필즈상 수상자들의 AI 경고, 수학의 목적을 둘러싼 논쟁을 드러내다

기계가 생성한 결과가 잇달아 나오며 AI 기업과 연구 수학자들 사이의 갈등이 격화되자, 25명의 필즈상 수상자가 AI에 관한 경고를 발표했다.

9월 11일 선언문은 대규모 언어 모델이 이제 중요한 수학 문제에 기여할 수 있음을 인정한다. 하지만 이 선언이 제기하는 문제는 답이 맞는지 여부보다 더 깊다. 서명자들은 AI 기업이 눈에 띄는 해답, 벤치마크 승리, 신속한 발표에 최적화돼 있다고 주장한다. 그들이 말하는 수학은 개념적 이해, 신중한 공로 인정, 학생 양성, 그리고 아이디어의 느린 통합에 의존한다.

이 구분은 특히 OpenAI를 비롯한 AI 연구소에 압박을 가한다. OpenAI는 모델을 과학 연구 협력자로 홍보하며 저명한 문제 해결에 대규모 투자를 해왔다. 그러나 최근 증명 발표, 공로 배분, 비공개 연구, Caltech에서 계획된 행사와 관련한 분쟁은 기술 발전이 학계의 규범과 얼마나 빠르게 충돌할 수 있는지를 보여준다.

이 불일치는 사람과 기계 사이의 단순한 경쟁이 아니다. 누가 문제를 선택하는지, 누가 결과를 검증하는지, 누가 공로를 인정받는지, 그리고 생성된 결과물을 지속 가능한 지식으로 전환하는 비용을 누가 부담하는지에 관한 문제다.

25명의 필즈상 수상자들이 실제로 경고한 것

선언문은 문제를 푸는 것과 수학을 발전시키는 것은 같지 않다고 주장한다.

서명자에는 테런스 타오, 페터 숄체, 마리나 비아조프스카, 피에르 들리뉴, 만줄 바르가바, 허준과 그 밖의 필즈상 수상자 19명이 포함된다. 이들의 수상 경력은 들리뉴의 1978년 수상부터 덩위의 2026년 수상까지 이어진다.

이 범위는 중요하다. 이 성명은 이미 자리를 잡은 입장을 지키려는 한 세대의 목소리가 아니다. 서로 다른 분야, 기관, 경력 단계에서 활동하는 수학자들을 한데 모은 것이다.

타오는 이 선언이 전주에 수상자들 사이에서 이뤄진 논의에서 나왔다고 썼다. 그는 또한 앞선 공동체 이니셔티브인 라이덴 선언보다 신속히 공개되면서 충분한 협의가 이뤄지지 못했다는 점도 인정했다.

joint declaration의 핵심 주장은 단호하다. AI 기업의 목표와 수학 공동체의 목표는 “심각하게 어긋나 있다.” 다만 이 성명은 AI를 거부하거나 최근의 진전을 부정하지는 않는다.

대신 수학적 산출물과 수학적 이해를 구분한다. 증명은 어떤 명제가 받아들여진 가정으로부터 따라온다는 사실을 확립한다. 연구 수학은 또한 왜 그 결과가 성립하는지, 어떤 아이디어가 그것을 가능하게 하는지, 그리고 그 아이디어가 다른 분야와 어떻게 연결되는지를 묻는다.

유명한 미해결 문제는 흔히 이정표 역할을 한다. 그 중요성은 사람들이 해결을 시도하는 동안 개발되는 도구, 추상화, 새로운 질문에서 비롯되기도 한다. 최종적인 참·거짓의 답은 그 가치의 한 부분만 담아낸다.

서명자들은 기업이 이 관계를 뒤집을 수 있다고 경고한다. 미해결 문제는 그것을 해결하면 인상적인 시연이 가능하다는 이유로 표적이 된다. 그러면 벤치마크가 문제를 과학적으로 유용하게 만든 이해를 대체하게 된다.

이 우려는 연구 결과가 수학적 기록에 편입되는 방식에도 적용된다. 결과는 보통 세미나, 비공개 토론, 원고 초안, 전문가 검토, 동료 심사, 단순화, 교육을 거친다. 그 과정에서 연구자들은 핵심 아이디어를 파악하고 이를 선행 연구와 연결한다.

기계가 생성한 결과도 이 필요를 건너뛰지 못한다. 오히려 그 필요를 키울 수 있다.

수천 개의 AI 에이전트가 만들어낸 긴 증명은 형식적으로 유효할 수 있지만, 전문가가 해석하기는 어려울 수 있다. 소프트웨어가 명시적 규칙에 따라 논리 단계를 확인하는 형식 검증은 정확성에 대한 신뢰를 높일 수 있다. 하지만 그것이 가장 가치 있는 개념을 자동으로 찾아내거나 명확한 설명을 만들어주지는 않는다.

선언문은 아이디어와 학생을 이 직업의 가장 소중한 자원으로 부른다. 학생에게 주어지는 문제는 단순히 답을 기다리는 미완성 과제가 아니라, 학습 환경으로 기능하는 경우가 많다. 학생들은 탐구하고, 실패하고, 질문을 재구성하고, 논증을 전달하는 법을 배운다.

문제를 가능한 한 빨리 끝내도록 최적화된 시스템은 그런 환경을 제거할 수 있다. 결과가 여전히 유용할 수는 있지만, 과학적·교육적 트레이드오프를 외면하기는 더 어려워진다.

따라서 필즈상 수상자들의 AI 경고는 생산 모델을 겨냥한다. 더 많은 문제가 더 빠르게 풀리는 것이 반드시 더 건강한 수학적 진보를 뜻한다는 가정에 이의를 제기한다.

갈등이 지금 폭발한 이유

이 경고는 AI 수학이 경쟁 결과에서 미해결 연구 문제에 관한 주장으로 옮겨가던 시점에 나왔다.

몇 년 동안 AI 시스템은 학교 수학, 올림피아드 문제, 정리 증명, 형식 검증에서 성능을 높여왔다. 이런 과제는 명확한 채점 체계를 제공했고, 연구자들이 모델 성능을 비교할 수 있게 했다.

연구 수학은 다른 시험을 만든다. 답은 미리 알려져 있지 않고, 문헌은 불완전할 수 있으며, 전문가들조차 논증이 진정으로 새로운지에 대해 의견이 갈릴 수 있다.

그럼에도 AI 연구소가 이런 문제를 추구할 강한 이유는 있다. 수학은 추론 능력을 유난히 명확하게 보여주는 증거를 제공한다. 어려운 정리는 추상적인 모델 벤치마크에서의 작은 향상보다 더 의미 있게 들린다.

OpenAI는 자사 시스템을 연구 협력자로 설명해왔다. 2026년 1월 보고서에서 이 회사는 GPT-5.2가 Aristotle 및 Lean을 포함한 도구와 함께 여러 미해결 Erdős 문제에 기여했다고 밝혔다. 타오는 그 결과로 나온 일부 논증을 검증했다.

그 scientific collaboration report는 중요한 경계도 제시했다. OpenAI는 현 모델이 때때로 알려진 기법을 결합하거나 기존 분야들을 연결할 수 있다고 말했다. 완전히 새로운 종류의 수학을 발명하는 일은 여전히 모델의 능력 밖이라는 점도 인정했다.

이 문서는 그럴듯하지만 잘못된 증명에 대한 한 가지 대응으로 형식 검사를 제시했다. 대화형 정리 증명기인 Lean은 수학적 논증을 기계적으로 확인 가능한 단계로 옮기도록 요구한다. 이 과정은 매끄러운 자연어가 감출 수 있는 빈틈을 포착할 수 있다.

그러나 정확성은 현재 분쟁의 한 차원일 뿐이다. 공로 배분, 공개, 시점, 설명은 여전히 인간 거버넌스의 문제로 남는다.

이러한 긴장은 Navier-Stokes 방정식과 관련된 OpenAI의 해결 주장 주변에서 구체화됐다. 이 방정식은 유체의 움직임을 설명하며, 존재성과 매끄러움에 관한 유명한 밀레니엄 상 문제의 중심에 있다.

OpenAI는 공개 시스템보다 더 강력한 것으로 설명된 내부 모델이 관련 증명을 생성했다고 밝혔다. 이 회사는 50시간이 넘는 시간 동안 1,000개 이상의 에이전트를 이 작업에 투입했고, 이후 탐색 규모를 최대 1만 개 에이전트까지 늘렸다고 전해졌다.

OpenAI 연구 책임자 마크 첸은 필요한 컴퓨팅 비용이 수백만 달러에 이르렀다고 말했다. 이 수치는 회사가 제시한 것으로, 해당 증명의 과학적 중요성에 대한 독립적인 척도를 제공하지는 않는다.

기술적 주장은 빠르게 공로 분쟁과 얽혔다. NYU 수학자 트리스탄 버크마스터와 Anthropic 연구원 레벤트 알포에르는 밀접하게 관련된 유체역학 연구를 진행해왔다.

the reported dispute에 따르면, OpenAI는 연구자들이 결과에 가까워지고 있다는 사실을 알게 된 뒤 이 문제에 상당한 자원을 투입했다. 버크마스터는 OpenAI 제품과의 상호작용이 그 노력에 영향을 미쳤는지 의문을 제기했다.

OpenAI는 자사 연구원이나 에이전트가 두 사람의 프롬프트나 증명에 접근했다는 주장을 부인했다. 그러나 이 회사는 비식별화된 사용 데이터가 간접적으로 모델 개선에 도움이 됐을 가능성을 완전히 배제할 수는 없다고 말했다.

이 단서는 더 광범위한 신뢰 문제를 드러냈다. 수학자는 미공개 연구를 탐색하기 위해 AI 도구를 사용할 수 있지만, 그 도구 제공업체 역시 주요 수학 결과를 발표하기 위해 경쟁할 수 있다.

비공개 프롬프트에 직접 접근하지 않았더라도, 인식된 이해상충은 행동을 바꿀 수 있다. 연구자들은 도구 사용과 기업 연구를 자신 있게 분리할 수 없기 때문에 아이디어를 숨기거나, 특정 시스템을 피하거나, 협업을 미룰 수 있다.

따라서 이 논쟁은 하나의 증명이나 한 기업보다 더 큰 문제다. AI 제공업체가 연구 인프라이자 동시에 같은 발견 경쟁의 참가자가 될 때, 프라이버시에 관한 통상적인 보장만으로는 인센티브에 대한 우려를 해소하지 못할 수 있다.

필즈상 수상자들의 AI 경고가 벤치마크 중심 수학에 제기하는 도전

핵심 트레이드오프는 빠른 문제 해결과 더 느리게 형성되는 공동의 이해 사이에 놓여 있다.

AI 기업은 시연 가능한 산출물을 통해 진전을 측정한다. 수학은 해결된 문제를 중시하지만, 이론, 설명적 방법, 재사용 가능한 기법, 지식의 전승도 중시한다.

AI 시스템이 수학자가 사례를 검토하고, 문헌을 탐색하고, 논증을 형식화하거나, 가능한 증명 전략을 탐색하도록 도울 때 이러한 목표는 겹친다. 그런 경우 자동화는 기존 연구 과정을 지원한다.

해법 자체가 기업의 트로피가 되면 목표는 갈라진다. 그러면 인센티브는 유명한 표적, 속도, 비밀주의, 발표 우선권을 선호하게 된다.

기업은 경쟁사보다 먼저 자사 모델이 인정받는 문제를 풀었다고 말함으로써 이익을 얻을 수 있다. 공동체는 여전히 그 증명이 정확한지, 새로운지, 적절히 공로가 배분됐는지, 개념적으로 유용한지를 판단해야 한다.

이 검증 작업은 규모를 키우기 어렵다. 전문가는 복잡한 논증을 검토하는 데 수주 또는 수개월이 필요할 수 있다. 기존 문헌과 비교하고, 숨겨진 가정을 찾아내며, 어떤 부분을 보존할 가치가 있는지 판단해야 한다.

모델은 전문가가 평가할 수 있는 속도보다 더 빠르게 후보 증명을 생성할 수 있다. 이 불균형은 선언문이 참·거짓 명제의 대량 생산이라고 표현한 상황을 만든다.

이 표현은 모든 결과가 틀렸다는 뜻이 아니다. 이는 물량의 문제를 설명한다. 정확한 산출물조차 검증과 해석을 담당하는 기관을 압도할 수 있다.

학술 출판은 비교적 드문 인간 저작물을 중심으로 발전해왔다. 심사자들은 속도가 감당 가능한 수준으로 유지되고 결과물이 공동의 전문 체계를 뒷받침하기 때문에 시간을 기부한다.

AI 연구소가 기술적으로 정교한 주장을 빠르게 연달아 발표하면, 심사 부담은 외부로 전가된다. 대학과 개별 연구자가 비용을 떠안는 반면, 연구소는 최초 발표로 주목을 받는다.

같은 비대칭은 공로 배분에도 영향을 미친다. 수학적 공로는 마지막 줄을 쓴 사람에게만 속하는 경우가 드물다. 이는 추측, 부분 결과, 실패한 접근법, 비공식 대화, 여러 세대에 걸쳐 발전한 기법을 반영한다.

생성된 증명은 이 사슬을 흐릴 수 있다. 모델은 방대한 학습 자료에서 패턴을 종합하며, 특정 단계에 영향을 준 출처를 신뢰성 있게 드러내지 못할 수 있다. 따라서 기술적으로 정확한 해법도 지적 우선권에 관한 미해결 질문을 낳을 수 있다.

수상자들은 또한 유명한 문제를 소모 가능한 벤치마크처럼 다루는 데 반대한다. 어려운 추측은 부분적 진전이 유용한 구조를 드러내기 때문에 수십 년의 연구를 조직할 수 있다. 답이 등장하면 생성된 증명이 연구자에게 거의 아무것도 가르쳐주지 않더라도 관심과 자금은 다른 곳으로 이동할 수 있다.

이 가능성은 역설을 만든다. AI는 수학적 발견을 가속하는 도구로 홍보되지만, 벤치마크 중심의 배치는 발견에 지속적인 가치를 부여하는 인간의 이해를 줄일 수 있다.

AI 보조 수학에는 여전히 강력한 근거가 있다. 모델은 잘 알려지지 않은 참고문헌을 찾아내고, 예시를 생성하며, 비형식적 논증을 형식 언어로 옮기고, 연구자들이 대규모 프로젝트를 조율하도록 도울 수 있다.

OpenAI 수학자 Sébastien Bubeck은 미래의 시스템을 입자 가속기에 비유한 바 있다. 이 비유에서 막대한 컴퓨팅 인프라는 어느 한 개인도 홀로 다룰 수 없는 문제를 팀이 탐구하도록 돕는다.

그는 또한 수학자들이 수학을 통해 배우는 일이 중요하기 때문에 인간이 중심에 남아야 한다고 주장했다. 이 입장은 공개적 충돌이 암시하는 것보다 선언문에 더 가깝다.

해결되지 않은 질문은 통제에 관한 것이다. 연구자들이 질문을 선택하고, 공로 귀속을 관리하며, 활용 가능한 설명을 제공받는다면 AI는 분야를 확장할 수 있다. 기업의 시연이 의제를 결정한다면 수학계는 타인의 제품 전략을 위한 검증 서비스로 전락한다.

필즈상 수상자들의 AI 경고는 벤치마크 인센티브가 관행으로 굳어지기 전에 기관들이 이 차이를 인식할 것을 요구한다.

Caltech Mathathon은 인센티브 문제를 가시화했다

40시간으로 계획된 행사는 추상적 이견을 자금, 노동, 초기 경력 연구자를 둘러싼 분쟁으로 바꾸었다.

Caltech는 2026년 10월 30일 시작하는 Mathathon을 개최할 예정이었다. 참가자들은 가속화된 경쟁 형식 안에서 대규모 언어 모델을 사용해 미해결 연구 문제에 도전하게 되어 있었다.

Anthropic과 OpenAI는 처음에 합산 200만 달러 규모의 AI 크레딧을 제공할 것으로 예상됐다. 비판자들은 이 구조가 공동체가 결과를 평가할 기준을 마련하기 전에 빠른 산출을 보상한다고 말했다.

행사에 반대하는 공개서한은 9월 8일 접수됐고 이틀 뒤 공개됐다. 공개 당시 Caltech와 더 넓은 수학 연구 공동체에서 모인 771명의 서명자가 있었다.

Mathathon 서한은 40시간으로는 미해결 문제 연구에 대한 깊은 이해, 신중한 검증, 책임 있는 소통을 뒷받침할 수 없다고 주장했다. 또한 주최 측에 행사를 중단해 달라고 요청했다.

저자들은 이례적인 자원 배분도 강조했다. 참가자들은 상당한 컴퓨팅 크레딧을 받을 수 있지만, 외부 수학자들은 이후 검증 작업의 상당 부분을 보수나 공식적 인정 없이 수행하게 될 가능성이 높았다.

이는 단순히 컴퓨팅 비용이 비싸다는 불만이 아니다. 대규모 컴퓨팅 프로젝트는 이미 과학 전반에서 정당한 역할을 수행한다. 우려는 접근권이 지속 가능한 연구 과정이 아니라 행사와 마케팅 구조를 따라 배분된다는 데 있다.

이 형식은 학부생과 기타 초기 경력 참가자들을 불확실한 영역에 놓기도 했다. 학생은 흥미로운 결과를 생성할 수 있지만, 이를 검증하거나 기존 연구와의 관계를 이해할 전문성은 갖추지 못할 수 있다.

결과가 틀린 것으로 판명되면 학생은 평판상 불이익을 겪을 수 있다. 결과가 가치 있는 것으로 드러나면 수학적·편집적 작업을 완수한 사람들보다 플랫폼 제공업체와 행사 주최자가 더 큰 주목을 받을 수 있다.

지지자들은 집중형 행사가 종종 협업을 촉진한다고 합리적으로 반박할 수 있다. 해커톤은 실험을 장려하고, 새 사용자를 기술 분야로 끌어들이며, 값비싼 인프라에 대한 접근성을 높인다.

Mathathon 주최 측은 공개, 출판, 전문가 멘토링, 행사 후 검토를 요구할 수도 있다. 짧은 행사가 이후 진지한 연구의 발전을 본질적으로 막는 것은 아니다.

이 반론은 더 넓은 선언문의 약점을 지적한다. 필즈상 수상자들은 긴급한 위험을 설명하지만 실행 가능한 규칙은 거의 제시하지 않는다. 허용 가능한 공개 절차, 공개 기준, 검증 작업에 보상하는 체계를 정의하지 않는다.

Tao의 게시물에 의견을 남긴 일부 수학자들은 직업 공동체가 자체 인센티브를 조정해야 한다고 주장했다. 학술지는 설명을 위한 재서술에 공로를 부여하거나, 전담 검토 그룹을 만들거나, AI 보조 제출물에 기계 판독 가능한 출처 이력을 요구할 수 있다.

이 비판은 타당하다. AI 기업이 학술적 인정이 무엇을 보상해야 하는지를 독자적으로 결정할 수는 없다. 대학, 출판사, 자금 지원 기관, 학회, 전문 협회 역시 결과를 형성한다.

그럼에도 이 행사는 자발적 적응만으로는 충분하지 않을 수 있는 이유를 보여줬다. 막대한 자금을 보유한 기업은 대학이 그 주변의 규범을 구축하는 속도보다 훨씬 빠르게 새로운 산출물을 만들어낼 수 있다.

행사를 둘러싼 공개 성명에 따르면 OpenAI는 비판 이후 후원을 철회했다. 이 대응은 즉각적인 압박을 줄였지만 근본적인 질문을 해결하지는 못했다.

Anthropic의 입장은 기업 대 학계라는 단순한 구도를 더욱 복잡하게 만든다. Navier-Stokes 분쟁에 관여한 한 연구자는 Anthropic에 근무했으며, 이 회사는 Mathathon도 후원했다. AI 연구소에는 전문적 가치가 기업 간 경쟁과 항상 깔끔하게 일치하지 않는 연구자들이 있다.

따라서 가장 유용한 구분선은 학계 대 상업계가 아니다. AI 프로젝트가 이해, 공로 귀속, 공동체 검토를 설계 요건으로 다루는지, 아니면 발표 이후의 정리 작업으로 취급하는지에 있다.

올바른 증명에도 인간의 제도가 필요하다

형식 검증은 일관성을 확립할 수 있지만, 결과가 과학에 책임 있게 통합됐는지는 판단할 수 없다.

이 구분은 필수적이다. AI 수학 논쟁은 여러 질문을 하나로 뭉뚱그리는 경우가 많기 때문이다.

첫 번째 질문은 증명이 논리적으로 올바른지다. Lean과 같은 형식 시스템은 지정된 틀 안에서 각 단계를 확인함으로써 이에 답하는 데 도움을 줄 수 있다.

두 번째는 형식 명제가 원래 문제를 정확히 나타내는지다. 잘못된 형식화에 대한 흠없는 증명은 의도된 질문을 해결하지 못한다.

세 번째는 결과가 새로운지다. 새로움을 입증하려면 문헌 검토, 전문가 지식, 기존 연구와의 신중한 비교가 필요하다.

네 번째는 공로가 공정하게 배분됐는지다. 증명은 올바르고 새로울 수 있지만, 여전히 부적절하게 공개된 아이디어나 데이터에 의존할 수 있다.

다섯 번째는 인간이 그로부터 배울 수 있는지다. 기계로 검증된 객체는 결과를 재사용 가능하게 만드는 개념을 드러내지 않은 채 진실을 확립할 수 있다.

AI 보조 결과에 대한 인간 작성 설명을 준비하는 데 도움을 준 Harvard 수학자 Melanie Matchett Wood는 관련된 소통 문제를 설명했다. 그는 최상위 모델들이 쉬운 내용은 지나치게 설명하는 반면 가장 어려운 단계는 너무 빠르게 넘어가는 경우가 많다고 말했다.

그의 관찰은 왜 설명이 장식적인 요소가 아닌지를 잘 보여준다. 좋은 증명은 전문가 독자에게 실제 난점이 어디에 있는지 알려준다. 그리고 그 방법을 다른 문제로 옮겨 적용할 수 있게 한다.

새롭게 형성되는 연구 규범이 여전히 정립되지 않은 이유는 기존 제도가 이러한 기능을 저자, 심사자, 편집자, 세미나 청중, 교사 사이에 나누어 왔기 때문이다.

AI 시스템은 전례 없는 규모로 검색, 초안 작성, 계산, 형식화를 결합함으로써 이 체계를 교란한다. 누구에게 각각의 후속 책임이 돌아가는지 합의되기도 전에 산출물을 만들어낼 수 있다.

건설적인 대응은 그 규모의 장점을 보존하면서 책임을 명시적으로 만드는 방식이어야 한다.

AI 보조 논문은 결과 형성에 실질적으로 영향을 준 모델, 도구, 프롬프트, 계산 방법을 공개할 수 있다. 제공업체는 관련 없는 사용자 데이터를 노출하지 않으면서 독립적 재현이 가능하도록 충분한 기술 세부 정보를 공개할 수 있다.

프로젝트는 공개 발표 전에 분야 전문가를 참여시킬 수 있다. 이 전문가들은 결과가 새로운지, 형식 명제가 원래 질문과 일치하는지, 이전 기여를 어떻게 인용해야 하는지를 판단하는 데 도움을 줄 것이다.

기업은 결론을 통제하지 않는 방식으로 검증 비용을 지원할 수도 있다. 대학이나 전문 협회가 운영하는 독립 검토 풀은 보상 없는 노동 문제를 줄일 수 있다.

학술지에는 새로운 기여 범주가 필요할 수 있다. 거대하게 생성된 증명을 이해 가능한 논증으로 바꾸는 연구자는 최종 정리가 이미 발표됐더라도 상당한 과학적 가치를 더할 수 있다.

팀에는 지속 가능한 기록도 필요하다. 검색 가능한 지식 베이스는 장기간의 검증 과정 전반에 걸쳐 초안, 원자료, 논의, 결정을 보존할 수 있다. 도구 자체보다 중요한 것은 그 배후의 출처 이력 관리 원칙이다.

이러한 조치 중 어느 것도 상충 관계를 없애지는 않는다. 빠른 생성과 느린 이해는 서로 다른 시간 척도에서 작동한다.

또한 이 선언문을 AI 생성 수학이 본질적으로 파괴적이라는 증거로 취급해서도 안 된다. 서명자들은 AI가 진정한 학습을 향상할 잠재력이 있음을 명시적으로 인정한다.

더 날카로운 주장은 제도적이다. 공로 귀속, 검증, 설명에 대한 기준이 없다면 기술적 역량이 사실상 연구 의제를 정하게 된다.

그 결과는 자율적 기계가 수학을 해치기로 선택해서 발생하는 것이 아니다. 가장 홍보하기 쉬운 성취를 사람들이 보상하기 때문에 발생한다.

필즈상 수상자들의 AI 경고 이후 주목할 점

다음 시험대는 이 선언이 또 하나의 일시적 논쟁이 아니라 구체적인 연구 규칙을 만들어내는지 여부다.

첫 번째 신호는 AI 연구소의 출판 관행에서 나올 것이다. 향후 발표는 기업들이 완전한 증명, 재현 가능한 방법, 모델 세부 정보, 인간의 기여에 대한 명확한 설명을 제공하는지 보여줘야 한다.

중대한 주장을 하기 전에 독립 검토를 요청하는 연구소는 AI가 공유 과학 인프라로 기능할 수 있다는 근거를 강화할 것이다. 반대로 또 다른 성급한 발표 뒤에 공로 귀속 분쟁이 이어진다면 수상자들의 경고는 더욱 설득력을 얻을 것이다.

두 번째 신호는 Mathathon과 유사한 행사에 관한 것이다. 주최 측은 멘토링, 공개, 검토, 행사 후 설명을 중심으로 경쟁을 재설계할 수 있다.

이는 모델이 답에 도달했는지 여부 이상의 기준으로 참가자를 평가한다는 뜻이다. 평가는 방법의 명확성, 인용의 품질, 재현 가능성, 향후 연구자에게 주는 결과의 가치를 포함할 수 있다.

행사가 가장 짧은 기간 안에 해결된 가장 주목도 높은 문제를 계속 우선시한다면 벤치마크 모델은 지배적인 위치를 유지할 것이다. 해석과 관리 책임을 보상한다면, 보다 협력적인 경로를 시험할 수 있다.

세 번째 신호는 제도적 도입이 될 것이다. 학술지, 학회, 자금 지원 기관, 수학회는 표절 탐지 이상을 다루는 AI 보조 연구 정책을 마련해야 한다.

유용한 규칙은 저자 자격, 모델 공개, 데이터 출처 이력, 형식 검증, 심사자 접근권, 설명적 재구성에 대한 공로를 정의할 것이다. 또한 미해결 문제가 해결됐다는 공개 주장을 뒷받침하는 증거가 무엇인지도 명확히 할 것이다.

필즈상의 목적에는 기존 성취와 미래 성취의 가능성을 모두 인정하는 일이 포함된다. 이 표현은 완성된 산출물뿐 아니라 지적 발전에도 관심을 두는 분야를 반영한다.

AI가 이 가치를 시대에 뒤떨어진 것으로 만들지는 않는다. 오히려 답과 연구 기여의 구분을 더 중요하게 만든다.

개발자들은 수학이 AI 보조 지식 노동의 시험 사례가 되고 있기 때문에 관심을 가져야 한다. 모델이 소프트웨어, 과학적 가설, 법률 분석, 디자인 개념을 생성할 때에도 같은 갈등이 나타날 수 있다.

기업 구매자는 시스템이 출처 이력을 보존하고 독립적 검증을 지원하는지 물어야 한다. 속도도 중요하지만, 시연이 끝난 뒤 생성된 작업을 신뢰할 수 있는지는 책임성이 결정한다.

지식 노동자는 AI 시스템이 눈에 보이는 작업을 완료할 때 누가 이익을 얻는지 주시해야 한다. 결과를 검증하고, 설명하고, 유지하며, 가르치는 사람들이 그 지속적 가치의 상당 부분을 만들어낼 수 있다.

필즈 메달 수상자들의 AI 경고는 결국 AI 사용을 중단하라는 요구가 아니다. 이는 그 지표가 제도로 굳어지기 전에 기술이 무엇을 최적화해야 하는지 결정하라는 요구다.

앞으로 몇 달은 연구소, 대학, 출판사가 이러한 공동의 방향을 세울 수 있는지를 보여줄 것이다. 그러지 못한다면, 새로 생성되는 모든 기계 생성 증명은 같은 갈등을 더 깊게 만들 것이다. 더 빠른 답변 뒤에, 지식이 실제로 진전했는지를 둘러싼 더 긴 논쟁이 이어질 것이다.