AI가 수학 난제 372개를 공략했다, 인간 전문가의 가치는 어디로 이동하는가
OpenAI가 수학계에 던진 충격은 AI가 어려운 문제를 풀었다는 사실만이 아니다. 인간이 평생 연구하던 문제를 AI가 몇 시간 만에 다룰 수 있게 되면서, 전문지식을 생산하고 평가하는 방식 자체가 흔들리기 시작했다는 점이다.
20초 핵심
수학자들이 수십 년 고민하던 문제, AI는 몇 시간 만에 접근했다
2026년 10월 6일, OpenAI는 미공개 모델이 생성한 수학 원고 722편을 372개 연구 결과 묶음으로 공개했다. 약 4,000개 문제를 대상으로 한 연구였다. 이후 오류가 발견된 3편을 철회해 공개 목록은 719편이 됐다.
중요한 것은 372개의 난제가 모두 최종 해결됐다는 뜻이 아니라는 점이다. 새로운 증명 주장, 부분적인 진전, 관련 정리와 보조 논문이 함께 포함돼 있다.
평균 3시간도 연구 전체 소요 시간이 아니라, 결과 하나에 투입된 ChatGPT Pro 추론 연산량의 환산치다.
OpenAI는 주요 결과 약 42%에 Lean 형식화를 제공했다고 설명했다. Lean은 수학적 증명의 논리적 단계를 컴퓨터가 확인하는 도구다. 그러나 특정 정리의 형식 검증은 논문 전체의 학술적 타당성 검증과 다르다. 실제로 3편은 철회됐고 다른 원고들도 수정됐다.
AI의 성과를 과소평가할 이유는 없다. 그렇다고 모든 결과를 확립된 진리로 받아들여서도 안 된다. 앞으로 더욱 희소해질 역량은 생산된 결과 중 무엇이 참이고 중요하며 활용할 만한지 판단하는 능력일 수 있다.
수학계가 분열한 이유는 인간의 자존심만이 아니다
| 구분 | 전통적 수학 1.0 | 지향하는 수학 2.0 |
|---|---|---|
| 핵심 성과 | 난제의 최초 증명 | 증명과 이해의 확장 |
| 연구자의 역할 | 직접 해결 | 질문, 검증, 해설, 연결 |
| AI의 위치 | 보조적 계산 도구 | 연구 과정의 협력 도구 |
타오의 구상을 토대로 재구성한 분석으로, 확정된 학술평가 제도는 아니다.
인간 중심 수학 연합(AHM)은 대량 원고 공개가 학술 활동보다 기업의 기술적 권력 과시에 가깝다고 비판하고 OpenAI와의 협업 중단을 촉구했다.
수학 연구는 답을 얻는 것으로 끝나지 않는다. 동료가 논리를 검증하고 후속 연구를 발전시키며 젊은 학자를 교육하는 긴 과정이다. 대량의 AI 결과물이 공개되면 검증의 부담이 대학과 개별 연구자에게 이전될 수 있다.
필즈상 수상자 테렌스 타오는 10월 9일 칼텍 공개 강연에서 Math 2.0을 제안했다. AI의 문제 해결 능력을 인정하되 수학적 이해, 교육, 연구 공동체를 유지하도록 학문의 운영 방식을 발전시키자는 구상이다.
인간이 AI보다 빨리 증명해야 한다는 주장이 아니다. AI가 발견을 가속하더라도 그 결과를 이해하고 발전시키는 학문적 토양을 지키자는 것이다.
51년 전, 한 컴퓨터 과학자는 이미 이 상황을 상상했다
1975년 에츠허르 다익스트라는 「Mathematics Inc.」라는 풍자적 글에서 수학 기업이 기계로 난제를 해결하고 정리를 자산처럼 관리하며 학계에 영향력을 행사하는 상황을 그렸다.
51년이 지난 지금 수학 연구는 실제로 거대한 연산 인프라를 보유한 AI 기업의 경쟁 영역이 됐다. 다만 풍자를 오늘날 기업의 실제 독점 전략에 대한 증거로 읽어서는 안 된다. OpenAI는 결과를 공개 저장소에 배포했고 학계 워크숍 지원 계획도 발표했다.
앞으로는 모델뿐 아니라 연산 자원, 검증 도구, 연구 데이터와 학술 유통 체계의 통제권도 중요하다. 동시에 오픈소스와 공공 검증 인프라가 강화되면 연구의 활용 범위는 더 넓어질 수 있다.
의사, 변호사, 금융 분석가도 같은 질문을 마주한다
지식 습득 → 직접 분석 → 정답 생산
문제 정의 → AI 활용 → 독립 검증 → 책임 있는 실행
수학에서 일어난 변화는 다른 전문직의 미래를 보여주는 하나의 실험실이다. 의사는 AI 진단 후보를 환자의 상태와 비교해야 하고, 변호사는 법률 문서의 근거를 사건 맥락에서 확인해야 한다.
금융 분석가도 AI가 만든 기업가치 평가를 그대로 받아들일 수 없다. 매출 가정, 할인율, 현금흐름과 경쟁사의 대응을 직접 검토해야 한다.
AI가 그럴듯한 분석을 대량 생산할수록 다른 사람들이 놓친 변수를 발견하고 자신의 판단이 틀릴 조건을 설정하는 능력이 차별화 요인이 될 수 있다.
AI 활용은 생산성을 높이지만 결과를 무비판적으로 수용하는 습관은 자신의 사고 능력을 약화시킬 위험이 있다. 교육에서는 AI 없이 먼저 생각하고, 이후 AI의 결과와 자신의 논리를 비교하는 과정이 유용할 수 있다.
AI가 수학자의 평생 연구를 몇 시간의 연산으로 압축할 수 있다는 사실은 인상적이다. 그러나 더 근본적인 질문은 인간이 AI보다 오래 생각할 수 있느냐가 아니다.
AI가 인간 대신 정답을 만들 수 있을 때, 우리는 그 정답을 이해하고 의심하고 활용할 만큼 충분히 생각하는 사람으로 남을 수 있는가.
앞으로의 전문직 경쟁은 바로 그 능력에서 갈릴 가능성이 있다.
이번 사건을 전문직의 종말로 단정하는 것은 지나치다. 수학의 형식적 증명 능력이 의료, 법률, 금융에서 같은 수준의 신뢰성을 보장하지 않는다. 현실에는 불완전한 정보, 이해관계, 법적 책임과 예측하기 어려운 변수가 있다.
그러나 경제 구조는 달라질 수 있다. 지식 생산 비용이 낮아지고 정보량이 늘어도, 검증에 필요한 시간과 현실 적용의 책임은 쉽게 사라지지 않는다. 전문직 보상 역시 일률적으로 낮아지기보다 업무 성격과 검증 책임에 따라 분화될 가능성이 있다.
투자자는 모델 개발사만이 아니라 검증 소프트웨어, 전문 데이터, 보안, 산업별 업무 시스템의 사업 기회도 살펴볼 수 있다. 다만 기술 진전이 높은 투자수익률을 보장하지는 않는다. 유료 고객, 반복 매출, 오류 감소와 고객의 비용 절감 효과를 확인해야 한다.
- · 아니다. 원래 리만 가설보다 약한 성질을 주장하는 결과가 포함된 것이지 리만 가설 전체가 해결된 것은 아니다.
- · 형식화된 정리가 주어진 가정 아래 논리적으로 도출되는지를 확인할 수 있지만, 논문 전체의 주장과 적용 범위는 별도 검토가 필요하다.
- · 그렇게 단정하기 어렵다. AI의 결과를 평가하려면 해당 분야의 깊은 기초지식이 필요하다.
- · 일률적으로 금지하기보다 먼저 혼자 풀고, AI의 설명을 검증한 다음, AI 없이 핵심 논리를 다시 설명하게 하는 방법을 고려할 수 있다.
- · AI 활용 범위 확대의 신호이지만 즉각적인 실적이나 주가 상승과 동일시해서는 안 된다. 검증, 제품화, 고객 채택, 수익성을 순서대로 확인해야 한다.
체크 포인트
인사이트 타임스 편집부
