- AI가 증명을 생산하는 능력과 인간이 이를 이해하고 새로운 연구로 발전시키는 능력 사이의 격차가 커지면서, 최초 증명 중심의 보상 기준을 재검토할 필요가 있음
- 주요 난제의 해결은 분야의 종말이 아닌 새로운 탐구의 출발점임. AI는 전문 분야의 장벽을 낮추고 더 넓은 연결과 야심 찬 연구를 시도할 기회를 제공함
- 모든 연구를 AI의 도움을 받았을 가능성을 전제로 평가하고, 사용 여부보다 아이디어와 수학적 중요성, 후속 질문을 살펴야 함
- 실제 행동을 바꾸려면 채용과 학술지 심사의 유인이 달라져야 함. 논문 목록보다 직접 대화로 이해와 연구 비전을 확인하고, 더 적지만 더 좋은 논문을 장려해야 함
- 대학원 교육은 넓은 시야와 깊은 기술적 역량을 함께 길러야 함. AI 없이 수학을 수행하는 훈련과 다른 사람에게 설명하는 능력도 여전히 중요함
난제가 풀려도 수학은 끝나지 않음테렌스 타오의 블로그에 올라온 Frank Calegari의 기고문
- OpenAI가 10월 6일 공개한 700편 이상의 연구 논문에는 뛰어난 아이디어가 있지만, 서술 품질과 기여 인정 방식에 문제가 있고 일부는 틀렸다는 비판이 있음
- 거대 AI 기업의 행동보다 수학계가 직접 통제하기 쉬운 채용, 출판, 학생 교육에 노력을 집중할 필요가 있음
- 이번 공개는 Langlands 프로그램의 일반적인 함자성과 상호법칙 문제에는 거의 영향을 주지 않았음
- 설령 프로그램의 모든 문제를 해결했더라도 정수론 전체가 해결되는 것은 아니며, 이는 주기율표의 완성이 화학의 완성을 뜻하지 않는 것과 같음
- 중심 난제는 현재 이해의 자연스러운 경계이며, 그 경계를 넘는 것은 새로운 탐구의 시작임
- Hugo Duminil-Copin은 경력 내내 공개적으로 거론했던 주요 미해결 문제 모두에 대해 한꺼번에 증명 주장이 나왔다며 충격을 토로함
- 다만 전체 발언에는 수학 공동체가 회복력을 갖췄으며 적응할 것이라는 확신도 담겨 있음
- 추가 맥락은 Numberphile 영상에서 확인할 수 있음
- Dan Gorenstein은 1972년 유한 단순군 분류 프로그램을 발표하고 1983년 분류의 완성을 선언했지만, 준박군(quasithin groups) 사례는 Aschbacher와 Smith가 약 20년 뒤에야 완성함
- 분류는 큰 성공이었지만, 유명한 문제가 사라지자 수학계의 관심이 다른 곳으로 이동하는 결과도 낳음
- 유한군론과 분류 자체에는 여전히 풍부한 질문이 남아 있으며, John Conway가 좋아했던 “Monster 군은 왜 존재하는가?”도 그중 하나임
- 지금은 Gorenstein, Lyons, Solomon의 개정 분류 작업처럼 결과를 정리하고 재구성하는 노력이 필요함
- 동시에 분야가 끝났다고 선언할 것이 아니라, 새 도구로 더 깊이 탐구할 수 있는 상태임을 보여줘야 함
- 거대한 지름길이 생겨도 기존의 탐구 경로는 남아 있으며, 이를 찾아 연구하는 활동을 채용에서도 보상해야 함
- 개별 수의 무리성이나 초월성보다 더 깊은 관심사는 그 배후의 구조적 이해임
- Grothendieck의 주기 추측과 혼합 Tate 모티브의 기하에 대한 정교한 이해는 관련 현상을 구조적으로 설명할 수 있는 추측적 틀을 제공함
- Don Zagier, Sasha Goncharov, Francis Brown 등의 연구가 이 틀과 연결되며, Apéry의 무리성 증명 역시 결론뿐 아니라 숨겨진 산술적 구조의 단서를 준다는 점에서 중요함
- 인간 수학은 지난 30년 동안 크게 발전했지만, 좁은 기술적 전문성을 중시하는 직업 구조 속에서 자신의 연구가 왜 흥미로운지 인접 분야 연구자에게조차 설명하기 어려운 경우가 있음
- AI는 처음 마주친 미해결 추측에 갇히지 않고, 더 넓은 문제와 분야 간 연결을 탐구할 기회를 제공함
- Frank Calegari가 Melbourne University에서 저차원 위상수학과 쌍곡 3차원 다양체를 접한 경험은 대수적 정수론과 Langlands 프로그램 연구에도 큰 도움이 됐음
- 두 분야는 겉보기보다 밀접하지만, 양쪽에 정통해 새로운 결합을 시도하기는 여전히 어려움
- 구체적인 탐구 아이디어는 콤팩트 산술적 쌍곡 3차원 다양체와 기하적 Kolyvagin 계를 연결하는 것임
- 허수 이차체에 대해 비분할 사원수 대수로 지표화되는 여러 공약가능성류(commensurability classes)를 출발점으로 삼음
- 서로 다른 공약가능성류의 원소를 일종의 기하적 Kolyvagin 계인 “Heegner 점”으로 보고, 아직 알려지지 않은 정수적 산술 형태의 Jacquet–Langlands 대응으로 연결할 수 있을지 탐색함
- 여러 추측에 의존하는 조건부 결과를 공동체가 충분히 인정하지 않는 점과, 아이디어를 정확히 정식화하는 데 필요한 방대한 배경지식이 기존 장벽이었음
- AI는 이런 장벽을 낮출 수 있지만, 이는 이미 정해진 정리의 증명보다 성립 여부조차 불확실한 새 방향을 탐색하는 작업임
- 모든 사람이 AI를 사용해야 하거나 사용하지 말아야 하는 것은 아니지만, 무엇을 중요하게 평가할지는 재조정해야 함
- 주요 추측의 증명은 계속 중요하되, 폭넓은 연구 프로그램과 구조적 이해의 역할이 더 근본적이 될 수 있음
- Christian Szegedy의 비유처럼, 아무도 오르지 못한 곳을 오르는 능력뿐 아니라 탐험할 지형을 고르고 탐험을 이끌며 발견을 설명하는 능력이 중요해짐
- 그렇다고 기존 수학자의 역량이 불필요해지는 것은 아니며, 무엇을 발견했는지 알아보는 데 여전히 필수적임
- arXiv에서는 AI 보조 논문으로 최초 증명을 선점하려는 경쟁이 벌어지고 있음
- 새로운 증명을 생산하는 능력과 이해를 입증하거나 분야를 흥미로운 방향으로 발전시키는 능력 사이의 격차가 커지고 있음
- Leiden 선언은 취지보다 명목상으로 지켜지고 있으며, 기존 경쟁이 더 짧은 시간 안에 반복되고 선수를 빼앗길 압박도 지속됨
- 가치 있는 문제를 고르고, 전적으로 AI로 증명을 얻더라도 이를 철저히 이해해 후속 질문을 발전시켰다면 실질적인 수학적 기여로 인정해야 함
- 원래 증명에 새 아이디어를 보태지 않았더라도 공로를 인정할 수 있으며, 좋은 문제를 고르는 일이 증명 생산보다 중요해질 수 있음
- 특히 정년 보장을 받은 선임 수학자는 기존 문제를 AI로 푸는 데 그치지 않고 미래의 문제와 새로운 아이디어를 만드는 데 힘써야 함
- 추측의 해결만 보상하면, 그 질문을 가능하게 만든 탐색 작업을 과소평가하는 기존 문제가 훨씬 커질 위험이 있음
- 수학자는 인정, 일자리, 연구비를 원하므로 수사적 설득보다 경제적 유인을 바꾸는 것이 효과적이며, 직접 활용할 수 있는 수단은 채용과 학술지 게재 결정임
- 구체적으로 다음 여섯 가지를 바꿔야 함
- 모든 연구를 AI 보조 연구처럼 평가함
- 채용에서 서류보다 대면 상호작용을 중시하고, 박사후연구원과 대학원생도 직접 면접함
- 학술지에 더 높은 기준을 요구하고 적응하지 못하는 학술지는 떠남
- 대학원 교육의 폭을 넓히되 기술적 역량을 포기하지 않음
- 세미나의 질을 높임
- AI 결과를 수학 공동체의 성과로 더 적극적으로 받아들임
- Nelson Cole이 소인수분해를 위해 “3년 동안의 일요일”을 썼던 것처럼, 과거의 큰 성취도 컴퓨터 대수 시스템이 1초보다 훨씬 짧게 처리할 수 있게 되면 수학적 기여의 가치가 달라짐
- AI 역시 무엇이 쉽고 어려운지의 경제적 조건을 바꾸고 있음
- 기계가 생산할 수 있는 결과 자체만으로 논문에 보상해서는 안 되며, 실제 AI 사용 여부는 이 판단의 핵심이 아님
- 기계가 이미 얻을 수 있는 결론이라도 새로운 증명이 도입하는 아이디어에는 큰 공로를 인정할 수 있음
- 흥미로운 질문이나 새 연구 프로그램 등 무엇이 실질적인 기여인지에 대한 기준도 새롭게 형성될 것임
- 모든 논문을 잠재적인 AI 보조 연구로 평가한다면, 연구자는 왜 흥미로운 수학인지, 어떤 질문을 여는지, 더 넓은 분야와 어떻게 연결되는지 설명해야 함
- AI 사용에 대한 낙인과 기계의 기여를 축소하려는 공개 문구보다 이러한 기준이 중요함
- 인간의 이해를 계속 중시한다면, 이 원칙이 수학 연구에 AI 접근을 필수 조건으로 만든다는 뜻은 아님
- JAMS나 Annals 게재 실적만으로 후보자의 우수성을 판단하지 말고, 연구 비전과 기술적 역량을 직접 확인해야 함
- 수학을 어디로 발전시키고 싶은지, 왜 가능한지, 여러 분야를 논의할 수 있는지, 이를 실제로 수행해 온 기록이 있는지가 중요함
- 정년트랙뿐 아니라 박사후연구원과 대학원생 선발에도 면접을 표준화해야 함
- 고차 호모토피 이론을 연구한다는 학생이 원의 호몰로지를 계산하지 못하는 사례처럼 서류와 기초 이해가 어긋날 수 있음
- 반대로 30분의 대화만으로 깊은 비전과 동료에게 이를 전달하는 능력을 확인할 수도 있음
- 대면 평가를 중시한다면 대학원생에게 수학을 설명하는 훈련을 제공할 책임도 있음
- 깊이 아는 것과 유창하게 설명하는 것은 관련 있지만 다른 능력이며, 둘 다 바람직하되 깊은 이해에 더 높은 가치를 둬야 함
- 학술지는 AI 이전부터 개혁이 필요했으며, 점진적 결과를 계속 늘리도록 하는 유인이 심사 체계를 압박해 왔음
- 게재 자체는 정확성의 보장이라기보다 품질에 대한 인증처럼 작동해 왔음
- 논문에 글쓰기, 아이디어, 해설의 더 높은 기준을 요구해야 하며, 이런 기준에서는 arXiv 논문의 상당수가 어느 학술지에도 실리지 않아야 함
- 더 적고 더 좋은 논문을 생산하는 편이 편집자, 심사자, 궁극적으로 연구자에게도 나음
- 편집위원회가 적응하지 못하면 학술지를 적어도 일시적으로 포기하는 방안도 고려할 수 있음
- 논문 작성을 멈추자는 뜻이 아니라, 게재 여부 대신 논문 자체의 설득력과 Lean 검증 여부 등을 살피자는 것임
- 탁월한 유용성과 명료함을 중시하는 Essential Number Theory 같은 학술지는 여전히 역할이 있음
- AI가 자율적으로 만든 증명도 공동 지식의 일부로 기록할 가치가 있으며, 가능하면 Lean으로 검증하는 것이 바람직함
- 관련 사례로 hexagonmath가 있음
- 전통적인 학위논문은 기존 문제의 변형을 해결하며 기술을 익히고 이후 더 넓은 문제로 나아가는 방식이었지만, 그런 논문을 버튼 하나로 만들 수 있는 시대에는 목표를 재검토해야 함
- 박사과정의 목표는 전공을 넘어서는 수학적 시야와 특정 문제군에서 입증할 수 있는 기술적 역량을 함께 갖추는 것임
- 쌍곡 3차원 다양체나 Kolyvagin 계가 무엇인지 모른다면 AI가 있어도 그 연결을 의미 있게 탐구하기 어려움
- AI 보조 가능성을 전제로 연구를 평가하더라도, AI 없이 깊은 수학을 수행하는 교육을 없애서는 안 됨
- 대학원 강의는 세부 기술을 잊은 뒤에도 해당 주제가 다른 분야에서 무엇을 가능하게 하는지, 어떤 질문과 연결이 있는지를 남겨야 함
- 학생이 동료, 세미나 청중, 다른 연구자에게 수학을 설명할 기회를 늘려야 함
- 함께 배우고 수학을 토론하는 학생 집단이 성공적이라는 점도 중요함
- 모든 수학 박사가 학계로 진출하는 것은 아니므로, 박사과정의 기간과 구조가 학계 밖 진로에도 적합한지 검토해야 함
- 세미나가 기존 방법의 작은 수정만 설명하고 충분한 맥락을 주지 못하면 청중이 흥미를 느끼기 어려움
- 발표는 더 넓고 흥미로운 질문을 중심으로 구성해야 함
- 어디에서 막혔는지, 어디에서 진전할 수 있는지, 어떤 접근이 유망한지 설명하고 새로운 결과는 마지막에 덧붙일 수 있음
- 선임 교수들도 발표자에게 더 높은 설명 기준을 적극적으로 요구해야 함
- AI가 만든 결과는 수천 년에 걸친 인간 수학의 지적 토대 위에 있으므로, 수학계는 이를 특정 기업가나 개인의 성과로만 돌리지 말고 인류의 공동 성과로 받아들일 필요가 있음
- 수학에 깊은 기술적 배경이 없는 사람도 수학을 중요하게 여기고 관심을 가짐
- University of Chicago 학장이 뉴욕에서 만난 기부자와 지인들은 전공과 무관하게 수학 이야기를 하고 싶어 했으며, 3Blue1Brown의 구독자는 600만 명 이상임
- 수학자는 오래된 지적 활동을 지키는 사람인 동시에 지식의 최전선을 탐험하는 사람으로 사회적 가치를 가짐
- 기존 수학 문화의 일부가 사라지는 데 대한 상실감은 자연스럽지만, 공동체의 현재 모습이 수학 자체보다 중요하다는 이유로 새 도구를 외면해서는 안 됨
- 게임이 끝난 것이 아니라 바뀐 것이며, 새롭게 열린 기회와 가능성을 사회에 설명해야 함