오픈AI 모델, 80년 된 이산기하 추측을 깨다

AI가 깬 건 ‘수학 문제 하나’가 아니라 오래된 직관임

• 오픈AI 내부 모델이 평면 단위거리 문제(planar unit distance problem)의 오래된 추측을 반박하는 증명을 찾아냄

  • 이 문제는 1946년 폴 에르되시(Paul Erdős)가 제기한 고전 문제임
  • 평면 위에 점 n개를 놓았을 때, 정확히 거리 1인 점쌍을 최대 몇 개 만들 수 있느냐를 묻는 문제임
  • 설명은 중학생도 이해할 만큼 단순한데, 조합기하(combinatorial geometry)에선 거의 80년짜리 난제 취급을 받아왔음

• 기존 믿음은 대충 “정사각 격자(square grid)류 구성이 거의 최선일 것”에 가까웠음

  • 에르되시의 원래 구성 이후, 알려진 최선의 하한은 수십 년 동안 본질적으로 거의 그대로였음
  • 정사각 격자를 적절히 스케일한 구성은 선형보다 아주 조금 빠른 성장률을 만들었지만, 큰 폭의 개선은 어려울 거라고 여겨졌음
  • 원문 표현대로라면 추가 지수항이 0으로 가는 정도라, ‘거의 선형’에서 크게 벗어나지 못한 셈임

더 흥미로운 건 ‘어떻게 찾았냐’임

• 이 증명은 수학 전용으로 특화된 시스템이 아니라, 범용 추론 모델(general-purpose reasoning model)에서 나옴

  • 단위거리 문제만 겨냥해 만든 탐색 시스템도 아니고, 증명 전략을 찾도록 별도 스캐폴딩한 모델도 아니었다고 설명함
  • 오픈AI가 에르되시 문제 모음으로 고급 모델의 프런티어 연구 기여 가능성을 평가하던 중 이 결과가 나옴

• 외부 수학자들이 증명을 검증했고, 별도 동반 논문도 작성함

  • 필즈상 수상자인 팀 가워스(Tim Gowers)는 이를 “AI 수학의 이정표”라고 부름
  • 수론학자 아룰 샨카르(Arul Shankar)는 현재 AI 모델이 단순한 인간 수학자의 보조자를 넘어, 독창적인 아이디어를 내고 끝까지 밀어붙일 수 있음을 보여준다고 평가함

• 증명의 핵심 아이디어는 기하 문제가 갑자기 깊은 대수적 수론(algebraic number theory)과 연결된다는 점임

  • 에르되시의 기존 하한은 가우스 정수(Gaussian integers), 즉 a + bi 꼴의 수를 통해 이해할 수 있음
  • 새 증명은 이보다 훨씬 복잡한 수체(number field)와 풍부한 대칭성을 써서 단위 길이 차이를 더 많이 만들어냄
  • 무한 클래스 필드 타워(infinite class field towers), 골로드-샤파레비치 이론(Golod-Shafarevich theory) 같은 도구까지 등장함. 이쯤 되면 “격자 좀 잘 놓기” 수준이 아님

수학계가 놀란 포인트

• 단순히 “AI가 답을 냈다”가 아니라, 문제를 보는 렌즈 자체를 바꿨다는 평가가 나옴

  • 토머스 블룸(Thomas Bloom)은 이 결과가 이산기하(discrete geometry)에 수론적 구성이 생각보다 훨씬 더 할 말이 많다는 걸 보여준다고 봄
  • 특히 필요한 수론이 꽤 깊을 수 있다는 점이 수학자들에게 새 탐색 방향을 던짐

• 상한 쪽은 여전히 큰 간격이 남아 있음

  • 현재 알려진 best upper bound는 1984년 스펜서(Spencer), 세메레디(Szemerédi), 트로터(Trotter)의 결과에서 본질적으로 크게 바뀌지 않은 상태임
  • 이후 세케이(Székely), 카츠와 실리에(Katz and Silier), 파흐(Pach), 라즈(Raz), 솔리모시(Solymosi) 등의 관련 연구가 있었지만, 핵심 상한은 여전히 버티고 있음
  • 그래서 이번 결과는 문제를 완전히 끝낸다기보다, 오래된 하한 직관을 깨고 새 방향을 연 쪽에 가까움

연구 자동화 관점에서 꽤 큰 신호

• 수학은 AI 추론 능력을 보기 좋은 테스트베드임

  • 문제가 정확하게 정의되고, 증명은 검증 가능하며, 긴 논리 전개는 중간에 한 군데만 무너져도 전체가 실패함
  • 그래서 “말은 그럴듯한데 틀린 답”과 “실제로 검증 가능한 새 결과”의 차이가 비교적 선명하게 드러남

• 오픈AI는 이 결과를 더 넓은 자동화 연구의 신호로 해석함

  • 모델이 복잡한 논리를 끝까지 유지하고, 먼 분야의 아이디어를 연결하고, 전문가 검토를 통과하는 결과를 낼 수 있다면 수학 밖에서도 의미가 큼
  • 생물학, 물리학, 재료과학, 공학, 의학 같은 분야에서도 비슷한 능력이 연구 파트너로 쓰일 수 있다는 얘기임

• 그래도 원문은 인간 전문가의 역할을 낮춰 보진 않음

  • AI는 탐색하고, 제안하고, 검증을 도울 수 있음
  • 하지만 어떤 문제가 중요한지 고르고, 결과의 의미를 해석하고, 다음 질문을 정하는 건 여전히 사람의 판단이 필요하다는 결론임

---

기술 맥락

• 이번에 중요한 선택은 “수학 전용 도구”가 아니라 범용 추론 모델로 열린 문제를 평가했다는 점이에요. 특정 문제에 맞춘 탐색기를 만들면 성공 여부는 그 문제에 과적합된 시스템 성능으로 보이기 쉬운데, 범용 모델이 이런 결과를 냈다면 다른 연구 문제에도 확장될 가능성을 더 진지하게 보게 되거든요.

• 단위거리 문제에서 새 구성을 만든 방식도 흥미로워요. 원래는 평면 위 점 배치라는 기하 문제처럼 보이지만, 실제 돌파구는 대수적 수론의 수체와 대칭성에서 나왔어요. 이건 모델이 단순히 기존 논문 조각을 이어 붙였다기보다, 멀리 떨어진 도구를 문제 구조에 맞게 끌어온 사례로 읽혀요.

• 개발자 관점에선 “AI가 증명했다”보다 “검증 가능한 긴 추론을 끝까지 유지했다”가 더 실용적인 포인트예요. 코드베이스 리팩터링, 시스템 설계 검토, 보안 분석도 결국 여러 제약을 동시에 유지하며 논리를 이어가야 하니까요.

• 다만 이 결과만으로 연구가 자동으로 굴러간다고 보긴 어려워요. 외부 수학자들의 검증과 동반 논문이 붙으면서 의미가 선명해졌듯이, 앞으로도 모델의 산출물은 전문가가 해석하고 맥락화해야 실제 지식으로 자리 잡을 가능성이 커요.