수학에서의 AI: Terence Tao의 결론

테렌스 타오가 말하는 수학에서의 일상적 AI 활용: 가설 생성과 검증

필즈상 수상자 테렌스 타오는 수학 연구에 AI를 일상적으로 활용하고 있습니다. 아이디어 생성 비용은 제로에 가까워졌지만, 검증 과정이 여전히 병목 현상을 일으키고 있습니다. AI 모델은 에르되시 문제 목록 중 단순한 문제들을 1-2% 확률로 해결하지만, 복잡한 문제들은 여전히 인간의 감독이 필요합니다.

케플러 시대의 아이디어 생성

AI는 높은 온도 설정으로 수천 개의 가설을 생성하는데, 이는 케플러가 태양계 이론들을 샅샅이 살피던 방식과 유사합니다. 대부분은 노이즈지만, 티코 브라헤의 관측 데이터처럼 신뢰할 수 있는 검증 체계가 있는 데이터셋에서는 유용한 신호가 나타납니다. 타오는 강조합니다: 데이터 없이는 아이디어는 쓰레기통에 버려질 뿐입니다. 케플러의 『세계의 조화』에는 천체의 음악에 대한 추측들 사이에 행성 운동 제3법칙이 담겨 있었는데, 이는 노이즈 속의 신호를 보여주는 고전적인 사례입니다.

개발 현장에서는 코드 생성에서 이 현상이 나타납니다: LLM이 검토 속도보다 빠르게 변형 코드를 생성합니다. 자동화 테스트가 구문 오류는 잡아내지만, 의미적 정확성과 작업 일치성은 인간의 분석이 필요합니다.

테렌스 타오는 누구이며 그의 통찰이 중요한 이유

타오는 정수론, 조합론, 조화 해석학, 미분 방정식, 랜덤 행렬 분야에서 활동합니다. 15세에 첫 논문 발표, 31세에 필즈상 수상. 상업적 이해관계가 없는 실무자로서 그는 실제 결과를 바탕으로 AI를 평가합니다. 드와르케시 파텔과의 인터뷰(2026년 3월 20일)에서 타오는 역사적 과학적 방법론의 렌즈를 통해 AI를 분석합니다.

• 타오의 전문 분야 핵심: 정수론, 조합론, 조화 해석학
• 그의 의견의 장점: 금전적 동기 부재, 실무 중심 접근
• AI 리더들과의 비교: 아모데이와 알트만은 제품을 홍보하는 반면, 타오는 명성을 내세웁니다.

아이디어 생성 비용의 붕괴

AI는 아이디어 생성을 인터넷이 의사소통을 저렴하게 만든 것처럼 거의 무료로 만들었습니다. 과거 과학은 통찰력(아르키메데스, 뉴턴)에 집중했습니다. 지금은 분당 수천 개의 가설이 동료 검토를 압도합니다. 학술지들은 AI 생성 논문으로 가득 차고 있으며, 기존 시스템은 이를 처리할 수 없습니다.

개발자들에게: AI는 코딩 속도를 높이지만, 풀 리퀘스트 백로그는 계속 증가합니다. CI/CD가 기본적인 오류는 잡아내지만 올바른 문제를 해결하는지는 보장하지 않습니다. 타오는 티코 브라헤 같은 검증자의 역할을 강조합니다: 20년간의 정밀한 데이터가 케플러의 법칙을 가능하게 했습니다.

에르되시 문제 결과: 환상 없는 통계

AI는 1100개 에르되시 문제 중 약 50개를 해결했는데, 일부는 수십 년간 미해결 상태였습니다. 급증 이후 정체기에 접어들었습니다: 모델들은 사소한 관찰이나 알려진 해법을 찾지만, 새로운 돌파구는 없습니다.

• 문제별 성공 확률: 1-2%
• 규모가 낮은 정확도를 보완
• 선택 편향: 트위터는 승리만 보여주며 98%의 실패는 무시합니다.

타오의 비유: AI는 인간보다 2미터 더 높이 뛰는 로봇입니다. 낮은 봉우리는 정복하지만 산맥은 오르지 못합니다. 모델 업그레이드로 새로운 급증이 있지만, 다시 정체기에 접어듭니다.

타오의 실무: 보조 작업 가속화

2023년 예측이 현실이 되었습니다: AI는 신뢰할 수 있는 공동 저자입니다. 타오의 논문들은 더 풍부해졌습니다: 더 많은 코드, 그래프, 실험. 문헌 고찰은 더 깊어지고, LaTeX 서식은 더 빨라졌습니다(에이전트가 괄호를 조정합니다). AI 없었다면 5배 느렸을 것입니다.

하지만 핵심—복잡한 문제 해결—은 여전히 종이 위에서 이루어집니다. 논문들은 더 넓고 풍부해졌지만, 더 깊어지지는 않았습니다.

개발 현장도 유사합니다:

• 가속화: 보일러플레이트 코드, 리팩토링, 테스트, 문서화
• 변화 없음: 아키텍처, 도메인 분해, 접근법 선택

영리함 vs 지능

타오는 인공 영리함(목표로 점프하기)과 인공 지능(반복적 진전)을 구분합니다. 모델들은 영리합니다: 수십 년 된 문제들을 단번에 해결합니다. 하지만 세션 메모리 없이 누적 학습은 없습니다. 각 반복은 처음부터 시작합니다.

수학에서 해법은 서로를 쌓아 올리는 수개월 간의 단계들입니다. AI는 이러한 사슬을 구성하지 못합니다. 공학에서의 비유: 코딩 vs 제약 조건이 있는 시스템 설계.

지능 이해의 코페르니쿠스적 전환

인간 지능이 중심이 아닙니다. AI는 다른 유형의 인지를 보여줍니다: 점프는 강하지만 사슬은 약합니다. 작업 재평가: 숫자 곱셈은 인간에게 어렵지만 기계에게는 쉽습니다; 정리 증명은 그 반대입니다.

우연한 발견에 대한 위협

타오는 무작위성의 상실을 지적했습니다: 검색 엔진은 정확한 결과만 주고, 도서관에서의 인접 발견은 없습니다. 줌은 계획되지 않은 대화를 없앴습니다. AI는 노이즈를 걸러 최적화하지만—우연한 발견은 바로 그 노이즈에서 발생합니다. 타오는 영감을 위해 의도적으로 혼란을 도입했습니다.

중요한 점:

• AI는 가설을 저렴하게 생성하지만, 검증이 병목 현상입니다.
• 에르되시 문제 성공률: 1-2% 확률, 규모가 중요합니다.
• 보조 작업 5배 가속화, 핵심 작업 0배.
• 모델들은 영리하지만 지능적이지 않습니다: 누적 진전이 없습니다.
• 최적화된 세계에서 우연한 발견을 잃을 위험.

— Editorial Team