AI 생성 이미지
OpenAI의 이번 수학 결과가 중요한 이유는 단순히 "AI가 어려운 문제를 풀었다"는 데 있지 않다. 더 정확히는, 수학자들이 오래 유력하다고 여겨온 방향을 실제 반례 구성으로 흔들었다는 데 있다.
핵심은 정답을 맞힌 AI가 아니라, 새로운 수학적 구성을 제안한 AI와 그것을 사람이 검증·정리한 협업 구조다.
단위 거리 문제란 무엇인가
단위 거리 문제는 평면 위에 점 n개를 놓을 때, 서로 거리가 정확히 1인 점쌍을 최대 몇 개 만들 수 있는지 묻는 조합기하 문제다.1
간단한 예로, 9개 점을 일렬로 놓으면 인접한 점쌍 8개가 단위 거리가 된다. 같은 9개 점을 3×3 격자로 놓으면 단위 거리 점쌍은 12개로 늘어난다.1 점을 어떻게 배치하느냐에 따라 같은 개수의 점에서도 단위 거리 쌍의 수가 달라지는 것이다.
폴 에르되시는 1946년 이 문제와 관련해 격자형 배치가 거의 최선일 것이라는 추측을 제기했다. 그는 격자 간격을 정교하게 선택하면 단순한 정사각 격자보다 조금 더 많은 단위 거리 점쌍을 만들 수 있음을 보였지만, 큰 틀에서는 격자적 구성이 핵심이라는 관점이 오래 유지됐다.1
OpenAI 모델이 바꾼 것
OpenAI의 내부 추론 모델은 이 에르되시 단위 거리 추측을 반증하는 구성을 만들었다. 새 구성은 기존 정사각 격자보다 더 많은 단위 거리 점쌍을 만들어낸다.
중요한 점은 방식이다. 이번 구성은 평면 위에 점을 격자처럼 보기 좋게 배열한 결과가 아니다. Mark Sellke는 OpenAI의 구성이 정사각 격자와 전혀 다른 방식이라고 설명했다.1 모델은 특수한 수학적 대칭을 가진 고차원 격자를 만든 뒤, 이를 2차원 평면으로 사상해 수치적 "그림자"를 얻었다.1
그래서 결과물은 직관적인 그림으로 이해하기 어렵다. Mehtaab Sawhney는 새 구성물이 격자 형태가 아니며, 작은 점 개수에서도 종이에 직접 그리기 어렵다고 말했다.1 이번 반례가 흥미로운 이유도 여기에 있다. 기존의 시각적 직관이나 단순한 평면 격자 감각으로는 쉽게 떠올리기 어려운 방향에서 나온 구성이라는 점이다.
증명보다 중요한 검증 과정
OpenAI는 이 결과를 외부 수학자 9명이 검증·축약·논평한 동반 논문과 함께 발표했다. 동반 논문은 OpenAI가 생성한 반례를 사람이 검토하고 정리한 버전으로 볼 수 있다.2
이 대목이 중요하다. AI의 출력이 곧바로 수학적 사실이 된 것이 아니다. 외부 수학자들이 논리를 확인하고, 증명을 압축하고, 기존 문헌과 연결했다. 즉 이번 사례는 "AI가 수학자를 대체했다"기보다 "AI가 후보 구성을 만들고, 사람이 그것을 수학으로 정리했다"에 가깝다.
결과적으로 새 구성은 어떤 ε>0에 대해 단위 거리 점쌍을 n^(1+ε)개 이상 만들 수 있음을 보였다.2 이는 기존 격자류 구성보다 질적으로 강한 결과다. 다만 OpenAI 모델이 자신의 구성이 최적임을 증명한 것은 아니다. 1984년에 알려진 이론적 상한 O(n^(4/3))도 여전히 새 구성이 달성한 값보다 높다.2 다시 말해 추측은 반증됐지만, 정확한 최대치 문제는 아직 끝나지 않았다.
우리가 얻을 실질적 교훈
이번 사건에서 봐야 할 기준은 "AI가 또 무엇을 풀었나"가 아니다. 더 중요한 질문은 "그 결과가 어떤 형태로 제안됐고, 누가 어떻게 검증했나"다.
수학, 코드, 알고리즘처럼 검증 기준이 비교적 명확한 영역에서는 AI가 새로운 후보 해법을 제안하고 사람이 검증하는 방식이 빠르게 확산될 수 있다. 특히 기존 직관이 강하게 작동하던 문제에서 AI는 낯선 구성을 탐색하는 도구가 될 가능성이 크다.
OpenAI의 에르되시 단위 거리 추측 반증은 수학의 끝이 아니라, AI-assisted research의 출발선에 가깝다. 이번 결과가 보여준 것은 AI가 언제나 정답을 낸다는 사실이 아니라, 잘 검증된 협업 구조 안에서는 인간 연구자가 미처 보지 못한 길을 제안할 수 있다는 가능성이다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.