지난달 나비에-스토크스에 이어, OpenAI 내부 모델이 밀레니엄 난제 2개를 추가로 해결했다고 주장함

그렇게 단순한 문제는 아니라고 봄. 수학 연구의 핵심은 단순히 정리를 증명하는 게 아니라, 관련성 있고 흥미로운 새로운 수학을 이해하고 만들어내는 거니까. AI가 정리를 증명하는 데, 혹은 적어도 일부 정리를 증명하는 데 매우 강력한 도구인 건 맞지만, 그렇다고 지식을 탐구하는 과정 자체가 무의미해지는 건 아님. 오히려 추측을 더 쉽게 증명할 수 있게 된다면 수학자들에게는 엄청난 도구가 될 거임.

소프트웨어 엔지니어링에서 개발 속도가 빨라지고 비용이 저렴해질수록 '무엇을 만들지' 결정하는 게 핵심이 되는 것처럼, 수학에서도 '무엇을 증명하고 무엇을 탐구할지' 결정하는 게 다음의 큰 화두가 될지도 모름.

게다가 우리 사회가 기능하기 위해 매년 증명해야 할 정리의 개수가 정해져 있는 것도 아니고, 그 이상 발견하는 게 무의미한 것도 아님. 만약 이 분야가 완전히 폭발적으로 성장해서 그 어느 때보다 빠르게 발전한다면, 수학자를 덜 고용해야 한다는 주장은 설득력이 없음. 오히려 따라잡기 위해서라도 수학자가 더 많이 필요해질 거임.

동의함. L4 정도 되면 '어떻게 만들지' 고민하는 건 더 이상 할 일이 아님. 그 다음부터는 '회의에서 사람들 설득하느라 며칠씩 보내면서 뭘 만들지 결정하는 것'이 되는데, AI는 아직 그 부분에서 젬병임.

만약 우리가 수학과 소프트웨어 엔지니어링을 '해결'하는 지능을 갖게 된다면(물론 정확히 그런 건 아니라는 건 알지만, 무슨 말인지 알지), 다른 모든 화이트칼라 직업을 '해결'하지 못할 거라고 생각하는 건 그냥 순수한 정신승리(copium)일 뿐이야.

맞아. 사회에 직접적인 가치를 창출하는 것들을 만들어내는 거...

표현 참 예쁘게 하네

맞음, 그게 농담임

테렌스 타오 님, 본인이신가요?

여기서 인상적인 건 개별적인 헤드라인 결과보다는 규모와 방법론의 변화임. AI가 기존의 어려운 문제를 푸는 데서 그치는 게 아니라, 인간이나 형식 시스템이 평가할 수 있는 수많은 후보 결과를 생성하는 고속 연구 엔진으로 빠르게 진화하고 있는 것 같음.

그리고 이게 진짜 병목 지점이 어디인지 바꾼다고 생각함. 모델이 전문가가 검토하는 속도보다 더 빠르게 그럴듯한 새로운 수학을 생성할 수 있다면, 생성 자체가 희소한 자원이 아니게 됨. 이제 어려운 문제는 검증, 참신성 확인, 무엇이 중요한지 순위 매기기, 출처 확인, 그리고 진짜 발견과 아주 정교한 실수를 구분하는 게 됨.

그래서 Lean이나 다른 형식 검증 방법의 사용이 늘어나는 게 결국 모델 자체만큼이나 중요해질 수 있음. 흥미로운 미래 아키텍처는 단순히 '더 큰 모델이 정리를 푼다'가 아님. 생성기 → 독립적 비평가 → 형식 검증기 → 출처/재현성 확인 → 인간의 판단, 이런 식의 흐름이 될 거임.

그래서 수학자들이 결과를 소화할 시간도 갖기 전에 모든 결과를 돌파구라고 선언하는 건 조심스럽지만, 이런 추세 자체는 무시하기 점점 어려워짐. 이게 계속된다면, AI가 과학에 미치는 영향은 연구자를 대체하는 것보다는, 인간이 도저히 할 수 없는 규모로 추측과 증명 경로를 탐색할 수 있는 거대한 병렬 연구 계층을 제공하는 데서 올 것 같음.