぎる地域を一度に観測できます。USGSとNASAは2026年5月、米国西部を対象とする航空ハイパースペクトル調査が約40万平方マイルを覆ったことを発表しました。地表に露出した鉱物だけでなく、鉱山廃棄物や重鉱物砂の調査にもデータが使われます。
AIは、この膨大な画素から特徴的な吸収パターンや地形の組み合わせを探します。空から見つけた異常は答えではありませんが、地上チームが訪れる範囲を狭める地図になります。
見えない地下は磁気・重力・地震波で推定する
岩石の種類や構造が変わると、磁気や密度、電気の通しやすさにも差が出ます。航空磁気、重力、電磁探査、地震波などを重ねれば、地表から見えない地下構造の手掛かりになります。AIは異なる解像度と形式のデータを同じ地域へ重ね、既知の鉱床と似た条件を持つ場所を探します。
米国・カナダ・オーストラリアの共同データでは、地質、地球物理、鉱物資源の広域データを機械学習による有望地域の推定へ使える形にそろえています。AIの精度を支えるのは派手なモデル名より、位置が正しく、比較できるデータです。
古い地質図も学習資産へ戻せる
紙や画像のまま眠る過去の地質図には、現地を歩いた専門家の知識が詰まっています。USGSとDARPAは、地図の位置合わせと凡例からの地質情報抽出を機械学習で自動化し、資源評価へ使いやすくする取り組みを進めました。古い地図を捨てて新しいAIへ置き換えるのではなく、古い知識をAIが読める形に戻す発想です。
| 手掛かり | 分かること | 単独では分からないこと |
|---|---|---|
| 通常の画像 | 色、形、割れ方、粒の見え方 | 正確な元素組成や地下の広がり |
| 分光データ | 鉱物に特徴的な光の吸収 | 厚い土や植生の下の全体像 |
| 地球物理データ | 地下構造、磁性、密度などの差 | 採算の取れる品位と量 |
| コア・化学分析 | 地下の岩石と元素濃度 | 掘っていない場所の連続性 |
AIは四つの手掛かりを結ぶほど強くなります。ただし、一つのモデルがすべてを理解するとは限りません。地質学者が成因を考え、AIが広域の似たパターンを探し、現場の測定で確かめる往復が必要です。
地球と火星では「石を選ぶAI」がすでに働いている
AIによる地質探査は、将来の構想だけではありません。地球では国の地質機関が広域データの整理や有望地域の推定に使い、火星では通信の遅れを補うため、探査車自身が観測する岩を選んでいます。環境は違っても、限られた時間で有望な対象を選ぶという課題は共通しています。
米国とオーストラリアは国土規模で候補を絞る
USGSの「21st Century Prospecting」は、重要鉱物の評価を効率化するため、地質図、鉱物地点、地球物理、地球化学のデータ管理と機械学習を組み合わせました。同機関は、予測力が高品質で位置の正しいデータに依存することも明記しています。AI以前に、地図のずれを直す仕事があるわけです。
オーストラリア地球科学機構も、衛星画像や地質情報へ長年機械学習を適用してきたと説明しています。同国の全国地球化学フレームワークでは、遠隔地など測定が少ない地域を含む予測地図とともに、モデルの不確実性も示します。色の濃い有望地だけでなく、「どこまで自信があるか」を地図にすることが重要です。
火星探査車は自分で岩を選び成分を深掘りする
NASAの火星探査車Perseveranceでは、AEGISと呼ばれる仕組みが画像から岩を検出し、科学チームが定めた大きさや明るさなどの条件で優先順位をつけ、SuperCamの観測対象を選びます。地球から翌日の指示を待たず、移動後の時間を観測へ使えるのが利点です。
さらにNASAの発表によると、PIXLというX線分析装置は、岩の表面を測りながら興味深い鉱物を見つけ、詳しく走査する場所をリアルタイムで決めます。これは、岩石組成の分析結果に基づいて火星上で自律判断した初の例とされています。AIが「見た目の面白い石」から「成分を詳しく測るべき場所」へ進んだ事例です。
こうした自律性は、通信遅延のある深宇宙でAIが判断する理由ともつながります。遠くへ行くほど、人が一つずつ石を選ぶ運用は難しくなります。火星で磨かれた選別と観測の技術は、地球の危険地域や海底、極地にも応用できるでしょう。
日本では粒子鑑定と検層解析から足場ができている
日本でも、産業技術総合研究所とNECなどは、地層中の微化石をAIで鑑定し、自動で分取する技術を開発しました。微化石は石油探鉱などで地層の年代を判断する手掛かりになります。またJOGMECは、井戸へ測定器を下ろして得る物理検層データから、岩相を機械学習で推定する取り組みを進めてきました。
どちらも「道端の石を撮れば鉱山が見つかる」技術ではありません。しかし、専門家が時間をかけていた分類と読み取りを速め、次の判断へつなぐという意味では、同じ地続きにあります。
AI探査は掘る量を減らせても採掘の責任は消せない
有望でない場所への調査や掘削を減らせれば、費用だけでなく、移動、燃料、地表の改変も抑えられる可能性があります。一方で、発見が速くなれば開発も速く進みます。AIは環境に優しいとも、資源開発を加速するだけとも一言では決められません。
重要鉱物の不足懸念が探査を急がせる
国際エネルギー機関（IEA）の2026年見通しでは、電池、送電網、風力、太陽光、高性能磁石などに使う鉱物需要が引き続き増えています。2035年には、発表済みの計画を考慮しても銅とリチウムの供給不足が残る見通しです。同時に、2025年の重要鉱物投資は9％、探査支出は10％超減ったとされています。
必要性は高いのに、価格変動と長い開発期間が投資を難しくする。このねじれは、少ない費用で候補を絞る技術への需要を強めます。ただし、AIが示した確率が高いからといって、鉱山の採算や地域の合意まで保証されるわけではありません。
誤った地図は無駄な掘削を速くする
学習データが既知の鉱床に偏れば、AIは過去に見つけやすかったタイプばかり高く評価します。位置のずれた古い地図、測定方法の異なる化学データ、地域ごとに異なる岩石の成り立ちも誤差の原因です。別の大陸でよく当たったモデルが、日本の複雑な地質で同じように働くとは限りません。
- 有望度と一緒に不確実性を表示する
- 未知地域の測定結果でモデルを更新する
- 地質学者が成因と矛盾する予測を退けられるようにする
- 外れた掘削結果も隠さず学習へ戻す
精度の数字だけでなく、どの地域・鉱床タイプ・測定条件で評価したかを見る必要があります。AIの地図は、正解の印ではなく、次の仮説を置く場所です。
新しい鉱山と都市鉱山を競わせない
資源不足への答えは、新しい鉱床を探すことだけではありません。製品や廃棄物から金属を回収するAI選別と半導体リサイクルの未来も、供給を支えるもう一本の柱です。IEAはリサイクル拡大によって、新規鉱山の必要量を減らせると分析しています。
AI探査で新しい供給源を見つけ、同時に都市鉱山から回収する。どちらか一方に賭けるより、需要を抑える設計や材料代替まで組み合わせるほうが、供給網は強くなります。
5年後と10年後、石ころは動く探査網の入口になる
ここからは現在の技術をもとにした予測です。AIが地下を完全に見通す未来ではなく、観測、選別、再観測の循環が速くなる未来を考えます。鍵になるのは、モデルの大型化よりも、現場で測れる小型センサーと、結果を安全に次の行動へつなぐ仕組みです。
2031年はドローンと小型探査車が測定順を変える
5年後には、ドローンが広域の分光画像を撮り、地上の小型探査車が有望地点へ移動し、携帯型センサーで追加測定する流れが増えると予測します。最初から細かな格子状に全域を測るのではなく、AIが不確実性の高い場所を選び、次の観測を差し向ける方式です。
人は調査計画、地質解釈、安全、地域との調整を担い、機械は移動と反復測定を担います。危険な斜面、火山地域、極地、休廃止鉱山の廃棄物など、人が長時間滞在しにくい場所から普及しやすいでしょう。
2036年は一つの石が供給網の判断につながる
10年後には、採取した岩石の測定結果が、地下モデル、選鉱試験、精錬時のエネルギー、輸送、環境影響までつながる可能性があります。価値の判断は「含有量が多いか」だけでなく、「回収しやすいか」「副産物や有害元素は何か」「既存設備で処理できるか」へ広がります。
この段階では、石ころは宝そのものではなく、供給網全体を更新する一つの観測点になります。探査会社だけでなく、電池メーカーや自動車メーカーも、将来の調達リスクを地質データから早く読もうとするでしょう。
予測が外れる条件はモデルより現場側にある
この未来が進まない条件もはっきりしています。
- 地質データの共有が進まず、地域ごとに形式が分断されたままになる
- 小型センサーの校正や標準化が追いつかず、測定結果を比較できない
- 有望度の地図が過信され、外れた結果や不確実性が記録されない
- 地域社会、環境、許認可を後回しにして、探査の高速化が反発を招く
反対に、共通データ、測定標準、外れを含む記録、人が止める手順がそろえば、AIは探査を乱暴に速めるのではなく、調べる量を賢く減らせます。未来の地質学者が道端の石を見て最初に考えるのは、名前ではなく「この石から、次は何を測るべきか」なのかもしれません。石ころは黙ったままでも、私たちの質問の仕方は変わっていきます。
