AI 과학 연구 전환점: 에르되시 추측 반증과 네이처 논문 3편이 보여 준 발견 속도 변화

핵심 메시지

• 오픈AI의 내부 범용 추론 모델이 수십 년간 정설로 여겨지던 에르되시의 단위 거리 문제 관련 추측을 뒤집었다.
• 이 증명은 단순한 수치 계산이 아니라 대수적 정수론의 개념을 기하학 문제에 끌어다 쓰는 방식으로 이뤄졌다.
• 같은 주 네이처에 실린 논문 세 편은 AI가 가설 제안, 문헌 탐색, 과학 코드 작성 영역에서 실제 성과를 냈음을 보여 준다.
• 이 시스템들은 사람이 실험을 돌려 줘야 작동하며, 무엇을 물을지 정하는 일은 여전히 사람의 몫이라는 점이 강조된다.
• 진행자는 과학에 결승선이 있다는 전제가 잘못됐다며, 좋은 답은 궁금증을 잠재우는 대신 새로운 질문 열 개를 연다고 말한다.

쉽게 이해하기

영상은 밤은 왜 어두운지, 우리는 왜 꿈을 꾸는지 같은 질문을 던지며 시작한다. 오랫동안 인류는 이런 물음을 영영 풀 수 없는 것으로 받아들여 왔지만, 진행자는 지금 발견의 시간표 자체가 바뀌는 국면에 들어섰다고 말한다. 핵심 주장은 AI가 과학자를 대체한다는 쪽이 아니라 발견이 극적으로 빨라진다는 쪽이다.

첫 번째 사례는 수학이다. 오랫동안 수학자들은 평면에서 단위 거리 쌍의 개수를 최대로 만드는 방법이 단순한 정사각 격자라고 믿어 왔는데, 오픈AI의 내부 범용 추론 모델이 이 오래된 추측을 반증했다. 인상적인 대목은 계산량이 아니라 접근 방식이었다. 모델은 대수적 정수론에서 가져온 개념을 전혀 다른 영역인 기하학 문제에 적용했고, 필즈상 수상자 티모시 가워스는 이를 두고 AI가 미해결 수학 문제, 그것도 널리 알려진 미해결 문제를 푼 최초의 명확한 사례라고 평가했다.

두 번째 묶음은 5월 19일 네이처에 함께 실린 동료 심사 논문 세 편이다. 구글 딥마인드가 공개한 공동 과학자 시스템은 여러 하위 에이전트가 아이디어를 내고 서로를 비판하며 체스에서 쓰는 방식의 점수로 가설의 순위를 매기는 구조로, 급성 골수성 백혈병 관련 약물 후보 서른 개를 제안했고 이들은 실제 세포 실험에서 검증됐다. 비영리 연구소가 내놓은 시스템은 실명의 주요 원인인 노인성 황반변성 치료법을 찾는 과제를 받아 문헌을 자율적으로 훑고 생물학적 경로를 지목한 뒤, 이 질환에 한 번도 제안된 적 없던 약물을 후보로 내놓았다.

세 번째 논문은 과학자들이 시뮬레이션을 돌릴 때 쓰는 고성능 코드를 대신 작성하는 AI다. 구글과 하버드가 공개한 이 시스템이 만든 코로나19 입원 예측 모델은 미국 질병통제예방센터의 자체 예측 모델보다 나은 성적을 냈다. 진행자는 여기서 흔한 우려를 정면으로 다룬다. 이 시스템들은 모두 실험실이 개입하는 구조로 설계되어 물리적 실험을 스스로 돌릴 수 없고, 무엇이 물어볼 가치가 있는 질문인지 결정하지도 못한다는 것이다.

이어지는 대목은 진행자의 개인적 경험이다. 전문가가 답을 다는 질의응답 플랫폼의 편집장이던 시절, 그는 언젠가 사람들이 질문을 다 써 버릴까 봐 새벽에 잠을 설쳤다고 한다. 그러나 실제로는 정반대였다. 훌륭한 답 하나가 나올 때마다 새로운 질문 열 개가 열렸고, 좋은 답은 호기심을 잠재우기는커녕 더 깊은 질문을 던질 어휘와 맥락을 준다는 것이다. 그는 AI가 과학을 자동화해 연구자를 무용지물로 만들 것이라는 걱정이 과학에 결승선이 있다는 잘못된 전제 위에 서 있다고 지적한다.

마지막으로 진행자는 진짜 병목이 시간이라고 정리한다. 뛰어난 연구자가 40년 경력을 통틀어 붙들 수 있는 문제는 한두 개에 불과하고, 그 시간의 상당 부분은 코드를 짜고 시뮬레이션이 끝나기를 기다리며 화합물을 일일이 걸러 내는 데 쓰인다. 생물학자나 물리학자가 몇 달을 어중간한 소프트웨어 개발자로 보내야 하는 구조를 AI가 몇 시간 단위로 줄여 줄 수 있다면, 젊은 연구자가 10년을 걸고도 성과가 없을까 두려워 피해 온 문제에 도전할 수 있게 된다는 것이 결론이다.

주요 인사이트

• 수학 성과에서 주목할 점은 정답 자체가 아니라 경로다. 한 영역의 도구를 전혀 다른 영역의 문제에 옮겨 오는 일은 지금까지 사람의 창의성으로 여겨져 온 작업에 가깝다.
• 공동 과학자 시스템이 쓴 토너먼트식 구조는 하나의 모델이 정답을 내놓는 방식과 다르다. 서로 다른 하위 에이전트가 가설을 내고 비판하며 순위를 매기는 절차 자체가 연구 공동체의 작동 방식을 흉내 낸 설계다.
• 세 사례 모두 사람이 실험을 수행해야 완결된다는 공통점이 있다. 자동화된 것은 가설 생성과 문헌 탐색, 코드 작성이지 검증과 문제 선택이 아니다.
• 질문이 고갈될까 두려웠다는 일화는 자동화 불안을 다루는 좋은 비유다. 답이 늘어날수록 질문이 줄어드는 것이 아니라 물어볼 수 있는 것의 범위 자체가 넓어진다는 관찰이기 때문이다.

자주 묻는 질문

관련 AI 소식