AI가 연구 아이디어를 연구실로 가져다주기 시작할 때

2026년 4월, OpenAI의 수석 과학자 Jakub Pachocki는 Unsupervised Learning(비지도 학습) 팟캐스트에 출연하여 프런티어 AI 연구가 어디로 향하고 있는지를 이야기했다. 지금 돌이켜보면 그 타이밍은 매우 선명하게 보인다. 몇 주 후, OpenAI는 사내의 범용 추론 모델이 Paul Erdős와 관련된 평면 단위 거리 문제(unit distance problem)의 핵심적인 예측을 반증했다고 발표했다. 이 결과는 외부 수학자들에 의해 검증되었으며, 저명한 연구자들의 보충 해설을 통해서도 중요한 수학적 사건으로 다뤄졌다.

팟캐스트와 새로운 수학 뉴스를 종합해 보면, 연구에서의 AI를 말하는 언어 그 자체가 변하기 시작하고 있다. 최첨단 모델은 인간이 설정한 질문에 답하는 단계에서, 방향성을 제안하고, 구성을 시도하며, 서로 떨어진 분야 사이에 다리를 놓는 단계로 나아가고 있다. 이 변화는 매우 크다. 프런티어 연구는 종종 기묘한 직관에서 시작되어, 이후 정돈된 증명, 실험, 논문으로 모습을 바꾸기 때문이다.

단위 거리 문제는 설명하자면 간단하다. 평면 위에 $n$개의 점을 배치하고, 거리가 정확히 1이 되는 점의 쌍을 최대 몇 개까지 만들 수 있는지 세는 것이다. 1946년 이후 수학자들은 그 최댓값이 얼마나 빠르게 증가하는지를 연구해 왔다. 수십 년 동안 정사각 격자(square lattice)에 기반한 구성이 거의 최적처럼 보였으며, Erdős는 그 성장률을 의미 있는 다항식적인 형태로 상회하는 구성은 없을 것이라고 예측했다. OpenAI에 따르면, 해당 모델은 바로 그것을 상회하는 무한족(infinite family)의 구성을 찾아냈다. 수학적인 놀라움은 초등적이고 기하학적으로 보이는 문제에 대수적 정수론(algebraic number theory)이 개입했다는 점에 있다. 조직적인 놀라움은 해당 모델이 넓은 과제 범위를 가진 범용 추론 모델로서 제시되었다는 점에 있다.

그렇기에 Pachocki의 팟캐스트 발언은 이제 단순한 예측을 넘어 로드맵처럼 들린다. 그는 코딩 에이전트, 수학 및 물리 벤치마크, 용이하게 검증 가능한 과제를 넘어서는 강화학습 (RL), 그리고 모델이 AI 연구소 그 자체의 연구 속도를 높일 가능성에 대해 이야기했다. 여기서 흥미로운 점은 실행에서 연구상의 직관으로 역할이 확장된다는 점이다. 유용한 연구 시스템은 계산만 해서는 부족하다. 시도할 가치가 있는 길을 선택하고, 평범해 보이는 문제의 숨겨진 구조를 알아차리며, 인간이 가능성이 낮다고 치부하며 제쳐두었던 위험한 구성에도 노력을 투입한다.

검증의 가치는 더욱 높아진다. 모델이 생성한 증명은 인간과 형식적 도구(formal tools)가 그것을 조사하고, 단순화하며, 기존 문헌과 연결할 수 있을 때 의미를 갖는다. OpenAI의 사례가 주목받은 이유는 수학자들이 논증을 확인하고 보충 해설을 작성했기 때문이다. 이 흐름은 가까운 미래 AI 과학의 기본 형태가 될 것이다. 기계는 더 많은 후보 아이디어를 만들어내고, 전문가 커뮤니티는 어떤 아이디어가 엄밀함을 견뎌낼지를 판단한다.

매일 연구하는 이들에게 실용적인 교훈은 이미 보이고 있다. AI는 논문, 스케치, 수식, 도표, 초안 사이를 오가는 연구의 복잡한 중간 단계에서 파트너가 될 수 있다. 연구자는 ChatGPT를 사용하여 증명 전략의 후보를 탐색하거나 관련 문헌을 비교할 수 있다. 이미지 속의 수식을 편집 가능한 형태로 만들고 싶을 때는 Miss Formula가 도움이 된다. AI가 생성한 논문 도표를 투고나 수정 전에 편집 가능한 벡터 형식으로 변환하고 싶을 때는 Editable Figure를 사용할 수 있다. 이러한 도구들은 인간의 판단을 중심에 두면서도, 아이디어가 공유 가능한 결과로 나아가기까지의 마찰을 줄여준다.

더 깊은 변화는 문화에 있다. 연구소는 이전에는 AI가 기술적 작업의 작은 조각들을 도울 수 있는지를 물었다. 이제부터는 모델이 실험을 제안하고, 숨겨진 유사성을 밝혀내며, 전문가가 감사할 수 있는 결과물을 만드는 워크플로우를 어떻게 설계할 것인지를 물어야 한다. 그러기 위해서는 더 강력한 리뷰 순환, 명확한 출처 기록, 모델 생성 주장(claim)에 관한 더 나은 로그, 그리고 영감과 증거를 구분하는 습관이 필수적이다.

가장 자극적인 미래는 더 많은 아이디어가 시도되고, 더 많은 약한 직관이 검사받으며, 더 많은 의외의 연결이 진짜 성과가 될 기회를 얻는 연구실이다. Pachocki의 인터뷰는 모델이 연구 과정을 가속하기 시작하는 세계를 그렸다. 단위 거리 문제의 결과는 그 세계에 구체적인 사례를 제공했다. AI는 이미 연구 아이디어를 제공하기 시작했으며, 다음 질문은 우리가 그것들과 얼마나 신중하게 협업할 수 있는가이다.