Jihao Liu는 AI가 YTD 추측을 반증했다고 말하지만, 실제 결과는 더 정밀하다

Jihao Liu는 수십 년간 추측의 여러 버전을 뒷받침해 온 연구에도 불구하고, 생성형 AI가 자신의 79쪽짜리 YTD 프리프린트에서 최초의 반례를 구성하는 데 도움을 주었다고 말한다. 이 논문은 K-다항안정적이지만 상수 스칼라 곡률 Kähler 계량은 존재하지 않는다고 주장되는 매끄러운 사영 5차원을 제시한다. 증명이 전문가 검토를 견뎌낸다면, 이 대상은 Yau-Tian-Donaldson 추측의 고전적 일반 정식을 무너뜨리게 된다.

Liu는 2026년 8월 19일 17:19 UTC에 이 논문을 arXiv에 제출했다. 초록은 주요 결과를 얻는 데 GPT-5.6-sol, Fable 5, Danus 시스템이 기여했다고 밝힌다. Bin Dong 및 Guoxiong Gao와 함께 작성한 부록은 생성형 AI의 사용 방식을 다룬다.

이 공개는 이 이야기가 빠르게 확산된 이유를 설명한다. 그러나 그것만으로 수학이 확정되는 것은 아니다. 이 논문은 동료 심사를 거친 출판물이 아니라 새로운 프리프린트이며, 제기된 반례는 여러 기술적 층위에 걸친 전문 검증을 필요로 한다.

더 깊은 이야기는 “AI가 YTD를 반증했다”는 바이럴 요약보다도 범위가 좁다. 이 결과는 일반 편극 다양체에 대해 통상적인 K-다항안정성과 상수 스칼라 곡률 Kähler 계량의 존재가 동치라는 주장에 초점을 맞춘다. Fano 다양체에 관한 중요한 YTD 정리들은 여전히 유효하며, 더 강한 안정성 정식은 이미 고전적 진술을 대체해 가고 있었다.

AI 보조 YTD 프리프린트가 실제로 주장하는 것

핵심 주장은 특정한 수학적 불일치이지, 수십 년간의 Kähler 기하학이 틀렸다는 일반적 선언이 아니다.

Yau-Tian-Donaldson 추측은 기하학적 대상을 설명하는 서로 다른 두 방식을 연결한다. 한쪽에서는 편극 다양체가 표준 계량을 갖는지를 묻는다. 다른 한쪽에서는 그 다양체가 대수적 안정성 조건을 충족하는지를 묻는다.

편극 다양체는 사영 다양체와 ample 선다발의 쌍으로, 대수기하학에서 사용되는 매장 데이터를 제공한다. 여기서 말하는 계량은 스칼라 곡률이 일정한 계량으로, 그 스칼라 곡률이 기저 Kähler 다양체 전체에서 균일하게 유지됨을 뜻한다.

이 추측의 매력은 이 연결고리에서 나온다. 어려운 비선형 해석학적 존재 문제는 K-다항안정성이라는 대수적 판정 기준과 동치가 된다. 수학자들은 미분방정식을 직접 푸는 대신 퇴화와 수치 불변량을 통해 표준 기하를 연구할 수 있게 된다.

Liu의 YTD 프리프린트는 이 두 측면을 분리한다고 주장한다. 그는 K-다항안정성 검사를 통과하지만, 기대되는 상수 스칼라 곡률 Kähler 계량을 갖지 않는 복소 차원 5의 복소 사영 다양체인 편극된 매끄러운 사영 5차원을 구성한다.

유효한 사례 하나면 충분하다. 어떤 대상이 제안된 조건을 충족하지만 약속된 결론을 갖지 않는다면 동치는 성립하지 않는다.

따라서 “K-다항안정적”이라는 점과 “상수 스칼라 곡률 계량이 없다”는 점의 구별이 이 결과 전체를 좌우한다. 어느 한쪽이라도 무너지면, 이 논문은 고전적 추측을 반증하지 못한다. 검토자들은 구성, 안정성 계산, 해석학적 장애, 그리고 이들 사이의 논리적 연결을 점검해야 한다.

프리프린트의 날짜가 중요한 이유는 arXiv 제출 후 불과 며칠 만에 Bilibili에서 이 주제가 유행했기 때문이다. 8월 23일 기준으로 이 논문은 통상적인 학술지 심사를 통과할 시간이 없었다. arXiv에 올라왔다는 사실은 해당 주장이 공개적으로 게시되었음을 뜻할 뿐, 논증이 검증되었음을 의미하지는 않는다.

저자는 익명의 소셜미디어 계정이 아니다. Liu는 베이징대학교의 대수기하학자이며 베이징 국제수학연구센터의 구성원이다. 그의 연구 프로필에는 쌍유리 기하학, 특이점, 엽층, 명시적 대수기하학이 주요 관심 분야로 기재되어 있다.

이러한 배경은 근거 없는 챗봇 출력보다 이 주장의 신뢰도를 높인다. 하지만 검증 공백은 여전히 남는다. 전문 저자도 실수할 수 있고, AI가 생성한 논증은 미묘한 오류를 숨길 수 있으며, arXiv는 완전한 동료 심사보다는 중재를 수행한다.

따라서 올바른 헤드라인은 조건부여야 한다. Liu와 그의 논문은 반증을 주장하지만, 독립적인 수학계의 합의는 아직 형성 중이다.

YTD가 이미 하나의 추측보다 더 복잡했던 이유

이제 “YTD 추측”이라는 표현은 범위, 안정성 개념, 확립된 결과가 서로 다른 여러 진술을 포괄한다.

이 광범위한 아이디어는 Shing-Tung Yau, Gang Tian, Simon Donaldson과 연관된 연구에서 발전했다. 이는 표준 Kähler 계량의 존재가 대수적 안정성과 대응해야 한다고 예측한다.

이 원칙은 주요 정리들을 낳았다. 하나의 AI 시스템이 반례를 찾을 때까지 변함없이 유지된 단일 명제가 아니다.

Fano 다양체의 경우 K-다항안정성을 Kähler-Einstein 계량과 연결하는 중요한 YTD 정식들이 증명되었다. Fano 다양체는 ample 반표준 선다발을 가지며, 추가 구조를 갖춘 특수한 기하학적 환경에 놓인다. Liu가 주장한 사례는 이 정리들을 지우지 않는다.

새 프리프린트는 일반 편극 다양체에 대한 더 광범위한 상수 스칼라 곡률 문제를 다룬다. 관련 해석학적·대수적 공간이 더 복잡하기 때문에 이 환경은 더 어렵다. 적절한 안정성 정의 역시 논쟁의 중심에 남아 있었다.

통상적인 K-안정성은 테스트 구성이라 불리는 대수적 퇴화를 통해 편극 다양체를 검사한다. 각 구성에는 수치 불변량이 부여된다. 대략적으로 음의 거동은 불안정화 퇴화를 드러내며, 다항안정성은 경계에서 특정한 자명한 경우만 허용한다.

문제는 이러한 대수적 검사들의 집합이 계량이 존재하지 않을 수 있는 모든 해석학적 방식을 포착하는지 여부다. Liu가 제안한 사례는 그렇지 않다고 말한다. 이 다양체는 통상적인 K-다항안정성을 통과하지만, 해석학적 장애는 남아 있다.

이 가능성은 아무런 전조 없이 등장한 것이 아니다. 연구자들은 균일 K-안정성과 비아르키메데스 정식을 포함한 더 강한 개념을 발전시켜 왔다. 이 조건들은 단순히 음이 아닌 불변량을 요구하는 대신 안정성을 정량화한다.

Sébastien Boucksom과 Mattias Jonsson은 2026년 비아르키메데스 접근법에서 균일 수정 K-안정성에 기반한 버전을 설명했다. 이들의 틀은 완비화된 비아르키메데스 계량 공간을 다루며, 고전적 테스트 구성을 넘어선다.

별도의 2026년 5월 프리프린트는 상수 스칼라 곡률 계량을 자기동형 사상에 맞춰 조정한 균일 K-안정성 형태와 연결하는 균일 정식을 제시했다. 이 연구는 전문가들이 Liu의 결과를 전체 YTD 프로그램의 붕괴가 아니라 안정성 조건의 수정으로 볼 수 있는 이유를 보여 준다.

이것이 핵심 해석상의 분기점이다. 바이럴 버전은 AI가 유명한 추측을 무너뜨렸다고 말한다. 기술적 버전은 가장 일반적인 상수 스칼라 곡률 문제에서 통상적인 K-다항안정성이 지나치게 약해 보인다고 말한다.

이 두 진술은 범위가 다르다. 전자는 관심을 끌지만, 후자는 수학자들에게 무엇을 바꿔야 하는지 알려 준다.

유효한 반례는 원래의 대수적 검사가 일부 불안정화 거동을 빠뜨렸음을 보여 줄 것이다. 이는 표준 테스트 구성보다 더 많은 것을 포착할 수 있는 완비화된, 균일한, 또는 여과 기반 안정성 개념을 뒷받침하게 된다.

따라서 이 결과는 더 큰 YTD 철학을 지지할 수도 있다. 대수적 안정성이 여전히 표준 계량을 특징지을 수 있지만, 올바른 대수적 정의는 더 강해야 한다.

진짜 상대는 통상적인 K-다항안정성이다

이 논문은 AI와 모든 인간의 YTD 증명을 대결시키는 것이 아니라, 통상적인 K-다항안정성과 더 강한 안정성 틀을 맞세운다.

고전적 정식은 K-다항안정성이 상수 스칼라 곡률 Kähler 계량에 충분하다고 약속한다. Liu의 5차원 다양체는 그 약속이 깨지는 사례를 드러낸다고 주장된다.

더 강한 틀은 무엇이 불안정화 방향으로 간주되는지를 확장해 대응한다. 전통적 대수 테스트 구성만 검사하는 대신, 여과, 비아르키메데스 계량, 또는 정량적 하한을 살핀다.

이 차이는 추상적으로 들릴 수 있지만 기능은 간단하다. 안정성 검사는 계량의 존재와 관련된 모든 장애를 탐지할 때만 유용하다. 한 부류의 퇴화를 놓치는 검사는 해석기하학이 그렇지 않다고 말하는 대상에 안정적이라는 판정을 내릴 수 있다.

Liu의 구성은 알려진 바에 따르면 정확히 이 공백을 활용한다. 편극된 5차원 다양체는 통상적 정의 아래 K-다항안정적이다. 그러나 논문은 계량을 보장하는 데 필요한 더 강한 균일 조건은 충족하지 못한다고 주장한다.

그 논증이 옳다면, 반례가 해당 분야를 대체안 없이 남기는 것은 아니다. 그것은 더 약한 조건과 누락된 해석학적 거동을 포착하도록 설계된 조건 사이의 경계를 식별한다.

이 때문에 차원과 범주가 중요하다. 5차원 다양체는 기하학적 직관을 이끄는 가장 단순한 곡면이나 3차원 다양체와는 거리가 멀다. 고차원 구성은 저차원 사례에서는 불가능한 방식으로 다발, 대칭, 교차 데이터를 결합할 수 있다.

논문의 사례가 통상적인 K-다항안정성이 쓸모없다는 뜻도 아니다. 이는 넓은 환경에서 여전히 필요조건이며, 중요한 특수한 경우에는 충분조건이다. 주장되는 실패는 완전한 일반성에서의 충분성에 관한 것이다.

이 차이를 진단 검사로 생각해 볼 수 있다. 음성 결과는 문제를 신뢰성 있게 식별할 수 있지만, 양성 결과는 여전히 하나의 드문 조건을 놓칠 수 있다. 검사는 가치를 유지하지만, 양성 예측에는 더 강한 기준이 필요하다.

이 틀은 앞선 긍정적 결과들이 자동으로 모순되지 않는 이유도 설명한다. Fano 가정, 이산성 조건 또는 균일 안정성 아래 증명된 정리는 여전히 정리다. 일반적 반례는 새 사례를 가정에 포함하는 진술만 무너뜨린다.

수학 뉴스에서는 이러한 한정사가 종종 사라진다. “모든 편극된 매끄러운 사영 다양체에 대해”는 “YTD”가 되고, “K-다항안정적”은 “안정적”이 된다. 이런 세부 사항이 사라지면, 한 정식의 수정이 전체 연구 프로그램의 거부처럼 들린다.

가장 중요한 결과는 수정된 합의가 될 것이다. 통상적인 K-다항안정성은 필요하지만 충분하지 않으며, 강화된 비아르키메데스 또는 균일 조건이 올바른 동치를 제공한다는 합의다.

그것만으로도 주요한 결과다. 이는 증명, 사례, 모듈라이 문제를 더 강한 불변량 쪽으로 이끌 것이다. 또한 통상적 정식을 증명하려는 기존 시도가 왜 지속적인 기술적 장벽에 부딪혔는지도 분명하게 해 줄 것이다.

이 반례는 기준 대상이 될 수 있다. 연구자들은 어떤 안정성 정의가 이를 배제하는지, 어떤 불변량이 장애를 드러내는지, 그리고 더 낮은 차원에도 관련 사례가 존재하는지를 물을 것이다.

이 질문들은 이 사건이 특정 AI 벤더의 승리로 간주될 수 있는지보다 더 중요하다. 지속적인 수학적 가치는 빠진 조건을 진단하는 데 있다.

GPT-5.6-sol, Fable 5, Danus가 연구에 참여한 방식

이 논문은 AI를 연구 시스템의 일부로 제시하며, 실명으로 언급된 수학자가 출판된 증명과 그 주장에 대한 책임을 계속 진다.

초록은 GPT-5.6-sol, Fable 5, Danus를 구체적으로 식별한다. 이는 일반적인 언어 모델 지원만 언급하는 논문들과 비교하면 이례적으로 직접적인 공개 수준이다.

GPT-5.6-sol과 Fable 5는 주요 결과를 얻는 데 사용된 생성형 모델로 설명된다. Danus는 AI 주도 수학 탐구를 조율하기 위한 소프트웨어 프레임워크다. 공개된 Danus repository는 연구자들이 검토하고 활용할 수 있는 구체적인 산출물을 제공한다.

다중 모델 워크플로는 수학적 작업을 후보 생성, 문헌 검색, 기호 조작, 비판, 수정으로 나눌 수 있다. 한 모델이 구성을 제안하면 다른 모델이 그 가정을 공격하고, 오케스트레이터가 변화하는 상태를 유지한다.

이 과정은 소비자용 챗봇에 질문 하나를 던지는 것과는 다르다. 긴 수학 논증에는 안정적인 표기, 지속적인 목표, 반복적인 검증이 필요하다. 오케스트레이션 계층은 중간 주장을 보존하고 여러 시도를 거치도록 전달할 수 있다.

그러나 오케스트레이션이 모델 출력을 정리로 바꾸지는 않는다. 언어 모델은 그럴듯한 정의를 재현하면서도 한정사를 뒤집거나, 가정의 범위 밖에서 결과를 적용하거나, 특이한 경우를 간과할 수 있다.

따라서 5차원 다양체 구성은 그 발견 과정과 독립적으로 성립해야 한다. 독자는 이를 제안한 모델을 신뢰하지 않고도 모든 보조정리를 검증할 수 있어야 한다.

이 원칙은 서로 반대되는 두 가지 실수도 막는다. 회의론자들은 AI가 발견을 도왔다는 이유만으로 증명을 거부해서는 안 된다. 열광론자들 역시 여러 고도화된 모델이 참여했다는 이유만으로 증명을 받아들여서는 안 된다.

수학은 궁극적으로 작성된 논증을 판단한다. 올바른 증명은 최초의 아이디어가 사람, 컴퓨터 탐색, 언어 모델 중 어디서 나왔는지와 무관하게 올바르다.

공로 표시는 더 어렵다. arXiv 항목에는 Liu가 논문의 저자로 기재되어 있고, Dong과 Gao는 AI 사용에 관한 부록에 참여한다. 모델은 책임을 질 수 없고, 편집상 문제를 해결하거나 이의 제기에 답할 수도 없기 때문에 저자가 아닌 도구로 인정된다.

그럼에도 이 워크플로는 연구 관행의 변화를 시사한다. 이제 전문가는 상당한 인적 시간이 소요될 규모로 모델에게 인접한 구성들을 조사하고, 기법을 결합하며, 예외를 탐색하도록 요청할 수 있다.

반례는 특히 이런 방식과 잘 맞는다. 시스템에는 유한한 속성들의 집합을 만족하는 객체 하나가 필요하다. 일단 제안된 객체는 명시적 계산과 확립된 정리를 통해 검증할 수 있는 경우가 있다.

보편적 증명은 다른 부담을 안긴다. 그것은 한 분류의 모든 객체를 포괄하고 모든 예외적 경우를 통제해야 한다. 유창하지만 불완전한 논증은 숨은 공백이 드러나기 전까지 여러 차례의 검토를 통과할 수 있다.

Liu의 주장은 이 두 범주 사이에 놓여 있다. 하나의 5차원 다양체가 존재하는 것만으로도 동치성을 반박할 수 있지만, 그 해석적 계량이 존재하지 않음을 증명하려면 단순한 수치적 증거를 제시하는 것 이상이 필요하다.

따라서 이 연구를 즉시 검증 가능한 답을 산출한 자동화 탐색으로 묘사해서는 안 된다. 논문에 따르면, 이는 AI가 발견, 종합, 초안 작성에 도움을 준 긴 기하학적 논증이다.

이 구분은 AI 연구 에이전트를 평가하는 기업에도 중요하다. 관련 역량은 무인 진실 생산이 아니다. 이는 전문가 검증 및 감사 가능한 기록과 결합된 가설 생성의 가속화다.

유사한 워크플로를 도입하는 팀은 프롬프트, 모델 버전, 중간 출력, 실패한 분기, 인간의 수정을 보존해야 한다. 검색 가능한 AI knowledge base는 그러한 출처 이력을 유지하는 데 도움이 될 수 있지만, 수학을 검증할 수는 없다.

가장 강력한 교훈은 운영상의 교훈이다. 모델은 탐색 공간을 넓힐 수 있지만, 책임은 결과를 선택하고 검증하며 공개하는 연구자에게 남는다.

YTD 주장이 여전히 증명하지 못하는 것

새로운 arXiv 제출물은 주장에 대한 우선권을 확립할 수 있지만, 독립적인 전문가 검증을 대체할 수는 없다.

8월 23일 현재 제출일과 본 분석 시점 사이에는 단 4일이 지났다. 세미나 토론, 행별 검토, 수정, 학술지 심사로 이어지는 통상적인 주기를 거치기에는 너무 짧은 시간이다.

가장 명백한 불확실성은 5차원 다양체가 고전적 추측에서 사용한 정확한 정의 아래 실제로 K-다항안정적인지 여부다. 안정성 계산은 단지 명백한 한 계열이 아니라 가능한 모든 테스트 구성에 의존할 수 있다.

두 번째 불확실성은 상수 스칼라 곡률 Kähler 계량이 존재하지 않는다는 주장과 관련된다. 그 장애 요인은 특정 편극에 적용되어야 하며, 관련된 모든 대칭성이나 자기동형 문제를 견뎌야 한다.

세 번째는 일반 안정성과 균일 안정성 사이의 연결에 관한 것이다. 증명이 더 강한 가정을 지닌 정리를 암묵적으로 끌어온다면, 이 구성은 반례가 아니라 정의상의 불일치를 드러낼 수 있다.

이는 오류 आरोप이 아니다. 생성형 시스템이 논증 생성에 도움을 주었다는 점 때문에 추가적인 주의가 기울어질 뿐, 야심 찬 프리프린트에 제기되는 표준적인 질문들이다.

AI 공개는 재현성 문제도 만든다. 모델의 이름을 밝히는 것은 어떤 시스템이 참여했는지는 알려 주지만, 다른 연구자들이 발견 경로를 재구성할 수 있는지는 알려 주지 않는다. 호스팅 모델은 바뀌고 내부 버전을 이용할 수 없을 수 있으며, 확률적 출력은 달라진다.

완전한 프롬프트 기록조차 증명을 참으로 만들지는 못한다. 그것은 저자들이 그 결론에 어떻게 도달했는지 보여 주고, 어떤 단계가 의미 있는 인간 검토를 받았는지 파악하는 데 도움을 줄 것이다.

형식 검증은 이 우려의 일부를 해소할 수 있지만, 이 프리프린트는 Lean 같은 시스템에서 기계 검증된 증명으로 제시되지 않는다. 고급 Kähler 기하와 대수기하를 증명 보조기로 옮기는 일 자체가 상당한 기초 작업을 요구할 것이다.

동료 심사 역시 무오류는 아니다. 더 나은 기준은 안정성 분석을 재현하고, 해석적 장애 요인에 이의를 제기하며, 구성을 단순화하려는 전문가들로부터 수렴하는 검증이다.

공개 토론은 이미 흥분과 신중함을 모두 보여 주었다. 일부 수학자들은 AI 보조 반례를 연구 자동화가 가속되고 있다는 증거로 본다. 다른 이들은 전문적 지도와 증명 검토가 여전히 지적 부담의 대부분을 차지한다고 강조한다.

두 관점은 모두 사실일 수 있다. AI가 결정적인 구성을 생성했을 수 있지만, 그 관련성을 알아보고 그 주변의 모든 주장을 확립하려면 인간의 전문성이 여전히 필요하다.

독자는 하나의 논문만으로 노동시장에 관한 결론을 내리는 것도 피해야 한다. 고도로 구조화된 분야에서 나온 모델 보조 결과가 자율 시스템이 가치 있는 문제를 선택하고, 연구 프로그램을 지속하며, 차세대 수학자를 양성할 수 있음을 보여 주지는 않는다.

이 사건은 무시하는 태도로는 더 이상 충분하지 않다는 점을 보여 준다. 확립된 연구자가 주요 추측 수준의 결과에 대해 여러 모델의 공로를 공개적으로 인정할 때, 연구 공동체는 그 증명과 워크플로를 진지하게 평가해야 한다.

현재로서 가장 안전한 판정은 정확하다. 신뢰할 만한 전문가는 상세한 AI 보조 반증 주장을 게시했지만, 그 주장은 아직 그 중요성에 상응하는 독립적 검증을 축적하지 못했다.

이 결과가 어떻게 평가될지를 결정할 세 가지 신호

다음 단계는 또 하나의 바이럴 헤드라인이 아니다. 전문가 재현, 수정된 안정성 지도, 그리고 AI 워크플로에 대한 지속 가능한 기록이다.

첫 번째 신호는 독립적인 수학적 검증이다. 전문가들은 5차원 다양체의 구성, 일반 K-다항안정성, 그리고 주장된 계량의 비존재를 확인해야 한다. 간결한 독립 증명, 세미나의 합의, 또는 공개 정정은 참여 수치보다 더 큰 무게를 지닌다.

전문가들이 논증을 재현한다면 해석은 즉시 강화된다. 수정 가능한 공백을 찾아낸다면 관심은 해당 구성을 살릴 수 있는지로 옮겨간다. 중심 안정성 주장이나 장애 요인 주장이 실패한다면 반증은 성립하지 않는다.

두 번째 신호는 연구자들이 이 사례를 더 강한 YTD 정식화와 비교해 어떻게 위치시키는지다. 유용한 반례라면 정확히 어떤 강화된 조건이 그 불안정성을 포착하는지 드러내야 한다.

그 비교는 이 논문이 하나의 프로그램을 끝내는지, 아니면 더 정교하게 만드는지를 결정할 것이다. 가장 가능성 높은 지속적 해석은 일반 K-다항안정성이 너무 약했고, 균일 안정성 또는 완비된 비아르키메데스 안정성이 빠진 방향을 포착한다는 것이다.

Liu의 사례에서 그러한 더 강한 불변량을 계산하는 후속 논문을 주시해야 한다. 차원을 낮추거나 더 넓은 반례 계열을 만들려는 시도도 지켜볼 필요가 있다. 어느 쪽의 발전이든 이 객체가 고립된 이상 현상이 아니라 구조적 경계를 드러낸다는 점을 보여 줄 것이다.

세 번째 신호는 공개의 질이다. 이 부록은 모델과 오케스트레이션 시스템의 이름을 밝힘으로써 선례를 만든다. 향후 수정본은 기계의 제안, 인간의 개입, 폐기된 논증, 최종 검증을 분리함으로써 이 기록을 더 유용하게 만들 수 있다.

그 증거는 학술지와 연구기관이 AI 보조 수학을 평가하는 방식에 영향을 줄 것이다. 투명한 워크플로는 공로 배분과 오류 분석을 뒷받침할 수 있다. “AI가 해결했다”는 모호한 주장은 그럴 수 없다.

개발자와 지식 노동자에게 즉각적인 교훈은 출처 이력을 결과물의 일부로 취급하는 것이다. 체계적인 research workflow를 통해 원천 자료, 모델 맥락, 결정, 수정을 보존해야 한다. 같은 관행은 AI가 코드, 계약서, 실험, 시장 데이터를 분석할 때도 적용된다.

따라서 YTD 이야기는 깔끔한 기계의 승리도, AI 생성 연구를 무시할 이유도 아니다. 이는 모델이 탐색하고 종합하며, 전문가가 선택하고 검증하고, 더 넓은 공동체가 결과를 깨뜨리려 시도하는 하이브리드 과정의 실시간 시험이다.

앞으로 몇 달 동안 던져야 할 질문은 구체적이다. 독립적인 기하학자들이 5차원 다양체를 검증하고, 그것이 위반하는 더 강한 안정성 조건을 확인하며, 결과가 어떻게 만들어졌는지 신뢰할 만큼 충분한 AI 과정을 재구성할 수 있을까?