facts

1946년 헝가리 수학자 폴 에르되시가 제기한 '단위 거리(unit distance)' 문제의 반례를 OpenAI의 내부 모델이 찾아냈다. 2026년 5월 20일 발표된 이 결과는 AI 모델이 역사적으로 유의미한 수학적 증명을 내놓은 첫 사례로 기록됐다. 해당 모델은 기존 수학자들이 시도하지 않았던 대수적 수론(algebraic number theory) 분야의 아이디어를 적용해 해법을 제시했다. 이후 8월 1일, OpenAI는 미공개 모델 '아스트라(Astra)'가 에르되시의 문제 3개를 포함해 총 10건의 수학적 진전을 이뤘다고 추가 발표했다.

기업 연구소 외에 공개 모델을 활용한 성과도 나타났다. 2026년 1월 4일, 케빈 바레토와 리암 프라이스는 GPT-5.2 Pro를 이용해 에르되시 728번 문제를 해결했다. 이들은 챗봇이 낸 답을 새로운 챗봇 인스턴스에 넣어 검증하게 하는 반복 루프 방식을 사용했으며, 스타트업 하모닉(Harmonic)의 '아리스토텔레스(Aristotle)' 도구로 논리적 정합성을 인증했다.

구글 딥마인드 역시 제미나이(Gemini)를 통해 700개의 공개 추측을 체계적으로 평가해 4개의 문제를 해결하고 9개의 잊힌 해법을 찾아냈다. 5월에는 353개의 공개 문제 중 9개를 자율적으로 해결했으며, 이때 문제 하나를 푸는 데 드는 토큰 비용이 수백 달러 수준이라는 '문제당 비용(per-problem cost)' 개념을 제시했다.

market-flow

토마스 블룸(Thomas Bloom)이 구축한 'erdosproblems.com'이라는 문제 저장소가 AI 모델의 성능을 측정하는 비공식 벤치마크로 전환됐다. 과거에는 수학자들이 개인의 명예나 소액의 상금을 위해 도전하던 영역이었으나, 이제는 빅테크 기업들이 자사 모델의 추론 능력을 입증하는 PR의 장이자 검증 도구로 활용하고 있다. 특히 정수론, 조합론, 그래프 이론 등 LLM이 상대적으로 접근하기 쉬운 수학 분야가 AI의 주요 시험대가 되고 있다.

이러한 흐름은 인재의 이동으로 이어진다. 학계의 최정상급 수학자들이 AI 기업으로 자리를 옮기는 현상이 가속화되고 있다. 2026년 7월, 필즈상 수상자인 제이콥 치머만(Jacob Tsimerman)이 토론토 대학교를 떠나 OpenAI에 합류한 것이 대표적이다. 이는 수학 연구의 중심축이 전통적인 대학 연구실에서 거대 자본과 컴퓨팅 자원을 가진 AI 랩으로 이동하고 있음을 보여준다.

채택 방식에서도 변화가 보인다. 과거에는 인간 수학자가 단독으로 문제를 풀었으나, 이제는 'AI 생성 $\rightarrow$ 인간 검증 및 단순화'라는 협업 구조가 정착하고 있다. 테런스 타오(Terence Tao) 같은 세계적 수학자들도 AI가 제시한 아이디어를 소화하고 일반화하는 방식으로 연구 효율을 높이고 있다.

reader-impact

AI 실무자와 개발자가 주목해야 할 지점은 '검증 불가능한 결과물의 양산'이라는 리스크다. 수학적 배경이 부족한 사용자가 AI를 이용해 100~200페이지에 달하는 방대한 증명 논문을 생성하고 있지만, 이를 실제로 읽고 검증할 인간 전문가가 턱없이 부족한 상황이다. 이는 AI가 생성한 복잡한 결과물을 어떻게 효율적으로 인증(Certification)할 것인가라는 새로운 기술적 과제를 던진다.

또한, 단순한 프롬프팅을 넘어 '하네스(Harness)'나 '스캐폴드(Scaffold)' 같은 자동화된 반복 루프 구조가 복잡한 추론 문제 해결의 핵심이라는 점을 확인했다. 리암 프라이스가 수동으로 수행한 '생성 후 재검증' 프로세스를 시스템화하는 것이 LLM의 추론 한계를 돌파하는 실질적인 방법론이 될 수 있다.

결국 AI가 수학적 정답을 내놓는 속도가 빨라질수록, 시장의 가치는 '답을 찾는 능력'에서 '답의 정답 여부를 빠르게 판별하고 이를 인간이 이해할 수 있는 형태로 단순화하는 능력'으로 이동할 것이다. AI가 제시한 복잡한 논리를 정제해 실무에 적용 가능한 지식으로 변환하는 인터페이스 설계가 향후 AI 서비스의 차별점이 될 가능성이 높다.