AI 주도 수학 발견에 울려 퍼지는 AlphaGo의 37수

AlphaGo는 2016년 이세돌을 4승 1패로 꺾기 전, 수 세기에 걸쳐 형성된 바둑의 직관을 거스르는 37수를 두었다. 이 techmeme 분석은 수학도 이제 자신만의 ‘37수의 순간’에 다가가고 있는지를 묻는다.

최근 시스템들이 이미 알려진 해법을 재현하는 데 그치지 않기 때문에 이 비교는 더욱 설득력을 얻고 있다. 이들은 거대한 탐색 공간을 훑고, 예기치 못한 후보를 생성하며, 가장 유력한 결과를 형식 검증기나 인간 전문가에게 넘긴다. 일부는 수학적 경계를 개선하거나 기존 기법보다 뛰어난 알고리즘을 찾아냈다.

이는 AI 추론을 둘러싼 핵심 논점을 바꾼다. 이제 중요한 대결은 폐쇄된 보드게임에서의 AI 대 챔피언이 아니다. 기계가 만들어낸 새로움과 수학이 지식을 인정하는 기준 사이의 경쟁이다.

AlphaGo는 오래 남을 이미지를 남겼다. 처음에는 전문가들조차 설명하기 어려웠지만, 결국 전략적으로 타당함이 입증된 한 수다. 수학은 더 까다로운 요구를 제기한다. 놀라운 답은 연구자들이 이를 검증하고, 적용 범위를 이해하며, 발견과 재발견을 구분할 수 있을 때에만 의미를 갖는다.

37수는 낯선 선택을 승리의 한 수로 바꿨다

37수가 중요했던 이유는 AlphaGo의 기이한 선택이 냉혹한 결과의 검증을 견뎌냈기 때문이다.

Google DeepMind의 AlphaGo는 2016년 3월 서울에서 이세돌과 맞붙었다. 이세돌은 세계 바둑 타이틀 18개를 보유했으며, 당대 최강 기사 가운데 한 명으로 꼽혔다. DeepMind에 따르면 5번기로 치러진 이 대국은 2억 명 이상이 지켜봤다.

AlphaGo는 2국에서 그 유명한 수를 두었다. 프로 기사들의 판단을 규정해 온 통상적인 패턴과 거리가 먼 5선에 돌을 놓은 것이다. 해설자들은 처음에는 이를 실수일 가능성이 있는 선택으로 여겼다.

DeepMind는 이후 37수가 인간 기사에게 선택될 확률이 약 1만분의 1에 불과하다고 설명했다. 이 수는 AlphaGo가 바둑판을 장악하고 결국 대국을 승리로 이끄는 데 기여했다. 그 중요성은 놀라움과 측정 가능한 성공의 결합에서 나왔다.

이세돌은 그 차이를 알아봤다. 그는 계산에 의해 움직이는 기계를 예상했지만, 37수 이후 AlphaGo를 창의적이라고 표현했다. 이 반응은 벤치마크 점수만으로는 좀처럼 전달되지 않는 사실을 포착했다. 시스템이 익숙한 인간의 관행 밖에서 유용한 아이디어를 제시한 것이다.

대국은 AlphaGo의 4-1 승리로 끝났다. 이세돌은 종종 ‘신의 한 수’로 불리는 자신만의 매우 이례적인 78수를 두며 4국을 이겼다. 이 대결은 이야기가 단순한 기계 우위 서사로 흐르는 것을 막았다.

AlphaGo는 바둑판의 형세를 평가하기 위해 신경망을, 유망한 수순을 살피기 위해 Monte Carlo tree search를 사용했다. Monte Carlo tree search는 의사결정 트리에서 선택한 가지를 반복적으로 시뮬레이션해 좋은 행동을 추정하는 방식이다. 이후 강화학습은 경험과 자기대국을 통해 시스템을 개선했다.

이 시스템은 인간 언어를 통해 바둑을 추론하지 않았다. 형세에 값을 부여하고, 가능한 미래를 탐색한 뒤, 추정된 결과가 가장 강한 수를 선택했다. 이 메커니즘은 전문가 사례에 내재된 일부 관습에서 벗어날 수 있게 했다.

DeepMind의 AlphaGo matches 설명에 따르면, 37수는 수 세기에 걸쳐 전해진 바둑의 통념을 뒤집었다. 결과는 단순히 더 높은 점수가 아니었다. 프로 기사들은 이 수를 연구했고, 바둑판을 이해하는 방식을 조정했다.

이 사건이 10년 뒤에도 여전히 유용한 이유가 여기에 있다. 이 수는 인간이 시험하고, 재현하고, 마침내 받아들일 수 있는 기계 생성 새로움의 압축된 사례를 관찰자들에게 제시했다.

수학에는 끝난 바둑 대국만큼 즉각적인 점수판이 없다. 결정적인 질문은 이례적인 구성, 알고리즘 또는 추측이 형식적 분석 아래에서도 올바름을 유지하는지다. 이 차이 때문에 오늘날의 발견은 더 큰 의미를 지니지만, 판단하기도 더 어렵다.

이 Techmeme 분석이 바둑을 넘어서는 이유

현대의 37수 질문은 AI가 관객을 놀라게 할 수 있는지가 아니라, 검증 가능한 지식을 만들어낼 수 있는지에 관한 것이다.

바둑은 AlphaGo에 고정된 규칙, 완전한 정보, 명확한 목표를 제공했다. 모든 합법적인 바둑판 형세는 궁극적인 승패를 통해 평가할 수 있었다. 수학에는 유용한 목표를 정의하는 일조차 전문가의 판단을 필요로 하는 더 넓은 공간이 존재한다.

수학 시스템은 누락된 맥락도 다뤄야 한다. 연구자들은 어떤 구성이 왜 작동하는지, 어떤 가정이 이를 뒷받침하는지, 일반화 가능한지를 중요하게 본다. 수치적 개선은 그와 같은 더 깊은 질문에 답하지 못하더라도 가치가 있을 수 있다.

그럼에도 이 분야는 여러 중요한 문턱을 넘었다. AI 시스템은 이제 후보 구성을 생성하고, 알고리즘을 탐색하며, 어려운 경시대회 문제를 풀고, 미해결 문제를 연구하는 수학자들을 지원한다. 가장 강력한 결과는 유창한 출력만이 아니라 검증 루프에 의존한다.

이 구분은 발견 시스템을 일반적인 챗봇과 가른다. 언어 모델은 숨은 오류를 포함한 자신감 있는 수학적 문장을 생성할 수 있다. 반면 검증기는 코드를 실행하고, 구성을 시험하거나, 증명이 허용된 규칙을 따르는지 확인할 수 있다.

Google DeepMind의 FunSearch는 언어 모델을 자동화된 검증기 및 진화적 탐색 과정과 결합했다. 언어 모델이 프로그램을 제안하면 검증기가 이를 채점하고 부적합한 후보를 걸러냈다. 더 나은 프로그램은 프롬프트 풀로 되돌아가며 반복적 탐색 주기를 만들었다.

동료 심사를 거친 FunSearch research는 극값 조합론의 잘 알려진 문제인 cap set 문제에 대한 새로운 구성을 보고했다. 연구진은 또한 연구된 분포에서 널리 쓰이는 기준선보다 개선된 온라인 bin-packing 휴리스틱도 발견했다.

이 결과들이 중요한 이유는 검증기가 외부 기준을 만들었기 때문이다. 모델은 그럴듯한 언어만으로 수용을 얻을 수 없었다. 프로그램은 기존 벤치마크를 뛰어넘는 결과를 생성해야 했다.

FunSearch는 고립된 답안 목록이 아니라 프로그램도 만들어냈다. 프로그램은 재사용 가능한 패턴을 드러내고 연구자들이 결과가 어떻게 생성됐는지 검토하도록 돕는다. 따라서 성공한 객체를 단순히 모아놓은 것보다 해석 가능성이 높다.

다만 해석 가능성은 상대적이다. 읽기 쉬운 코드가 간결한 수학적 설명을 보장하지는 않는다. 연구자들은 계산 결과를 정리, 증명 또는 일반 원리로 바꾸기 위해 상당한 작업을 해야 할 수 있다.

이 지점에서 37수와의 비교가 정확해진다. AlphaGo는 한 대국의 남은 진행 과정에서 가치가 드러나는 수를 선택했다. 수학적 후보는 검토와 개선, 그리고 기존 이론으로의 번역에 수개월이 걸릴 수 있다.

압박은 AI 개발자와 수학자 모두에게 가해진다. 개발자는 출력물을 감사할 수 있는 시스템을 구축해야 한다. 수학자들은 계산 증거를 어느 정도까지 인정할지, 누가 공로를 받을지, 어떤 출력물이 희소한 전문가의 관심을 받을 자격이 있는지를 결정해야 한다.

유용한 personal knowledge system은 연구자들이 가설, 실패한 검증, 뒷받침하는 논문들의 기록을 보존하는 데 도움이 될 수 있다. 그러나 증거를 정리하는 일은 수학적 검증을 대체하지 못한다.

따라서 이 변화를 다루는 techmeme 분석은 창의적인 기계라는 이미지에서 멈출 수 없다. 기계의 변주를 신뢰할 수 있는 지식으로 바꾸는 메커니즘을 살펴봐야 한다.

검증기는 AI 발견을 뒷받침하는 메커니즘이다

결정적인 발전은 수많은 아이디어를 생성하면서도 살아남는 모든 후보에 엄격한 시험을 적용하는 탐색·평가 루프다.

AlphaEvolve는 이 접근법을 개별 함수에서 더 큰 알고리즘 코드베이스로 확장한다. Google DeepMind는 2025년 5월 Gemini 모델로 구동되는 진화적 코딩 에이전트로서 이 시스템을 소개했다. 이 시스템은 프로그램 생성, 자동화된 평가, 반복적인 선택을 결합한다.

더 빠른 모델은 폭넓은 후보 프로그램을 생성할 수 있다. 더 유능한 모델은 유망한 후보에 더 깊은 수정을 가한다. 검증기는 프로그램을 실행하고 성능을 측정하며, 유용한 변형을 공유 데이터베이스에 보존한다.

이 과정은 자연선택을 닮았지만, 그 환경은 연구자들이 설계한다. 인간은 과제와 실행 가능한 프레임워크, 후보를 판단할 지표를 지정한다. 그러면 시스템은 소규모 팀이 수작업으로 살펴볼 수 있는 범위보다 더 많은 변형을 탐색한다.

DeepMind의 AlphaEvolve findings에 따르면, 이 시스템은 50개가 넘는 미해결 문제에 적용됐다. 실험의 약 75%에서 선도적 해법을 재발견했고, 20%에서는 이를 개선한 것으로 보고됐다.

한 결과는 48회의 스칼라 곱셈으로 4-by-4 복소수 행렬을 곱하는 방법과 관련됐다. DeepMind는 이것이 1969년 Strassen의 연구로 거슬러 올라가는 해당 조건의 기존 최고 기법을 개선했다고 밝혔다.

또 다른 실험은 kissing number 문제를 다뤘다. 이 문제는 선택한 차원에서 겹치지 않는 단위 구가 중심 단위 구에 몇 개까지 접할 수 있는지를 묻는다. AlphaEvolve는 11차원에서 외부 구 593개로 구성된 배치를 찾아, 알려진 하한을 개선했다.

이 사례들은 수학이 왜 검증기 기반 AI에 적합한지를 보여준다. 후보 배치는 종종 기계적으로 확인할 수 있다. 알고리즘의 연산 횟수는 측정할 수 있고, 정확성은 독립적으로 검토할 수 있다.

검증기는 또한 ‘창의성’의 의미를 좁힌다. 기계가 인간의 동기나 미적 판단을 지닐 필요는 없다. 시스템이 설계자가 단순히 제공한 것이 아닌 효과적인 후보를 생성하면 된다.

그러나 검증기는 그 자체로 경계도 만든다. AlphaEvolve는 성공을 코드와 측정 가능한 목표로 표현할 수 있는 영역에서 가장 잘 작동한다. 많은 중요한 수학 문제는 이러한 방식에 저항한다.

연구자들은 잘못된 대리 지표를 최적화할 수도 있다. 시스템은 검증기의 빈틈을 이용하거나 전문가가 중시하는 특성을 무시하면서 높은 점수를 낼 수 있다. 이는 에이전트가 의도한 목표를 달성하지 못한 채 명시된 지표만 만족시키는 reward hacking과 유사하다.

인간의 선택은 파이프라인 전반에 계속 존재한다. 전문가는 문제를 정식화하고, 제약을 코드화하며, 기준선을 선택하고, 출력을 검토한 뒤, 수치적 개선이 수학적 의미를 지니는지 판단한다. AI는 연구 판단을 없애는 것이 아니라 탐색을 확장한다.

이러한 분업은 대중적 설명이 시사하는 것보다 AlphaGo와 더 닮아 있다. 인간은 AlphaGo의 아키텍처와 훈련 과정을 설계했고, 시스템은 일반적인 대국 패턴 너머를 탐색했다. 이후 기사들은 나온 전략을 해석하고 유용한 교훈을 받아들였다.

새로운 시스템들은 덜 통제된 영역에서 이 주기를 반복한다. 이들은 이례적인 후보를 생성하고, 검증기에 제출하며, 전문가에게 살아남은 결과를 설명하도록 요청한다. 이 루프가 37수의 진정한 후계자다.

핵심 경쟁은 새로움과 검증 사이에 있다

놀라운 출력물은 독립적 검증을 통해 정확하고, 새로우며, 의미 있다는 사실이 확인된 뒤에야 발견이 된다.

대규모 인간 작업물로 학습한 모델에서 새로움을 입증하기는 어렵다. 시스템은 어디에서 그 아이디어를 접했는지 밝히지 않은 채 잘 알려지지 않은 구성을 재현할 수 있다. 따라서 연구자들에게는 모델 자체의 설명보다 더 강한 증거가 필요하다.

문서화된 최신 성과를 개선하는 것은 유용한 시험 하나를 제공한다. 후보가 같은 조건에서 공개된 기준선을 뛰어넘는다면, 단순한 암기는 설득력이 떨어지는 설명이 된다. 그렇다고 폭넓은 과학적 중요성이 입증되는 것은 아니다.

형식적 증명은 더 엄격한 경로를 제공한다. 증명 보조기는 명시적인 규칙에 따라 각 논리 단계를 검증할 수 있다. 하지만 비형식적인 수학적 아이디어를 형식 언어로 옮기는 일에는 대개 많은 인간의 노력이 필요하다.

AlphaGeometry는 하이브리드 접근 방식을 보여준다. 신경망 언어 모델과 형식적인 기하 규칙을 적용하는 기호 추론 엔진을 결합한다. 기호 탐색이 어려운 분기 지점에 도달하면 모델은 유용한 작도를 제안한다.

올림피아드 수준 기하 문제 30개를 대상으로 한 시험에서 AlphaGeometry는 25개를 풀었다. 이전의 선도 방법은 10개를 풀었으며, 이 시스템은 평균적인 금메달리스트의 성과에 근접했다. 그 출력에는 전문가들이 평가한 사람이 읽을 수 있는 증명도 포함됐다.

공개된 AlphaGeometry 연구는 번역된 2004년 국제수학올림피아드 정리의 일반화된 버전도 보고했다. 이 결과는 탐색이 정해진 시험을 완수하는 것을 넘어 구조를 드러낼 수 있음을 시사한다.

그럼에도 올림피아드 문제는 개방형 연구와 다르다. 이 문제들은 간결한 해법을 갖도록 설계되며, 평가자들은 이미 해답이 존재한다는 사실을 알고 있다. 연구 문제는 명세가 불충분하거나 이용 가능한 증명 방법으로는 풀기 어려울 수 있다.

따라서 대회 성과는 발견에 관한 질문을 결론짓지 않으면서도 유용한 역량을 측정한다. 시스템은 알려진 문제 유형을 숙달하면서도 그 범위를 벗어난 수학에는 거의 기여하지 못할 수 있다. 반대로, 좁은 범위의 최적화기가 폭넓은 추론 능력을 보이지 않고도 가치 있는 결과를 낼 수 있다.

기업들이 개별 성취를 인공 일반 지능과 연결할 때 회의적인 주장은 더욱 설득력을 얻는다. DeepMind의 회고적 AlphaGo 기념 글은 Move 37을 게임에서 과학적 발견과 AGI로 향하는 경로의 일부로 제시한다.

이는 기업의 해석이지, 독립적으로 확립된 결론은 아니다. 제한된 알고리즘 탐색의 진전이 시스템이 중요한 연구 질문을 자율적으로 선택할 수 있음을 증명하지는 않는다. 또한 그것이 수학자처럼 발견을 이해한다는 점도 보여주지 않는다.

실무적인 검증 비용도 있다. 자동화 시스템은 전문가가 검토할 수 있는 속도보다 더 빠르게 후보를 생성할 수 있다. 검증 비용이 계속 높다면 연구자들은 아이디어 부족이 아니라 주의력 병목에 직면하게 된다.

이 병목은 AI 출력의 가치를 바꾼다. 가장 유용한 시스템은 가장 많은 추측을 제안하는 시스템이 아닐 수 있다. 짧은 인증서, 재현 가능한 코드, 선행 연구와의 명확한 연결을 제공하는 시스템일 수 있다.

공로 배분 역시 해결되지 않은 문제다. 하나의 결과에는 모델 개발자, 인프라 팀, 문제를 형식화한 수학자, 최종 정리를 증명한 전문가가 관여할 수 있다. 기존의 저자 표기 관행은 이런 사슬을 위해 만들어진 것이 아니다.

올바른 대응은 기계가 생성한 결과를 일축하는 것이 아니다. 주장에 걸맞은 증거를 요구하는 것이다. “더 나은 후보를 찾았다”는 말에는 재현 가능한 비교가 필요하고, “정리를 발견했다”는 말에는 검증된 명제와 증명이 필요하다.

Move 37은 누구나 대국이 전개되는 모습을 볼 수 있었기에 투명한 시험을 통과했다. 수학도 그 자체의 놀라운 수가 비슷한 지위를 얻기 전에 그에 못지않게 명료한 시험을 필요로 한다.

AI는 수학자를 대체하는 것이 아니라 연구 워크플로에 압박을 가하고 있다

즉각적인 영향은 인간 수학자의 제거가 아니라 연구자들이 아이디어를 탐색하고, 검증하고, 우선순위를 정하는 방식의 변화다.

수학자는 전통적으로 직관과 목표가 뚜렷한 계산을 균형 있게 활용한다. AI 발견 시스템은 광범위한 계산 탐색의 비용을 낮춤으로써 그 균형을 바꾼다. 연구자들은 증명 전략에 전념하기 전에 더 많은 후보 부등식, 작도 또는 알고리즘을 시험할 수 있다.

Terence Tao는 DeepMind의 2026년 AlphaEvolve 업데이트에서 이 워크플로의 실용적인 버전을 설명했다. 그는 이런 도구가 수학자들이 반례가 있는지 가능한 부등식을 시험하고, 가능성 높은 극값 달성자를 조사하는 데 도움이 된다고 말했다. 극값 달성자는 가능한 최대값 또는 최소값을 얻는 객체다.

이러한 지원은 직관을 더 날카롭게 만들 수 있다. 연구자는 하나의 추측을 갖고 출발해 시스템에 반례 탐색을 요청하고, 반례가 나타나면 명제를 수정할 수 있다. 그 결과 형식적 증명이 시작되기 전에 최종 정리는 더 정밀해진다.

같은 워크플로는 근거 없는 자신감도 드러내는 데 도움이 될 수 있다. 수학에는 멀리 떨어진 예외 사례에서 무너지는 그럴듯한 패턴이 존재한다. 대규모 계산 탐색은 손으로 하는 분석보다 더 일찍 그런 실패를 찾아낼 수 있다.

DeepMind는 AlphaEvolve가 Erdős 문제 연구를 지원하고 외판원 문제 및 Ramsey 수와 관련된 하한을 개선했다고 말한다. 확장된 적용 사례에는 컴퓨팅과 과학 분야 전반의 최적화 작업도 포함된다.

이러한 주장은 결과별로 면밀한 검토가 필요하다. 하한은 관련 문제를 해결하지 않고도 개선될 수 있다. 유용한 계산적 관찰은 그 자체로 정리가 되지 않으면서도 증명을 이끌 수 있다.

압박은 순수수학을 넘어선다. 더 나은 행렬 곱셈 방법은 소프트웨어 라이브러리, 특수 하드웨어, AI 학습에 영향을 줄 수 있다. 관련 연산이 막대한 규모로 실행될 때는 좁은 개선조차 중요할 수 있다.

이는 Google과 다른 AI 기업이 발견 시스템에 투자할 유인을 만든다. 알고리즘 개선은 더 폭넓은 추론 능력의 증거를 제공하는 동시에 내부 인프라를 개선할 수 있다. 과학적 위상과 운영 효율성이 서로를 강화한다.

다른 연구소들도 알려진 질문에 대한 매끄러운 답변 이상을 제공해야 한다는 압박에 직면한다. 감사 가능한 작업을 만들어 내고, 형식 도구와 상호작용하며, 전문가 검토를 견뎌내는 시스템이 필요하다. 벤치마크 점수만으로는 모델이 지식을 확장할 수 있는지 거의 알 수 없다.

대학은 다른 종류의 압박을 받는다. 연구자들은 계산 자원, 평가 인프라, 공개적으로 연구할 수 있는 모델에 접근할 필요가 있다. 선도적인 발견 시스템의 재현이 계속 어렵다면, 외부 전문가들은 기업의 주장을 평가하는 데 어려움을 겪을 수 있다.

학생들에게도 다른 습관이 필요해질 것이다. 그럴듯한 증명 초안을 만드는 일은 점점 더 희소하지 않다. 가정을 점검하고, 선행 연구를 추적하고, 논증을 형식화하고, 의미 있는 질문을 알아보는 능력이 더 중요해진다.

이 모든 것이 수학적 안목을 쓸모없게 만드는 것은 아니다. 평가자는 연구자들이 부호화한 것을 보상한다. 비옥한 문제를 선택하고 통찰력 있는 패턴을 알아보는 일에는 현재 시스템이 안정적으로 제공하지 못하는 맥락적 판단이 여전히 필요하다.

가장 강력한 단기 모델은 협업형이다. AI는 광범위한 탐색과 기계적 시험을 수행한다. 인간은 가치 있는 목표를 정의하고, 결과가 왜 작동하는지 조사하며, 이를 더 큰 수학적 지형과 연결한다.

이런 배치는 여전히 영향력을 재분배할 수 있다. 효과적인 평가기를 만드는 연구자는 영향력을 얻는 반면, 계산 자원이 없는 팀은 뒤처질 위험이 있다. 수학 작업은 소프트웨어 엔지니어링 및 인프라와 더욱 밀접하게 연결된다.

따라서 Move 37에 대한 이 techmeme식 관점은 기계 지능만큼이나 제도적 변화에 관한 이야기다. Move 37은 인간 기사들이 그것을 연구했을 때 가치가 생겼다. 수학 AI는 연구자들이 낯선 출력을 신뢰할 수 있게 공동의 이해로 전환할 수 있을 때 중요해질 것이다.

무엇이 수학의 Move 37로 인정받을 수 있을까

다음 결정적 순간에는 독립적 검증, 진정한 새로움, 그리고 수학자들의 작업 방식을 바꾸는 교훈이 필요하다.

주목할 첫 번째 신호는 외부 전문 연구자들이 중요하다고 인정하는 미해결 문제에 대한 완전히 검증된 결과다. 재현 가능한 코드와 형식적 증명은 그 주장을 강화할 것이다. 비공개 평가기에 의존한다면 그 주장은 약화된다.

두 번째 신호는 지속적인 인간의 채택이다. 하나의 놀라운 작도는 관심을 끌 수 있지만, 진정한 워크플로 변화는 독립 연구자들이 AI가 생성한 아이디어를 반복적으로 사용할 때 나타난다. 인용, 후속 증명, 개선된 방법은 시연보다 더 나은 증거를 제공한다.

세 번째 신호는 문제 유형 전반으로의 전이다. AlphaGo는 그 기반 기술이 이후 시스템에 영향을 미치기 전에 하나의 게임을 숙달했다. 수학적 발견 엔진은 광범위한 과제별 재구축 없이 같은 접근법이 서로 관련 없는 분야에서도 성공할 때 더 큰 의미를 갖는다.

이러한 시험은 비교가 마케팅용 축약어가 되는 것을 막는다. Move 37은 단지 이상해 보였기 때문에 중요했던 것이 아니다. 그 수가 승리에 기여했고 이후 전문가의 직관을 재편했기 때문에 중요했다.

수학은 이보다 더 높은 기준을 요구한다. 기계가 만들어 낸 결과는 적대적인 검토 아래에서도 정확성을 유지해야 한다. 연구자들은 또한 그 결과가 알려지지 않았으며 선택된 지표를 넘어 중요하다는 점을 확립해야 한다.

가장 신뢰할 만한 경로는 투명한 평가를 거친다. 시스템은 문제 정의, 기준선, 검증 절차, 각 결과를 둘러싼 인간의 기여를 공개해야 한다. 독립 팀은 핵심 주장을 재현할 수 있어야 한다.

이 접근법은 때로 진전이 더 느려 보이게 할 것이다. 그러나 제품 주기를 넘어 살아남을 수 있는 지식도 만들어 낼 것이다. 수학은 모델, 기업, 벤치마크가 바뀐 뒤에도 유효한 결과를 보상한다.

따라서 “AI 발견”이라는 표현은 여러 수준을 포괄해야 한다. 시스템은 더 나은 수치 후보를 찾고, 유용한 추측을 제안하고, 증명을 생성하거나, 인간이 새로운 이론을 도출하도록 도울 수 있다. 이러한 성취를 서로 대체 가능한 것으로 취급해서는 안 된다.

AlphaGo 이후 10년이 지난 지금, 중요한 발전은 기계가 여전히 사람들을 놀라게 할 수 있다는 사실이 아니다. 연구자들이 놀라움을 객관적 시험으로 걸러내는 과정을 구축하고 있다는 점이다.

Move 37에 대한 techmeme식 관점은 모든 개발자, 연구자, 지식 노동자에게 실용적인 질문을 던진다. AI 결과가 어떻게 신뢰를 얻었는지 점검할 수 있는가? 증명의 흔적을 따라가고, 코드를 시험하며, 성공 사례와 함께 실패한 시도도 보존하라.

다음 Move 37은 전 세계 관객 앞에 등장하지 않을 수도 있다. 프로그램 내부에서 조용히 나타난 뒤, 수개월의 검증이 이어질 수 있다. 수학자들이 그 기저의 아이디어를 채택할 때 진정한 돌파구가 보이게 될 것이다.