수학이 ‘발견’보다 ‘검증’이 느려진 순간
OpenAI가 한꺼번에 공개한 719편의 수학 원고는 “AI가 얼마나 어려운 문제를 푸는가”보다 더 큰 질문을 던졌다. 답이 폭발적으로 늘어날 때, 누가 그 답을 이해하고 검증하며 학문으로 편입할 것인가. 수학 연구의 병목이 생성에서 검토로 이동하고 있다.
지난 10월 6일 OpenAI는 조용하지만 거대한 수학 자료 묶음을 공개했다. 회사의 표현으로는 “내부 프런티어 모델”이 만들어 낸 새로운 수학 결과들이다. 공개 장소는 전통적인 학술지나 학회장이 아니라 GitHub였다. 일주일 뒤인 10월 13일 현재 저장소의 카탈로그에는 719편의 원고가 372개의 패밀리로 정리돼 있다. 한 패밀리는 핵심 정리 하나뿐 아니라 보조 논증, 파생 결과, 대안 증명까지 여러 문서를 포함할 수 있다. 따라서 ‘719편=719개의 미해결 문제 해결’로 읽으면 틀린다. 중요한 것은 숫자의 크기 자체가 아니라, 수학 공동체가 하루아침에 수백 개 묶음의 주장과 증명을 동시에 검토해야 하는 상황이 현실이 됐다는 점이다.
OpenAI 저장소는 이 결과들이 서로 다른 검증 단계에 있다고 명시하고, 모든 원고에 Lean 정형 증명이 붙어 있는 것은 아니라고 밝힌다. 현재 저장소가 제시한 정형화 비율은 최상위 결과 기준 약 42%다. 또한 평가 과정에서 모델에 약 4,000개의 문제가 주어졌고, 평균적인 결과 하나를 얻는 데 회사가 “ChatGPT Pro 사고 시간”으로 환산한 약 3시간의 계산을 썼다고 설명한다. 결과 생산의 속도와 검증·해설의 속도가 이미 다른 차원으로 벌어지고 있다는 뜻이다.
‘논문 719편’보다 먼저 봐야 할 네 개의 숫자
이번 공개를 이해하려면 ‘AI가 수학 난제를 수백 개 풀었다’는 한 문장보다 저장소의 구조부터 볼 필요가 있다. OpenAI는 719편을 372개 패밀리로 묶었다. 패밀리는 같은 핵심 결과에서 갈라져 나온 여러 논문을 한 단위로 묶는 장치다. 저장소는 분야별로 결과를 나누고, 각 원고의 PDF와 소스, 인용 지침, 가능한 경우 Lean 정형화 파일을 연결한다. 즉 이 공개는 완성된 학술지 호라기보다, 수백 개 연구 주장과 증명 도구, 수정 이력, 일부 사고 요약을 한꺼번에 담은 거대한 연구 작업대에 가깝다.
회사 스스로도 “정형화되지 않은 결과에는 문제가 있을 수 있다”고 적었다. 동시에 공개 이력을 보존하고, 잘못이 발견되면 새 버전으로 수정하겠다고 했다. 이 문구는 이 자료를 읽는 기본 자세를 정해 준다. 목록에 올라왔다는 사실과 수학적으로 공동체의 합의를 얻었다는 사실은 다르다. 특히 미해결 문제의 경우 ‘증명이 존재한다’는 선언만으로는 부족하다. 정확한 정리의 범위, 기존 문헌과의 관계, 숨어 있는 가정, 증명의 새 아이디어가 무엇인지가 설명돼야 비로소 연구 결과가 다른 사람의 지식이 된다.
또 하나 중요한 점은 모델 자체가 공개되지 않았다는 사실이다. 10월 6일 발표문과 저장소는 이를 ‘내부 프런티어 모델’ 또는 ‘미공개 내부 모델’이라고 부른다. OpenAI는 이 모델을 책임 있게 공개하기 위해 작업 중이라고 했지만, 현재 수학자들은 동일한 모델에 접속해 같은 조건에서 실험을 반복할 수 없다. 수학은 전통적으로 종이와 연필만 있어도 세계 어느 연구자가 같은 정리를 따라갈 수 있다는 점에서 비교적 저비용의 학문이었다. 그런데 최전선 결과를 만드는 핵심 도구가 비공개 대규모 모델과 계산 자원으로 이동하면, 연구의 출발선 자체가 달라질 수 있다.
Lean이 ‘참’이라고 해도 사람이 해야 할 일이 남는다
이번 논쟁에서 가장 자주 등장하는 기술 이름은 Lean이다. Lean은 수학 명제를 형식 언어로 적고, 증명 항이 논리 규칙을 제대로 따르는지 작은 커널이 확인하는 정리 증명 시스템이다. Lean 공식 문서는 커널이 정리 문장과 그에 대한 증명을 받아 핵심 타입 이론의 규칙을 만족하는지 검사한다고 설명한다. 이 구조는 긴 자연어 증명에서 사람이 놓치기 쉬운 논리적 빈틈을 잡아내는 강력한 장치다. AI가 대량으로 증명을 생산하는 시대에는 특히 중요하다. 사람 한 명이 수백 페이지의 세부 계산을 읽는 대신, 기계가 형식적으로 점검할 수 있기 때문이다.
하지만 Lean의 ‘체크 통과’는 자연어 논문 전체가 의도한 주장을 자동으로 보증한다는 뜻이 아니다. Lean 공식 검증 안내도 “정리에 유효한 증명이 있는가”와 “그 정리 문장이 무엇을 의미하는가”를 구분한다. 형식화된 정리 문장이 원래의 수학적 주장과 정확히 대응하는지, 가져온 정의와 보조정리가 의도한 의미를 담고 있는지, 필요한 조건이 빠지지 않았는지는 결국 사람이 확인해야 한다. 쉽게 말해 Lean은 매우 엄격한 문법·논리 심판이지만, 경기 종목 자체를 잘 정의했는지까지 대신 판단해 주는 편집장은 아니다.
“증명 항이 맞다”와 “우리가 묻던 바로 그 문제다”는 같은 문장이 아니다
Lean 커널은 형식화된 명제와 증명 항의 논리적 정합성을 검사한다. 그래서 계산 실수나 비약을 줄이는 데 매우 강하다.
그러나 자연어 문제를 어떤 형식 명제로 번역했는지, 그 번역이 연구 공동체가 뜻한 질문과 같은지, 어떤 공리·정의에 기대는지는 별도의 검토 대상이다.
이 차이가 이번 공개에서 병목을 만든다. 저장소에는 정형화가 붙은 결과와 그렇지 않은 결과가 섞여 있다. 정형화가 있는 경우에도 수학자는 ‘Lean이 통과했다’는 상태를 보고 끝내지 않는다. 형식 명제와 자연어 논문의 대응을 확인하고, 증명의 핵심 아이디어를 사람의 언어로 재구성하며, 기존 정리들과 어떤 관계인지 찾아야 한다. 정형화가 없는 경우에는 전통적인 읽기와 재증명이 더 많이 필요하다. AI가 답을 내는 속도가 인간의 이해 속도보다 빨라지면서, 검증의 층이 오히려 더 두꺼워지는 역설이다.
연구 생산성이 오르자 ‘검증 부채’가 쌓이기 시작했다
일반적인 연구 흐름에서는 한 결과가 나오면 저자, 공동연구자, 세미나 청중, 심사자, 후속 연구자가 시간을 두고 오류를 찾아낸다. 논문 한 편이 공동체에 들어가는 속도는 느리지만, 그 과정에서 설명과 반례와 새로운 질문이 함께 만들어진다. 이번 공개는 이 순서를 뒤집었다. 결과가 먼저 수백 묶음으로 도착했고, 공동체는 사후적으로 중요도와 정확도, 새로움과 출처를 분류해야 한다. The Verge가 인터뷰한 수학자들은 전체를 이해하는 데 수년이 걸릴 수 있다고 전망했다. 몇몇 연구자는 초록 목록만 훑는 데도 상당한 시간이 들었다고 말했다.
여기서 생기는 비용을 ‘검증 부채’라고 부를 수 있다. AI가 새 결과를 빠르게 생산할수록 사람은 그 결과를 읽고, 기존 문헌과 대조하고, 형식화하고, 재현하고, 설명하는 데 더 많은 시간을 써야 한다. 오류가 적더라도 부채는 사라지지 않는다. 아주 좋은 결과일수록 어디에서 왔는지, 어떤 새 아이디어가 들어 있는지, 다른 정리에 어떻게 연결되는지 파악해야 학문이 전진하기 때문이다. 반대로 오류가 섞이면 부채는 급격히 커진다. 초기에 잘못된 한 줄을 발견하기 위해 여러 전문가가 시간을 써야 하고, 그 결과를 바탕으로 세운 후속 아이디어도 다시 점검해야 한다.
무엇을 정확히 증명한다고 말하는지, 범위와 가정을 먼저 고정한다.
자연어 증명과 가능하면 Lean 같은 정형 증명으로 빈틈을 점검한다.
기존 연구와의 중복, 우선권, 인용 누락, 이미 알려진 아이디어를 확인한다.
왜 중요한지, 어떤 새 방법을 제공하는지, 다음 질문이 무엇인지 사람의 언어로 만든다.
앞으로 수학에서 가장 값비싼 자원은 ‘정답’이 아니라, 정답을 믿을 수 있는 지식으로 바꾸는 사람의 시간일 수 있다.
이는 특정 회사의 성과를 깎아내리는 주장이 아니라, 결과 생성 속도가 공동체의 흡수 속도를 앞지를 때 자연스럽게 생기는 연구 인프라의 문제다.
실제 저장소와 보도에서 수정은 이미 나타났다. The Verge는 10월 8일 기준 세 편의 원고가 부호 오류 때문에 제거됐고, 십여 편 이상이 수정됐다고 보도했다. 현재 OpenAI 저장소는 719편을 가리키며 공개 이력을 보존하겠다고 명시한다. 이 변화는 실패의 증거라기보다 오히려 새로운 공개 체계에 필요한 기능이 무엇인지 보여 준다. AI 생성 연구는 ‘완성본 한 번 공개’보다 버전 관리, 문제 신고, 정형화 상태 표시, 재현 지침, 인용 이력이 핵심 인프라가 될 가능성이 높다.
한 달 전 ‘밀레니엄 문제’가 먼저 보여 준 긴장
10월의 대량 공개가 갑자기 나타난 것은 아니다. 한 달 전인 9월 8일 OpenAI는 자사 내부 시스템이 나비에–스토크스 존재성과 매끄러움 문제에 대한 해법을 만들었다고 발표했다. 이 문제는 3차원 비압축성 유체의 운동을 기술하는 방정식이 매끄러운 초기 상태에서 유한 시간 안에 특이점을 만들 수 있는지 묻는 밀레니엄 문제다. OpenAI는 외력이 매끄럽게 주어진 상황에서 유체 속도가 무한히 커지는 특이점이 생길 수 있음을 보였다고 주장했고, 자연어 논문과 Lean 형식 증명을 함께 공개했다.
당시 회사가 공개한 계산 규모는 이번 논쟁의 배경을 잘 보여 준다. OpenAI 설명에 따르면 약 1만 개 동시 에이전트 규모의 그룹이 나비에–스토크스 작업에 동원됐고, 전체 시도 과정에서는 490만 개 메시지와 약 3,000억 개 출력 토큰이 사용됐다. 나비에–스토크스 해결 과정만 약 270만 개 메시지, 1,300억 개 출력 토큰이었다고 한다. 결과를 찾는 데 첫 에이전트 가동 후 약 88시간이 걸렸고, 이후 Lean 정형화·검증에 17시간이 더 들었다. 이 수치는 회사가 자체 보고한 것이지만, 수학 연구가 단일 대화형 모델의 ‘한 번의 질문’이 아니라 대규모 병렬 탐색 시스템으로 바뀌고 있음을 보여 준다.
흥미로운 것은 이 발표에 대한 클레이수학연구소의 반응이다. 클레이는 9월 11일 성명에서 나비에–스토크스 문제가 “apparently been settled”, 즉 겉보기에는 해결된 것으로 보이는 발표를 수학 공동체와 함께 주목하고 있다고 밝혔다. 그러나 상금 절차는 의도적으로 서두르지 않겠다고 했다. 클레이 공식 규칙에 따르면 제안된 해법은 자격을 갖춘 출판 경로에 실려야 하고, 그 뒤 최소 2년이 지나야 하며, 세계 수학 공동체의 일반적 수용을 얻어야 클레이의 상세 심사 대상이 될 수 있다. 10월 13일 현재 클레이 홈페이지의 나비에–스토크스 페이지도 여전히 ‘Active’로 표시된다.
이 사례가 주는 메시지는 분명하다. AI가 수학적 발견을 가속하더라도, ‘발견일’과 ‘학문적 확정일’은 분리될 수밖에 없다. 그리고 차이가 길어질수록 그 사이를 메우는 사람과 기관의 역할이 커진다. 언론 보도, GitHub 공개, Lean 통과, 전문가 검토, 학술지 심사, 공동체 수용은 서로 다른 단계다. 어느 하나를 다른 단계의 대체물로 취급하면 과장이나 불필요한 불신이 생긴다.
수학자들이 요구한 것은 ‘더 느린 AI’가 아니라 ‘더 책임 있는 공개’다
이번 사태를 기술 낙관론과 기술 거부론의 충돌로만 보면 중요한 부분을 놓친다. 독립 자문기구인 AGMAI는 인공지능이 수학 연구에 중대한 기회를 제공한다는 점을 인정하면서도, 프런티어 AI 기업이 비공개 모델로 고급 미해결 문제를 계속 시험하는 관행에는 반대한다고 공개적으로 밝혔다. 9월 29일 가이드라인 첫 문장은 이 입장을 매우 선명하게 적는다. 핵심 우려는 AI가 수학을 하지 말아야 한다는 것이 아니라, 결과를 만들어 내는 도구가 일부 기업에만 있고 공동체는 사후 검증만 맡는 구조가 고착될 수 있다는 점이다.
AGMAI가 제시한 책임 있는 공개 원칙은 기술적으로도 구체적이다. 연구 결과와 관련된 기존 문헌을 충분히 조사하고, 사람이 읽을 수 있는 전통적 논문 형식으로 증명을 정리하며, 기업이 통제하지 않는 적절한 학술 저장소를 사용하고, 가능한 한 형식 증명을 제공하라고 권고한다. 또 모델 이름, 사용한 프롬프트, 요약된 추론, 계산 시간과 비용 등 결과가 어떻게 만들어졌는지 공개하라고 요구한다. 여러 결과를 한꺼번에 공개할 때는 무엇을 시도했고 무엇을 실패했는지, 문제는 어떻게 골랐는지까지 설명해야 한다고 했다.
OpenAI는 이번 공개에서 일부 요구를 반영했다. GitHub에 수정 이력과 인용 규칙을 두었고, 약 4,000개 문제를 시도했다는 규모와 평균 계산량을 밝혔다. 10개의 추론 요약도 제공했고, 앞으로 수학 공동체가 결과를 이해할 수 있도록 워크숍·학회·특별 프로그램을 지원하겠다고 발표했다. 그러나 AGMAI가 권고한 모든 항목을 충족한 것은 아니다. 공개 페이지와 저장소는 이번 결과를 만든 모델의 구체적 이름과 전체 프롬프트, 시도한 전체 문제 목록을 공개하지 않는다. 정형화도 아직 일부에 그친다.
AGMAI는 10월 6일 별도 성명에서 공개 자체를 “첫 단계”라고 평가했다. 자료가 세상에 나왔다는 것은 인간의 이해 과정이 시작됐다는 뜻이지 끝났다는 뜻이 아니라는 지적이다. 이 문장은 AI 시대의 과학 커뮤니케이션 원칙을 압축한다. 모델이 문제를 해결하는 순간과 학문이 그 결과를 자기 것으로 만드는 순간 사이에는 반드시 사람이 참여하는 번역·비판·교육·재현의 시간이 존재한다. 그 시간을 ‘느린 절차’로만 취급하면 과학은 결과 목록은 늘어나지만 이해의 밀도는 낮아질 수 있다.
가장 먼저 흔들리는 것은 ‘문제 선택’으로 경력을 쌓던 방식이다
수학은 오랫동안 좋은 문제를 고르는 능력 자체가 연구자의 핵심 자산이었다. 박사과정 학생은 지도교수와 함께 몇 년 동안 파고들 수 있는 문제를 찾고, 젊은 연구자는 아직 비어 있는 틈을 연구계획서와 과제 제안서에 담는다. 그런데 프런티어 모델이 공개 문제 목록을 대규모로 훑고 짧은 시간 안에 여러 결과를 생산한다면, 이 경력 구조는 불안정해진다. The Verge 인터뷰에는 공개 직후 자신의 연구 프로그램이나 과제 계획이 갑자기 영향을 받았다고 말한 연구자들이 등장한다. 특히 박사과정, 포닥, 비정년 연구자처럼 장기 안정성이 약한 집단이 더 큰 충격을 받을 수 있다는 우려가 나왔다.
그렇다고 ‘이제 인간 수학자는 필요 없다’는 결론은 성급하다. 같은 기사에서 여러 수학자는 공개된 결과 다수가 기존 수학의 방법과 기술을 매우 영리하게 조합한 것으로 보인다고 평가했다. 완전히 새로운 수학의 언어를 만든 것과는 다르다는 뜻이다. 수학 연구는 정해진 문제를 체크리스트처럼 지워 가는 일만이 아니다. 새로운 개념을 만들고, 서로 멀어 보이던 분야를 연결하고, 왜 어떤 문제가 중요한지 설명하며, 아직 제대로 질문조차 되지 않은 현상을 발견하는 과정이 큰 비중을 차지한다. AI가 알려진 지도 위의 빈칸을 빠르게 채울수록 인간은 지도 자체를 다시 그리는 쪽으로 이동할 수 있다.
더 근본적인 문제는 계산 자원의 격차다. AGMAI는 비공개 프런티어 모델이 수학 연구를 수행하면 기업과 나머지 공동체 사이에 이중 구조가 생길 수 있다고 경고했다. 공개 모델조차 비용과 인프라 차이 때문에 국가·기관 간 격차를 키울 수 있다. 전통적으로 수학은 실험 장비가 없어도 최전선에 접근할 수 있는 학문이라는 상징성이 컸다. 그러나 앞으로 중요한 탐색이 수천 개 에이전트와 대규모 추론 계산을 필요로 한다면, GPU와 모델 접근권이 망원경이나 입자가속기처럼 연구 능력을 좌우하는 장비가 될 수 있다.
‘오픈 액세스 논문’만으로는 공정한 접근이 아닐 수 있다
결과 파일을 모두 내려받을 수 있어도, 같은 모델과 계산 조건으로 문제를 다시 탐색할 수 없다면 연구자들은 생산자가 아니라 검수자로만 남을 수 있다.
따라서 향후 공정성 논의는 논문 공개 여부뿐 아니라 모델 접근, 계산 지원, 정형화 도구, 검증 인력과 교육 자원까지 포함해야 한다.
한국 연구계는 ‘모델 구매’보다 ‘검증 생태계’를 먼저 설계해야 한다
한국에서 이 사건을 해외 AI 기업의 성능 경쟁으로만 볼 이유는 없다. 수학은 가장 먼저 충격을 드러낸 분야일 뿐, 동일한 패턴은 이론물리, 재료과학, 화학, 알고리즘 연구로 확장될 수 있다. 모델이 가설·정리·후보 물질·실험 설계를 대량 생성하면, 병목은 계산에서 확인으로 이동한다. 이때 경쟁력은 가장 큰 모델에 접근하는 능력만으로 결정되지 않는다. 결과를 빠르게 분류하고, 오류를 찾아내고, 공개 지식으로 변환하며, 학생이 배울 수 있는 설명으로 다시 쓰는 능력이 함께 있어야 한다.
한국 대학과 연구기관이 준비할 현실적인 방향은 세 가지다. 첫째, 정형 검증과 재현 연구를 ‘보조 업무’가 아니라 독립적인 연구 성과로 인정하는 평가 체계가 필요하다. AI가 새로운 주장을 쏟아낼수록 검증 논문과 해설 논문의 가치가 커진다. 둘째, 수학자·컴퓨터과학자·과학철학자·도서관과 연구데이터 전문가가 함께 일하는 검증 허브가 필요하다. 셋째, 학생 교육에서도 문제를 푸는 능력뿐 아니라 AI가 만든 증명을 반례 관점에서 점검하고, 자연어와 형식 언어 사이의 대응을 확인하는 능력을 가르쳐야 한다.
검증을 업적으로
재현, 정형화, 오류 탐지, 해설 작업을 독립적인 연구 성과로 인정해야 검증 병목에 사람이 모인다.
공동 검증 허브
분야 전문가와 형식 증명 전문가가 함께 대량 결과를 선별하고 우선순위를 정하는 체계가 필요하다.
‘푸는 법’에서 ‘의심하는 법’으로
AI의 답을 받아 적기보다 명제의 범위, 가정, 인용, 반례 가능성을 따지는 훈련이 더 중요해진다.
이 관점에서 보면 ‘국산 모델이 더 센가, 해외 모델을 얼마나 빨리 도입하는가’만 묻는 정책은 절반짜리다. 최전선 과학용 모델은 계속 더 강해질 가능성이 높고, 그 결과물의 양은 이미 사람의 검토 능력을 압박하기 시작했다. 국내 연구계가 경쟁력을 가지려면 생성 모델 접근과 동시에 독립 검증 능력을 확보해야 한다. 논문을 읽는 사람, 정형화하는 사람, 재현하는 사람, 해설하는 사람, 연구 윤리와 인용을 감시하는 사람이 같은 인프라 안에서 연결돼야 한다. 모델을 들여오는 속도보다 지식을 흡수하는 속도가 느리다면, 가장 좋은 모델도 외부에서 답안을 공급하는 블랙박스로 남는다.
AI를 ‘답 생성기’가 아니라 새 과학 장비로 다루는 법
이번 사건을 가장 생산적으로 해석하는 방법은 AI를 인간 연구자를 대체하는 경쟁자로만 보는 대신, 과학의 새로운 관측 장비로 보는 것이다. 망원경이 우주의 더 먼 곳을 보여 주고 현미경이 더 작은 구조를 드러냈듯, 프런티어 모델은 사람이 직접 탐색하기 어려운 거대한 수학적 조합 공간을 훑을 수 있다. 문제는 장비가 관측한 신호를 어떻게 보정하고, 어떤 오류가 끼는지 이해하고, 다른 사람이 재현할 수 있게 만드는가다. 좋은 과학 장비는 놀라운 결과뿐 아니라 교정 절차와 오차 범위, 데이터 기록 방식까지 함께 제공한다.
AI 수학도 같은 방향으로 가야 한다. 모델이 어떤 문제를 선택했는지, 어떤 자료에 접근했는지, 몇 번 실패했는지, 어느 단계에서 사람이 개입했는지, 결과가 자연어 증명과 형식 증명 중 어디까지 검증됐는지 메타데이터가 붙어야 한다. 그리고 결과의 중요도와 위험도에 따라 검증 우선순위를 정해야 한다. 수백 개 원고를 모두 같은 깊이로 즉시 검토하는 것은 불가능하다. 다른 연구를 연쇄적으로 바꿀 핵심 정리, 안전·보안에 직접 응용될 수 있는 결과, 기존 대형 연구 프로그램을 뒤흔드는 주장을 먼저 검토하는 식의 트리아지 체계가 필요하다.
이 방식은 AI 기업에도 이익이다. 오류를 숨기거나 조용히 고치면 단기적으로 평판을 지킬 수 있을지 몰라도, 장기적으로는 모든 결과가 의심받는다. 반대로 공개 이력과 수정 사유를 남기고 외부 검증을 쉽게 하면 틀린 결과가 빨리 제거되고 맞는 결과는 더 빠르게 신뢰를 얻는다. OpenAI가 이번 저장소에서 공개 이력 보존과 수정 프로토콜을 명시한 것은 그런 방향의 시작으로 볼 수 있다. 다만 모델과 전체 프롬프트가 비공개인 상태에서는 실험 재현성의 한계가 남는다.
그리고 인간 연구자의 역할도 재정의될 가능성이 높다. 직접 모든 계산을 수행하는 사람에서, 질문을 설계하고 여러 결과를 연결하며, 정형 명제를 현실의 문제와 연결하고, 중요도를 판단하는 사람으로 무게중심이 이동할 수 있다. 이는 ‘수학적 창의성의 종말’이라기보다 창의성이 쓰이는 지점의 이동에 가깝다. AI가 잘하는 부분과 사람이 잘하는 부분의 경계는 계속 바뀌겠지만, 이해·설명·책임의 요구가 사라지지는 않는다.
2026년, 수학과 AI의 관계가 몇 달 사이에 바뀐 흐름
OpenAI, 수학·이론컴퓨터과학 10개 진전 공개
고차원 구면 충전, 코딩이론, 회로복잡도, 격자 암호 등 여러 분야의 결과를 소개했다. 당시에는 내부 버전의 차세대 모델과 Lean 인증을 함께 강조했다.
나비에–스토크스 해법 발표
OpenAI는 내부 시스템이 유한 시간 특이점 형성을 보였다고 발표하고 자연어 논문과 Lean 정형화를 공개했다.
클레이수학연구소, “겉보기에는 해결” 성명
클레이는 세계 수학 공동체와 함께 결과를 주목한다고 하면서도 상금 심사는 기존 규칙에 따라 서두르지 않겠다고 밝혔다.
AGMAI, 책임 있는 공개 가이드라인
비공개 프런티어 모델로 고급 미해결 문제를 시험하는 관행 중단, 형식화·모델 정보·프롬프트·계산량 공개, 인간 이해 지원 등을 권고했다.
대규모 수학 결과 저장소 공개
수백 개 문제 계열을 포함하는 대규모 원고 묶음이 GitHub에 공개됐다. OpenAI는 앞으로 더 많은 Lean 정형화를 추가하겠다고 밝혔다.
현재 카탈로그 719편·372 패밀리
검증과 수정이 진행 중이다. 숫자는 고정된 완성 성과가 아니라 버전이 관리되는 연구 자료의 현재 상태로 보는 편이 정확하다.
이 타임라인의 압축 정도가 중요하다. 8월의 10개 결과에서 9월의 밀레니엄 문제 발표, 10월의 수백 개 결과 묶음까지 불과 두 달 남짓이다. 공동체가 이전 결과를 충분히 소화하기 전에 다음 파도가 도착했다. 앞으로의 핵심 질문은 모델 성능의 상승 곡선만이 아니다. 수학 공동체가 이해와 검증의 속도를 어떻게 끌어올릴지, 그리고 그 비용을 누가 부담할지가 같은 비중으로 중요해졌다.
핵심 질문 5가지
OpenAI가 수학 문제 719개를 풀었다는 뜻인가?
아니다. 719는 현재 저장소의 ‘원고’ 수다. 이 원고들은 372개의 패밀리로 묶이며, 한 패밀리에 핵심 결과와 보조 논증, 파생 결과, 대안 증명이 함께 들어갈 수 있다. 원고 수와 해결된 독립 문제 수를 동일시하면 안 된다.
Lean이 검증한 증명은 무조건 맞다고 보면 되나?
Lean 커널이 형식 명제에 대한 증명 항을 받아들였다는 것은 매우 강한 신뢰 신호다. 다만 그 형식 명제가 원래 자연어 문제를 정확히 표현하는지, 사용된 정의와 공리가 의도한 의미인지, 논문이 주장하는 범위와 일치하는지는 별도로 확인해야 한다.
나비에–스토크스 밀레니엄 상금은 이미 수여됐나?
아니다. 클레이수학연구소는 9월 성명에서 해결 발표를 주목한다고 했지만, 상금 규칙은 자격 있는 출판, 최소 2년의 검토, 세계 수학 공동체의 일반적 수용을 요구한다. 10월 13일 현재 해당 문제 페이지는 여전히 ‘Active’ 상태다.
수학자들은 AI가 수학을 하는 것 자체에 반대하나?
한목소리가 아니다. 많은 연구자가 AI 도구를 적극적으로 사용하고 성과를 흥미롭게 본다. 핵심 논쟁은 비공개 모델로 대량의 미해결 문제를 풀고, 그 검증·해설 비용을 공동체에 넘기는 방식이 지속 가능한가에 더 가깝다.
앞으로 연구자의 경쟁력은 무엇이 되나?
좋은 질문을 설계하고, AI 결과를 검증하며, 서로 다른 결과를 연결하고, 핵심 아이디어를 사람이 이해할 수 있는 형태로 설명하는 능력의 비중이 커질 가능성이 높다. 정형화·재현·해설도 더 중요한 연구 활동이 될 수 있다.
출처 및 참고자료
- OpenAI, “Sharing AI progress in mathematics” — 2026년 10월 6일 공개 원칙과 계산량 설명.
- OpenAI math GitHub repository — 현재 카탈로그 719편·372 패밀리, 약 42% 정형화, 약 4,000문제 평가 등 저장소 현황.
- Advisory Group on Mathematics and Artificial Intelligence, Responsible Release of AI-Generated Mathematics — 2026년 9월 29일 책임 있는 공개 권고.
- AGMAI, On OpenAI’s Release of Mathematical Results — 2026년 10월 6일 공개에 대한 독립 자문그룹 성명.
- OpenAI, “On the Navier–Stokes Millennium Prize Problem” — 2026년 9월 8일 해법 주장과 계산 규모 설명.
- Clay Mathematics Institute, Navier-Stokes Announcement — 2026년 9월 11일 공식 성명.
- Clay Mathematics Institute, Rules for the Millennium Prize Problems — 출판·2년 검토·일반적 수용 등 상금 심사 규칙.
- Lean Language Reference, Validating a Lean Proof — 형식 증명 검증의 의미와 한계.
- The Washington Post, 2026년 10월 7일 보도 — 수학 공동체의 초기 반응과 공개 규모.
- The Verge, 2026년 10월 9일 보도 — 검증 부담, 수정·제거 사례, 연구자 반응.
댓글
댓글 쓰기