# AI는 수학의 미해결 문제에서 큰 성과를 거두었다. 디자인에도 적용되는 “신뢰하는” 것보다 “검증하는” 방식의 사고방식이 중요하다.

> https://bookfactory.kr/c/ai-tech/9575
> 게시판: AI·머신러닝
> 작성자: admin
> 작성일: 2026-08-13T18:41:03.724Z

---

![見出し画像](https://assets.st-note.com/production/uploads/images/300584922/rectangle_large_type_2_c2d6a63abbf3a01e073aa84fe4783090.png?width=1280)

AI가 수학의 미해결 문제를 해결했다. 같은 제목을 보게 되면 조금 당황스럽습니다.

“또 AI가 인간의 일을 빼앗는 이야기인가요?” “결국 연구자들도 AI로 대체될 건가요?” 처음에는 그런 생각을 했습니다.

하지만 OpenAI가 2026년 8월 1일에 발표한 내용을 읽어보면 인상이 조금 달랐습니다.

## 10가지 수학 발전

수학은 끊임없이 진화하는 분야이며, 지난 몇 년 동안 놀라운 발전이 있었습니다. 여기 10가지 주목할 만한 발전 사항을 소개합니다.

1.  **대수적 다양성**: 대수학은 전통적으로 특정 유형의 방정식과 솔루션에 중점을 두었습니다. 그러나 최근 몇 년 동안 대수적 다양성의 개념이 대두되어, 다양한 대수적 구조와 그 속성을 연구하는 데 중점을 두고 있습니다. 이는 대수학의 범위를 확장하고, 새로운 유형의 문제 해결에 대한 통찰력을 제공합니다. 특히, 대수적 다양성은 뇌 과학, 생물학, 컴퓨터 과학 등 다른 분야와의 연결고리를 제공하며, 복잡한 시스템을 모델링하는 데 유용합니다.

2.  **자동화된 증명**: 컴퓨터는 이제 복잡한 수학적 증명을 자동으로 생성하고 검증할 수 있습니다. 이는 수학자에게 엄청난 도움을 주며, 새로운 아이디어를 탐색하고, 기존 이론을 검증하는 데 사용됩니다. 자동화된 증명 시스템은 특히 대수학, 기하학, 정수론 등 분야에서 괄목할 만한 성과를 보여주고 있습니다.

3.  **데이터 기반 수학**: 데이터 과학의 발전은 수학에 새로운 접근 방식을 가져왔습니다. 데이터 분석 기술을 사용하여 수학적 문제를 해결하고, 새로운 이론을 개발하고, 기존 이론을 검증할 수 있습니다. 예를 들어, 머신 러닝 알고리즘은 통계, 최적화, 확률 등 다양한 수학 분야에 적용되어 새로운 통찰력을 제공하고 있습니다.

4.  **비선형 시스템**: 비선형 시스템은 복잡하고 예측하기 어려운 현상을 나타냅니다. 최근 몇 년 동안 비선형 시스템의 이해와 제어에 대한 연구가 활발하게 이루어졌습니다. 이는 기상학, 유체 역학, 생물학, 경제학 등 다양한 분야에서 중요한 응용 가능성을 가지고 있습니다.

5.  **복잡계 수학**: 복잡계는 상호 연결된 요소들로 구성된 시스템으로, 전체 시스템의 행동은 개별 요소들의 행동으로 설명하기 어렵습니다. 복잡계 수학은 이러한 시스템의 구조, 동역학, 예측 가능성을 연구하는 분야입니다. 이는 생태학, 사회학, 경제학, 네트워크 과학 등 다양한 분야에 적용되고 있습니다.

6.  **수학적 모델링**: 수학적 모델링은 현실 세계의 문제를 수학적 형태로 표현하고, 이를 통해 문제를 해결하거나 예측하는 방법입니다. 최근 몇 년 동안 수학적 모델링은 다양한 분야에서 널리 사용되고 있으며, 특히 복잡한 시스템의 분석과 제어에 유용합니다.

7.  **수학적 최적화**: 수학적 최적화는 주어진 제약 조건 하에서 특정 목적 함수를 최대화하거나 최소화하는 방법을 연구하는 분야입니다. 이는 공학, 경제학, 금융, 운영 연구 등 다양한 분야에서 널리 사용되고 있으며, 특히 복잡한 시스템의 설계와 운영에 유용합니다.

8.  **확률적 모델링**: 확률적 모델링은 불확실성을 고려하여 문제를 해결하는 방법입니다. 이는 보험, 금융, 통신, 기상학 등 다양한 분야에서 널리 사용되고 있으며, 특히 복잡한 시스템의 예측과 제어에 유용합니다.

9.  **정보 이론**: 정보 이론은 정보를 측정하고 전달하는 방법을 연구하는 분야입니다. 이는 통신, 암호학, 데이터 압축, 생물학 등 다양한 분야에 적용되고 있으며, 특히 복잡한 시스템의 분석과 제어에 유용합니다.

10. **수학적 게임 이론**: 수학적 게임 이론은 전략적 상호 작용을 분석하는 분야입니다. 이는 경제학, 정치학, 생물학, 컴퓨터 과학 등 다양한 분야에 적용되고 있으며, 특히 복잡한 시스템의 행동을 이해하고 예측하는 데 유용합니다.

아직 공개되지 않은 차세대 AI 모델 ‘아스트라’가 수학 및 이론 계산 기계 과학 분야에서 수십 년 동안 해결되지 않았던 문제에 대해 10건의 새로운 성과를 창출했다는 발표입니다.

예를 들어, 오랫동안 증명되지 않았던 수학적 예측을 해결하거나, 양자 컴퓨터나 차세대 암호 기술로 이어지는 이론 발전에 기여했다는 점에서 수학자들에게는 상당히 중요한 소식이었습니다.

물론, 이 결과 자체 또한 놀랍습니다.

하지만 제가 더 궁금했던 건 “AI가 수학 문제를 푼”이라는 사실 자체는 아니었습니다.

## “믿는” 대신 “확인하는”

이번 발표에서 인상적이었던 점은 “AI가 증명했습니다”로 끝나지 않았다는 것입니다.

AI가 제시한 증명은 “Lean”이라는 시스템을 사용하여 컴퓨터가 하나하나 확인 가능한 형태로 공개되었습니다.

즉, “OpenAI가 옳다고 하면 그것을 믿는 것”이 아니라 “누구나 스스로 확인할 수 있다”는 태도입니다.

이런 사고방식은 디자인에도 유사한 점이 있다고 생각했습니다.

저희도 디자인 검토에서는 “왠지 괜찮아 보이는데”라는 막연한 느낌이 아닌, “왜 이렇게 디자인했나”에 대한 이유를 설명하고, 사용자 테스트를 통해 실제로 검증합니다.

좋은 결과물을 만드는 것뿐만 아니라 그 이유와 근거를 공유하는 것이 상대방의 신뢰를 얻는 데 도움이 됩니다.

수학도 디자인도 “정답을 제시하는 것”보다 “누구나 확인할 수 있도록 하는 것”을 중요하게 생각하는 것일지도 모릅니다.

## AI는 빠르고, 사람은 생각한다.

기사에서 인상 깊었던 것은 많은 수학자들이 AI를 “연구자의 대체재”가 아닌 “연구를 더 빠르게 진행해주는 협력자”라고 생각하고 있다는 점이었습니다. 이는 디자인 업무에도 약간 비슷한 점이 있는 것 같습니다.

예를 들어, 새로운 앱의 화면을 구상할 때, AI에 “명상 앱의 홈 화면을 만들어줘”라고 요청하면 몇 초 만에 수많은 아이디어를 제시해 줍니다. 글을 쓰거나 아이디어를 확장하는 것도 매우 빨라졌습니다.

하지만 그 중에서 “이 제안이 가장 편리해 보이고”, “이 디자인이라면 사용자가 혼란스러워하지 않을 것 같아”라고 선택하는 것은 인간의 역할입니다.

AI는 많은 선택지를 제시하는 데 능숙합니다. 하지만 “왜 이 제안이 좋은가”, “실제로 사용자에게 가치가 있는가”를 고민하는 것은 아직 인간이 더 잘할 수 있을지도 모릅니다.

그래서 AI 덕분에 작업 시간이 단축된 만큼 “생각하는 시간”이 이전보다 더 중요하게 느껴집니다.

## AI는 새로운 팀원입니다.

이번 결과는 AI만으로 만들어진 것이 아닙니다.

AI는 수학적 아이디어를 제시하고, 인간이 논문 형태로 정리하며, 컴퓨터가 증명 오류를 확인합니다. 각 단계는 강점을 활용하여 하나의 결과물을 만들어냅니다.

이 흐름을 지켜보면 “AI가 인간을 대체한다”라는 것보다 “팀 구성원이 한 명 더 늘었다”고 생각하는 것이 더 자연스럽습니다.

디자인 업무는 똑같습니다.

예를 들어, 새로운 기능을 구상할 때 AI에 “사용자 인터뷰를 요약해 줘”라고 요청하면 몇 분 만에 정리해 줍니다. “이 기능의 와이어프레임을 만들어 줘”라고 요청하면 템플릿 형태의 와이어프레임도 만들어 줍니다.

하지만 그 내용을 보면서 “정말로 사용자들이 이것 때문에 어려움을 겪고 있는 걸까?” “이 경험을 통해 사용성이 향상될까?”라고 생각하고, 결국 판단하는 것은 인간입니다.

AI는 업무를 도와주는 매우 든든한 팀원입니다. 그래서 서로의 일을 검토하는 팀과 같은 방식으로 AI의 제안도 결국에는 사람이 확인합니다. 그 역할은 앞으로도しばらく変わらない 것으로 생각합니다.

이 글을 읽고 느낀 점은 AI의 능력 자체보다 “인간과 AI의 협력 방안”이 다음 주요 논의 주제로 부각되고 있다는 것입니다.

이전에는 “AI에게 일을 빼앗길까?”라는 논쟁을 자주 보았고, 앞으로의 과제이기도 한 줄 알았습니다. 하지만 최근에는 그보다 더 많은 “AI를 어떻게 활용해서 우리 자신들이 더 좋은 일을 할 수 있을까?”라는 질문이 더 현실적으로 느껴지는 것 같습니다.

## まとめ

AI는 수학의 미해결 문제에 도전하여 새로운 성과를 만들어냈다는 뉴스는 매우 인상적입니다.

하지만 제게 깊은 인상을 준 것은 “AI가 증명한 것”이 아니라, “인간이 이해하고 검증하며, 다음 연구에 연결하려 노력하는 과정”이었습니다.

AI가 아무리 똑똑해져도 “왜 그렇게 되었는가”를 끊임없이 생각하고, 다른 사람에게 전달하기 쉽게 정리하는 것은 인간이 담당해야 할 중요한 역할이라고 생각합니다. 디자인도 마찬가지입니다.

편리한 도구가 늘어날수록 “생각하는 것”의 가치는 오히려 더 높아질 수 있습니다.

### 오늘의 영어

단어: Attribution (아트리뷰션) 의미: 결과나 아이디어, 연구 등이 “누구의 것인지”를 정확하게 나타내는 것. 일본어에서는 “귀속”이나 “공적의 명시”와 뜻됩니다. 포인트: 이번 OpenAI의 발표에서도 중요했던 개념입니다. AI가 만들어낸 수학적인 아이디어를 인간만의 결과로 발표하는 것이 아니라 “AI가 생성하고 인간이 정리 및 검증한” 것으로 정확하게 전달하는 것이 중요하게 여겨졌습니다. 📌 예문: AI가 연구에 기여한 경우, 적절한 결과의 귀속을 보여주는 것이 중요합니다.

**출처:** [note 원문](https://note.com/nokowashiyama/n/nb771a1d7498f)

*번역: Gemma 3(.44) 초벌 + 교정 25청크*

[원문 보기](https://note.com/nokowashiyama/n/nb771a1d7498f) | 출처: note.com