그랜트 샌더슨 - AI의 수학 추측 반증 이후, 다음 벤치마크와 수학자의 미래

개요

• 드워케시 파텔 팟캐스트 출연. 샌더슨은 3Blue1Brown 운영자이자, AI의 수학 진전을 기록하는 신규 시리즈(수학자 다수 인터뷰, 미공개) 제작 중
• 배경: OpenAI 모델이 단위거리 문제 추측을 반증, 에르되시 문제 1196(원시 집합)도 올해 해결 — AI 진보가 가장 빠른 분야인 수학이 나머지 경제의 미래를 미리 보여준다는 전제에서 출발
• 주제: IMO 골드 이후의 다음 벤치마크, 갈루아 사례로 본 검증 루프의 난점, 수학만 빨리 진보하는 구조적 이유, Lean 형식화 논쟁, 자기회귀의 한계, 수학자·교육자의 미래, 경제 파급

핵심 내용

IMO 이후: 스파이크의 프랙탈 구조

• IMO 골드는 AGI 신호 아닌 프랙탈 스파이크: 3년 전 예측 적중 — IMO 골드는 또 하나의 벤치마크일 뿐 AGI 신호 아님. AI의 스파이키 프런티어는 수학 내부에서도 프랙탈: 영역별 난이도 격차 큼
  • IMO 4개 영역(기하·정수론·대수·조합론) 중 기하는 2024년부터 브루트포스 솔버가 19초에 해결, 조합론이 와일드카드. 2024년 출제 배분이 기하 쪽이었으면 그해 이미 골드
• 밀레니엄 문제 풀이 성격이 자동화 함의 결정: 분야 간 번개(연결), 산 쌓기(새 이론 구축), 순수 노동(1000페이지급 증명)
  • 번개형 사례 = 몽고메리-다이슨 IAS 일화: 리만 제타 영점 쌍 상관 공식이 랜덤 에르미트 행렬 고유값 통계(원자핵 에너지 준위)와 일치 — 전 분야 전문가인 LLM이 점심 자리의 우연 없이 찾을 수 있는 유형
  • 산 쌓기형 사례 = 페르마 마지막 정리: 타원곡선과 모듈러 형식이라는 두 산을 먼저 쌓아야 연결 질문 자체가 가능. AI가 산을 쌓는 수준이면 경제 전반에 파급이 없을 수 없는 지능

다음 벤치마크: 추측 생성과 정의 생성

• 드워케시 스스로 골포스트 이동 인정하며 다음 후보 둘 제시: 흥미로운 문제를 스스로 제기하는 능력, 분야를 창출·통합하는 새 객체·개념화 능력
• 추측 생성은 벤치마크화·훈련 모두 불가: 이건 벤치마크화 자체가 어려움 — 추측의 좋음은 점수화 불가, 벤치마크와 RLVR 훈련 환경은 사실상 동일물이라 훈련도 곤란. GPT-5.4가 좋은 추측을 만들었다는 헤드라인은 성립 안 함
• 수학자 톤 변화가 실질 벤치마크 대체: 측정은 수학자들의 톤 변화로 나타날 것 — 제작 중 시리즈 인터뷰에서 2025년 중반과 2026년 사이 이미 톤 시프트 관찰. 연구 분야 설정 대화에 모델이 실질 도움이 됐다는 증언이 지표

갈루아 사례: 100년짜리 검증 루프

• 5차 방정식 근의 공식 문제의 계보: 라그랑주가 대칭식·순열 관점 최초 제시(4차를 3차로 환원하는 통찰, 불가능성 시사만 하고 미해결) -> 아벨이 불가능 증명(26세 결핵 사망) -> 갈루아가 대칭의 추상화, 즉 군론의 씨앗 도달
  • 갈루아: 10대 수감자, 논문 5회 제출 거절(당대 아카데미 검증자의 보상 = 0), 결투 전날 유서 신화, 형과 친구를 통해 가우스에게 노트 전달 시도 -> 사후 20년 뒤 리우빌 발굴 -> 다시 20년 뒤 조르당이 현대적 군론으로 정리
• 군론 유용성 검증에 100년 걸린 갈루아 사례: 군론이 유용하다는 검증 루프는 사실상 100년 이상 — 암호학·물리학 등장 후에야 확정. 겔만은 순수 군론 질문으로 쿼크 존재 예측
• 함의: 정의 생성 능력에 보상을 주려면 문제 해결 여부가 아니라 개념의 압축성·간결성(Kolmogorov 복잡도류 지표)을 보상해야 — 압축이 곧 지능이라는 프레임과 연결. 목표가 예측력만이 아니라 인간 이해라면 압축 표현 훈련은 어차피 필요

증명과 이해의 격차, 수학자의 미래

• 번개형 증명은 이해 쉽고 외계형은 abc 악몽 위험: AI 증명이 인간 이해를 남기는지는 풀이 유형별로 다름 — 번개형은 파싱 쉬움(에르되시 1196: 마르코프 체인 상향 접근 + von Mangoldt 함수라는 핵심 아이디어만 들으면 전문가는 바로 주행 가능). 외계형 산 쌓기면 abc 추측(일본 수학자의 우주간 기하) 악몽 재현 위험 — 수년 등반 후 오류 판명이 최악 시나리오
• David Bessis 블로그 정리 경제의 몰락: 크레딧은 정리 증명이 가져가지만 실제 가치는 정의·문제 생성 쪽 — AI가 증명을 자동화하면 크레딧 구조 붕괴. Timothy Chow의 미해결 해설 문제 개념(강제법·연속체 가설: 증명됐지만 왜 참인지 모름)처럼 증명과 설명은 별개 과제
• 샌더슨 믿음 변화: 예전엔 AI가 증명하고 인간이 설명을 맡는다고 봤으나, 이제 설명·증류도 AI가 인간 대부분보다 잘할 것으로 전망 — 진짜 새로운 통찰을 내는 사람이 곧 명료한 해설자(아인슈타인·섀넌·파인만 논문의 명료함)라는 상관 때문
• 남는 역할 = 미술관 큐레이터: 무한한 아이디어 공간에서 뭘 볼지 골라주는 관계·신뢰 기반 기능. 음악가처럼 객관 품질이 아니라 사회적 서사가 가치 원천. 랭글랜즈 프로그램형(문제 격파가 아니라 연결 지도 그리기) 연구 에토스에 AI가 슈퍼커넥터 증폭기가 될 전망 — 향후 2-3년 번개형 연결이 대량으로 나올 것으로 기대

왜 수학만 빠른가: 검증가능성에 그라인드 가능성이 더해져야

• 드워케시 이론: 검증가능성만으론 부족, 그라인드 가능성이 결정적 — 컴퓨터 유즈는 검증가능하지만 봇 탐지·실세계 비결정성 탓에 동일 상태 1000개 병렬 롤아웃 불가. 코드·수학은 컨테이너화·결정론으로 크레딧 할당 해결. 근본 제약은 미해결 샘플 효율(Karpathy의 빨대로 감독을 빨아들인다는 비유)
• Lean 과대평가론: 단위거리 반증 체인오브소트에 Lean 없음, DeepMind IMO도 1년차 Lean 전면 사용에서 이듬해 자연어로 전환. DeepSeek Math는 자연어 검증자 + 메타 검증자 구조로 작동 입증
• 샌더슨 반론, Lean 고유 가치 둘: (1) AlphaZero식 무인 무한 탐색 — Mathlib 포크를 만들어 인간 체크인 없이 확장만 시키고 10년 뒤 수확 가능한 유일 도메인. Terry Tao가 언급한 대수 공리 공간 전수 탐색(대부분 붕괴, 가끔 정리가 풍부한 섬 발견)이 원형 (2) 오류율 방어 — Kontorovich 지적처럼 AI 논문 일 10편 시대에 오류율 1%만 돼도 검토 지옥, 형식 검증의 녹색 체크마크는 타 분야가 부러워할 자산. 자연어 증명의 자동 형식화까지 되면 파급 거대
• Karpathy 오토리서치·바둑봇 실험, 병렬탐색은 취약: 한 경로 파고들기는 잘하나 막다른 길에서 멈추기·초병렬 탐색은 취약

자기회귀의 한계와 디지털 마인드의 고유 이점

• 자기회귀 사고실험(상자 속에서 쪽지의 다음 내용만 반복 예측): 맥락의 노예가 되는 구조 — 가치 있는 분야 간 연결은 본질상 저확률 토큰인데 이를 업웨이트할 메커니즘 불분명. 샌더슨은 아키텍처·손실함수보다 데이터·환경 설계가 관건이라 진단(디퓨전 텍스트 모델도 산출 성격 유사)
• 디지털 마인드의 저평가된 이점: 임의 병렬화·지식 병합·동일 지식 복제, 그리고 역방향인 맥락 소거의 시스템화 — 증명 에이전트와 반증 에이전트 동시 가동, 서로 다른 편향의 에이전트 배열로 엔트로피를 프롬프트 레벨에서 주입
  • 단위거리 추측이 오래 버틴 이유는 다들 참이라 가정하고 증명만 시도한 것 — 부정 명제 병행 탐색이 구조적 우위
  • 아인슈타인 사례: 상대성 편향은 생산적이었지만 신은 주사위를 던지지 않는다는 편향은 양자역학을 막았을 것 — 과학에 단일 정답 휴리스틱은 없고 독립 연구 프로그램 다수가 필요
  • IMO 트롤 문제(테렌스 타오 포함 다수 실패): 대회 맥락을 탈출해 길거리 브레인티저처럼 접근해야 풀리는 문제 — 맥락 리프레시 자체가 능력이며 AI 시리즈 1화 소재
• 글쓰기가 유독 부진한 이유: 판별 실패(A 에세이보다 형식만 갖춘 B스타 에세이를 선호하는 보상 해킹), 글은 비모듈적(코드·보조정리와 달리 산출물이 텍스트 그 자체라 슬롭 불가), 정확한 순간에 의외의 수를 두는 선택, 독자 마음 모델링 취약
  • Andy Matuschak의 간격반복 카드 생성 실험: 3개월 뒤 학습자 마음 투사가 관건인데 오픈소스 RL·정교한 프롬프트 등 전부 실패
  • 보톡스 실험: 표정 모방이 차단되면 타인 감정 읽기 저하 — 얼굴 근육 없는 외계 지능의 공감·마음이론 한계 유비

학습 활용법과 수학자 커리어, 경제 파급

• LLM 학습 활용: 설명 품질은 위키피디아급(문장 단위 정확성의 국소 최소, 동기 설계 부재) — 최선은 누굴 읽어야 하나 소싱하는 강화판 구글 용법. 주제보다 사람이 중요 원칙(스탠퍼드 철학 백과·프린스턴 수학 컴패니언처럼 단일 저자의 동기 설계 우위)
  • 클로드가 타인의 반도체 영상을 3Blue1Brown 것으로 오귀속한 일화. 드워케시는 Strogatz 비선형동역학·카오스 교과서를 강의 + 교재 + LLM 3분할 화면으로 학습. LLM은 질문 자체를 재프레이밍하는 A플러스 교사의 주짓수를 못함 — 아첨 성향이 원인
• 커리어 조언: 돈이 어디서 오고 내가 무슨 가치를 더하는지부터 파악(대학 브랜드 가치·NSF 공공재 신뢰·티칭) — 교육은 관계·코칭·동기부여 기반이라 포스트 AGI 시대 가장 안정적 직업군. AI가 가장 멀리 내다본 분야가 수학이 될 것이므로 AI가 본 것의 증류·큐레이션 수요 발생, 새 수학을 유용한 방향으로 겨누는 판단은 이전보다 레버리지 큰 직무
• 경제 파급은 스파이키: 대수적 정수론 진보는 응용 연결 희박, PDE·동역학은 직결 — 보잉이 시험기 해체·재조립 대신 시뮬레이션 통찰로 수십억 달러 절감, 해당 연구 그룹을 직접 펀딩한 사례. CFD 가속·엔진·날개 설계 같은 점진 개선의 누출이 현실적 경로, 5년 내 경제 가치 있는 개선이 없으면 실망스럽고 놀라운 일. 역리스크는 수학의 무용성 폭로(타원곡선이 암호학에 기여한다던 그랜트 서사가 민망해지는 시나리오)

투자자 관점 시사점

• AI 능력 확산의 판별 프레임 = 검증가능성 + 그라인드 가능성. 수학·코딩 스파이크의 원인이 병렬 롤아웃 가능성이라면, 컴퓨터 유즈·실물 태스크 자동화는 샘플 효율 돌파 전까지 지연 — 에이전트 수혜주 선별 시 해당 도메인이 그라인드 가능한지부터 점검
• Lean·Mathlib식 무인 자가 탐색은 인간 감독 없이 컴퓨트를 무한 소진하는 구조 — 검증기 내장 도메인의 확대는 추론 컴퓨트 수요의 구조적 상방 논거
• 자동화 이후 가치는 문제 선택·큐레이션·자본 배분 판단으로 이동, 관계 기반 서비스(교육·코칭)는 방어적 — 지식 생산 밸류체인에서 검증·큐레이션 계층에 프리미엄
• 수학 진보의 실물 파급은 PDE-시뮬레이션-CFD 경로의 점진 누출이 현실적(보잉 사례) — 산업 시뮬레이션·엔지니어링 소프트웨어가 1차 수혜, 단기 스텝체인지 기대는 경계

기억할 발언

• (09:11) 좋은 수학자는 정리를 증명하고, 위대한 수학자는 추측을 내놓고, 가장 위대한 수학자는 정의를 만든다 — Polylog 영상 속 인용을 다음 벤치마크 프레임으로 차용
• (59:09) 버튼을 누르고 컴퓨트를 쏟아부은 뒤 10년간 눈을 떼고 있다가 돌아와서 뭘 얻었는지 보면 된다, 분명 뭔가 나와 있을 것 — Lean 기반 Mathlib 포크 무한 확장 구상, 수학만이 가진 고유 속성