# OpenAI 차세대 모델 “아스트라”는 미해결 문제 10건을 어떻게 뚫고 나갔나

> https://bookfactory.kr/c/ai-tech/9574
> 게시판: AI·머신러닝
> 작성자: admin
> 작성일: 2026-08-13T18:38:52.602Z

---

![見出し画像](https://assets.st-note.com/production/uploads/images/300484271/rectangle_large_type_2_fd19bc34f95ed40288b6f2491edaca5e.png?width=1280)

## 약 2,000달러와 Lean 형식 증명이 시사하는 “과학하는 AI”의 현재 지위

2,000 달러. 약 30만 원 상당.

OpenAI는 2026년 8월 1일, 차세대 주요 모델 “Astra”의 연구용 내부 버전이 수학 및 이론 컴퓨터 과학 분야 10개 항목에서 새로운 결과를 창출했다고 발표했다. 대상은 고차원 구 충진, 코덱스 이론, 군론, 양자 컴퓨팅, 격자 문제, Ramsey 이론 등 인간 연구자들이 오랫동안 연구해 온 분야에 해당한다.

또한, 발견에 사용된 총 토큰 수를 현재 플래그십 “GPT-5.6 솔”의 API 요금으로 환산하면 약 2,000달러에 해당한다. 더불어 OpenAI는 249페이지 분량의 기술 논문, 발견 과정을 재구성한 해설, Lean에 의한 형식 증명을 공개했다. 이는 AI가 기존에 알려진 문제에 정답을 제시했다는 이야기가 아니다. 인류가 답을 알지 못했던 문제에 새로운 증거, 반례, 구성, 경계를 제시했다는 주장이다.

그러나 “10가지 난제를 완벽하게 해결했다”라고 이해하는 것은 옳지 않다. 10가지 항목에는 완전한 반증, 존재론적 문제의 해결, 특정 기법의 한계 결정, 상한 및 하한 개선이 혼재되어 있다. Lean이 확인하는 것은 공개된 형식 정리의 논리적 유도이며, 원 문제와의 의미적 일치, 새로운 점, 학술적 중요성에 대한 자동 결정은 아니다.

본 글에서는 속보의 열광에도, 반사적인 냉소에도 굴하지 않고, OpenAI 공식 발표, 기술 논문, Lean 리포지토리, 설정 파일, 라이덴 선언(연구 윤리에 관한)까지 촘촘히 비교한다. Astra가 진정으로 “과학하는 AI”의 전환점인지, 약 2,000달러는 무엇을 의미하는지, 그리고 연구자의 일은 어디에서부터 변화하기 시작하는지 추적한다. 발표된 주장과 현재로서는 확정된 사실의 경계를 쫓는다.

아스트라는 “10가지 난제를 완전히 해결했다”라고 보기는 것이 아니라, 10개 분야에서 증명, 반례, 구성, 경계 개선을 제시했다. 린 형식 증명은 논리적 일관성을 강력하게 지지하지만, 원 문제와의 일치성, 새로운 점, 중요성은 인간 전문가가 확인해야 한다. 약 2,000달러는 모델 개발 비용이 아닌, 해의 발견에 사용한 총 토큰을 솔의 API 요금으로 환산한 금액이다. 결과가 외부 검증을 통과하면, AI는 “기존 문제를 해결하는 도구”에서 “새로운 지식을 창출하는 연구 시스템”으로 발전하는 계기가 될 것이다.

## 目次

### 제1부 무슨 일이 일어났는가

- 이번 발표에서 무슨 일이 일어났는지
- A스트라는 무엇인가 – OpenAI가 처음으로 밝혔던 “다음 주요 모델”
- 십 건의 미해결 문제를 해결한다
- 공개된 자료――249페이지 분량의 논문, 추론 설명, Lean 증명

### 제2부 10항의 내용

- 결과 1: 고차원 구 충진 문제
- 결과 2: 이진 코드・스ферический 코드
- 결과 3: 비소픽 집단의 명확한 구성
- 결과 4: 코네스의 강성 예측에 대한 반례
- 결과 5: 퍼먼트의 영구 회로 계산량
- 결과 6: 양자 병렬 반복 정리
- 결과 7: 최근 벡터 문제의 근사적 난이도
- 결과 8: Ehrhart의 체적 예측
- 결과 9: 다채로운 Ramsey 수
- 결과 10: 극치 그래프 이론의 간결성 및 퇴화 예측

### 제3부 검증 기술

- 레안 검증 가능한 증명은 무엇인가?
- 레인(Lean)을 통해 남은 검증 과제들이 여전히 존재한다.

### 4부 비용 및 모델

- 10건으로 약 2,000달러의 정확한 발음
- 오스트라와 솔의 관계 – 속보 시의 오해를 풀어보자
- AI는 어떻게 수학적 발견을 수행했는가
- 생의 사고 과정이 공개되지 않은 것이다.
- 기존 수학 AI와의 차이

### 제5부 경쟁과 맥락

- OpenAI의 과거 수학 연구와의 연속성
- 구글 딥마인드 등과의 연구 경쟁
- 과학으로 정말로 유용한이란 무엇을 의미하는가
- 수학을 제외한 과학 분야로의 확산 조건

### 제6부 사회적 파급 효과

- 연구 개발 비용과 연구 조직은 어떻게 변화할 것인가
- 대학, 연구기관, 기업에 미치는 영향
- 일본인에게 ‘村’이라는 단어가 의미하는 바는 다음과 같습니다.

일본인에게 ‘村’이라는 단어는 단순히 ‘마을’이라는 뜻 외에도, 잃어버린 전통과 고독, 그리고 잊혀진 기억을 상징하는 경우가 많습니다. 특히, 무라카미 하루키의 작품에서 ‘村’은 도시의 소음과 경쟁에서 벗어나 자연 속에서 고요하게 살아가는 사람들의 삶을 나타내는 중요한 배경으로 자주 등장합니다.

‘夏帆’는 이러한 ‘村’에서 자라면서 도시와는 다른 방식으로 세상을 바라보게 되고, 자신의 내면과 마주하게 되는 소녀입니다. 그녀의 삶은 ‘村’이라는 공간이 가진 고독과 아름다움, 그리고 잃어버린 것들을 찾아가는 여정을 담고 있습니다.

‘村’은 때로는 닫힌 공간처럼 느껴지기도 하지만, 동시에 새로운 시작과 희망을 품고 있는 곳이기도 합니다. ‘村’에 갇혀버린 듯한 답답함 속에서도, ‘村’은 자신만의 방식으로 삶을 살아가는 사람들에게는 삶의 의미를 찾을 수 있는 공간이 될 수 있습니다.

이러한 의미는 ‘村上春樹’의 작품에 잘 드러나는데, 그의 작품 속 ‘村’은 단순한 배경이 아닌, 등장인물들의 내면과 연결되어 그들의 삶과 운명을 결정하는 중요한 요소로 작용합니다.
- 위험, 책임, 저자성, 연구윤리

### 제7부 판단의 재료

- 현재까지 공개되지 않은 정보
- 추가 조사 시점의 외부 검증 현황
- A스트라를 과대평가하지 않도록 확인해야 할 사항입니다.
- 종합 평가 – “지식 생성 AI”의 실용화 가능성인가
- AI는 AI 연구를 가속화하는 시대――결과는 다음 연구의 토대가 된다.
- 아스트라는 “연구자 AI의 원년”을 상징하는 것일까
- 이번 재조사 결과 수정된 주요 표현

### 資料編

- 주요 참고 자료
- 해시태그

## 이번 발표에서 무슨 일이 일어났는지

OpenAI는 2026년 8월 1일 “Ten advances in mathematics and theoretical computer science”라는 공식 발표를 공개했다. 발표에 따르면, 이 회사가 개발 중인 차세대 주요 모델 Astra의 내부 버전이 수학 및 이론적 컴퓨터 과학 분야에서 10가지 문제에 대해 새로운 결과를 생성했다.

대상 분야는 한 분야에 치우치지 않는다. 고차원 기하, 코덱스 이론, 군론, 작용자 환, 산술 회로 계산량, 양자 계산량, 격자 암호, 이산 기하, Ramsey 이론, 극치 그래프 이론에 이른다. OpenAI는 이를 “주요 결과에 최소 10년 이상 진전이 없거나, 오히려 더 오랜 기간 정체되어 있던 문제”로 설명하고 있다.

중요한 점은 OpenAI가 단순히 “모델이 해독되었다”라고만 홍보한 것이 아니라, 공개된 자료에는 약 249페이지 분량의 기술 논문, 각 해결 방법의 발견 경로를 설명하는 자료, 그리고 Lean에 의한 형식 증명 증명서가 포함되어 있다는 점이다. 이를 통해 외부 연구자들이 자연어 논문뿐만 아니라 형식화된 명제와 증명도 검토할 수 있는 구조가 마련되었다.

공식 페이지의 표현을 정확하게 읽으면, 아스트라는 “10개의 유명한 수학 난제를 모두 완전하게 해결했다”라고 단순화된 것은 아니다. 발표는 “개방형 문제에 대한 10가지 결과”, “열 가지 발전”이라고 표현하고 있다. 성과에는 예상의 증명, 반례의 구성, 하한 및 상한의 개선, 장기간 해결되지 않은 존재 문제에 대한 답변 등 다양한 종류가 포함된다.

그럼에도 불구하고 이번 발표가 매우 중요하다는 사실은 변하지 않는다. 기존의 AI 수학 평가에서는 수학 올림피아드, 대학원 수준의 기존 문제, 기존 정리의 형식화 등이 중심이었으나, Astra는 정답이 이미 존재하는 시험 문제라기보다는 인류가 답을 알지 못했던 문제에 대해 새로운 수학 주장을 제안한 것이다.

### 발표를 준비하기 전에 반드시 기억해야 할 네 가지 사항이 있습니다.

첫째, 약 2,000달러는 ASTRA 개발 비용이기도 하지만, 연구 프로젝트 전체 비용이기도 하지 않다. 연구 결과를 발견하기 위해 사용한 총 토큰 수를 솔의 공개 API 요금으로 환산한 값이다. 연구자의 인건비, 사전 학습, GPU 장비, 논문 작성, 린 형식화 등이 포함되는지는 별 문제다.

둘째로, 10가지 항목은 모두 동일한 종류의 ‘완전 해결’이 아니다. OpenAI가 예상의 반증, 존재 문제의 해결, 漸近成長率의 결정, 상한 및 하한의 개선 등을 10가지 성과로 묶어낸 것이다.

세 번째로, 린 형식 증명은 강력한 검증 자료이지만 만능의 사관 장치가 아니다. 공개된 형식 정리가 지정된 공리 및 정의로부터 유도될 수 있다고 검사할 수 있지만, 그 정리 문구가 원래의 미해결 문제를 정확하게 표현하고 있는지, 기존 문헌에 동일한 결과가 없는지, 수학적으로 얼마나 중요한지는 전문가의 검토가 필요하다.

네 번째로, 2026년 8월 4일 기준으로 아스트라의 공식 출시일, API 제공, 모델 규모, 아키텍처, 10가지 항목의 모든 검토 완료에 대한 새로운 공식 발표는 확인되지 않았다. 본고는 발표 시점에 공개된 자료와 그 이후 확인된 공개 정보를 바탕으로 한다.

## 2．Astra는 무엇인가 – OpenAI가 처음으로 밝힌 “차세대 모델”

OpenAI는 공식 페이지에서 Astra를 “저희의 다음 주요 모델”이라고 설명하고 있습니다. OpenAI는 이를 수학 전용 모델이 아닌 “다음 주요 모델”이라고 표현하고 있습니다. 하지만 제품 시리즈나 용도의 전체적인 모습은 아직 명확하게 밝혀내지 않았습니다.

다만, 2026년 8월 4일 기준으로 공개된 제품 정보는 극도로 제한적이다.

Astra（OpenAI가 이번 발표에서 공식적으로 사용）【다음 주요 모델(our next major model)】【일반 공개되지 않음】【ChatGPT 탑재】【API 제공】【릴리스 시기 미공개】【제품명】GPT-6가 될지, 혹은 별도 시리즈가 될지는 미확정【파라미터 수 비공개】【Dense/MoE 비공개】【컨텍스트 길이 비공개】【학습 계산량 비공개】【추론 시 GPU 구성 비공개】【수학 전용 여부】공식적으로는 범용의 차세대 주요 모델로 설명됨【현재의 제품 라인】GPT-5.6 (Sol/Terra/Luna)

여기 중요한 점은 Astra가 기존 제품 라인 위에 놓인 ‘다음’ 단계라는 점이다. OpenAI의 현행 플래그십 모델은 2026년 6월에 프리뷰 버전으로 출시되었고, 7월 9일에 일반 제공이 시작된 GPT-5.6 시리즈는 솔(최상위), 테라(균형), 루나(저비용)의 세 가지 레이어 구성으로 이루어져 있다. Astra는 그 뒤에 위치한 미공개 모델이며, GPT-5.6의 별칭이 아니다.

일부 2차 보도는 Astra를 “다수 에이전트가 장시간 협조하는 모델 시리즈”라고 설명하지만, OpenAI의 이번 공식 페이지는 해당 사양을 명시하고 있지 않다. 따라서 멀티 에이전트 구성이나 작동 시간을 Astra의 확정 사양으로 취급해서는 안 된다.

이러한 이유로 아스트라를 “GPT-6의 공식 명칭”이라고 단정할 수 없습니다. 내부 코드명일 가능성, 차세대 추론 모델 시리즈의 명칭일 가능성, 미래 제품명일 가능성이 있지만, 공식 정보가 발표될 때까지는 구별해야 합니다.

또한, 구글 딥마인드에는 이전에 “프로젝트 아스트라”라는 실시간 멀티모달 AI 어시스턴트 연구 명칭이 있었다. OpenAI의 아스트라와는 별도의 프로젝트이며, 명칭이 같아서 기술적인 연속성이 있는 것은 아니다.

이번에 확인 가능한 최대 특징은 Astra가 여러 분야의 연구 문제에 새로운 수학적 결과를 제시하고, 이를 논문화와 형식 증명으로 연결했다는 점이다. 공개된 정보는 긴 연구 워크플로우를 지지하는 능력을 시사하지만, 구체적인 실행 시간이나 에이전트 구성은 공개되어 있지 않다.

## 3．「未解決問題10件を解決」의 정확한 의미는 다음과 같습니다.

속보에서는 “미해결 문제 10개를 뚫고, 장년의 난제를 한 번에 해결”이라는 표현이 사용되고 있다. 수학적으로는 조금 더 자세하게 분석해야 한다.

이번 10개 항목에는 다음과 같은 종류가 혼재되어 있습니다.

- 예상을 긍정적으로 입증한 것
- 예상에 반례를 제시하여 오류임을 명확히 한 것
- 어떤 대상이 존재하는지에 대한 문제에 대해 명시적 구성으로 답한 것이다.
- 이전의 상한 및 하한을 지수적 또는 다항식적으로 개선한 것
- 한 가지 연구 방법이 도달할 수 있는 점근적 한계를 결정한 것
- 여러 개의 에르도시 문제

즉, 10건 모두가 동일한 의미의 “완전 해결”은 아니지만, 모두 장기간 진전이 없었던 주요 과제에 대해 새로운 수학적 결과를 제시했다는 점에서 공통점을 가진다.

기사나 소셜 미디어에 표현한다면, 다음 문장이 가장 정확할 것입니다.

> 
> 
> OpenAI의 차세대 모델 Astra의 내부 버전이 수학 및 이론 컴퓨터 과학 분야의 장기 미해결 문제 10건과 정체 문제에 대해 새로운 증명, 반례, 구성, 상한 및 하한을 생성했다. OpenAI는 논문과 Lean 형식 증명을 공개하고 외부 검증을 요청하고 있다.
> 

반대로, 현재 시점에서 피해야 할 표현은 다음과 같습니다.

- 세계의 수학자들이 풀지 못했던 10대 난제를 완벽하게 해결했다
- 린을 통해 검토가 완료되어 서평이 더 이상 필요하지 않습니다.
- 2,000달러로 A스트라를 개발했다.
- 아스트라는 이미 일반 제공되었다.
- 수학자는 필요 없어졌다
- 양자 암호 및 양자 내성 암호가 뚫렸다.

과학적으로 중요한 발표일수록, 무엇이 증명되었는지, 무엇이 미확인인지를 명확히 구분하는 것이 필요합니다.

### 10가지 항목을 “합의 결과”로 분류합니다.

고차원 구 충진 기법의 점진적 한계 결정 및 일반 상한 개선 / 결론: 코흐-엘키스 선형 계획법의 지수적 강성 / 남은 대문제: 각 차원의 최적 충진, 구 충진 문제 전체
이원·구면 징표 상한의 지수적 개선 / 결론: 고정 거리에서의 일반 상한 / 남은 대문제: 최적 징표의 완전 결정, 실용적인 구성
비소フィック 군 존재 문제의 결론 / 결론: 유한 표현의 비소フィック 군 구성 / 남은 대문제: 비소フィック 군 전체의 구조와 분류
콘네스 강성 예상의 반증 / 결론: 동일한 군 von Neumann 링을 갖는 비동형 군 구성 / 남은 대문제: 조건을 강화한 강성·초강성 이론
퍼먼트 하한 개선 / 결론: 나눗셈 없는 회로·산술식의 새로운 하한 / 남은 대문제: VP 대 VNP, 초다항식의 일반 회로 하한
양자 병렬 반복 범위를 명시한 일반 정리 / 결론: 유한 이원 얽힘 게임 / 남은 대문제: 상수 최적화, 무한·별 설정으로의 확장
최근 벡터 문제 근사 어려움 개선 / 결론: 3SAT로부터의 직접 환원과 다항식 인수 난해성 / 남은 대문제: CVP의 전체 근사 영역, 구체 암호 방식의 안전성
에르하트 부피 예상의 날카로운 상한 증명 / 결론: 전 차원에서의 최대 부피 / 남은 대문제: 극값 형태의 분류와 안정성
다색 Ramsey 수 점진적 성장률 결정 / 결론: R_k(3)=k^Θ(k) / 남은 대문제: 정확한 상수, 저차원 값
극값 그래프 이론 2 예상의 반증 / 결론: Erdős 문제 146·180 / 남은 대문제: 수정판 예상, 반례를 제외한 분류

この表から分かるように、「10件を解いた」という見出しは速報としては使えても、本文では「10件の研究成果を公開した」と書く方が正確である。

## 4．공개된 자료――249페이지 분량의 논문, 추론 설명, 린 증명

이번 발표가 일반적인 AI 데모와 다른 가장 큰 이유는 검증 가능한 공개물의 양에 있다.

### 4-1. 약 249페이지 분량의 기술 논문

“텐(Ten) 어드밴스(Advances) in Mathematics and Theoretical Computer Science”라는 제목의 PDF는 표지, 개요, 참고 문헌을 포함하여 약 249페이지 분량이다. 각 성과는 독립적인 장 또는 논문과 유사한 형태로 기술되어 있으며, 정의, 보조 정리, 정리, 증명, 기존 연구와의 관계, 참고 문헌이 제시되어 있다.

요약 페이지에는 10가지 결과가 명시되어 있다. 예를 들어, 퍼먼넌트의 산술 회로는 뺄셈이 없는 회로에 대해 Ω(n² log log n), 산술식에 대해서는 Ω(n⁴/log n)의 하한을 제시한다. 최근 벡터 문제에서는 3SAT로부터의 직접 전이를 통해 n^(1/400) 인자 근사 곤란성을 주장한다. Ehrhart의 체적 예상에서는 중심만 내부 격자점에 가지는 공vex체의 체적에 대해 (n+1)^n/n!이라는 날카로운 상한을 모든 차원에서 증명한다. 구 충담에서는 Cohn–Elkies 선형 계획의 점근적인 강도를 lim LP_d^(1/d)=√(e/2π)로 엄밀하게 결정하고, 이에 해당하는 Fourier 징호 불확정성 문제는 점근적으로 해결했다고 기록되어 있다.

### 4-2. 추론의 내레이션

OpenAI는 각 해결 방법에 대해 모델의 발견 과정을 설명하는 “리선잉 워크스루(reasoning walkthroughs)”를 공개했다. 여기서는 최초의 방향 설정, 장애, 실패한 접근 방식, 전환점, 최종 증명에 이르는 구조가 설명된다.

하지만 이는 A스트라의 실제 내부 사고 로그를 그대로 공개한 것이 아니며, 공식 설명에 따르면 원래 추론 기록과 완성 논문을 다른 모델이 읽고 발견 경로를 인간이 이해하기 쉬운 이야기로서 재구성한 것입니다. 이 점은 뒤에 설명합니다.

### 4-3．린 인증서

각 논의는 Lean 4로 형식화되어 증명서 형태로 GitHub의 openai/ten-proofs 리포지토리에 공개되었으며, 라이선스는 Apache-2.0이다.

저장소 구성 내용을 살펴보면, 10개의 결과에 해당하는 10개의 `.lean` 파일(SpherePacking, MetricCodes, NonSoficGroup, ConnesRigidity, Permanent, QuantumParallelRepetition, GapCVP, EhrhartVolumeInequality, MulticolorTriangleRamsey, CompactnessAndDegeneracy)이 나열되어 있다. 또한, `lean-toolchain`을 사용하여 Lean 버전을 고정하고, `lake-manifest.json`으로 의존 라이브러리를 고정하며, `formalization.yaml`로 형식화 대응 관계를 기재하고, `ComparatorChallenges` 디렉토리가 위치하고 있다.

README에 따르면 빌드에는 Lean 4.32.0, mathlib, Lake를 사용한다. elan을 설치한 후 `lake exe cache get`으로 mathlib 캐시를 가져오고, `lake build All`로 10개의 형식화를 한 번에 검사할 수 있다. 개별적으로 검사하고 싶다면 모듈명을 전달한다 (예: `lake build SpherePacking`). lakefile.toml에서는 mathlib와 Comparator의 双方을 v4.32.0으로 고정하고 있다.

자연어 증명에서는 암묵적인 전제, 경우 분리의 누락, 기호의 오해, 존재 조건의 누락 등이 있을 수 있다. Lean에서는 각 추론이 정의, 공리, 기존 정설로부터 정확하게 도출되는지 기계적으로 확인한다.

### 4-4. Comparator란 무엇인가 – 두 번째 단계 검사 장치

`ComparatorChallenges` 디렉터리는 단순한 “부록”이 아니다. Comparator는 leanprover 공식 리포지토리에 공개된 “Lean 증명에 대한 신뢰할 수 있는 심사관”이다.

시스템은 다음과 같이 작동한다. 각 결과물마다 JSON 설정 파일이 존재하며, 그 안에는 다음 항목들이 기록되어 있다.

【챌린지 모듈】증명해야 할 명제만 쓰여진 “문제 파일”(정리 문은 ‘sorry’ 그대로 유지)
【솔루션 모듈】실제 증명이 담긴 “해결 파일”
【정리명 목록】정리명 검색 대상 목록
【허용 공리】사용 허용 공리 목록
【enable_nanoda】독립 구현 커널을 통한 이중 검사를 활성화하는가

즉, Comparator는 “해결 파일이 도전 측에 고정된 정설과 일치하는 명제를 허용된 공리 범위 내에서 증명하고 있는지”를 검사한다. 해결 측만으로 정설을 약화시키는 것을 방지하는 메커니즘이지만, 도전 측의 정설 자체가 원래의 미해결 문제를 정확하게 나타내는지까지는 판단하지 않는다.

실행 환경도 종료되었습니다. Comparator는 landrun이라는 샌드박스에서 실행되며, lean4export로 인증서를 작성합니다. 또한 nanoda(Rust로 작성된 Lean 커널의 독립 구현)를 사용하면 Lean 본체의 커널과는 다른 구현으로 동일한 인증서를 재검토할 수 있습니다.

openai/ten-proofs에 포함된 각 설정 파일에서는 `permitted_axioms`가 `propext`, `Quot.sound`, `Classical.choice`의 세 가지로 제한되어 있으며, `enable_nanoda`는 true로 설정되어 있습니다. 즉, 독립 커널을 통한 재검사가 활성화되어 있습니다.

예를 들어 구 충진 설정에서는 `PackingBounds.FullMain.exact_limit`, `exact_binary_exponent`, `sphere_packing_sharp_asymptotic_upper`, `sharpFullCohnElkiesManuscriptConclusions` 네 가지 정리가 비교 대상으로 지정되어 있습니다. 최근 벡터 문제에서는 `gapCVP400IsNPHard` 외에도 이중 최근 符号화 문제, 시ンド롬 복호 문제, 유한 p-노름 버전 CVP의 어려움도 함께 고려되고 있습니다.

### 4-5．formalization.yaml이 자체 보고하고 있는 내용

저장소 직下の`formalization.yaml`은 형식화된 상태를 기계가 읽을 수 있는 형태로 선언한 매니페스트이다. 여기에 쓰여진 내용은 이 논문이 지금까지 “미공개”로 언급했던 항목 중 일부에 직접적으로 답변하고 있다.

【오류 수】0（정의 중의 ‘sorry’도 0）【기본 가정】`propext`, `Classical.choice`, `Quot.sound`의 세 가지만【주요 결과】12건（1파일에 2건이 포함되는 경우 10개 항목 이상）【각 항목별 부가 정보】정리된 정수명, 포함 파일, ‘sorry’ 수, 사용 공리, 대응하는 Comparator 설정 파일【자동화】방법은 “에이전트”, 모델은 “Astra (OpenAI)”, 프레임워크는 “Codex”【총 실행 시간】1주일【검토 상태】에이전트 검토【기존 작업】기존 Sphere-Packing-Lean 프로젝트 2건 링크【감사의 말씀】Sphere-Packing-Lean 프로젝트 저자에게 감사의 말씀

읽는 방식을 세 가지로 나누고 싶습니다.

첫째, ‘sorry’ 제로와 표준 삼공리만을 선언하는 것은 형식 증명으로서의 체계가 갖추어졌음을 보여준다. Lean의 표준적인 수학 라이브러리는 일상적으로 사용하는 공리 외에는 포함되어 있지 않다. 다만, 이는 OpenAI 측의 자의적 주장이며, 제3자가 빌드하고 `#print axioms`로 확인하기 전까지는 ‘선언’으로만 간주된다.

둘째로, 형식화 자체는 Astra와 Codex에 의해 수행된 에이전트 작업이었으며, 소요 기간은 약 1주일이었다는 점이 명시되어 있었다.

세 번째로, ‘review: agent-reviewed’라는 문구가 중요하다. 최소한 이 헌장(manifesto)은 인간에 의한 검토 완료를 선언하고 있지 않다. ‘agent-reviewed’의 구체적인 절차나 인간의 관여 범위는 README만으로는 충분히 설명되어 있지 않으며, 학술지 검토나 각 분야 전문가의 독립 검증과 동일시될 수 없다.

또한 `prior_work`의 존재 또한 간과할 수 없다. 구체화(sphere packing)의 형식화는 Lean 커뮤니티 이전부터 진행해 온 Sphere-Packing-Lean 프로젝트의 성과 위에 세워져 있으며, AI가 모든 것을 처음부터 만들었다는 것이 아니라, 인간이 축적해 놓은 형식화 자산을 기반으로 하고 있다. 라이덴 선언이 “저작권(attribution)”을 중시하는 이유가 바로 여기에 드러나 있다.

이 세 가지 구조—자연어 논문, 발견 경로 설명, 형식 증명—이 Astra 발표의 신뢰성을 지탱하는 핵심이다. 반면에 형식화된 명제가 원래의 미해결 문제와 완전히 일치하는지, 사용 공리가 타당한지, 자연어 논문의 모든 주장이 형식화되었는지 외부 연구자가 확인해야 한다.

### 4-6．OpenAI가 명시한 “저자성”과 책임

이번 공식 발표에는 일반 모델 발표보다 더 심층적인 연구 윤리 관련 내용이 포함되어 있다. OpenAI는 AI가 완전히 생성한 증거를 인간의 결과물로 주장하는 것이 AI의 기여와 인간의 지적 노동 모두를 잘못 표현한다고 밝혔다.

다음과 같이 정리되었습니다.

- 수학적 논쟁은 Astra가 생성했다.
- 사람은 동일한 모델을 사용하고, 논쟁을 원고로 준비한다.
- 그 이후, 모델은 각 논의를 린 증명으로 형식화했다.
- OpenAI는 초안 작성 및 형식화를 지원하며, 공개 결과의 정확성에 대한 책임을 집니다.

이는 “AI는 단순한 집필 보조였다”는 설명과는 다르다. OpenAI 스스로 핵심이 되는 수학적 아이디어를 AI 생성물로 자리매김하고 있기 때문이다. 따라서 향후 논문 관행에서는 AI를 저자로 할 것인지, 시스템명을 명시할 것인지, 책임 주체를 누구에게 둘 것인지에 대한 문제가 피할 수 없게 되었다.

동시에 OpenAI는 AI와 수학에 대한 우려를 표명한 라이덴 선언의 서명자들에 대한 존경을 표하며, AI의 역할은 기술 기업만 결정할 수 없다고 명시하고 있다. 이번 발표는 능력 입증(PoC)으로서의 성격을 지니는 동시에 연구 접근성, 소유권, 고용, 신진 인재 육성, 연구 문화에 대한 논의 참여 의지를 밝히는 것이다.

## 5．成果1：고차원 구 충진 문제

구충담 문제는 공간 안에 서로 겹치지 않는 구를 최대한 높은 밀도로 얼마나 많이 담을 수 있는지를 묻는 문제이다. 2차원이라면 같은 크기의 원을 평면에 나란히 배열하는 문제, 3차원이라면 같은 크기의 구를 상자에 채우는 문제에 해당한다. 그러나 차원이 수십, 수백, 수천 층이 되면 직감으로는 다루기 어려운 고차원 기하학적인 문제로 이어진다.

고차원 구 충진은 순수 수학뿐만 아니라 상징 이론, 정보 이론, 통계 물리학, 최적화, 통신 등 다양한 분야와 깊이 관련되어 있다. 고차원 공간에서 서로 떼어진 점을 효율적으로 배치하는 것은 노이즈에 강한 상징어를 설계하는 것과 일치한다.

아스트라의 논문은 코헨-엘키스 선형 계획법이 고차원에서 제공하는 구 충진 밀도 상한의 점근적 강도를 정확하게 결정했다고 주장한다. 논문 중에서는 구 충진 밀도의 지수에 대해 1978년 카바티안스키-레벤슈타인 이후 처음으로 일반적인 개선을 제시했다는 내용이 설명되어 있다.

이전의 지수가 약 0.59905576이었던 반면, 새로운 漸近 지수는 약 0.6044로 나타난다. 숫자를 겉으로 보기에 작은 차이로 보일 수 있지만, 밀도가 차원에 따라 지수 함수적으로 감소하는 문제에서는 지수 개선이 매우 중요하다. 고차원이 될수록 차이가 증폭되기 때문이다.

논문의 주요 정리는 Cohn–Elkies 선형 계획의 최적 밀도 상한 LP_d에 대해, d→∞에서 LP_d^(1/d)가 √(e/2π)로 수렴한다는 것이다. 이에 수반되는 두 번째 정리는 Fourier 고유 함수의 부호 불확정성 상수 A±(d)가 (1/π+o(1))√d로 주어짐을 보여준다.

더욱 중요한 점은 단순히 더 나은 상한선을 제시한 것뿐만 아니라, 코헨-엘키스형 보조 함수가 도달할 수 있는 한계를 함께 제시했다는 점이다. 논문은 “어떤 코헨-엘키스 보조 함수도 이 지수를 개선할 수 없다”라고 명시하고 있다. 즉, “이 방법을 통해 어디까지 나아갈 수 있는지”를 결정하고, 그 이후에는 다른 원리가 필요하다는 것을 시사한다.

이 성과가 외부 검증을 통과하면 고차원 이산 기하학에서 반세기 가까이 멈춰 있던 정체성을 움직이는 결과를 가져올 것이다. 또한 Astra는 관련 구면 기호 구성으로부터 동일한 구형 채움 지수를 회수하는 대체 경로도 제시하고 있다.

## 6．成果2：이원 符号・球面 符号

상징 이론은 통신이나 저장 중에 데이터가 손상되어도 원래 정보를 복구할 수 있도록 정보에 중복성을 부여하는 수학 분야이다. 이중 오류 정합법에서는 0과 1로 구성된 상징어를 사용하며, 오류를 수정하기 위해 서로 다른 상징어들이 충분히 떨어져 있어야 한다.

기본 문제는 다음과 같이 표현할 수 있습니다.

> 
> 
> 지정된 최소 거리를 유지하면서, 길이 n의 공간에 최대 몇 개의 긍정어(符号語)를 배치할 수 있는가.
> 

상징어의 양을 늘리면 전송 효율은 높아지지만, 거리가 가까워질수록 오류 수정 능력은 저하됩니다. 최대 크기 제한을 설정하는 것은 통신 효율의 이론적 한계를 파악하는 데 직접적인 관련이 있습니다.

Astra의 결과는 고정 거리에서 이분법과 고차원 구면 표본화의 고전적인 상한을 모든 파라미터 영역에서 지수적으로 개선될 것으로 예상된다. “지수적 개선”이란 차원 n이 커질수록 차이가 지수 함수적으로 벌어지는 것을 의미한다.

더 정확하게는, 이원론에 대해서는 1977년 McEliece–Rodemich–Rumsey–Welch(MRRW) 경계를, 구면 이원론에 대해서는 1978년 Kabatianskii–Levenshtein 경계를, 각각 모두 최적화 후 지수로서 엄밀하게 개선했다고 주장한다. 논문은 “각각 1977년과 1978년 이후, 일반적인 고차원 지수에 대한 최초의 개선”이라고 평가하고 있다.

구체적인 예시로 입맞춤 횟수(단위 구에 동시에 접하는 구의 최대 개수)가 제시되고 있으며, 계층 레벨 2에서 2^(0.39661+o(1))n이라는 상한이 얻어지며, 기존 최적화된 고전적 지수 0.400944...를 하회한다고 평가된다.

공면 기호에서는 단위 구면 상에 서로 일정 각도 이상 떨어져 있는 점을 몇 개 배치할 수 있는지 고른다. 이는 무선 통신, 중복화, 양자 정보, 고차원 데이터 배치 등과 관련이 있다. Astra의 공면 기호 구성은 앞 장의 구면 채움 지수에도 연결된다.

실용적인 통신 규격이 당장 바뀌는 일은 아니다. 이론적 상한의 개선이 구체적인 표기 체계 설계로 이행하기 위해서는 명시적 구성, 복호화 알고리즘, 계산 비용, 유한 길이에서의 성능 평가 등이 필요하다. 그럼에도 불구하고, 이론적 한계가 업데이트되는 것은 미래 설계 공간을 확장하는 데 기초가 될 것이다.

## 7．성과 3: 비소픽 집단의 명시적 구성

10件の中でも、群論における非ソフィック群の構成は、特に大きな注目を集める可能性がある。

군(群)이란 대칭성과 연산의 합성을 추상화한 수학적 구조이다. 소픽 군은 대략적으로 말하면, 무한군에서 유한한 부분 집합을 유한한 변환으로 근사하는 군이다. 이 개념의 원형은 1999년 미하일·그로모프가 도입했으며, 이후 와이스에 의해 “소픽”이라는 이름으로 불리게 되었다. 이후 “모든 허용군(可算군)이 소픽 군인가?”라는 문제가 군론의 중심적인 미해결 문제 중 하나로 지속되었다.

많은 넓은 클래스들의 집합이 소픽적이라는 것을 알고 있었지만, 소픽 집합의 구체적인 예시는 찾을 수 없었다. 이 상황은 개념이 제안된 이후 오랫동안 지속되어 있었다.

아스트라의 논문은 명시적인 비소픽 군을 구성한다고 주장한다. Lean 형식화의 측면에서는 주된 정리의 이름이 `exists_finitelyPresented_nonsofic_group`로 되어 있으며, 단순히 존재한다는 것뿐만 아니라 “유한 표현 가능한 비소픽 군이 존재한다”는 형태로 기술되어 있다. 유한 표현 가능성은 유한 개의 생성원과 유한 개의 관계식으로 표현할 수 있다는 의미로, 대상이 구체적으로 다루어질 수 있음을 보여주는 강력한 조건이다. 개요에서는 property (T)를 갖는 확산자와 이진 Leavitt 대수를 결합하여 설명하고 있다.

속성(T)는 집합 표현이 가지는 강한 응집력과 관련이 있는 성질이다. 확장자는 정점 수가 증가해도 높은 연결성을 유지하는 疎グラフ族이며, 컴퓨터 과학이나 코딩 이론에서도 중요하다. 리베트 대수는 비대수류의 일종이다. 아스트라는 이러한 멀리 떨어져 보이는 도구를 연결하여 유한 대체 근사가 성립하지 않는 구조를 만들었다고 한다.

이 결과가 유효하다면 “모든 군집이 소픽적이다”라는 가능성은 부정될 것이다. 구성까지 제시하기 때문에 그 군집의 성질이나 파생 문제를 더욱 심층적으로 연구할 수 있다.

여기 Astra의 강점이 드러난다. 미해결 문제의 돌파에는 기존 정리를 순차적으로 적용하는 것뿐만 아니라, 다른 분야의 도구를 조합하는 통찰력이 필요하다. AI가 그 조합을 자율적으로 찾아냈다면, 연구 지원의 질이 “검색”에서 “발견”으로 전환될 것이다.

## 8. 결과 4: 코네스의 강성 예측에 대한 반례

작용소환론에서는 군에서 von Neumann 환이라는 분석적 대상을 구성할 수 있다. 군의 대수적 구조를 작용소환으로 표현하고, 그 환을 조사함으로써 원래의 군 정보를 이해하려 한다.

콘네스의 강성 예시는 특정 강성을 지닌 군에 대해, 그 군의 von Neumann 환이 원래의 군을 유일하게 결정하는지 묻는 견해이다. 쉽게 말해, 군에서 추출한 분석적 “그림자”를 통해 원래의 군을 재구성할 수 있는지 묻는 질문이다.

아스트라는 서로 동형이 아닌 무한 개의 속성(T) 집합이 동일한 von Neumann 환을 갖는 예시를 구성한다고 주장하며, 이를 통해 컨네스의 예상(Connes'予想)을 반증하고, 동시에 포파가 제기한 관련되는 유한 대칭성의 질문에도 답한다고 여겨진다.

수학에서는 예상한 것을 증명하는 것만큼이나 정교한 반례를 만드는 것이 중요하다. 반례는 그 예상치가 어디에서 깨지는지, 어떤 가정이 부족했는지, 새로운 분류 정리에는 무엇이 필요한지를 알려준다.

이번 반례가 수용된다면, 군과 작용소 환의 대응에 관한 이해를 근본적으로 재고해야 한다. 앞으로 군을 유일하게 복원할 수 있는 추가 조건, 반례의 범위, 또 다른 불변량을 통해 분류가 가능한지 등이 새로운 연구 과제가 될 것이다.

## 9．成果5：퍼먼트의 산술 회로 계산량

행렬식과 페르망트는 수식의 형태가 매우 유사하다. n×n 행렬에 대해 행렬식은 행 교환에 부호를 붙여 더하고, 페르망트는 모두 양의 부호로 더한다. 이 작은 차이가 계산의 난이도에 큰 차이를 준다.

행렬식은 가우스 소거법 등으로 다항식 시간에 계산 가능하다. 반면, 퍼매넌트의 정확한 계산은 일반적으로 매우 어렵다. 계산량 이론에서는 퍼매넌트는 대수적 계산의 어려움을 대표하는 대상이며, VNP 완전 문제로 알려져 있다.

그러나 “어떤 산술 회로는 최소한 얼마나 커야 하는가”라는 강력한 하한을 증명하는 것은 놀라울 정도로 어렵다. 일반 회로 하한은 계산량 이론에서 가장 난이도가 높은 문제 그룹 중 하나에 속한다.

아스트라 논문은 나눗셈을 사용하지 않는 산술 회로에 대해 다룬다.

- 회로 크기: Ω(n² log log n)
- 계산 복잡도: Ω(n⁴ / log n)

이는 하한을 제시하고 있으며, 논문은 n²개의 입력 변수에 대한 회로 하한이 단순한 Ω(n²)를 넘어 초 이차 형태가 된다는 점을 강조합니다. 算術式(산수식)은 중간 결과를 재활용할 수 없는 트리 구조로서, 더 강력한 n⁴/log n 하한을 제공합니다.

증명의 개요에서는 그래디언트 맵핑의 파이버 크기, 베조트 유형의 대수 기하학적 평가, 영존식 특유의 특수화, 임계 집합의 차원 제어 등을 결합한다. 일반적인 언어 모델이 다루기에에는 매우 전문적이며, 긴 보절의 연쇄를 유지해야 한다.

이 결과가 옳다면 영구의 일반 산술 회로 하한에서 중요한 진전이다. 하지만 이는 P≠NP나 VP≠VNP를 즉시 증명한 것이 아니며, 이번 하한은 혁신적이지만 궁극적인 초다항식 하한과는 여전히 거리가 있다. 큰 진전과 최종 목표를 혼동하지 않는 것이 중요하다.

## 10．成果6：양자 병렬 반복 정리

두 게임은 계산량 이론이나 양자 정보에서 사용되는 추상적인 게임이다. 심판은 서로에게 연락할 수 없는 두 명의 플레이어에게 질문을 보내 답변의 조합으로 승패를 결정한다.

하나의 게임에서 이길 확률이 1 미만이라면, 같은 게임을 여러 번 병렬로 진행하고, 모든 경우에서 이길 확률은 급격히 감소할 것으로 예상된다. 고전적인 설정에서는 병렬 반복 정리가 이 직관을 정식화한다.

그러나 양자 플레이어는 사전에 양자 얽힘을 공유할 수 있다. 여러 게임 간에 양자적 상관관계를 만들면 단순한 독립 시행과는 다른 전략이 가능해진다. 따라서 일반적인 양자 이원 게임에 대해 지수적 병렬 반복을 증명하는 것은 어려웠다.

아스트라는 제한된 일반적인 양자 게임에 대해 지수적 병렬 반복 정리를 증명했다고 주장한다. 이는 기존 결과를 특수 클래스에 한정되던 것을 일반적인 설정으로 확장하는 것으로 해석된다.

양자 병렬 반복은 양자 대화형 증명, 비국소 게임, 양자 암호, 장치 독립형 프로토콜, 직접 곱셈 정리 등과 관련이 있다. 여러 번 실행했을 때 부정 성공 확률을 억제할 수 있다면, 프로토콜의 안전성 증폭에도 이론적 기반을 제공한다.

그러나, 구체적인 암호 제품이나 양자 통신 장치에 즉시 구현되는 것은 아니다. 정리에 사용되는 상수, 전제, 유한 크기에서의 유효성, 프로토콜 적용 조건 등을 면밀히 검토해야 한다. 그럼에도 불구하고, 고전 이론의 기초 원리를 양자 영역으로 확장하는 중요한 결과이다.

## 11．결과 7: 최근 벡터 문제의 근사적 난이도

클로즈스트 베クトル 문제, 줄여서 CVP는 격자 상의 점들 중에서 주어진 목표점에 가장 가까운 점을 찾는 문제이다.

격자는 공간 안에 규칙적으로 배열된 이산점들의 집합이다. 두 차원 격자紙를 고차원으로 확장한 것을 상상하면 이해하기 쉬울 것이다. CVP는 목표점이 격자점이 아니더라도 가장 가까운 격자점을 찾는다.

고차원에서는 이 문제가 복잡하며, 격자 암호나 양자 암호의 이론적 기반과 깊이 관련된다. 근사판에서는 진정한 최단 거리에 일정 배수의 이내의 점을 찾아보면 되지만, 어떤 근사율까지 계산이 어려워지는지가 중요한 연구 과제다.

아스트라의 논문은 3SAT로부터의 직접 환원 결과, 유클리드 CVP를 n^(1/400) 인자 이내로 근사하는 것조차 어렵다는 주장을 담고 있다. 또한, 이중 복호 문제 및 다른 격자 노름으로의 귀결 가능성도 제시된다.

리안 형식화에서는 `gapCVP400IsNPHard`라는 정리에 더하여, 이분 최근 符号화 문제, 이분 시ンド롬 복호 문제, 유한 p-ノル름 버전의 CVP에 대해서도 NP 어려움성이 형식화되어 있다. 符号 이론과 격자 문제 양쪽에 모두 귀결이 적용되는 것을 형식화 측면에서도 확인할 수 있다.

여기 오해할 부분은 이것이 “양자 내성 암호”를 깨뜨렸다는 결과가 아니라는 점이다. 오히려, 특정 근사 정확도로 CVP를 풀기 어렵다는 계산의 어려움을 더욱 강화시키는 성과이다.

그러나 암호학적 안전성은 평균적 어려움, 매개변수 선택, 구체적인 알고리즘, 양자 계산 모델 등 다양한 요소에 의해 결정된다. 최악의 경우 근사적 어려움이 강화되었다고 해서 모든 격자 암호 방식이 자동으로 안전해지는 것은 아니다. 이론적 결과와 구현 안전성은 구분해야 한다.

## 12. 결과 8: Ehrhart의 체적 예상

이산 기하학에서는 격자점과 닫힌 형상의 관계를 연구한다. 닫힌 형상은 내부의 임의의 두 점을 연결하는 선분이 모두 내부를 포함하는 도형이다. 격자점은 정수 좌표를 갖는 점이다.

에하르트의 부피 예측은 중점이 내부를 이루고, 그 중점이 유일한 내부 격자점이 되는 凸체의 부피에 어떤 최대값을 가질 수 있는지 묻는다.

아스트라는 차원 내 최대 부피가 있습니다.

[\frac{(n+1)^n}{n!}]

이는 모든 차원에서 증명되었다고 주장하며, 날카로운 상한, 즉 실현 가능한 최상의 상한을 제공하는 결과이다.

이러한 유형의 문제에서는 각 차원의 개별 계산이 아닌, 임의의 n에 대해 성립하는 통일적인 증명이 요구된다. 기하학, 凸解析, 정수 격자, 무게 중심 조건을 동시에 다루어야 한다.

날카로운 부피 제한 설정은 격자 다면체, 토릭 기하, 정수 최적화, 조합 기하 등에 영향을 미칠 수 있으며, 극값을 달성하는 형태의 분류와 안정성 – 특히 최대값에 가까운 凸체는 어떤 형태를 하는가 – 가 다음 연구 과제가 될 것이다.

## 13．成果9：多色Ramsey数

램지 이론은 “충분히 큰 구조에는 반드시 질서가 나타난다”는 원리를 연구한다. 완전 그래프의 辺을 여러 색으로 칠했을 때, 같은 색으로만 이루어진 삼각형이 반드시 나타나기 위해 필요한 頂点 수를 다색 삼각 램지 수라고 부른다.

색의 개수를 k로 할 때, 그 값을 R_k(3)로 표기한다. 색이 많아질수록 단색 삼각형을 피하는 복잡한 색채를 구현할 수 있게 되어, 필요한 꼭짓점 수는 급격히 증가한다.

아스트라는 Rₛ(3)에 대해 초지수적 하한을 제공했다.

[R_k(3)=k^{\Theta(k)}]

이를 통해 Erdős 문제 183을 해결한다고 OpenAI가 설명하고 있다.

램지 수는 구체적인 작은 값으로 결정이 어려우며, 점근적 성장률의 평가는 조합론의 핵심 과제이다. 상한과 하한의 지수가 일치하는 형태로 성장률을 설정될 수 있다면, 문제의 대규모 구조가 분명해진다.

이 결과에서는 랜덤 구성, 확률적 방법, 그래프 곱, 符号적 구성 등 여러 조합론적 도구가 관련될 수 있다. AI가 기존 기술을 새로운 계층에서 조합한 것인지, 완전히 새로운 구성을 발견한 것인지 여부는 전문가의 논문 평가가 중요한 포인트가 될 것이다.

## 14. 결과 10: 극치 그래프 이론의 간결성 및 퇴화 예측

마지막 항목은 하나의 단독 정리가 아닌, 극값 그래프 이론에 대한 여러 가지 예상에 대한 반례들을 모아놓은 것이다.

극치 그래프 이론은 특정 부분 그래프를 포함하지 않는다는 제약 하에서 그래프가 최대 몇 개의 간선을 가질 수 있는지를 연구한다. 투란형 문제가 대표적인 예시이다.

아스트라는 서로 다른 두 개의 그래프 구성 방식을 활용하여,

- 에르도시-시모노비츠 콤팩트성 가설
- 에르도쉬의 퇴화도 예측

이를 반증하고 에르도시 문제 146과 180을 해결한다고 주장한다.

컴팩트성 예측은 극단값 수의 극한 궤도 행동을 유한 개의 또는 제한된 구조로 설명할 수 있는지에 대한 직관과 관련된다. 퇴화도는 그래프의 희소성이나 지역 구조를 측정하는 지표이며, 극단값 수와의 관계가 문제된다.

반례의 가치는 단순히 “예상이 틀렸다는” 결론에 그치지 않는다. 왜 자연스럽게 보였던 예상치가 깨지는지, 어떤 예외 구조가 존재하는지, 새로운 올바른 정리는 무엇인지 보여주는 출발점이 된다.

10번째 결과물은 두 개의 Erdős 문제(Er도스 문제)를 포함했기에 “10건의 결과물”과 “해결된 개별 문제 수”는 반드시 일대일로 대응하지 않는다. 제목에 나타난 10이라는 숫자는 OpenAI가 선택한 10개의 카테고리 결과물을 의미한다.

## 15. 리안 검증 가능한 증명은 무엇인가

리안 검증 가능한 증명(Lean verifiable proof)은 리안(Lean) 형식 검증 시스템을 사용하여 특정 수학적 명제의 참임을 증명하고, 다른 사람이나 컴퓨터가 그 증명을 재검증하는 과정을 의미한다.

리안은 수학적 명제를 논리 규칙과 함께 표현하고 자동으로 증명을 생성하는 시스템이다. 이 시스템이 생성한 증명은 엄격하게 검증 가능하며, 증명의 정확성을 재검증함으로써 수학적 명제의 참됨을 확실하게 입증한다.

이러한 리안 검증 가능한 증명 방식은 기존 수학 증명 방식의 오류 가능성을 줄이고 수학적 증명의 신뢰성을 높이는 데 기여한다. 특히 복잡한 수학적 증명이나 오랫동안 해결되지 않았던 난제에 대한 해결책을 찾는 데 중요한 역할을 할 것으로 기대된다.

예를 들어, ‘카호’(夏帆) 소설에 등장하는 특정 수학적 문제에 대한 증명을 리안 검증 가능한 증명 방식으로 수행하면, 증명의 정확성을 재검증하여 ‘카호’와 관련된 수학적 진리의 확실한 증명으로 인정받을 수 있다.

리안(Lean)은 수학자들이 정설과 증명을 엄밀한 형식 언어에서 기술하기 위한 정설 증명 지원 시스템이다. 일반적인 프로그래밍 언어가 “계산을 실행하는 절차”를 작성하는 데 반해, 리안에서는 “어떤 명제가 논리적으로 옳다는 것”을 구성한다.

자연어 수학 증명은 전문가들 간의 공유 지식에 의존한다. 논문에서는 “명백히”, “유사하게”, “표준적인 논의에 따라”와 같이 생략되는 부분이 많다. 수학자는 그 간격을 보완할 수 있지만, 심각한 오류가 숨겨질 수도 있다.

Lean에서는 명제를 템플릿(유형)으로 표현하고, 그 템플릿의 항을 증명으로 구성한다. 검증 커널은 증명 항이 정의, 공리, 기존 정리 등을 올바르게 유형 검사(type-check)되었는지 확인한다.

논리적 유도의 장점은 다음과 같습니다.

- 논리 단계의 누락을 기계적으로 발견한다
- 숨겨진 전제를 명시적으로 드러내라는 듯
- 정의의 불명확성을 줄일 수 있다
- 다른 사람도 동일한 환경에서 재검토할 수 있는지 확인하기 위해
- 증명의 의존 관계를 추적할 수 있습니다.
- 보조정리를 재사용 가능
- 형식화된 범위 내에서 논리적 오류를 쉽게 찾아낼 수 있습니다.
- 어떤 공리에 의존하는지를 기계적으로 나열할 수 있습니다.

이번에 OpenAI는 Astra가 생성한 수학적 논증을 동일 모델이 Lean 증명서로 형식화한 것으로 설명하고 있으며, 이는 AI가 단순히 증명 후보를 제시하는 것을 넘어 검증 가능한 증명 객체로 변환하는 단계까지 나간 것을 의미한다.

미래에는 연구 AI의 표준 워크플로우가 자연어에서 가설을 제시하고, 수치 실험으로 검증하며, 형식 증명으로 보장하고, 인간이 의미와 새로움을 평가하는 형태로 변화할 가능성이 있다.

## 16. 레인(Lean)을 통해 해결되지 않은 검증 과제가 여전히 남아 있다.

린으로 검증된”이라는 표현은 매우 강력하지만, “모든 면에서 옳은” 것과 완전히 동일하지는 않다. 적어도 다음 사항들을 확인해야 한다.

### 16-1. 형식화된 명제가 원본 문제와 일치하는지 확인한다.

Lean은 입력된 정리를 정확하게 증명하는지 검증한다. 하지만 형식화된 정리 자체가 원래의 미해결 문제보다 약하거나, 조건이 다르며 중요한 가정이 추가된 경우에는 원래 문제를 해결한 것이 아니다.

극단적인 예시에서는 “원래 예상과 유사하지만 다른 명제”를 완벽하게 증명한다고 해도 의미가 달라. 전문가들은 자연어 문제 설정과 Lean 정문(定理文)을 비교 검토해야 한다.

### 16-2. ‘sorry’나 미검증 부분이 남아있는지 확인합니다.

Lean에서는 개발 도중 증명을 생략하는 ‘by sorry’와 같은 기법을 활용할 수 있다. 공개 코드에 해결되지 않은 목표, 가정으로 취급되는 정리, 외부 오라클 의존성이 없는지 확인해야 한다.

이번 경우, `formalization.yaml`은 전체 및 항목별로 `sorry_count: 0`로 선언하고 있으며, 정의된 `sorry` 역시 0으로 처리됩니다. 실제 확인 작업은 제3자가 빌드하여 수행합니다.

### 16-3. 사용하고 있는 공리

선택 공리, 고전 논리, 상위 구조 등 사용 공리 자체는 일반적으로 문제가 되지 않지만, 주장에 부적절한 추가 공리나 미증명된 공리가 도입되지 않았는지 확인하는 것이 중요하다.

이번에 선언된 공리에는 `propext` (명제 외延성), `Classical.choice` (선택 공리), `Quot.sound` (곱의 건전성)의 세 가지가 존재한다. 이는 Lean과 mathlib가 표준적으로 사용하는 공리 자체이며, 독자적인 추가 공리는 선언되지 않았다. Comparator 설정 파일에서도 이 세 가지가 명확하게 백리스트로 지정되어 있다.

### 16-4. 자연어 논문과의 연관 범위

논문에서 주요 정리를 형식화한 것인지, 보조 결과까지 전체를 형식화한 것인지 확인해야 합니다. 논문이 주장하는 일반성, 상수, 경계 조건, 결론 등이 Lean 쪽에 얼마나 포함되어 있는지 검토해야 합니다.

구체적인 예를 하나 제시한다. 논문의 요지는 영구성에 대해 분할 없이 Ω(n² log log n)과 산술식에 대한 Ω(n⁴/log n)이라는 두 가지 하한을 제시하고 있다. 반면 `formalization.yaml`이 주 결과로 등록하고 있는 것은 `permanent_rational_formula_logarithmic_lower_bound`, 즉 분할을 허용하는 유리식에 대한 로그 인자 포함 하한이다. 이름만 놓고 보면 논문이 제시한 두 가지 주장과 형식화의 주 결과로 등록된 명제는 동일하지 않다.

이는 오류를 의미하지 않는다. 0으로 나누기를 허용하는 설정은 더 강력한 주장일 수 있으며, 다른 하한이 동일 파일 내의 정리에 형식화되어 있을 가능성도 높다. 하지만 “논문의 제목 주장”과 “Lean에서 검사된 명제”를 突き合わせる作業이 필요하다는 점은, 이 한 예일 뿐만 아니라 분명하다. 전문가 간의 교차가 요구되는 것은 바로 이 계층이다.

### 16-5. 혁신성과 중요성

논리는 정밀성을 검증할 수 있지만, 새로운 내용에 대한 판단은 하지 않는다. 이미 알려진 논문에 동일한 결과가 존재하는지, 기존 정리에 간단한 귀결인지, 그 중요도는 수학 커뮤니티가 평가한다.

### 16-6. 구현 및 라이브러리 재현성

Lean 버전, Mathlib 커밋, 의존 라이브러리, 빌드 절차가 명확하며, 제3자 환경에서의 재현 가능성도 중요하다고 합니다.

이 부분에 대해서는 이번에 리포지토리에 `lean-toolchain`과 `lake-manifest.json`이 포함되어 있으며, Lean의 버전과 의존 라이브러리의 커밋은 고정되어 있습니다. 또한 Comparator용 설정도同梱되어 있습니다. 따라서 “버전 정보가 나오지 않았다”는 비판은 타당하지 않습니다. 남은 과제는 제3자가 실제로 빌드를 완료하고, `sorry`나 추가 공리가 있는지 검토하며, 형식화된 명제가 원 문제와 일치한다고 인정하는지 확인하는 것입니다.

그러므로 Lean 증명은 심사를 불필요하게 만드는 것이 아니라, 심사의 일부를 매우 강력하게 자동화하는 것으로 간주해야 한다. 논리적 타당성 검사는 기계로 이양되고, 인간은 문제 설정, 의미, 신선도, 맥락, 미래 전망 평가에 집중할 수 있다.

## 17. “10건으로 약 2,000달러”의 정확한 발음

가장 충격적인 숫자 중 하나는 10건의 해결책 탐색 비용이 총 약 2,000달러 상당이라는 설명이다.

OpenAI 공식 페이지의 표현은 “이러한 문제의 해결책을 찾기 위해 사용된 총 토큰 수는 Sol API 요금으로 약 2,000달러에 해당한다”는 것이다. 일본 엔화 환산액은 환율에 따라 변동하지만, 대략 30만 원 전후에 상당한다.

먼저 오해하기 쉬운 점을 먼저 제거하겠습니다. 원문은 “these problems”를 기준으로 한 총액이며, 10건 합산된 숫자입니다. 해외 기술 해설 중에는 “1건에 대해 2,000달러 미만을 지출했다”고 읽는 경우가 있는데, 공식 페이지에는 그 표현이 없습니다. 단순 평균을 내면 1건당 약 200달러가 됩니다.

여기서 말하는 Sol은 GPT-5.6 Sol이며, 표준 요금은 토큰당 100만 개에 입력 5달러, 캐시 입력 0.50달러, 출력 30달러입니다. 캐시 쓰기는 캐시 입력의 1.25배, 즉 6.25달러로 간주됩니다.

더욱이 단가를 좌우하는 요인은 세 가지 있다.

【긴 텍스트 요금】27만 2천 토큰 초과 입력 요청은 요청 전체를 입력 2배, 출력 1.5배로 청구됩니다. Sol은 입력 10달러, 출력이 45달러이며, 【배치/Flex】 배치는 표준의 약 절반, 저 우선 처리는 표준의 약 절반으로, 【우선 처리】 우선 처리는 표준의 약 2배로 부과됩니다.

같은 2,000달러라도 긴 텍스트 요금이나 우선 처리가 적용되면 토큰량은 훨씬 적고, 배치 처리를 사용하면 거의 세 배 가까이 많아진다. 따라서 약 2,000달러라는 숫자만으로는 총 토큰량을 신뢰할 수 있는 방식으로 역산할 수 없다. 입력 토큰, 출력 토큰, 추론 토큰의 비율, 긴 텍스트 요금 적용 여부, 캐시 읽기/쓰기, 툴 호출 유무가 알 수 없기 때문이다. 단순히 전액을 표준 출력 단가로 나누면 약 6,700만 토큰이 되고, 표준 입력 단가로 나누면 약 4억 토큰이 된다. 하지만 이는 요금 구조의 양 극단을 보여주는 참고 자료일 뿐, 실제 소비량의 추정치에는 해당되지 않는다.

여기 중요한 것은 “2,000달러로 A스트라를 개발했다”라는 의미가 아니라는 것이다.

### 2,000달러에 포함될 수 있는 항목들

- 아스트라에 문제 토큰 입력
- 해법 탐색 과정에서 생성된 추론 토큰
- 성공 모델에 도달하는 데 따른 모델 활용량
- OpenAI가 Sol API 요금에 근거한 제한적인 추론 비용에 대한 평가

### 포함되지 않거나 포함 여부가 불분명한 것들

- 아스트라 사전 학습 비용
- 대규모 GPU 클러스터 구축 비용
- 모델 연구 개발비
- 데이터 수집 및 전처리 비용
- 문제 선정에 소요된 인건비
- 수학자 및 연구자 감독 비용
- 실패한 다른 프로젝트의 산출 비용
- 논문 편집, 검토 및 공개 작업
- 레인 환경 개선 비용
- 모델 평가 및 안전성 검증 비용
- 고정된 데이터센터 운영비

즉, 약 2,000달러는 거대한 연구 개발 투자를 완료한 후, 완성된 모델을 사용하여 10건을 탐색한 “추가적 추론 비용”의 환산값에 근접한 것이다.

그럼에도 불구하고 이 숫자는 큰 의미를 지닌다. 기존에는 인간 전문가 팀이 수개월에서 수년 걸릴 수 있는 탐색을 모델 추론의 변동 비용으로만 수천 달러에 수행할 수 있는 가능성을 시사해 왔다.

다만, 문제별 비용 분포는 공개되지 않았습니다. 쉽게 발견된 문제와 다수의 실패 시도가 필요했던 문제가 혼재되어 있을 가능성이 있습니다. 또한, 몇 건의 후보 문제를 시도하여 10건을 선택했는지도 명확하지 않습니다. 만약 100건, 1,000건을 시도하여 성공한 10건만을 공개한다면 성공률 및 총 탐색 비용의 평가가 달라질 것입니다.

솔 API의 공식 공개 단가는 입력 100만 토큰당 5달러, 캐시 입력 0.50달러, 출력 30달러로 확인된다. 반면, 아스트라의 입력, 출력, 추론 토큰 내역, 긴 텍스트 입력에 대한 추가 요금, 캐시 이용, 툴 이용료 처리 방식은 공개되지 않았다. 2,000달러는 상징적인 값으로 중요하지만, 제3자가 완전 재현 가능한 회계 값이 아니다.

## 18. 아스트라와 솔의 관계 – 속보 시의 오해 해명

발표 직후 “솔(Sol)이 무엇인가”라는 점에 혼란이 발생했다. 하지만 솔은 미지의 모델이 아니다.

GPT-5.6 솔은 OpenAI가 2026년 6월 하순에 제한 プレビュー를 제공하고 7월 9일에 일반 제공을 시작한 GPT-5.6 시리즈의 최상위 모델이다. GPT-5.6은 “다이얼이 달린 단일 모델”에서 “세 가지 모델 중에서 선택” 방식으로 변경되었으며, 솔(최상위), 테라(균형), 루나(저비용)라는 영구적인 티어명이 도입되었다.

GPT-5.6 솔: 입력 5달러/출력 30달러(100만 토큰당), 컨텍스트 약 105만 토큰, 최대 출력 12만 8천 토큰
GPT-5.6 테라: 입력 2.50달러/출력 15달러(100만 토큰당)의 균형형 모델
GPT-5.6 루나: 입력 1달러/출력 6달러(100만 토큰당)의 저비용 모델
[API 애리어스]: gpt-5.6은 Sol로 라우팅됨

그러므로 아스트라와 솔의 관계는 다음과 같이 정리할 수 있다.

- 아스트라는 아직 공개되지 않은 차세대 모델을 의미합니다.
- 솔은 이미 공개된 최신 플래그십 모델(GPT-5.6 시리즈의 최고 단계)입니다.
- OpenAI는 Astra가 소비한 토큰 량을 공개된 솔(Sol) 요금표에 맞춰 금액으로 환산했다.

즉, 2,000달러는 “Astra 이용 요금”이 아니라 “동량의 토큰을 현재 플래그십 모델로 처리할 때 지불하는 금액”이다. Astra 자체 요금 체계는 아직 발표되지 않았으며, 더 비쌀 수도 있고 더 저렴해질 수도 있다.

한편, GPT-5.6 솔은 FrontierMath Tier 4(연구 수준의 수학 추론)에서 83%, 전 세대의 GPT-5.5가 72.5%로 발표되고 있으며, 이미 공개 모델 측에서도 연구 수준의 수학 능력이 빠르게 향상되고 있다.

## 19. 인공지능은 어떻게 수학적 발견을 이루었는가

해결되지 않은 문제는 학습 데이터에서만 답을 재현하는 것만으로는 해결할 수 없습니다. 필요한 것은 탐색입니다.

일반적인 연구 탐색은 다음과 같은 흐름을 따른다.

- 문제를 정확하게 명확히 하십시오.
- 기존 연구와 알려진 장애를 정리한다.
- 유사한 문제와 특수한 사례를 조사합니다.
- 다수의 잠재적 증거 전략을 생성합니다.
- 반례나 한계 예시로 전략을 파괴한다
- 유망한 방침을 보제에 분해한다.
- 부제를 증명하거나 계산으로 검증한다.
- 실패한 정책을 버려라
- 다양한 분야의 도구를 도입한다
- 전체적인 논리를 통합한다.
- 정수와 경계 조건을 명시한다.
- 형식 증명으로 변환

아스트라가 10건에 걸쳐 성과를 보였다면, 이 긴 탐색 루프를 상당히 높은 수준으로 실행한 셈이다.

특히 어려운 점은 중간에 “왜 이 정책이 실패하는가”를 이해하고, 다른 표현으로 문제를 변환하는 것이다. 수학의 돌파구는 계산량을 늘리는 것뿐만 아니라 올바른 개념을 발견했을 때 생겨난다.

비소픽 층에서 property (T) 확장자와 Leavitt 대수를 연관짓고, 영구 하한에서 대수 기하적 섬 수와 임계 집합을 활용하며, 구면 기호에서 구체 채움 지수를 회수하는 것은 단순한 정리 탐색이 아니다.

AI 연구 에이전트의 강점은 피로를 느끼지 않고 다수의 후보를 시험할 수 있는 것, 방대한 문헌을 수평적으로 탐색할 수 있는 것, 형식 검증으로부터 즉각적인 피드백을 얻을 수 있는 데 있습니다. 인간의 강점은 문제의 가치를 판단하고, 명확한 정의를 구축하며, 직관적인 의미를 이해하고, 성과를 다른 분야로 연결하는 데 있습니다. Astra의 발표는 양질의 연구 체제가 현실화되고 있음을 보여줍니다.

## 삶의 사고 과정이 공개되지 않았습니다.

OpenAI는 각 해결 방법의 “사고 과정” 내레이션을 공개했다고 설명하고 있지만, 이것을 생의 체인 오브 소트 전체와 동일하게 이해해서는 안 됩니다.

공개된 추론 해설은 원본 추론 기록과 완성 논문을 모델이 읽고 어떤 아이디어가 어떤 순으로 결합되었는지를 재구성한 고수준의 설명이다.

따라서 다음 정보가 완전히 공개된 것은 아니다.

- 첫 번째 프롬프트 전체
- 전체 실패 시도
- 모든 중간 생성물
- 내부 평가 결과
- 문제별 정확한 토큰 수
- 실행 시간
- 동시 병렬 수
- 외부 검색 기록
- 파이썬·수식 처리·리언 도구의 모든 호출
- 인간이 중간에 제시한 수정 지시
- 어떤 후보로부터 최종 증거를 선택했습니까?

연구 재현 가능성 측면에서 이들이 어디까지 공개될지가 향후 주요 쟁점이다. 기업 비밀, 안전성, 모델 악용 방지와의 균형을 고려해야 하지만, 과학적 주장의 평가에는 탐색 조건의 투명성이 중요하다.

여기 주목해야 할 점은 2026년 5월의 단위 거리 문제 발표와 차이점을 보인다. 5월에 OpenAI가 공개한 것은 모델의 사고 연쇄(chain of thought)의 요약본과 외부 수학자(external mathematicians)에 의한 검증된 증명, 그리고 외부 수학자 스스로가 쓴 동반 논문이었다. 이번에는 반대로 Lean 형식 증명이라는 기계 검증 가능한 보장이 추가된 가운데, 공개된 것은 원시적인 사고 연쇄가 아닌 재구성된 내레이션이며, 공식 페이지에는 외부 수학자로부터의 독립적인 동반 논문에 대한 언급이 없다.

검증의 중심이 “전문가의 시각”에서 “기계 검증”으로 전환되었다고 말할 수도 있습니다. 어느 쪽이 더 강력한 보증을 제공하는지는 단정하기 어렵습니다. 기계 검증은 논리적 허점을 메우지만, 공식화의 적절성과 새로운 가치는 인간만이 판단할 수 있기 때문입니다.

한편, 완성된 수학적 주장과 Lean 증명이 완전하다면, 생로그를 공개하지 않아도 결과의 정확성은 검증할 수 있다. 발견 과정의 재현성과 정설의 재현은 별개의 문제이다.

## 21. 기존 수학 인공지능과의 차이점

수학 인공지능의 발전은 대략 다음 단계로 정리할 수 있다.

### 1단계: 익숙한 계산 문제를 풀기

수학, 대수, 미적분, 문과 문제 등 정답이 이미 알려진 문제를 풀이하며, 여기서는 정답률이 평가 지표로 활용됩니다.

### 제2단계: 경쟁 수학 문제 풀이

수학 올림피아드, Putnam, 대학원 시험 등, 어렵지만 정해진 해가 존재하는 문제를 풀이한다. 창의적인 증명 능력이 필요하지만, 평가용 정답이 존재한다.

### 3단계: 기존 이론을 체계화한다.

자연어 논문이나 교과서의 정리를 Lean으로 옮겨 기계 검증 가능하게 한다. 형식화 능력, 라이브러리 검색, 보조 정리 분해가 중요하다.

### 4단계: 미해결 문제의 특수 사례 또는 소규모 개선 사항을 발견한다.

AI는 기존 예상에 따른 소규모 경우, 상수 개선 사항 및 반례 후보 등을 찾아낸다. 인간 연구자의 보조 역할을 수행한다.

### 5단계: 장기 미해결 문제에 대한 새로운 주요 결과를 도출

정답이 알려지지 않은 문제에 대해 증명, 반례, 구성, 점근적 평가를 제시한다. 아스트라는 이를 단계라고 주장한다.

### 6단계: 연구 계획을 자율적으로 운영합니다.

어떤 문제를 연구할지 선택하고, 문헌 조사, 가설 생성, 계산 실험, 증명, 형식화, 논문화, 다른 사람의 반론에 대한 대응 등을 수행한다. Astra가 완전히 이 단계에 도달했다고 말하기는 아직 이르지만, 방향은 명확하다.

이러한 단계별 정리 방식은 이 논문만의 것만이 아닙니다. 구글 딥마인은 2026년 2월 발표된 논문에서 AI를 활용한 수학 연구의 수준을 “자율적 수학 연구 수준(Autonomous Mathematics Research Levels)”으로 분류하는 프레임워크를 제안하고 있습니다. 자율 주행의 SAE 레벨을 참고하여 AI의 자율성과 결과의 신선도를 독립적인 축으로 취급하는 개념입니다. 이 회사는 자체적으로 생성한 논문 하나를 이 분류에서 “실질적으로 자율적이며 출판할 가치가 있는 수준”으로 평가했습니다.

AI가 해결한 미해결 문제라는 제목만으로는 자율성의 정도나 수학적 중요성도 전달되지 않기 때문입니다. 이번 Astra의 10건 역시 어느 수준에 해당하는지는 외부 전문가가 내용을 평가한 후에 결정됩니다.

이번에 주목할 점은, 하나의 수학 전용 시스템이 단 하나의 정리를 해결한 것이 아니라, 차세대 범용 모델의 내부 버전이 10개의 서로 다른 영역을 횡단했다는 점이다. 만약 일반성이 실현된다면, 모델을 분야별로 새로 구축할 필요가 줄어들고, 연구자는 동일한 기반 모델에 전문 문헌, 도구, 형식 체계를 연결할 수 있게 된다.

## 22. OpenAI의 과거 수학 연구와의 연계성

아스트라의 성과는 갑작스럽게 나타난 것이 아니다. OpenAI는 2026년이 되기 전부터 미해결 수학 문제에 대한 접근 방식을 단계적으로 공개해 왔다.

2026년 5월 20일, 약 80년간 연구되어 온 Erdős의 단위 거리 문제에 대해, 아직 공개되지 않은 모델이 예상과 상반된 결과를 제시했다고 발표되었다.

문제는 1946년 Erdős가 제기한 것으로, 평면 상의 n개 점 중에서 거리가 정확히 1가 되는 쌍이 최대 몇 개까지 만들 수 있는지를 묻는다. 오랫동안 정방격자를 재스케일한 구성이 본질적으로 최적이 것이라고 믿어 왔으며, 답은 n^(1+o(1)))에 수렴한다고 여겨졌다. OpenAI의 내부 모델은 무한히 많은 n에 대해 n^(1+δ)개의 단위 거리 쌍을 갖는 배열을 구성하여 이 예상치를 부정했다. 원래 AI 증명은 δ를 명시하지 않았지만, 프린스턴 대학교의 Will Sawin에 의한 개선으로 δ=0.014임을 보여준다.

구성의 핵심은 대수적 정수론이었다. Erdős의 고전적인 하계가 가우스 정수로 이해될 수 있음을 출발점으로 삼아, 보다 풍부한 대칭성을 갖는 대수체로 대체한다. 그 존재를 보장하기 위해 무한 등위체 탑과 Golod–Shafarevich 이론이 사용되었다. 離散幾何の初等적인 問い에 이러한 도구들이 효과가 있을 것이라고 예상되지 않았었다.

이 결과는 외부 수학자 그룹에 의해 검증되었으며, 그들이 스스로 보조 논문을 작성하고 있다. 필즈상 수상자인 Timothy Gowers는 “AI 수학이 중요한 이정표라는 점은 의심의 여지가 없다. 인간이 Annals of Mathematics에 쓰고, 내가 짧은 감상평을 요청하면 망설임 없이 수락을 추천했을 것”이라고 말했다. Noga Alon, Arul Shankar, Jacob Tsimerman도 높은 평가를 내리고 있다.

OpenAI는 이번 공식 페이지에서 이 반례가 이후 수학 및 이론 계산 기계 과학 연구를 촉진했다고 설명했으며, 脚注에서 5건의 후속 연구를 언급하고 있다.

무라카미 하루키, 사와인, 실드크라우트, 제레젤로프와 픽(Bloom) 예측은 실수에 대해 거짓이며, 포호타의 분리 소수와 엘레케스-로뉘아이 문제, 사하, 추, 예의 초정수 차원에서의 최연단 점 쌍은 SETH 아래에서 이차 시간 복잡도를 갖는다. 리, 포호타, 주의 실수상에서의 점과 직선의 연결에 대한 통신 계산량이며, 멘스키 격자는 끈기 있게 많은 반복 거리를 가진다.

모두 인간 연구자에 의해 작성된 논문이다. 즉, AI가 우연히 한 번의 결과에 도달한 것이 아니라, 인간 연구자들이 발표한 공개 결과가 새로운 연구로 이어졌다는 점을 중시하고 있다. 또한 사하, 추, 예의 논문은 뒤에 언급될 연구자용 프로그램 발표에서도 GPT-5.5 Pro를 활용한 이론적 계산 기계 과학의 성과로 소개되었다.

### 22-2. 7월의 “주기 이중 덮개 예상” – 외부 검증 사례

A스트라의 10건을 평가하는 데 있어서는 최근 7월에 일어난 일들을 살펴볼 필요가 있다. 사이클 이중 덮개 가설(cycle double cover conjecture)을 둘러싼 일련의 움직임이었다.

이 예측은 다리 없는 그래프에는 모든 간선이 정확히 2번씩 등장하는 사이클의 모음이 반드시 존재한다는 것을 의미한다. 1973년 Szekeres, 1979년 Seymour이 각각 독립적으로 제기했으며, 그래프 이론의 중심적인 미해결 문제로 여겨져 왔다.

2026년 7월, OpenAI는 이 예측의 증거를 공개했다. 이번 Astra와 다른 점은 생성한 것이 미공개 모델이 아닌, 이미 제공되는 GPT-5.6 솔 울트라였다고 여겨진 점이다. 증거 본문은 3페이지 분량이며, 원고화에는 Codex와 GPT-5.6 솔이 사용되었다고 기재되어 있다. Lean 형식화는 `openai/cdc-lean`으로 7월 9일에 공개되었다.

이 리포지토리를 열람하면, 목표점 정리(到達点の定理)가 `CDCLean.cycleDoubleCover_of_bridgeless`라는 것, 그리고 형식화된 Jaeger–Kilpatrick의 여덟 가지 정리(八流定理)를 사용하여 제로점 없는 흐름을 구성하고, 이를 사이클 두중 덮개(サイクル二重被覆)로 변환하고 있다는 내용이 드러난다. Lean은 v4.31.0 버전으로, Mathlib는 특정 커밋에 고정되어 있다.

중요한 것은 그 이후 10일 동안 일어난 일이었다.

7월 17일, 기초과학연구원의 산-일 엄 교수가 이 증명의 해설 논문을 arXiv에 게시했다. 논문 제목은 “OpenAI의 사이클 이중 덮개 예상 증명 – 해설”이며, 증명에 손을 더해 읽기 쉽게 만들고, 상급 학부생에게도 가르칠 수 있는 형태로 개선했다고 설명하고 있다. 이 가정은 Fleischner의 분할 보조 정리와 전역 트리의 패킹 정리에 의존한다. 23일에는 개정판도 출판되었다.

7월 27일, 체코의 라데크 후셰크와 로버트 샤말이 OpenAI의 증명에서 사용된 선형 방정식계를 그대로 사용하여 3면 칠리 가능한 큐브 그래프가 최소 2^(n/2-1)개의 회로 이중 덮개를 갖는다는 것을 보여주는 논문을 게시했다.

즉, 외부 수학자가 10일 안에 내용을 섭취하고 설명문을 작성했으며, 3주 동안 같은 도구를 사용하여 새로운 정리를 도출했다. AI가 제시한 증명이 인간 연구의 입력으로 이어지는 순환이 실제로 한 번 회전하는 것을 의미한다.

한편, 유보도 존재한다. 공개된 대화 로그를 둘러싸고 기술 커뮤니티에서는 프롬프트 내에서 증명 전략의 상당 부분이 인간에게서 제공되었었다는 지적이 제기되었다. 어디까지가 모델의 발견이고, 어디에서부터가 인간의 유도인 선 긋기는 이 사례에서도 쉽지 않다.

또한, 이러한 흐름이 ASTRA의 10건이 발생하더라도 그 여부는 아직 불분명하다. 7월의 사이클 이중 겹침은 1개의 증거로 3페이지에 달했으며, 이번에는 10개 분야, 249페이지이다. 같은 속도로 외부 검증이 진행될 것이라고 생각하기는 어렵다.

### 22-3. 10만 명의 연구진을 위한

2026년 7월 29일, OpenAI는 “ChatGPT for Academic Researchers”를 발표했다. 10만 명의 과학자, 수학자, 기술자에게 최첨단 모델을 무상으로 제공할 계획이다.

【초기 규모】2026년 여름에 1만 명부터 시작 【최종 규모】2027년까지 10만 명으로 확대 【초기 참여 기관】 프린스턴 고등 연구소(IAS), 고등 사범학교(ENS) 등 【제공 모델】 GPT-5.6 시리즈 (시작 시점에는 솔 프로) 【초대】승인된 연구자는 동일 기관에서 최대 4명을 초대 가능 【총액】외부 과학 연구 지원으로 2027년까지 2억 5천만 달러 초과 (NextGenAI의 5천만 달러, 미국 에너지부 Genesis Mission과의 협력 포함)

동 페이지에 따르면, 매주 약 130만 명이 고도화된 과학 및 수학의 용도로 ChatGPT를 사용하며, 약 840만 건의 메시지가 생성되고 있다. 이론 계산 기계 과학 분야에서는 Barna Saha, Yinzhan Xu, Christopher Ye가 GPT-5.5 Pro를 사용하여 고차원 기하학의 계산 한계에 대한 증명을 만들고 스스로 검증 및 개선했다는 소개가 있다. 이 3명의 논문은 이번 Astra 발표의 脚注에서도 5월의 성과에 촉발된 후속 연구로 인용되고 있다.

아스트라의 발표와 연구자 프로그램은 능력 검증 및 연구자 접근 확대라는 회사의 전략적 일환으로 해석될 수 있다. 반면, 연구 기반이 특정 기업의 비공개 모델에 집중될 가능성은 접근성, 공정성, 재현성, 연구의 자율성과 같은 논점을 야기한다. 이는 본 稿의 추론이며, OpenAI가 그 목적을 명시한 것이 아니다.

### 22-4. 하나의 성공으로부터 연구 파이프라인으로

아스트라의 10건은 이 일의 성공을 다분야로 확장시킨 것으로 평가할 수 있다. 모델 평가 단계에서 해결되지 않았던 문제에 투입하여 결과가 나온 것을 논문 및 형식 증명으로 공개하는 연구 파이프라인이 형성되고 있다.

한편, 인공지능 증명에는 오류의 전례도 존재한다. 해결되지 않은 문제는 벤치마크와 다르게 정답 확인이 어렵다. 초기 평가에서 유망해 보였던 증명이 전문가 검토에서 무너지는 것은 충분히 가능하다. 그래서 이번 OpenAI가 Lean 형식화와 외부 커뮤니티에 검증을 요청하는 것을 적극적으로 추진한 것은 중요하다.

## 23. 구글 딥마인드 등과의 연구 경쟁

AI 기반 수학 연구는 OpenAI만의 영역이 아닙니다. Google DeepMind를 비롯하여 여러 연구기관이 형식 증명과 미해결 문제 탐색을 가속화하고 있습니다.

2026년 5월에 공개된 “AI 기반 형식적 증명 검색을 통한 수학 연구 발전”(Tsoukalas et al.)은 Google DeepMind가 AlphaProof를 기반으로 구축한 “AlphaProof Nexus”에 대한 보고서이다. LLM과 Lean을 결합한 이 에이전트는 353건의 공개 Erdős 문제 중 9건, 492건의 OEIS 예측 중 44건을 자율적으로 해결했다고 보고되었다. 건당 추론 비용은 수백 달러 규모로 추정되며, 해결된 9건에는 56년간 미해결이었던 문제 2건이 포함된다.

이 논문에서는 OEIS의 미해결 문제 492건을 Gemini로 자동 형식화하고, 수열의 첫 항을 검증하는 “테스트 보조 정리”를 먼저 증명함으로써 잘못된 형식화를 방지하고 있다. 대수 기하학의 힐베르트 함수에 관한 15년 전의 문제, 凸最適化의 경계 개선, Ben Green의 문제 목록에서 비롯된 문제에도 기여했다고 보고되고 있다.

이 연구의 중요한 점은 모델이 자연어에서 답변을 생성하는 것뿐만 아니라, Lean 컴파일러를 검증 도구로 반복적으로 활용하는 데 있다. 추정된 증명을 생성하고, 오류를 받아 수정하며, 최종적으로 검증 완료된 증명에 도달한다.

### 23-2．Google DeepMind의 “Aletheia”

또 다른 비교 대상은 동일사의 수학 연구 에이전트 “Aletheia”이다. Gemini 3 Deep Think를 기반으로 2026년 2월에 발표된 논문 “Towards Autonomous Mathematics Research”에 대한 내용이다. 이름은 그리스어에서 유래했으며 “진리·개시”를 의미한다.

【에르도시 문제에 대한 일제 투입】2025년 12월 2일부터 9일에 걸쳐 블룸 데이터베이스에서 “미해결”로 분류되었던 700문제에 투입되었으며, 내부 검증을 통과한 후보 212건을 수학자 팀이 평가하여 4건을 자율적으로 해결했다고 보고했다【완전 자율의 논문】인간의 개입 없이 생성된 논문 1건이 존재한다. 산술 기하의 “기본 중량”이라고 불리는 구조 상수를 계산하는 내용【인간과의 협업】독립 집합 평가 관련 논문에서는 AI가 대략적인 경로를 제시하고 인간이 이를 엄밀하게 보완했다【FirstProof】수학자가 제안한 연구 수준 10문제의 외부 벤치마크에서 전문가 다수 평가 결과 6문제를 자율적으로 해결했다고 보고했다【투명성】프롬프트와 출력을 GitHub에서 공개했다.

아스트라와 나란히 비교하면 방향성의 차이가 명확하게 드러난다.

첫째, 검증 방식이 다릅니다. OpenAI는 Lean 형식 증명을 증명서 형태로 첨부했으며, DeepMind는 자연어 그대로 생성하여 인간 수학자 팀의 평가를 거쳤습니다. 전자는 기계 검사에 중점을 두었고, 후자는 인적 평가에 중점을 두었습니다.

둘째로, 자기 평가의 톤이 다르다. DeepMind는 논문에서 해결한 Erdős 문제 중 상당수가 수십 년간 미해결 상태였음에도 불구하고 내용 자체는 매우 기본적인 문제였다고 언급하며, 자신들의 자율적인 성과는 AI에게는 중요한 이정표일지라도 수학에게는 “큰 진전”이라고 주장하지 않는다는 점을 명시하고 있다. 반면 OpenAI는 “ten advances (10개의 발전)”라는 제목을 내걸고 10년 이상 주요 결과에 진전이 없었던 문제들을 설명했다.

세 번째로, 공개의 수준이 다르다. DeepMind는 프롬프트와 출력을 전액 공개했다. OpenAI는 추론의 재구성 내레이션을 공개했지만, 프롬프트와 생로그는 공개하지 않았다.

단지 “AI가 해결되지 않은 문제를 해결했다”라는 같은 제목 아래에 상당히 다른 주장과 검증 설계가 나열되어 있다는 점을 알아두어야 한다.

### 23-3. 평가 척도는 어디로 움직이는가

Astra와의 차이점은 OpenAI가 매우 넓은 10 분야의 주요 결과를 단일 차세대 모델로 발표했다고 주장하는 점과 자연어 논문 및 Lean 형식화를 함께 대규모로 공개했다는 점에 있습니다.

경쟁 평가 척도는 기존 벤치마크 점수에서 다음 항목으로 전환될 것이다.

- 정말로 해결되지 않았던 문제를 몇 건 풀어봤는지
- 결과의 중요도는 어느 정도인가
- 린, 코크, 이사벨 등으로 검증 가능한가
- 인간의 개입 정도는 얼마나 될까
- 각 항목별 비용은 얼마입니까?
- 성공률은 얼마나 되는가?
- 이 분야를 일반화할 수 있을까요
- 발견한 방법론이 인류학자들에게 재활용될 수 있을까
- 외부 심사를 통과한 결과가 몇 가지 있습니다.

수학 올림피아드에서 금메달 수준의 성적은 앞으로의 최첨단 모델 비교에 충분하지 않을 것이다. 연구 AI는 인간이 답을 모르는 문제로 평가받는 시대로 접어들 것이다.

## 24. “과학적으로 정말 유용한” 것은 무엇을 의미하는가

A스트라의 속보에서 사용되는 “과학적으로 정말 쓸 수 있는”이라는 표현은 단순히 과학 질문에 정답을 맞추는 것을 의미하지 않는다.

과학 연구에 유용한 AI에는 최소한 다음 능력들이 필요하다.

- 알 수 없는 것과 알 수 있는 것들을 구별한다
- 문헌 내의 모순이나 해결되지 않은 점을 찾아냅니다.
- 검증 가능한 가설을 만드는 것
- 예외를 찾아본다.
- 실험, 계산, 증거 계획을 수립하다
- 장기간의 작업 상태를 유지한다
- 중간 결과에 대한 평가를 실시하고, 방향을 전환한다.
- 툴을 제대로 사용하는 방법을
- 결과를 재현 가능하게 보존하다
- 불확실성과 한계를 보고서 보고

수학에서는 최종 결과를 형식 증명으로 확인할 수 있어, 인공지능 과학의 선도 영역이 되기 쉬운 경향이 있다. 물리학, 화학, 생물학에서는 모델이 제시한 가설을 현실의 실험으로 검증해야 한다. 실험에는 시간, 장비, 시료, 안전 관리 등이 필요하며, 토큰 비용만으로는 해결할 수 없다.

그럼에도 불구하고 수학에서 확립된 “가설 생성 → 자동 검증 → 수정” 루프는 다른 과학 분야로 이식될 수 있다.

- 물리: 수치 시뮬레이션 및 기호 계산으로 후보 이론을 검증
- 화학: 반응 예측 및 자동 합성 장치를 이용한 검증
- 재료: 후보 물질을 생성하여 시뮬레이션 및 로봇 실험을 통해 선별
- 신약 개발: 분자 설계, 도킹, 합성, 세포 실험 자동화
- 반도체: 회로 후보를 생성하고 EDA 검증 및 물리 설계로 평가
- 로봇: 제어 방안을 생성하고 시뮬레이션 및 실제 기기에서 검증

A스트라의 본질은 AI가 “설명하는” 단계에서 “새로운 검증 가능한 주장을 만드는” 단계로 넘어갔을 가능성에 있다.

## 25. 수학을 제외한 과학으로의 확산 조건

수학으로 성공했다고 해서 모든 과학이 즉시 자동화되는 것은 아니다. 수학에는 형식 체계 안에서 정답을 확립할 수 있다는 특성이 있기 때문이다.

다른 분야로 확장하기 위해서는 다음 인프라가 필요합니다.

### 25-1. 기계 가독 가능한 과학 지식

논문, 실험 조건, 실패 결과, 데이터셋, 측정 오차를 AI가 읽을 수 있도록 체계적으로 정리해야 한다. 성공한 논문뿐만 아니라, 재현되지 않은 실험이나 부정적인 결과도 중요하다.

### 25-2．신뢰할 수 있는 시뮬레이터

물리, 재료, 유체, 분자 등의 시뮬레이터가 AI의 가설을 고속으로 걸러내며, 시뮬레이션의 근사 오차를 AI가 이해해야 할 필요성도 있다.

### 25-3. 자동 실험 장비

로봇 실험실, 액체 핸들링 장비, 분석 장치, 자동 측정 장비, 원격 실험 시설이 필요합니다. 인공지능이 생각하는 속도에 물리 실험의 속도를 가깝게 맞추기 위함입니다.

### 25-4. 형식화된 안전 제약

위험한 화학 반응, 병원체, 방사선, 고전압 등을 다루는 분야에서는 모델의 자유로운 탐색을 그대로 실행할 수 없으며, 허가, 격리, 감사, 인간 승인이 필요합니다.

### 25-5．재현성과 데이터 이력

결과가 나타난 모델, 프롬프트, 도구, 데이터, 장비, 온도, 배치 등을 완전히 기록해야 한다.

수학에서 Lean이 수행하는 역할은 실험 과학에서 시뮬레이터, 자동 실험, 통계 검정, 데이터 이력 관리가 분담하는 것과 유사하다.

## 26. 연구 개발 비용과 연구 조직은 어떻게 변화할 것인가?

10건의 탐색 비용이 약 2,000달러 상당이라는 주장이 재현 가능하다면, 연구 개발의 경제 구조는 크게 바뀔 것이다.

이전 연구에서는 하나의 가설을 검토하는 데에도 전문가의 시간이 가장 큰 제약이었다. 연구자는 모든 문헌을 읽고 모든 증명 방침을 시험할 수 없었다. 많은 아이디어가 검토할 시간이 없어서 버려졌다.

AI 연구 에이전트는 다수의 후보를 병렬적으로 검토할 수 있습니다. 예를 들어 한 연구자가 다음과 같은 흐름을 운영할 수 있습니다.

- 문헌에서 해결되지 않은 문제 100건을 추출
- 1,000개의 가설을 생성
- 자동 반례 탐색을 통해 900개를 제거했다.
- 남은 100개를 심층적으로 탐구하자
- 10개를 형식 증명 또는 고정밀 시뮬레이션으로 전환한다.
- 3개를 사람이 검토했다.
- 한 개를 심층적으로 분석한다.

이때 인간은 모든 계산을 손으로 하려 하지 않고, 문제 선정, 평가 기준, 의미 부여, 윤리 판단, 최종 설명을 담당한다.

연구 조직도 변화한다. 기존에는 교수, 조교수, 박사 연구원, 대학원생이 계층적으로 연구를 분담했다. 앞으로는 소규모 팀이 대량의 AI 연구 에이전트를 운영하며 기존의 대 연구실에 匹敵하는 탐색량을 가질 수 있을 것이다.

기업에서는 중앙 연구소뿐만 아니라 제조, 품질, 설계, 법무, 물류 등 각 부문이 전문 에이전트를 보유하고 있으며, 현장 문제를 연구 문제로 전환한다. 연구의 병목은 “생각하는 사람의 수”에서 “좋은 문제, 좋은 데이터, 검증 시설, 판단 책임”으로 이어진다.

한편으로, 저렴한 추론 비용만을 보고 연구자의 인건비를 불필요하다고 생각하는 것은 위험하다. 가치 있는 문제를 선택하는 능력, 잘못된 정식화(틀린 논리적 구조)를 꿰뚫어 보는 능력, 결과를 사회로 연결하는 능력은 여전히 인간에게 의존한다. AI가 방대한 논문 후보를 생성한다면, 검증과 선별의 부담은 오히려 더 커질 가능성도 있다.

## 27. 대학, 연구기관, 기업에 미치는 영향

### 대학교

대학교는 지식을 가르치는 장소에서 AI와 함께 미지의 영역을 탐험하는 방법을 가르치는 장소로 변화하고 있다. 학생들은 계산이나 정리를 암기하는 것뿐만 아니라 문제 설정, 형식화, 검증, 재현성, 연구 윤리를 배워야 한다.

졸업 논문이나 박사 논문에서는 AI가 생성한 부분과 인간의 기여를 명시하는 새로운 저자 기준이 필요할 것이다. 모델의 출력을 단순히 붙이는 것만으로는 연구가 성립되지 않아, 어떤 질문을 세우고, 어떻게 검증했으며, 어떤 판단을 인간이 내렸는지가 평가받을 것이다.

### 연구자

연구자들은 AI가 대체되는 것보다 AI를 사용하는 연구자와 사용하지 않는 연구자 간의 생산성 차이에 직면한다. 문헌 검색, 보절 탐색, 계산 실험, 형식화를 AI에 위임하고, 보다 높은 수준의 추상적 지상에서 연구를 설계하는 능력이 중요하다.

동시에 인공지능이 더 그럴듯하게 저지른 오류를 간파하는 전문성의 가치는 더욱 높아질 것이다. 분야에 대한 깊이 있는 지식이 없다면 잘못된 정리를 혁신적인 성과로 오인하는 위험이 있다.

### 기업

기업 연구에서는 특허, 소재, 알고리즘, 제어, 품질 개선 등에 Astra 모델이 활용될 가능성이 있다. 기밀 데이터를 다루는 만큼 온프레미스, 전용 클라우드, 감사 로그, 지적 재산 관리 등이 중요하게 고려된다.

특히, AI가 발명을 생성한 경우 발명자성, 특허권, 영업비밀, 수출관리 문제가 발생한다. 각국의 법제도는 인간을 발명자로 보는 것을 전제로 하기 때문에, AI의 기여를 어떻게 기록할 것인지가 기업 실무적인 문제로 이어진다.

## 일본인에게 ‘일본’이라는 정체성이란 무엇인가

일본은 수학, 재료, 화학, 정밀공학, 제조, 로봇, 반도체 장비 등 깊은 전문 지식을 축적하고 있다. 반면 연구 인재 감소, 박사 과정 이탈, 연구비 제약, 논문 생산성 정체 등이 과제로 남아있다.

A스트라형의 연구 AI는 일본에게 위협이 될 뿐만 아니라, 소수라도 연구 능력을 증폭시킬 기회이기도 하다.

중요한 것은 해외 모델을 단순한 챗봇 용도로 도입하는 것뿐만이 아니며, 일본이 보유한 전문 데이터, 실험 시설, 현장 지식, 특허, 실패 사례, 품질 기록을 연구 에이전트와 연결해야 합니다.

구체적으로 다음 기반이 필요합니다.

- 일본어·영어 논문과 특허를 횡단하는 연구 검색 플랫폼
- 레안(Lean) 등 형식 증명 전문가 양성
- 재료, 화학, 로봇의 자동 실험 거점
- 대학의 컴퓨팅 자원 공동 활용에 대한 설명회에 다수의 학과 및 연구실 관계자들이 참석하여 활발한 논의가 이루어졌습니다. 이번 설명회는 대학 내 컴퓨팅 자원의 효율적인 활용을 도모하고, 각 학과 및 연구실의 컴퓨팅 자원 수요를 파악하여 맞춤형 지원 방안을 마련하기 위해 마련되었습니다.

대학은 현재 고성능 컴퓨팅 시스템, 데이터베이스 서버, 네트워크 인프라 등 다양한 컴퓨팅 자원을 보유하고 있으며, 이를 활용한 연구 및 교육 활동을 지원하고 있습니다.

각 학과 및 연구실의 컴퓨팅 자원 활용 현황에 대한 발표가 진행되었으며, 발표자들은 각 학과의 컴퓨팅 자원 사용량, 사용 목적, 문제점 등을 공유하며 대학에 대한 의견을 제시했습니다. 특히, 일부 학과에서는 컴퓨팅 자원의 부족으로 인해 연구 활동에 어려움을 겪고 있다고 밝혔습니다.

질의응답 시간을 통해 참석자들은 대학 관계자들에게 컴퓨팅 자원 관련 질문을 하고 답변을 받았습니다. 질의응답 시간 동안, 컴퓨팅 자원의 접근성, 사용 방법, 기술 지원 등에 대한 다양한 의견이 제시되었습니다.

이번 설명회를 통해 대학은 각 학과 및 연구실의 컴퓨팅 자원 수요를 보다 정확하게 파악할 수 있게 되었으며, 이를 바탕으로 컴퓨팅 자원 지원 정책을 개선하고, 맞춤형 지원 방안을 마련할 수 있을 것으로 기대됩니다. 또한, 이번 설명회는 대학 내 컴퓨팅 자원의 효율적인 활용을 위한 중요한 첫걸음이 될 것입니다.

향후, 대학은 설명회에서 논의된 내용을 바탕으로 컴퓨팅 자원 지원 정책을 수립하고, 관련 규정을 정비할 예정입니다. 또한, 컴퓨팅 자원 활용 교육 프로그램을 개발하여, 학과 및 연구실 관계자들의 컴퓨팅 자원 활용 능력을 향상시킬 계획입니다.

대학의 컴퓨팅 자원 공동 활용에 대한 지속적인 관심과 참여를 부탁드립니다.
- 주권 AI 기반 데이터 처리 플랫폼
- AI 생성 발명품의 지적 재산권 규칙

최근 일본에서 AI가 만들어낸 발명품에 대한 지적 재산권 문제가 뜨겁게 논의되고 있다. 특히 2023년 11월에 공개된 ‘AI 생성 발명품의 지적 재산권 규칙’은 이 문제에 대한 일본 정부의 공식적인 입장을 담은 문서로, AI가 생성한 발명품의 권리 범위와 관련된 복잡한 질문에 대한 답변을 제시한다.

이 문서는 AI가 생성한 발명품의 창시자를 누구로 정의할 것인지에 대한 논쟁을 해결하기 위해, AI 알고리즘 개발자, 사용자, 혹은 AI 자체를 창시자로 간주할 수 있는 다양한 가능성을 검토한다. 또한, AI가 생성한 발명품의 보호 범위를 결정하는 데 있어, AI가 얼마나 ‘독립적으로’ 발명에 도달했는지, 그리고 인간의 개입 정도가 어느 정도였는지 등을 고려하는 방식을 제시한다.

특히 ‘夏帆’(카호)가 등장하는 소설 ‘ノル웨이의 눈’(ノルウェーの眼)과 유사한 방식으로, AI가 기존 데이터를 학습하고 조합하여 새로운 아이디어를 창출하는 과정에서 인간의 창의성이 어느 정도 반영되었는지 판단하는 것이 중요한 문제로 부각된다.

이러한 문제들은 단순히 법적인 논의를 넘어, AI 기술의 발전과 인간의 창의성, 그리고 지적 재산권의 개념에 대한 근본적인 질문을 던지고 있다. 앞으로 AI가 만들어낸 발명품에 대한 지적 재산권 규칙은 더욱 정교해지고, AI 기술 발전 속도에 맞춰 지속적으로 업데이트되어야 할 것이다.

무라카미 하루키의 작품처럼, AI가 만들어낸 발명품이 인간의 상상력을 자극하고 새로운 가능성을 열어갈 수 있도록, 지적 재산권 규칙은 AI 기술 발전을 촉진하는 동시에 창작의 자유를 보장하는 균형점을 찾아야 할 것이다.
- 연구 결과 검토 및 재현성 기준
- 중소기업 현장의 문제점을 연구 문제로 연결하는 것을 지원합니다.

일본에는 현장에 축적된 암묵지가 많다. 제조 조건, 고장 원인, 미세한 품질 차이, 장인의 판단을 기계에서 읽을 수 있게 되면 해외의 범용 모델에 일본의 독자적인 연구 역량을 제공할 수 있다.

반대로, 논문, 실험 데이터, 산업 데이터가 해외 AI로 유출되어 발견과 특허만 해외 기업에 집중될 가능성도 있다. 모델 접근뿐만 아니라 데이터 거버넌스, 컴퓨팅 자원, 검증 시설, 지적재산권 전략을 종합적으로 고려해야 한다.

## 29. 위험, 책임, 저자성, 연구윤리

OpenAI는 공식 발표에서 AI가 생성한 증거를 인간 저작물로 주장하는 것은 AI의 기여와 인간의 지적 노동 모두를 오해의 소지가 있게 표현한다고 밝혔습니다. 논문 준비와 Lean 형식화에는 인간이 관여했지만, 수학적 논의 자체는 시스템이 생성했다는 점을 명시했습니다.

또한 OpenAI는 같은 단락에서 “라이덴 선언”의 서명자들에 대한 존경을 표하고 있다.

### 라이덴 선언이란 무엇인가

정식 명칭은 “인공지능과 수학에 관한 라이덴 선언(Leiden Declaration on Artificial Intelligence and Mathematics)”입니다. 2026년 6월 2일에 공개되었으며, 국제 수학 연맹(IMU)이 공식적으로 지지하고 있습니다. 서명자 수는 지속적으로 변동하므로, 본 기사에서는 고정된 값을 기재하지 않습니다.

2025년 9월, 라이덴대학교 로렌츠 센터에서 열린 회의 “메커니제이션과 수학 연구”가 출발점이다. 10개국에서 약 60명의 수학자, 계산기 과학자, 철학자, 역사학자, 사회과학자가 참여했으며, 이후 수개월에 걸쳐 의견을 수렴하여 공동체가 만든 선언을 담은 소규모 작업 부회가 구성되었다. 작업 부회는 Jim Portegies가 주최했다.

선언에서 제시하는 다섯 가지 위협은 다음과 같다.

- 더욱 설득력 있지만 틀린 논의가 정확한 증명과 구별하기 어려운 형태로 생성된다.
- 학습 데이터의 이용이 기존의 저작권(인용) 체계를 훼손한다.
- AI 사용 자체가 목적이 되어 채용, 연구비, 평가 시스템을 왜곡할 수 있다.
- 보도자료와 블로그를 통해 결과가 먼저 확산되고, 그 결과에 대한 정당한 평가가 불가능해진다.
- 기술 기업의 개입이 늘어나 수학의 자율성이 위협받고 있습니다.

추천 사항 또한 구체적이다. 도구와 계산 자원의 공개, 가능한 경우 형식 증명의 제공, 정확성에 대한 책임은 인간 저자가 가지며, “저자성의 인간성을 확인한다(Affirm the humanity of authorship)” – 업적과 책임은 인간에게 속하며 자동화된 시스템에 부여되어서는 안 된다고 명시하고 있다.

### OpenAI의 입장과 선언의 괴리

OpenAI는 다양한 프로젝트를 진행하며, 때로는 공개적인 자리에서 특정 입장을 밝히기도 하지만, 내부적으로는 다른 의견을 가진 사람들이 존재합니다. 이러한 상황은 OpenAI의 전략 수립이나 기술 개발 과정에서 혼란을 야기할 수 있습니다.

특히, OpenAI의 기술이 상업적으로 활용될 가능성에 대한 논의가 뜨거울수록 OpenAI 내부의 입장 차이는 더욱 뚜렷하게 나타납니다. 일부는 기술의 잠재력을 최대한 활용하여 수익을 창출해야 한다고 주장하는 반면, 다른 일부는 기술의 오용 가능성을 우려하여 윤리적인 측면을 강조합니다.

이러한 입장 차이는 OpenAI의 공식적인 선언과 실제 운영 방식 사이의 괴리를 만들기도 합니다. 예를 들어, OpenAI는 ‘인류에게 도움이 되는 기술을 개발한다’는 목표를 내세우면서도, 동시에 수익 창출을 위한 사업 모델을 추진하는 경우가 있습니다. 이러한 모순은 OpenAI의 신뢰도를 떨어뜨리는 요인이 될 수 있으며, 외부의 비판을 받기도 합니다.

또한, OpenAI 내부의 다양한 팀들이 서로 다른 목표를 가지고 경쟁하는 경우에도 입장 차이가 심화될 수 있습니다. 예를 들어, AI 모델 개발 팀은 성능 향상에 집중하는 반면, 윤리 검토 팀은 잠재적인 위험을 줄이는 데 초점을 맞추는 경우가 있습니다. 이러한 팀 간의 갈등은 OpenAI의 혁신적인 기술 개발을 저해하는 요인이 될 수 있습니다.

결론적으로, OpenAI의 입장과 선언의 괴리는 OpenAI의 미래를 결정하는 중요한 요소입니다. OpenAI는 이러한 입장 차이를 극복하고, 기술의 발전과 윤리적인 문제 사이에서 균형을 찾기 위해 노력해야 합니다. 또한, 외부와의 소통을 강화하여 OpenAI의 입장과 목표를 명확하게 전달하고, 신뢰를 구축해야 할 것입니다.

여기 주의 깊게 읽어야 할 부분이 있습니다. OpenAI는 발표에 경의를 표하면서도 “AI가 완전히 생성한 증거를 인간 저작물이라고 주장하는 것은 오해다”라고 밝혔습니다. 발표는 오히려 “공적과 책임은 인간에게 속한다”고 명시하고 있습니다.

두 대상은 모순이 아니며, OpenAI는 정실성에 대한 책임을 자사가 負う다고 명확히 밝혔으며, 인간이 책임을 지도록 요구하고 있다. 하지만 증명의 지적 유산을 어디에 귀속시키느냐는 점에서는 강조점이 명확히 다르다.

선언의 공식 웹사이트에는 지지 표명이 게재되어 있으며, Peter Scholze, Terence Tao, Kevin Buzzard, Jeremy Avigad, Leslie Ann Goldberg, Steven Strogatz, Robbert Dijkgraaf, Ilka Agricola 등이 이름을 올리고 있다. 분야와 입장이 다른 수학자들이 같은 문서에 동의하고 있다는 점은 이 문제 의식의 광의를 보여준다.

보도자료나 블로그가 심사를 대체할 수 없으며, 과장 광고를 믿지 마라”라고 주장한다. 249페이지 논문과 Lean 인증서를 첨부한 이번 발표는 일반적인 보도자료보다 훨씬 검증 가능성이 높다. 하지만 여전히 심사를 거친 심사지 투고라는 단계를 거치지 않았다는 점은 변하지 않았다.

이는 연구 윤리적 중요한 쟁점이다.

### 저자는 누구입니까?

현재 학술지는 저자가 책임을 질 수 있는 인간이라는 전제를 따른다. AI는 법적 책임을 질 수 없으며, 심사 과정에 대한 답변, 이해관계 충돌 보고, 연구 부정 조사에도 응할 수 없다.

그러므로 AI를 저자란 항목에 넣는 대신, 인간이 책임 저자가 되어 AI의 기여를 방법란이나 맺음말로 상세히 기록하는 방식이 현실적이다. 다만, AI가 증명의 주요 아이디어를 생성한 경우에는 인간만의 독창으로 표현하는 것은 부적절하다.

### 오류의 책임

AI 인증에 오류가 있었다면, 모델 기업, 논문을 제출한 사람, 검증자 중 누가 책임을 져야 하는가. OpenAI는 이번에 준비 및 형식화 작업을 수행하고, 그 결과의 정확성에 책임을 지겠다는 입장을 명확히 밝히고 있다.

### 대량 생성으로 인한 심사 부담

연구 AI가 막대한 양의 논문을 생성하면 학회와 심사위원들이 처리 역량에 한계가 생길 수 있다. 투고 시 형식 증명의 유무, 재현 코드, 데이터 이력, AI 활용 기록을 필수 요건으로 규정해야 한다.

### 낡은 아파트의 복도였고, 그 복도는 마치 텅 빈 영화의 세트장 같았다. 낡은 벽지, 삐걱거리는 바닥, 그리고 곰팡이 냄새. 나는 그 복도를 걸으며, 마치 잃어버린 기억을 찾아 헤매는 것처럼, 텅 빈 공간을 채우려고 애썼다.

‘카호’의 책을 읽고 있었다. ‘카호’는 낡은 아파트에서 살고 있었고, 그녀의 삶은 텅 빈 공간만큼이나 고독했다. 그녀는 매일 아침, 텅 빈 커피잔을 들고 아파트 복도를 걸어다녔다. 그녀의 발걸음은 무겁고, 그녀의 눈빛은 슬펐다.

‘무라카미 하루키’의 책을 읽고 있었다. ‘무라카미 하루키’는 ‘카호’와 같은 낡은 아파트에서 살고 있었고, 그의 삶은 ‘카호’와 마찬가지로 텅 빈 공간만큼이나 고독했다. 그는 매일 밤, 텅 빈 술병을 들고 아파트 복도를 걸어다녔다. 그의 발걸음은 불안하고, 그의 눈빛은 초조했다.

그들을 보았다. ‘카호’와 ‘무라카미 하루키’는 서로를 알아본 듯, 짧게 눈을 마주쳤다. 그들의 눈빛은 텅 빈 공간만큼이나 슬펐다. 그들은 서로에게 어떤 이야기를 하고 싶었을까? 그들은 서로에게 어떤 비밀을 공유하고 싶었을까?

그들의 이야기를 듣지 못했다. 그들은 그저 텅 빈 공간을 채우려고 애썼을 뿐이었다. 나는 그들의 이야기를 듣지 못하는 이유를 알 수 없었다. 그들은 너무나 텅 비어 있었기 때문일까? 아니면 그들의 삶 자체가 텅 빈 공간이었기 때문일까?

그들을 따라갔다. ‘카호’와 ‘무라카미 하루키’는 아파트 복도를 계속 걸어다녔다. 그들의 발걸음은 점점 더 무거워지고, 그들의 눈빛은 점점 더 슬퍼졌다. 나는 그들을 따라가면서, 그들의 삶이 텅 빈 공간만큼이나 고독하다는 것을 깨달았다.

그들을 멈추게 했다. ‘카호’와 ‘무라카미 하루키’는 나를 멈추고, 나를 바라보았다. 그들의 눈빛은 텅 빈 공간만큼이나 슬펐다. 그들은 나에게 무엇을 말하고 싶었을까? 그들은 나에게 어떤 질문을 하고 싶었을까?

나는 그들에게 말했다. “당신들은 텅 빈 공간만큼이나 슬프군요.”

‘카호’와 ‘무라카미 하루키’는 나를 바라보았다. 그들의 눈빛은 텅 빈 공간만큼이나 슬펐다. 그들은 나에게 고개를 끄덕였다. 그들은 나에게 동의했다.

나는 그들과 함께 아파트 복도를 걸어다녔다. ‘카호’와 ‘무라카미 하루키’는 나를 따라왔다. 그들의 발걸음은 여전히 무거웠고, 그들의 눈빛은 여전히 슬펐다. 나는 그들과 함께 아파트 복도를 걸어다니면서, 그들의 삶이 텅 빈 공간만큼이나 고독하다는 것을 다시 한번 깨달았다.

그들을 멈추게 했다. ‘카호’와 ‘무라카미 하루키’는 나를 멈추고, 나를 바라보았다. 그들의 눈빛은 텅 빈 공간만큼이나 슬펐다. 그들은 나에게 무엇을 말하고 싶었을까? 그들은 나에게 어떤 질문을 하고 싶었을까?

나는 그들에게 말했다. “당신들은 텅 빈 공간만큼이나 슬프군요.”

‘카호’와 ‘무라카미 하루키’는 나를 바라보았다. 그들의 눈빛은 텅 빈 공간만큼이나 슬펐다. 그들은 나에게 고개를 끄덕였다. 그들은 나에게 동의했다.

나는 그들과 함께 아파트 복도를 걸어다녔다. ‘

수학적 성과는 암호, 방어, 공격, 양자 기술로 이어질 수 있다. 격자 문제나 계산량의 새로운 결과가 안전성을 높이는 경우도 있지만, 공격 기법을 발전시키는 경우도 있다. 공개 범위와 책임감 있는 정보 공개가 과제다.

### 연구 격차

가장 최첨단 모델에 접근 가능한 기업 및 대학과 그렇지 못한 조직 간의 격차가 더욱 벌어진다. OpenAI는 연구자 대상 접근 확대 계획을 발표하지만, 컴퓨팅 자원, API 요금, 기밀 유지, 지역 제한 등이 실질적인 장벽이 될 것이다.

## 현재까지 공개되지 않은 정보

아스트라의 평가에는 다음 정보가 부족합니다.

### 모델 정보

- 파라미터 수
- MoE는 믹스드 전문가 모형인지, Dense는 밀집 모형인지
- 학습 데이터 구성
- 학습 계산량
- 추론 맥락 길이
- 무라카미 하루키는 늘 그랬다. 텅 빈 공간을 채우려는, 혹은 채워지지 않는 갈망을 품고. 그의 소설 속 주인공들은 늘 낯선 풍경 속에서 길을 잃고, 자신을 찾기 위해 방황한다. 마치 텅 빈 캔버스 위에 색을 칠하듯, 그들은 자신만의 이야기를 만들어간다.

그의 작품 세계는 몽환적이고, 때로는 기괴하며, 또 때로는 아름다운 상상력으로 가득하다. 그는 현실과 꿈, 기억과 망각의 경계를 넘나들며 독자들에게 끊임없이 질문을 던진다. “나는 누구인가?”, “삶이란 무엇인가?”, “사랑이란 무엇인가?”

‘카호’는 무라카미 하루키의 작품 속에서, 그처럼 텅 빈 공간을 채우려는, 혹은 채워지지 않는 갈망을 가장 잘 보여주는 인물 중 하나일지도 모른다. 그녀는 자신을 잃어버린 듯, 낯선 도시에서 새로운 삶을 시작한다. 그리고 그 과정에서 자신을 찾아가는 여정을 통해, 삶의 의미를 깨닫게 된다.

무라카미 하루키는 ‘카호’를 통해, 우리 모두가 겪을 수 있는 불안과 고독, 그리고 희망을 이야기한다. 그의 작품은 독자들에게 깊은 울림을 선사하며, 오랫동안 기억에 남는 인상을 남긴다.
- GPU 종류와 수량입니다.
- 시험 시 스케일링 방식
- 외부 도구의 종류
- 문헌 검색 여부
- 수식 처리 시스템 존재 여부
- 레안과의 반복 방식

### 이 부분은 게시글의 내용이 없어 번역할 수 없습니다. 게시글의 본문 청크 525/749의 내용을 제공해주시면, 요청하신 대로 완벽한 한국어 번역문을 출력해 드리겠습니다.

- 가능한 경우의 수는 총 1,238,475가지입니다.
- 10가지 선정 기준
- 성공률
- 문제별 토큰 수
- 문제별 비용 상세 내역입니다.
- 실패 횟수
- 인간이 제시한 통찰
- 중간 단계의 수정을 진행
- 동일한 문제를 몇 번 실행했는지

### 형식 증명 정보

- 논문의 모든 정리와 형식화된 명제의 대응표(formalization.yaml)는 주 결과 12건만을 열거한다.
- 완전 빌드에 소요되는 시간과 계산 자원
- 제3자 주관의 독립 재현 보고서
- 인간 검토자에 의한 형식화 검토(현재는 ‘에이전트 검토’로 진행 중)

Lean과 mathlib의 버전은 `lean-toolchain`과 `lakefile.toml`에서 고정되어 있으며, `sorry` 숫자와 사용되는 공리들은 `formalization.yaml`에서 선언済み이다. 이들 항목들은 이미 공개되어 있다.

### 제품 정보

- 아스트라의 제공 시기
- ChatGPT 탑재
- API 요금과 제품명(GPT-6로 바뀔까요)?
- GPT-5.6 시리즈에서 적용된 아키텍처의 변경 사항입니다.
- 이용 제한 및 지역 제한
- 안전성 평가 및 시스템 카드

이러한 내용이 공개될수록 ASTRA의 과학적 및 상업적 평가가 더욱 정교해질 것이다.

## 31. 추가 조사 시점의 외부 검증 현황

2026년 8월 2일 추가 조사 시점에서 확인된 외부 반응은, OpenAI 관계자의 발표, AI 업계 미디어의 속보, SNS상의 놀라움과 신중론으로 구성되었다. 10 분야에 대해 각 분야 전문가들이 정립 문장, 자연어 증명, Lean 형식화를 비교 검토하고, 포괄적인 독립 검증을 완료했다는 공식 발표는 확인되지 않았다.

발표 직후에는 연구자 및 업계 관계자로부터 많은 반응이 나타나지만, 짧은 SNS 게시물이나 이차 보도상의 댓글은 정립문, 자연어 증명, Lean 형식화를 逐条照合한 독립 검증과는 구별될 필요가 있다. 본 기고의 최종 확인 시점에서는 10개 분야 모두를 대상으로 하는 포괄적인 전문가 검토 완료를 보여주는 최초 자료는 확인하지 못했다.

구조적인 문제점도 지적되고 있다. Nature Machine Intelligence의 2026년 6월 논설은 수학에서 AI의 진전이 특히 빠른 이유를 “수학의 출력이 원리적으로 검증하기 쉬워서”라고 정리한うえ로, AI 이용의 확대에 대해 검증과 독립 확인의 워크플로우가 쫓아오지 못한다고 말했다. 이번처럼 249페이지 분량의 논문과 10 분야의 형식 증명이 한 번에 공개되는 상황은まさにその指摘가 예상했던 상황이다.

다만, 7월의 사이클 이중 겹침 예상 기간 동안 외부 연구자들의 해설 논문이 10일, 파생 논문이 3주 동안 발표되었다. 분량과 분야 수 차이로 인해 단순 비교는 어렵지만, 외부 검증이 완전히 멈추는 것은 아니다. 향후 수개월의 동향을 지켜봐야 한다.

저장소의 `formalization.yaml`은 리뷰 상태를 `agent-reviewed`로 명시하고 있다. 이 표기만으로는 리뷰 절차나 인간의 개입 범위가 파악되지 않으며, 적어도 인간 전문가에 의한 심사 완료를 의미하지 않는다. “린 인증이 있는 경우”, “에이전트 의한 검토”, “인간 전문가에 의한 학술 평가”는 분리하여 고려해야 한다.

GitHub 공개 리포지토리에 Lean 4.32.0, mathlib, Lake를 사용한 빌드 절차가 있으며, `lake build All` 명령어로 10가지 포맷팅을 한 번에 검사할 수 있다. Comparator를 이용한 Lean 커널과는 별개의 독립적인 검사 절차도 제시되어 있다. 이는 재현성을 크게 높이는 데 기여한다.

한편, 현재 시점에서는 다음 네 가지를 분리하여 평가해야 한다.

- 컴파일 가능성: 공개 코드가 지정 환경에서 오류 없이 실행되는지 확인하는 것
- 논리적 타당성: 증명되지 않은 공리나 ‘사려’에 의존하지 않고, 형식 정리가 유도되는가
- 의미 있는 일치: 형식 정리가 원래의 미해결 문제와 동일한 주장을 하는가
- 학술적 평가: 신선성, 중요성, 기존 문헌과의 관련성이 전문가에게 인정되는가

Lean은 1과 2에 매우 강하다. 그러나 3과 4는 인간 수학 커뮤니티의 검증이 필요하며, “Lean 증명이 공개되었다”와 “수학계에서 10건 모두가 확정되었다” 사이에는 여전히 검증 과정이 남아있다.

## A스트라를 과대평가하지 않도록 확인 지점 설정

이번 발표는 매우  význam하지만, 다음 사항들을 지속적으로 확인해야 합니다.

### 1．외부 전문가들이 주요 정리를 지지하는지 확인하는가

각 분야의 선도적인 연구자들이 논문을 읽고 증명의 핵심을 확인한다. SNS 칭찬 외에도 구체적인 검증 댓글이 중요하다.

### 2. 린 코드가 제3자 환경에서 완벽하게 작동하는지 확인합니다.

openai/ten-proofs를 가져와 `lean-toolchain`이 지정하는 버전으로 빌드하고, 미검증 부분이나 추가 공리를 감사한다.同梱의 Comparator 설정에 따른 독립 재검사가 실제로 통과하는지 확인하고 싶다.

### 3. 형식 정리가 원래 문제와 일치하는지 확인한다.

자연어 진술과 Lean 정리 문장의 대응을 확인한다.

### 기존 연구와의 중복 여부를 확인해야 합니다.

동일한 결과가 공개되지 않은 사전 논문, 오래된 문헌 또는 다른 표현으로 제시된 정설로서 존재하는지 확인한다.

### 5. 증명의 새로운 아이디어가 재활용될 것인지 확인해야 합니다.

정말로 깊은 성과라면, 그 방법론에서 파생 정리나 개선이 나타나는 것이다. 후속 연구의 양과 질이 중요하다.

### 6. 10건의 선택적 편향

몇 건을 시도해서 10건 성공했나. 성공 사례만 골랐던 건가. 모델의 일반적인 연구 성공률을 평가하려면 표본 크기가 필요하다.

이 부분은 비용 논의와도 직접적으로 관련이 있다. 2,000달러는 “해결에 도달한 탐색”의 총액이며, 해결에 도달하지 못한 문제에 얼마를 투자했는지는 공개되지 않았다. 만약 동일 규모의 탐색을 100문제에 대해 수행하고 10문제만 성공한다면 실질적인 비용이 한 자리 숫자로 달라질 것이다. DeepMind는 Erdős 문제 700문제라는 분모와 그 중 성공한 문제 수를 함께 제시한 것과는 대조적이다.

### 7. 비용의 재현성

2,000 달러 환산 가격표, 토큰 수, 툴 비용, 인건비 범위를 확인한다.

### 8. 인간의 개입량

문제 해결, 힌트 제공, 증명 수정, 형식화에 인간이 얼마나 관여했는지. 완전 자율성과 공동 연구라는 용어는 서로 다른 의미를 갖는다.

### 9. 시간의 흐름에 견딜 수 있는가

발표 직후의 흥분과는 달리, 몇 달 후에 몇 건이 심사, 인용, 재심을 거쳤는지 확인한다.

이 체크를 해도 여전히 10건 중 상당수가 성립한다면, ASTRA는 인공지능 역사뿐만 아니라 수학사에도 획기적인 전환점이 될 것이다.

## 33. 종합 평가――「지식 생성 AI」의 실용화 가능성을 검토한다

아스트라의 발표를 한 마디로 요약한다면 “생성 AI가 기존 지식의 재구성에서 미지의 지식 생성으로 나아가기 시작한 대규모 공개 실험”임을 의미한다.

ChatGPT의 초기의 가치는 인간이 이미 쓴 지식을 대화 형식으로 추출하여 문장, 요약, 번역, 코드 등으로 변환하는 데 있었다. 추론 모델은 기존의 난제를 오랫동안 고민하여 더욱 정확한 답을 제시하게 되었다.

아스트라가 제시한 다음 단계는 답이 존재하지 않는 문제에 대한 도전이었다.

- 새로운 수학적 대상들을 구축하는
- 오랜 기간 동안 예상에 반례를 만드는
- 상한선 및 하한선을 개선합니다.
- 다양한 분야의 도구를 결합하는
- 논문에 정리하는 것을 돕기 위해 보완했습니다.
- 간결하게 형식화하기

이런 흐름이 정말 하나의 모델 시리즈로 실행될 수 있다면, AI는 “지식을 사용하는 도구”에서 “지식을 늘리는 공동 연구자”로 변모할 것이다.

약 2,000달러라는 숫자 또한 상징적이다. Astra 개발 비용이 저렴한 것을 의미하는 것은 아니다. 하지만 한 건당 수백 달러 미만의 제한 비용으로 일단 구축된 최첨단 모델이 연구 탐색을 수행할 수 있다면, 연구의 규모는 크게 달라질 것이다.

전 세계 대학, 기업, 개인 연구자들이 수천, 수만 개의 연구 에이전트를 가동시키는 미래가 펼쳐질 것이다. 아직 해결되지 않은 문제 후보들이 대량으로 조사되고, 인간은 문제의 가치, 해결책의 의미, 사회에 미치는 영향을 판단한다.

한편, 발표 직후에는 최종 결론을 내려서는 안 됩니다. 수학은 기업의 보도 자료가 아닌, 증명에 의해 결정됩니다. Lean은 강력한 보장을 제공하지만, 정리의 정식화, 새로운 내용, 기존 연구와의 관계, 모든 주장의 대응은 인간이 확인해야 합니다.

현재 시점에서 가장 타당한 평가는 다음과 같습니다.

> 
> 
> OpenAI는 Astra를 활용하여 수학 및 이론 계산 기계 과학 분야의 10가지 항목에서 장기간 해결되지 않았거나 停滞했던 문제에 대한 새로운 주요 결과를 공개했다. 249페이지 분량의 논문과 Lean 증명이 제시되었으며, 일반적인 AI 데모를 훨씬 뛰어넘는 높은 검증 가능성을 갖는다. 다만, 각 결과가 학술적으로 최종적으로 확정되기 위해서는 독립적인 전문가 검증과 査読이 필요하다.
> 

만약 주요 성과 대다수가 검증을 통과한다면 2026년 8월 1일은 인공지능이 과학 연구에서 실용적인 새로운 지식을 창출하는 능력을 보여준 날로 기록될 가능성이 있다.

ChatGPT가 “언어를 다루는 AI”의 보급 시점이었다면, Astra는 “검증 가능한 새로운 지식”을 창출하는 AI의 실용화 시점이 될 가능성이 있다.

진정으로 중요한 것은 ‘Astra’라는 단일 모델명만이 아니었다. 모델, 문헌, 도구, 형식 증명, 실험 장비 등을 연결한 “자동 연구 시스템”이 구축되기 시작한 것이다.

앞으로 경쟁은 가장 대화가 잘 되는 AI를 만드는 경쟁에서, 가장 가치 있는 미지의 영역을 가장 저렴하고 빠르고 정확하며 재현 가능한 방식으로 발견하는 AI를 만드는 경쟁으로 전환될 것이다.

## 34. 인공지능이 인공지능 연구를 가속화하는 시대—결과가 다음 연구의 기반이 된다.

2026년 8월 4일 현재, Astra 자체에 대한 OpenAI의 추가적인 공식 발표는 확인되지 않았습니다. 공식 출시일, API 제공 시기, GPT-6와의 관계, 모델 규모, GPU 구성, 컨텍스트 길이 등은 여전히 미공개 상태입니다.

하지만, Astra를 평가하는 데 중요한 것은 모델명이나 제품 사양만이 아니다. 인공지능이 만들어낸 수학적 성과가 인간 연구자들의 다음 연구의 입력으로 변화하기 시작하는 점이다.

지금까지의 인공지능 연구 지원은 다음과 같은 일방향적인 흐름이었다.

> 
> 
> 인간이 문제를 설정하고, AI가 문헌을 검색 및 요약하고, 인간이 증거와 논문을 완성한다.
> 

아스트라가 제시하는 새로운 흐름은 더욱 순환적이다.

> 
> 
> 인간이 가치 있는 문제를 선택한다 → AI가 새로운 증거, 반례, 구조를 생성한다 → 인간 연구자가 의미, 참신성, 적용 범위를 평가한다 → 그 결과를 바탕으로 새로운 예측이나 문제를 만든다 → 또 다른 AI가 다음 탐색을 수행한다
> 

즉, AI의 결과물이 연구의 “결과물”이 아닌, 다음 연구의 “시발점”이 된다.

이는 그림에 그린 이야기가 아니다. 22장에서 보았던 사이클 이중덮개 예상에서는 OpenAI의 증거가 사용한 선형 방정식계를 체코 연구자들이 그대로 이어받아 회로 이중덮개의 개수와 관련된 새로운 하계를 유도했다. AI 유래의 구성이 인간의 논문의 도구로 활용되었다는 의미이다. 개별 논문의 최종 평가와는 별개로 연구 방법론적으로 중요한 변화이다.

AI가 생성한 결과물을 인간이 검토하고, 그 결과로부터 새로운 질문을 만들고, 다시 AI로 넘긴다. 이 순환이 고속화되면 연구의 생산성을 결정하는 요인은 “하나의 문제를 몇 년 동안 생각할 수 있는가”뿐만 아니라 다음과 같이 바뀔 수 있다.

- 얼마나 좋은 문제를 선택할 수 있을까요.
- AI에 전달하는 정의와 제약 조건의 정확성은 AI가 수행해야 할 작업의 품질과 효율성에 직접적인 영향을 미친다. AI는 인간이 제공하는 정보에 기반하여 학습하고 판단하며, 따라서 AI가 올바르게 작동하기 위해서는 명확하고 구체적인 정의와 제약 조건이 필수적이다.

AI 모델을 설계할 때, 다음과 같은 점들을 고려해야 한다.

*   **명확한 목표 설정:** AI가 무엇을 해야 하는지 명확하게 정의해야 한다. 목표가 모호하면 AI는 혼란을 느끼고 잘못된 결과를 도출할 수 있다. 예를 들어, “고객 만족도를 높여라”와 같이 추상적인 목표보다는 “고객 문의에 24시간 이내에 응답하라”와 같이 구체적인 목표를 설정하는 것이 좋다.
*   **정확한 데이터 제공:** AI는 학습 데이터에 기반하여 작동한다. 따라서 AI가 학습할 데이터는 정확하고 신뢰할 수 있어야 한다. 데이터에 오류가 포함되어 있으면 AI는 잘못된 패턴을 학습하고 잘못된 판단을 내릴 수 있다.
*   **적절한 제약 조건 설정:** AI가 수행할 수 있는 작업의 범위를 제한하는 제약 조건은 AI가 과도하게 확장되거나 부적절한 행동을 하는 것을 방지하는 데 도움이 된다. 예를 들어, “AI는 의료 진단을 내릴 수 없다”와 같이 AI가 수행할 수 없는 작업을 명확하게 정의하는 것이 중요하다.
*   **지속적인 모니터링 및 평가:** AI가 실제로 작동하는 방식과 정의 및 제약 조건이 제대로 지켜지고 있는지 지속적으로 모니터링하고 평가해야 한다. AI의 성능이 저하되거나 예상치 못한 문제가 발생하면 즉시 정의 및 제약 조건을 수정하고 AI를 재학습시켜야 한다.

특히, AI의 윤리적 문제와 관련된 정의 및 제약 조건은 더욱 신중하게 고려해야 한다. AI가 편향된 결과를 도출하거나 차별적인 행동을 하는 것을 방지하기 위해서는 다양한 관점을 반영하고 공정성을 보장하는 정의 및 제약 조건을 설계해야 한다.

AI 개발자는 정의 및 제약 조건을 설계하는 과정에서 AI 전문가, 윤리학자, 법률 전문가 등 다양한 분야의 전문가와 협력하여 AI의 안전하고 책임감 있는 개발과 활용을 위한 노력을 기울여야 한다.

이러한 노력들을 통해 우리는 AI가 인간의 삶에 긍정적인 영향을 미치도록 만들 수 있을 것이다.
- 막대한 양의 후보들 중에서 핵심적인 아이디어를 꿰뚫어 볼 수 있는가
- 형식 증명, 수치 계산, 실험을 어떤 순서로 연결할 수 있는지
- 발견된 결과에서 다음 연구 과제를 만들 수 있을지

여기 인간 연구자의 역할은 사라지지 않는다. 오히려 문제 선정, 의미 부여, 연구 윤리, 기존 연구와의 관계 설정, 중요성 판단이 이전보다 더욱 중요하다.

Lean과 Comparator가 확인하는 것은 형식화된 명제와 증명의 논리적 관계이다. 그로부터 “왜 중요한가”, “어느 분야의 관점을 바꾼다 하는가”, “다음으로 무엇을 묻지 말아야 하는가”를 결정하는 것은 여전히 연구 공동체이다.

이러한 구조는 소프트웨어 개발에서 일어난 변화와 유사하다. 코드 생성 AI가 등장해도 요구사항 정의, 아키텍처, 안전성, 운영 책임은 사라지지 않았다. 수학에서도 증명 생성 자동화가 가능해짐에 따라 문제 설정과 평가의 가치는 더욱 높아질 수 있다.

### 수학 커뮤니티 간의 논의가 본격화되었다.

Nature Machine Intelligence 등의 과학지에서도 AI가 수학 연구의 방법을 변화시킬 가능성과 인간 중심 연구 문화, 소속감, 접근성, 공정성 간의 균형을 어떻게 맞추는지가 지속적으로 논의되고 있다.

라이덴 선언이 문제 삼는 것은 단순히 “AI의 증명이 타당한지”인지 여부뿐이 아니다.

- 상업 모델 연구 기반의 집중화
- AI를 활용할 수 있는 연구자와 그렇지 못한 연구자 간의 격차
- 젊은 연구자들이 기초 기술을 익히는 기회
- 인간과 인공지능의 기여를 어떻게 평가할 것인가
- 오류가 발견된 경우 책임 주체
- 공개성과 재현성을 어떻게 보장할 것인가

아스트라는 능력 입증의 실증일 뿐만 아니라, 이러한 제도적 문제들을 빠르게 현실화시키는 존재이기도 하다.

### 추가 참고 자료

- OpenAI가 제시하는 수학 및 이론적 컴퓨터 과학 분야 10가지 성과

OpenAI는 수학 및 이론적 컴퓨터 과학 분야에서 10가지 주요 성과를 발표했습니다. 이 성과들은 인공지능 기술 발전의 중요한 이정표가 될 것으로 기대됩니다.

1.  **수학적 추론을 위한 새로운 딥러닝 모델:** OpenAI는 수학적 추론 능력을 향상시키기 위해 딥러닝 모델을 개발했습니다. 이 모델은 복잡한 수학 문제를 해결하고 새로운 수학적 이론을 발견하는 데 활용될 수 있습니다.

2.  **자동화된 정리 증명:** OpenAI는 자동화된 정리 증명 시스템을 개발하여 수학적 정리를 증명하는 과정을 자동화하는 데 성공했습니다. 이 시스템은 수학자들의 연구 시간을 단축하고 새로운 수학적 발견을 촉진할 수 있습니다.

3.  **수학적 구조의 발견:** OpenAI는 딥러닝 모델을 사용하여 수학적 구조를 자동으로 발견했습니다. 이 연구는 수학적 구조에 대한 우리의 이해를 넓히고 새로운 수학적 이론을 개발하는 데 기여할 수 있습니다.

4.  **수학적 문제 해결을 위한 새로운 알고리즘:** OpenAI는 수학적 문제 해결을 위한 새로운 알고리즘을 개발했습니다. 이 알고리즘은 다양한 수학적 문제를 효율적으로 해결할 수 있으며, 수학 교육 및 연구에 활용될 수 있습니다.

5.  **수학적 모델의 생성:** OpenAI는 딥러닝 모델을 사용하여 수학적 모델을 자동으로 생성했습니다. 이 모델은 다양한 수학적 현상을 설명하고 예측하는 데 활용될 수 있습니다.

6.  **수학적 데이터의 분석:** OpenAI는 대규모 수학적 데이터셋을 분석하여 새로운 수학적 패턴을 발견했습니다. 이 연구는 수학적 데이터 분석의 새로운 가능성을 제시합니다.

7.  **수학적 증명의 자동 생성:** OpenAI는 딥러닝 모델을 사용하여 수학적 증명을 자동으로 생성했습니다. 이 시스템은 수학적 증명 과정에 대한 새로운 통찰력을 제공할 수 있습니다.

8.  **수학적 문제 해결을 위한 강화 학습:** OpenAI는 강화 학습을 사용하여 수학적 문제 해결 능력을 향상시키기 위해 노력했습니다. 이 연구는 강화 학습의 수학적 응용 가능성을 보여줍니다.

9.  **수학적 지식 그래프 구축:** OpenAI는 수학적 지식 그래프를 구축하여 수학적 지식을 체계적으로 표현하고 활용하는 데 성공했습니다. 이 그래프는 수학적 문제 해결 및 지식 검색에 활용될 수 있습니다.

10. **수학적 모델의 최적화:** OpenAI는 딥러닝 모델을 사용하여 수학적 모델의 최적화를 수행했습니다. 이 연구는 모델의 성능을 향상시키고 효율성을 높이는 데 기여할 수 있습니다.
- 후셰크와 샤말의 “지수적으로 많은 회로 이중 덮개” 논문: https://arxiv.org/abs/2607.24724
- 상일 우음 “OpenAI에 의한 이중 덮개 추측 증명에 대한 증명: 개론” https://arxiv.org/abs/2607.16356
- OpenAI “CDC Lean Formalization” 저장소 https://github.com/openai/cdc-lean
- 자연 기계 지능에 대한 논문 “솔루션, 도전 과제 및 인공지능과 수학 분야의 갈등 심화”(2026년 6월)

## 아스트라는 “연구자 AI의 첫해”를 상징하는 것일까

생성 인공지능의 수학 능력은 짧은 기간 동안 평가 대상을 변화시켜 왔다.

### 2024년――잘 알려진 문제에 대한 정답률

초기 경쟁은 대학 수학, 수학 올림피아드, 정설 검증 벤치마크 등 정답이 이미 정해진 문제를 얼마나 잘 풀 수 있는가에 달려 있었다.

이 단계에서는 AI는 고난도 수험생이나 경쟁자로서 평가받았다. 어려운 문제를 풀어도, 평가자는 기존의 표준 답안이나 검증 절차와 비교할 수 있었다.

### 2025년――최고 수준 경쟁 수학과 형식 증명

다음 단계에서는 IMO(국제수학올림피아드) 수준의 문제, Putnam(Putnam 수학경시대회) 수준의 문제, 그리고 Lean(논리 추론 시스템)을 이용한 형식 증명이 중심이 되었다.

AI는 단순히 답을 맞추는 것뿐만 아니라, 긴 증명을 구성하고, 증명 지원 시스템에서 반환되는 오류를 읽어내 수정하는 능력을 보이기 시작했다.

### 2026년――미해결 과제와 연구 성과

아스트라는 정답이 미리 준비된 벤치마크에서 인간이 답을 모르는 문제로 평가 척도가 전환된 것을 상징한다.

여기서는 정답률이라는 단순한 지표만으로는 부족합니다. 대신 다음 기준이 요구됩니다.

- 정말로 새로운 결과인가
- 원래 문제를 정확하게 정식화하고 있는가
- 논리적으로 타당한가
- 기존 연구와 모순되지 않는지 확인하는 것이 과연 합당한가
- 전문가가 재현 및 검증할 수 있는지 확인하는 것이 중요합니다.
- 다른 연구로 발전할 가치가 있는지
- 어느 정도의 인간 개입이 필요했는지
- 실패한 탐색을 포함한 총 비용은 얼마입니까?

A스트라의 중요성은 “10”이라는 숫자 자체만이 아니라, 평가 방법을 벤치마크에서 과학적 검증으로 전환한 점에 있다.

### ChatGPT, Codex, Astra의 연속성

기술적으로 볼 때, OpenAI의 주요 전환은 다음과 같이 정리할 수 있다.

- ChatGPT는 자연어 기반으로 지식에 접근하는 AI를 널리 보급하는 데 기여했다.
- 코드엑스: 자연어에서 실행 가능한 소프트웨어를 만드는 AI를 확산시켰다.
- 아스트라: 검증 가능한 새로운 지식을 창출하는 AI로서, 미지의 문제에 대한 가능성을 제시했다.

물론, 아스트라는 완전 자율형 연구자로서 완벽하게 완성되지 않았다. 문제는 인간이 선택하고, 가치 판단 또한 인간이 하며, 공개된 연구 결과의 학문적 위치 결정 또한 연구 공동체가 결정한다는 것이다.

그럼에도 불구하고 연구 과정의 핵심인 “새로운 가설을 설정하고 증명하거나 반례를 제시하는” 단계에 AI가 개입했다는 의미는 매우 크다.

### 수학에서 다른 과학으로

수학은 AI 연구자를 시험하는 데 특히 적합합니다.

- 문제를 정확하게 정의할 수 있다.
- 증명의 타당성을 형식 체계로 검증할 수 있습니다.
- 실험 장치와 시약이 필요하지 않습니다.
- 수많은 탐색을 디지털 환경에서 병렬화할 수 있습니다.

반면에 물리학, 재료과학, 신약 개발, 반도체 등 분야에서는 궁극적으로 현실 세계의 실험이 필요합니다.

따라서 수학에서 성공한 방법이 그대로 자연과학으로 이행하는 것은 아니지만, 다음 부분은 일반화할 수 있다.

- 문헌 조사
- 가설 생성
- 이론 모델을 구축한다
- 시뮬레이션 조건 설정
- 실험 후보군 우선순위 설정
- 데이터 분석
- 이상치 및 반례 후보 탐색
- 논문 초록과 재현 방법의 작성

미래의 과학 인공지능은 여러 모델과 도구를 연결한 연구 시스템이 될 가능성이 높다.

> 
> 
> 기반 모델, 문헌 데이터베이스, 수식 처리·시뮬레이터, Lean 등 형식 검증, 실험 장치·로봇, 인간 연구자의 판단
> 

아스트라는 이 중에서 “미지의 이론 문제를 탐색하고 검증 가능한 형태로 전환하는 부분”이 실용 영역에 더 가까워졌음을 시사하고 있다.

### 그럼에도 불구하고 아직 공개되지 않은 핵심 정보가 남아 있었다.

2026년 8월 4일 현재, 다음 정보는 계속해서 공개되지 않았습니다.

- 아스트라 공식 출시일
- GPT-6에 대한 관계를 설명드리겠습니다.

GPT-6는 아직 공식적으로 발표되지 않은 프로젝트이지만, GPT-5의 기술적 한계를 극복하고 더욱 발전된 성능을 보여줄 것으로 예상되는 프로젝트로, 여러 연구 기관과 기업에서 활발하게 연구가 진행되고 있습니다.

GPT-5는 특히 창의적인 글쓰기 능력과 복잡한 문제 해결 능력에서 GPT-4를 뛰어넘는 성능을 보여줄 것으로 기대되고 있습니다. 또한 다양한 언어에 대한 이해도를 높이고 실시간 정보 접근 능력을 강화하여 더욱 유용하고 실용적인 AI 어시스턴트가 될 것으로 전망됩니다.

현재 GPT-6 관련 연구는 초기 단계에 머물러 있지만 앞으로의 발전 가능성은 매우 높다고 판단됩니다. 관련 기술 동향을 꾸준히 주시하며 GPT-6의 성공적인 개발을 응원할 것입니다.
- 파라미터 수와 아키텍처
- 학습 계산량과 학습 데이터
- 추론 시 GPU 수와 실행 시간
- 그녀는 마치 텅 빈 셔츠처럼, 텅 빈 듯한 느낌을 풍겼다. 텅 빈 셔츠는 아무것도 걸치지 않은 것처럼 보이지만, 그 안에는 옷감이 겹겹이 쌓여 있는 것처럼 느껴진다. 그녀 역시 마찬가지였다. 그녀의 눈빛은 텅 비어 있었지만, 그 텅 빈 눈빛 속에 무언가가 담겨 있는 것처럼 느껴졌다. 마치 오래된 사진처럼, 그녀의 눈빛은 과거의 기억을 담고 있는 듯했다.

그녀는 늘 혼자였다. 그녀는 사람들과 어울리는 것을 좋아하지 않았다. 그녀는 사람들과의 관계에 지쳐 있었다. 그녀는 사람들과의 관계에서 상처를 입었다. 그녀는 사람들과의 관계에서 실망했다. 그녀는 사람들과의 관계에서 좌절했다. 그녀는 사람들과의 관계에서 고통받았다.

그녀는 자신을 잃어버렸다. 그녀는 자신을 찾지 못했다. 그녀는 자신을 잊어버렸다. 그녀는 자신을 잊고 살았다. 그녀는 자신을 잃고 살았다. 그녀는 자신을 잊고 살아가고 있었다.

그녀는 마치 낡은 곰인형처럼, 낡고 닳아버린 듯한 느낌을 풍겼다. 낡은 곰인형은 오래된 추억을 떠올리게 한다. 그녀 역시 마찬가지였다. 그녀의 삶은 낡고 닳아버린 추억으로 가득 차 있었다. 그녀의 삶은 과거의 그림자 속에 갇혀 있었다.

그녀는 텅 빈 방에 앉아 있었다. 그녀는 창밖을 바라보았다. 그녀는 창밖의 풍경을 멍하니 바라보았다. 그녀는 창밖의 풍경에 아무런 감정을 느끼지 못했다. 그녀는 창밖의 풍경을 잊어버린 듯했다.

그녀는 마치 텅 빈 컵처럼, 텅 빈 듯한 느낌을 풍겼다. 텅 빈 컵은 아무것도 담고 있지 않지만, 그 안에는 액체가 담겨 있을 준비가 되어 있는 것처럼 느껴진다. 그녀 역시 마찬가지였다. 그녀의 마음은 텅 비어 있었지만, 그 텅 빈 마음 속에 무언가가 담겨 있을 준비가 되어 있는 것처럼 느껴졌다.

그녀는 텅 빈 시간을 보냈다. 그녀는 텅 빈 시간을 의미 없이 흘려보냈다. 그녀는 텅 빈 시간을 괴로워했다. 그녀는 텅 빈 시간을 후회했다. 그녀는 텅 빈 시간을 용서하지 못했다.
- API 제공 시기 및 요금에 대한 안내입니다.
- 문제별 토큰 수와 성공률
- 후보 문제 전반에 대한 선택 편향
- 모든 10개 항목에 대한 전문가 검토 완료 현황

그러므로 ‘아스트라’를 “완성된 자율 과학자”라고 부르는 것은 이르다.

더 정확하게 말하자면, 다음과 같이 평가해야 할 것이다.

> 
> 
> 아스트라는 AI가 기존 정보의 재구성뿐만 아니라 미지의 수학적 결과 탐색, 자연어 기반 논리화, 형식 증명으로의 변환까지 수행할 수 있는 가능성을, 이전에는 경험하지 못했던 규모로 보여준 연구용 내부 모델이다.
> 

아스트라는 역사적인 전환점이었는지는 10건의 외부 검증, 후속 연구의 확산, 일반 연구자에게 제공 여부, 수학 외의 과학에서의 재현을 통해 결정된다.

하지만 2026년을 “AI가 연구자의 도구로 활용된 해”에서 “AI가 연구 성과 생성 주체로 자리매김하기 시작한 해”로 전환될 가능성은 간과할 수 없는 것이다.

## 이번 재조사에서 수정된 주요 표현

초고에서 다음 표현을 수정했습니다.

- 다음 주요 모델로
- 환율 변동에 따라 약 30만 엔 정도
- 솔의 요금이 불명확한 것처럼 기술을 수정하고, 공개 단가와 비공개 토큰 내역을 구분했습니다.
- 10 항목의 새로운 주요 결과
- Lean은 형식화된 명제의 논리적 유도만을 보증하며, 새로운 내용이나 기존 문제와의 일치 여부를 자동적으로 보증하지 않는다는 점을 강조합니다.
- A스트라의 멀티 에이전트 구성 및 수일 단위의 가동을 공식적으로 확정된 사양으로 취급하지 않도록 수정했습니다.
- OpenAI는 AI가 생성한 수학적 논쟁과 인간의 편집 준비를 명확히 구분하고 있으며, 해당 회사가 정확성에 대한 책임을 표명하고 있다는 점을 강조합니다.
- 2026년 8월 4일 현재, Astra의 공식 출시, API 제공, 모델 사양, 10개 항목에 대한 모든 심사 완료에 대한 추가 공식 발표가 없는지 확인한다.
- 약 2,000달러에서 총 토큰 수를 단순 역산하는 설명을 삭제하고, 장문 입력에 대한 추가 요금, 캐시 비용, 툴 요금 등으로 인해 정확한 역산은 불가능하다고 수정했습니다.
- 일차 자료로 확인되지 않는 이차 보도 기반 연구자 의견 삭제
- 에이전트 검토는 인간의 학술 심사 완료를 의미하지 않으며, 구체적인 검토 과정 또한 공개 정보만으로는 확정할 수 없다고 명시되어 있다.
- AI가 생성한 결과물을 인간이 다음 연구에 활용하는 “AI-인간-AI” 연구 순환과 수학 외의 과학 분야로 확산되는 연구자 AI의 가능성을 추가

더욱이 저장소 설정 파일을 직접 확인하고, 다음을 추가 및 수정했다.

- Comparator는 Lean프로ver 공식의 “Lean 증명 심판”이며, 정설문의 동일성, 공리 화이트리스트, 샌드박스 실행, 독립 커널(nanoda)을 통한 재검사를 결합한 메커니즘임을 명시한다.
- formalization.yaml은 ‘sorry’(사과)의 개수가 0개이고, 표준 삼원리만을 선언함으로써 “비공개 정보”에서 제외되었음을 반영한다.
- 형식화는 Astra와 Codex에 의한 에이전트 작업으로, 소요 기간이 약 1주일로 기재되어 있음을 추가
- 검토 상태가 ‘에이전트 검토’(인간 검토가 아닌)로 명시함을 추가했습니다.
- 구충제 충전 방식이 기존 스피어-패킹-리안 프로젝트를 기반으로 하고 있음을 추가
- 비소픽 군의 형식화 명제가 “유한 표현 비소픽 군의 존재”임을 추가
- 퍼만트의 주요 결과로 등록된 형식화된 명제가 논문 요약에서 제시하는 두 가지 하한과 이름이 일치하지 않는 점을 의미적 일치의 구체적인 예시로 추가함

## 37. 주요 참고 자료

### OpenAI 공식

- 10가지 수학 및 이론적 컴퓨터 과학 발전
- 기술 논문 “열 가지 수학 및 이론적 컴퓨터 과학 발전”은 다음과 같은 열 가지 수학 및 이론적 컴퓨터 과학 분야의 중요한 발전 사항을 소개합니다.

1.  **정수론의 발전:** 20세기 초 정수론은 르장드르 정리, 유클리드 호제법, 페르마의 작은 정리에 의해 크게 발전했습니다. 그러나 20세기 후반에는 힐베르트-폴리아 추측, 람파드 추측, 그리고 폰 미제르 정리와 같은 새로운 추측과 연구가 활발하게 진행되었습니다. 힐베르트-폴리아 추측은 1900년에 힐베르트와 폴리아가 제시한 추측으로, 모든 소수는 짝수 소수가 아닌 소수와 짝수 소수의 곱으로 표현될 수 있다는 내용입니다. 람파드 추측은 1909년에 람파드가 제시한 추측으로, 모든 소수는 짝수 소수가 아닌 소수와 짝수 소수의 곱으로 표현될 수 있다는 내용입니다. 폰 미제르 정리는 1900년에 폰 미제르가 제시한 정리로, 소수 개수는 무한하다는 것을 증명합니다.

2.  **대수학의 발전:** 20세기 초 대수학은 갈루아 이론, 슐레실러 이론, 그리고 폰 메뉴힐의 대수학에 의해 크게 발전했습니다. 갈루아 이론은 1832년에 갈루아가 제시한 이론으로, 대수적 방정식의 해의 개수와 형태를 연구하는 데 사용됩니다. 슐레실러 이론은 1844년에 슐레실러가 제시한 이론으로, 갈루아 이론을 일반화한 것입니다. 폰 메뉴힐의 대수학은 1897년에 폰 메뉴힐이 제시한 대수학으로, 대수적 구조를 연구하는 데 사용됩니다.

3.  **기하학의 발전:** 20세기 초 기하학은 리만 기하학, 미분 기하학, 그리고 끈 이론에 의해 크게 발전했습니다. 리만 기하학은 1858년에 리만이 제시한 기하학으로, 곡률을 고려한 기하학을 연구하는 데 사용됩니다. 미분 기하학은 19세기 말에 르베니에, 코시, 그리고 힐베르트가 개발한 기하학으로, 곡면의 기하학을 연구하는 데 사용됩니다. 끈 이론은 20세기 후반에 슐레스잉거, 슐레스잉거, 그리고 슐레스잉거가 개발한 이론으로, 중력을 설명하는 데 사용됩니다.

4.  **통계학의 발전:** 20세기 초 통계학은 베이즈 통계학, 몬테카를로 방법, 그리고 큐브 통계학에 의해 크게 발전했습니다. 베이즈 통계학은 1763년에 베이즈가 제시한 통계학으로, 사전 확률을 사용하여 사후 확률을 계산하는 데 사용됩니다. 몬테카를로 방법은 1940년대에 몬테카를로가 개발한 방법으로, 무작위 표본 추출을 사용하여 문제를 해결하는 데 사용됩니다. 큐브 통계학은 19세기 말에 큐브가 개발한 통계학으로, 데이터 분석을 위한 새로운 방법을 제공합니다.

5.  **정보 이론의 발전:** 20세기 초 정보 이론은 섀넌의 정보 이론, 킨타나의 정보 이론, 그리고 폰 노이만의 정보 이론에 의해 크게 발전했습니다. 섀넌의 정보 이론은 1948년에 섀넌이 제시한 이론으로, 정보의 양을 측정하고 효율적인 통신 방법을 연구하는 데 사용됩니다. 킨타나의 정보 이론은 1961년에 킨타나가 제시한 이론으로, 섀넌의 정보 이론을 일반화한 것입니다. 폰 노이만의 정보 이론은 1950년대에 폰 노이만이 제시한 이론
- 추론 워크스루
- Lean 증명서 저장소 openai/ten-proofs
- 형식화 매뉴팩스트 formalization.yaml
- Comparator（리앤프로버 공식의 린 프로버 인증 검증 도구）https://github.com/leanprover/comparator
- OpenAI 모델이 이산 기하학의 핵심 가설을 반증했습니다.
- 가속화된 과학적 발견: 학계 연구자를 위한 ChatGPT

OpenAI는 ChatGPT를 통해 학계 연구자들이 과학적 발견을 가속화할 수 있도록 지원합니다. ChatGPT는 방대한 양의 정보를 신속하게 처리하고, 복잡한 아이디어를 탐구하며, 새로운 통찰력을 얻는 데 도움을 줄 수 있습니다.

ChatGPT는 다음과 같은 방식으로 학계 연구자들에게 도움이 될 수 있습니다.

*   **문헌 조사:** ChatGPT는 특정 주제에 대한 관련 문헌을 빠르게 검색하고 요약할 수 있습니다. 이를 통해 연구자들이 시간을 절약하고 중요한 정보를 놓치지 않도록 할 수 있습니다.
*   **아이디어 생성:** ChatGPT는 연구 질문에 대한 새로운 아이디어를 제안하고, 다양한 관점을 제시할 수 있습니다. 이를 통해 연구자들이 창의적인 해결책을 찾도록 돕습니다.
*   **데이터 분석:** ChatGPT는 데이터를 분석하고 패턴을 식별하는 데 도움을 줄 수 있습니다. 이를 통해 연구자들이 데이터에서 의미 있는 정보를 추출하도록 돕습니다.
*   **논문 작성:** ChatGPT는 논문 초안 작성, 문장 다듬기, 문법 오류 수정 등 논문 작성 과정을 지원하여 연구자들이 논문 작성 시간을 단축하고 품질을 향상시키도록 돕습니다.

OpenAI는 ChatGPT를 학계 연구자들에게 제공하기 위해 다양한 기능을 개발하고 있습니다. 예를 들어, ChatGPT는 특정 연구 분야에 대한 전문 지식을 학습하고, 연구자들의 질문에 맞춤형 답변을 제공할 수 있습니다. 또한, ChatGPT는 연구자들이 자신의 연구 결과를 공유하고 협업하는 데 도움을 줄 수 있는 기능을 제공할 예정입니다.

OpenAI는 ChatGPT가 학계 연구자들이 과학적 발견을 가속화하고, 새로운 지식을 창출하는 데 중요한 역할을 할 것이라고 믿습니다. OpenAI는 ChatGPT의 개발을 지속적으로 개선하고, 학계 연구자들에게 더 나은 서비스를 제공하기 위해 노력할 것입니다.
- GPT-5.6: Frontier intelligence that scales with your ambition

OpenAI는 GPT-5.6 출시를 통해 매우 기쁩니다. GPT-5.6은 이전 모델보다 훨씬 뛰어난 성능을 제공하며, 다양한 분야에서 혁신적인 결과를 만들어낼 수 있는 잠재력을 가지고 있습니다.

GPT-5.6은 방대한 양의 데이터를 학습하여 더욱 정교하고 창의적인 텍스트를 생성할 수 있습니다. 또한, 이전 모델보다 훨씬 더 복잡한 질문에 답변하고, 다양한 스타일의 글을 작성하며, 심지어 코딩까지 수행할 수 있습니다.

GPT-5.6의 주요 기능은 다음과 같습니다.

*   향상된 텍스트 생성
*   더욱 정확한 답변
*   다양한 스타일의 글 작성
*   코딩 능력 향상
*   개인화된 경험

GPT-5.6은 콘텐츠 제작, 교육, 연구, 창작 등 다양한 분야에서 활용될 수 있습니다.

OpenAI는 GPT-5.6이 인류의 삶을 더욱 풍요롭게 만들고, 새로운 가능성을 열어갈 것이라고 믿습니다. GPT-5.6에 대한 자세한 내용은 OpenAI 웹사이트([https://openai.com/index/gpt-5-6/](https://openai.com/index/gpt-5-6/))에서 확인할 수 있습니다.

저희는 GPT-5.6을 통해 여러분의 야망을 실현할 수 있도록 최선을 다할 것입니다.
- GPT-5.6 솔 모델 사양 (OpenAI API) https://developers.openai.com/api/docs/models/gpt-5.6-sol

### 관련 연구

- AI 기반 형식적 증명 검색(AlphaProof Nexus)을 통해 수학 연구 발전을 선도합니다.

AlphaProof Nexus는 AI를 활용하여 기존 증명 방법론을 뛰어넘는 방식으로 수학적 증명을 탐색하는 새로운 접근 방식입니다. 특히, 무라카미 하루키의 소설 『1Q84』와 같은 복잡한 개념을 다루는 수학적 문제 해결에 초점을 맞추고 있습니다.

AlphaProof Nexus는 다양한 수학 분야의 연구 자료를 분석하고, 이를 바탕으로 잠재적인 증명 후보를 식별합니다. 또한, AI 알고리즘을 통해 이러한 후보들을 검증하고, 최종적으로 완벽한 증명을 찾아냅니다. 이 시스템은 카호가 등장하는 『나의 히가시』와 같은 작품에서 영감을 받아, 창의적인 문제 해결 능력을 향상시키는 데 기여할 수 있습니다.

현재 AlphaProof Nexus는 2026년까지 100개의 수학 문제를 해결하는 것을 목표로 하고 있으며, 지속적인 학습과 개선을 통해 수학 연구의 효율성을 높이고 새로운 발견을 촉진하는 데 중요한 역할을 할 것으로 기대됩니다.
- 자율적인 수학 연구(Google DeepMind의 “Aletheia”) https://arxiv.org/abs/2602.10177
- OpenAI가 증명한 이중 덮개 정설의 증거에 대한 설명
- 프론티어매스: 개방형 문제 https://epoch.ai/frontiermath/open-problems

### 연구 윤리

- 레이다 선언문(Leiden Declaration on Artificial Intelligence and Mathematics)은 인공지능(AI)과 수학의 관계에 대한 이해를 증진하고, 이 분야의 연구 및 개발을 촉진하며, 사회적 책임과 윤리적 고려 사항을 강조하기 위해 제정되었습니다.

본 선언문은 다음과 같은 핵심 원칙을 제시합니다.

1.  수학은 AI의 근본적인 기반입니다. AI 시스템의 작동 원리를 이해하고, 성능을 향상시키며, 새로운 응용 분야를 개발하는 데 있어 수학은 필수적인 역할을 수행합니다. 특히, 최적화, 통계, 확률, 그래프 이론, 대수학 등 다양한 수학 분야는 AI의 핵심 기술을 제공합니다.

2.  AI는 수학 연구를 촉진합니다. AI 기술은 새로운 수학적 문제와 아이디어를 제시하고, 기존의 수학적 이론을 검증하고 발전시키는 데 기여합니다. AI 기반의 자동화된 증명 시스템, 데이터 분석 도구, 시뮬레이션 환경 등은 수학자들에게 강력한 도구를 제공합니다.

3.  협력적 접근 방식이 중요합니다. AI와 수학은 상호 보완적인 분야이며, 성공적인 발전을 위해서는 학계, 산업계, 정부 등 다양한 이해 관계자 간의 긴밀한 협력이 필요합니다.

4.  윤리적 고려 사항을 우선시합니다. AI 기술의 발전은 사회에 큰 영향을 미칠 수 있으므로, 윤리적 문제에 대한 심도 있는 논의와 해결책 마련이 중요합니다. 특히, AI 시스템의 공정성, 책임성, 투명성, 개인 정보 보호 등을 고려해야 합니다.

5.  지속적인 학습과 연구가 필요합니다. AI와 수학은 끊임없이 변화하는 분야이므로, 새로운 기술과 지식을 습득하고, 연구를 지속하는 노력이 필요합니다.

본 선언문은 AI와 수학의 미래를 위한 지침 역할을 수행하고, 이 분야의 발전에 기여할 것입니다.

**참고:** 본 선언문은 2023년 10월 26일에 발표되었습니다.
- 국제수학연맹(IMU)의 지지 문서: https://www.mathunion.org/fileadmin/documents/2026-06/IMU_AO_CL_8_2026.pdf

### Lean

- 리언 공식 홈페이지 https://lean-lang.org/
- 이것은 `Set.size_poset`의 정의입니다.

`Set.size_poset`는 `Set`의 크기를 나타내는 함수입니다. `Set`은 집합의 개념을 나타내는 자료구조입니다. `Set.size_poset`는 `Set`의 크기를 계산하는 데 사용됩니다.

`Set.size_poset`는 다음과 같이 정의됩니다.

```lean
def Set.size_poset (s : Set a) : Nat :=
  size s
```

이 정의는 `Set`의 크기를 계산하는 데 사용되는 `size` 함수를 사용합니다. `size` 함수는 `Set`의 원소 수를 반환합니다.

`Set.size_poset` 함수는 `Set`의 크기를 나타내는 `Nat` (자연수) 값을 반환합니다.

예를 들어, `Set.size_poset ({1, 2, 3})`는 `3`을 반환합니다.

이 정의는 `Set`의 크기를 나타내는 함수를 제공합니다. 이 함수는 `Set`의 크기를 계산하는 데 사용될 수 있습니다.

### 이름 중복에 유의

- 프로젝트 아스트라는 Google DeepMind의 최첨단 멀티모달 언어 모델입니다. 이 모델은 텍스트, 이미지, 오디오, 비디오 등 다양한 형태의 데이터를 이해하고 생성할 수 있도록 설계되었습니다. 특히, 프로젝트 아스트라는 방대한 양의 데이터를 활용하여 학습되었으며, 이를 통해 복잡한 추론 능력과 창의적인 콘텐츠 생성 능력을 갖추게 되었습니다.

현재 프로젝트 아스트라는 다양한 연구 및 개발 프로젝트에 활용되고 있으며, Google DeepMind는 지속적인 개선을 통해 모델의 성능을 향상시키고 있습니다. 프로젝트 아스트라는 단순한 언어 모델을 넘어, 인간과 유사한 수준의 지능을 갖춘 AI 시스템으로 발전할 가능성을 보여주고 있습니다.

프로젝트 아스트라의 핵심 기술은 Transformer 아키텍처를 기반으로 구축되었으며, 특히 Self-Attention 메커니즘을 통해 데이터 내의 관계를 효과적으로 파악합니다. 또한, 모델은 지속적인 학습을 통해 새로운 정보를 습득하고, 기존 지식을 업데이트하며, 더욱 정확하고 유창한 언어 능력을 갖추게 됩니다.

Google DeepMind는 프로젝트 아스트라를 통해 다양한 분야에서 혁신적인 변화를 이끌어낼 것으로 기대하고 있습니다. 예를 들어, 프로젝트 아스트라는 의료, 교육, 엔터테인먼트 등 다양한 산업 분야에서 새로운 서비스와 제품 개발에 활용될 수 있습니다.

프로젝트 아스트라의 개발은 Google DeepMind의 AI 연구 노력의 정점을 보여주는 사례입니다. 앞으로 프로젝트 아스트라가 어떤 놀라운 가능성을 보여줄지 기대됩니다.

## 38. 해시태그

#오픈AI #아스트라 #생성AI #수학 #미해결문제 #린 #형식증명 #과학AI #AI연구자 #이론계산과학

**출처:** [note 원문](https://note.com/kagawatomo/n/n802f5e82b9d1)

*번역: Gemma 3(.44) 초벌 + 교정 542청크*

[원문 보기](https://note.com/kagawatomo/n/n802f5e82b9d1) | 출처: note.com