과학적 발견을 위한 AI의 3계층 프레임워크

현재 과학적 발견 분야에서 AI에 대한 논의는 종종 두 가지 눈에 보이는 능력에 의해 지배됩니다: 기존 지식에 대한 검색과 최적화, 시뮬레이션 및 자동화를 통한 실행입니다. 둘 다 중요하지만, 어느 것도 발견의 핵심 행위인 모델의 형성 및 진화 과정을 완전히 포착하지 못합니다. 본 논문은 발견 분야에서의 AI에 대한 3계층 관점을 제안합니다. 1계층은 대규모 언어 모델(LLM)을 통한 검색 및 검색입니다. 2계층은 본 논문의 주요 혁신으로, 질적 추론을 통한 모델 형성입니다: 현재의 프레임워크가 구조적으로 부적절할 때를 인식하고, 시행착오가 아닌 무엇이 부족한지 그리고 어디서 찾을 수 있는지에 대한 구조적 통찰을 통해 문제를 더 넓은 표현 공간 내에서 이해하는 능력입니다. 3계층은 실행, 최적화 및 정제입니다. 주요 주장은 2계층이 가장 중요하면서도 가장 덜 개발되었다는 것입니다. 모델 형성 없이 검색은 상속된 프레임워크에 국한되며, 개념적 수정 없이 실행은 기존의 공식화를 증폭시킬 뿐입니다. 우리는 세 가지 사례 연구를 통해 2계층 추론을 설명합니다: S. S. Chern의 가우스-보네 정리(Gauss-Bonnet theorem)에 대한 본질적인 증명, 리아푸노프 함수(Lyapunov functions)를 통한 Nesterov 가속 경사 하강법(Nesterov Accelerated Gradient) 수렴 문제 해결, 그리고 2026년 OpenAI에 의한 Erdős 단위 거리 추측(Erdos unit distance conjecture)의 자율적 반증입니다. 각 사례는 동일한 구조적 특징을 보여줍니다: 부적절해진 프레임워크, 부족한 개념적 객체, 그리고 예상치 못한 인접 분야에서 발견된 해결책입니다.