Microsoft KLS 증명, 인간 주도 AI로 31년 묵은 추측 해결
Microsoft Research는 연구원 Xinzhi Zhang과 협력자 Zhao Song이 새로운 수학과 인간 주도 AI를 활용해 31년 된 Kannan-Lovász-Simonovits 추측을 해결했다고 밝혔다. Microsoft KLS 증명은 확률이 다차원 공간에서 어떻게 작동하는지를 다룬다. 이 사례의 AI 측면은 또 다른 경계, 즉 자동화된 탐색이 끝나고 과학적 판단이 시작되는 지점에 관한 이야기다.
이번 발표는 공개된 수학 논문과 기계 검증 가능한 증명 프로젝트를 함께 내놓았다. 이는 기업이 인상적인 모델 응답을 소개하는 수준보다 더 실질적인 근거를 제공한다. 동시에 수학적 결과, 그 검증, 그리고 해당 연구 과정을 둘러싼 주장 사이를 신중히 구분할 필요도 있다.
핵심 비교 대상은 인간 주도 AI 연구와 지도 없이 이루어진 발견 시도다. Microsoft는 유도된 접근법은 성공한 반면, 별도로 진행된 비유도 시도들은 목표에 이르지 못했다고 전했다. Pierre Bizeul, Boaz Klartag, Joseph Lehec를 포함한 또 다른 연구팀은 자체 증명에 ChatGPT가 상당한 기여를 했다고 설명한다. 이 사례들은 발견에 관한 보편적 공식을 확립하지는 않지만, AI의 과학적 역할을 진지하게 논의할 근거를 제공한다.
Microsoft KLS 증명이 실제로 바꾸는 것
수학적 진전은 차원에 따라 더 커지지 않는 경계값이다. 이 차이는 추측을 해결한 것과 그저 한 단계 더 개선한 것을 구분한다.
KLS 추측은 확률밀도의 로그가 오목한 로그 오목 분포를 다룬다. 여기에는 익숙한 가우스 분포와 볼록체 위의 균등 분포가 포함된다. 볼록체는 그 안의 임의의 두 점을 잇는 모든 직선 선분을 포함하는 집합이다.
기하학적으로 이 문제는 평평한 절단면이 분포의 가장 좁은 병목을 얼마나 잘 포착하는지 묻는다. 추측은 이러한 값이 제한 없는 절단과 고정된 상수 배수 범위에서 비교될 수 있다고 예측한다. 그 상수는 차원과 무관하게 제한되어야 한다.
연구진의 universal KLS bound는 이러한 차원 독립적 제어가 존재한다고 말한다. Song은 독립 연구자로, Zhang은 Microsoft Research 소속으로 표기되어 있다. 논문은 이 결과를 샘플링, 적분, 부피 계산, 볼록 최적화와 연결한다.
여기서 뉴스의 핵심은 “universal”이라는 표현이다. 차원에 따라 느리게 증가하는 보장도 차원이 커질수록 성능이 나빠질 가능성을 남긴다. 보편적 경계는 바로 그 악화 요인을 제거한다.
그렇다고 다수의 변수가 포함된 모든 계산이 쉬워지는 것은 아니다. 알고리즘은 여전히 입력 비용, 구현 선택, 기타 수학적 의존성에 직면한다. 이 정리는 정의된 분포 클래스 안의 특정 기하학적 장애를 다룬다.
AI 헤드라인을 통해 이 결과를 접하는 독자에게는 이 단서가 중요하다. 고차원 기하학은 곧바로 머신러닝과 관련 있어 보이지만, 관련성이 곧바로 배포된 모델의 개선을 입증하지는 않는다. 수학적 연결과 측정된 제품 효과에는 서로 다른 증거가 필요하다.
무작위의 국소 단계를 통해 확률분포를 탐색하는 가상의 샘플링 프로그램을 생각해 보자. 좁은 통로는 탐색을 방해해 프로그램이 불완전한 그림만 얻게 할 수 있다. 기하학적 보장은 연구자들이 이러한 어려움을 분석하는 데 도움을 준다.
이 정리가 프로그램의 전체 성능 분석을 제공하는 것은 아니다. 연구자들은 여전히 그 가정을 검토 대상 분포와 알고리즘에 연결해야 한다. 실용적 효과에 관한 주장은 계산 오버헤드에 대한 설명도 필요하다.
따라서 가장 타당한 즉각적 영향은 수학적 기반에 관한 것이다. KLS를 가정했던 결과들은 나머지 가설이 성립하는 한 그 가정을 해소한 상태에서 다시 검토할 수 있다. 실용적 영향은 후속 연구가 이 기반 위에 무엇을 구축하느냐에 달려 있다.
그러므로 Microsoft KLS 증명은 과장된 활용 주장을 덧붙이지 않고도 주목받을 가치가 있다. 핵심 추측을 해결한 일 자체가 중요하다. 일상적 AI가 더 빨라진다는 뒷받침 없는 약속을 덧붙이면 보도는 오히려 덜 유익해진다.
이 연구는 유용한 공개 기록도 남긴다. 독자는 회사가 발견 과정을 설명한 내용과 별개로 정리의 적용 범위를 살펴볼 수 있다. AI의 기여를 평가할 때 이 분리는 특히 중요해진다.
수십 년간의 진전이 이 결과가 지금 나온 이유를 설명한다
새 결과는 이전 연구와 독립적으로 등장한 것이 아니라, 확립된 수학적 발전 경로 위에 구축됐다. 그 경로를 이해하면 AI의 기여를 더 쉽게 평가할 수 있다.
2023년 Klartag는 차원의 로그 제곱근을 포함하는 경계값을 보고했다. 이 연구는 이미 차원 독립적 제어를 향한 상당한 진전이었다. 또한 경계값이 추측에 가까워질 수는 있어도 그것을 해결하는 것은 아닐 수 있음을 보여줬다.
Brayden Letwin의 2026년 7월 quadratic-form result는 차원 의존성을 로그의 네제곱근으로 개선했다. 그의 논문은 좌표 쌍의 곱으로 구성된 표현인 이차 형식에 대한 부등식을 확립했다.
이차 형식과 일반 함수의 차이는 중요하다. 제한된 계열을 제어하는 것은 더 폭넓은 제어를 위한 발판이 될 수 있다. 하지만 그것만으로 추측이 요구하는 모든 경우가 자동으로 해결되지는 않는다.
KLS 추측 설명을 찾는 비전문가에게 이 발전 과정은 유용한 기준점이 된다. 연구자들은 남은 의존성을 줄이는 한편, 이를 완전히 제거할 수 있는 논증을 찾고 있었다. 수치적으로 보이는 식이 작아진 뒤에도 마지막 장애물은 구조적이었다.
극도로 느리게 증가하는 함수는 상상 가능한 입력 범위에서는 사실상 상수처럼 보일 수 있다. 그러나 수학은 이를 진정으로 제한된 함수와 구분한다. 이 추측은 편리한 실험 범위가 아니라 모든 차원에 걸친 보장을 요구한다.
이는 이 연구를 벤치마크 개선처럼 평가할 수 없는 이유를 설명한다. 벤치마크는 정해진 조건에서 선택된 사례를 측정한다. 정리는 그 진술이 포괄하는 전체 클래스를 다뤄야 한다.
이 차이는 AI 연구 주장에 가해지는 검증 기준도 형성한다. 그럴듯한 논증을 생성하는 것은 중간 산출물이다. 증명을 완성하려면 명시된 범위 안에서 모든 논리적 의존성을 닫아야 한다.
기존 연구는 인간과 기계 능력의 단순 비교도 복잡하게 만든다. 최신 수학 도구를 활용하는 AI 시스템은 그러한 도구가 없었던 과거 연구자와는 다른 문제를 마주한다. 공정한 설명은 이용 가능한 출발점을 기술해야 한다.
그렇다고 성공적인 기여의 가치를 낮추는 것은 아니다. 과학적 진전은 일상적으로 이전 개념, 부등식, 환원에 의존한다. 중요한 질문은 한 기여가 어떤 새로운 단계를 더했는지, 그리고 다른 이들이 그것을 활용할 수 있는지다.
연구 에이전트를 구축하는 연구소에 이 시사점은 구체적이다. 평가는 최종 성과와 함께 제공된 결과와 허용된 지원을 식별해야 한다. 그렇지 않으면 독자는 새로운 연결을 발견한 것과 기존 논증을 재구성한 것을 구분할 수 없다.
압박은 특히 자율적 발견 주장에 가해진다. 그러한 주장은 개입, 과업 분해, 중간 발견에 대한 접근에 관한 증거를 필요로 한다. 최종 정리만으로는 그 과정에 얼마나 많은 판단이 들어갔는지 알 수 없다.
이 사례는 경쟁적 보도에서 절제를 지킬 이유도 제공한다. 여기에는 모든 AI 공급업체를 수학 능력으로 순위 매길 검증된 근거가 없다. 증거는 특정 워크플로와 특정 기여를 검토하는 데에만 뒷받침을 제공한다.
이는 일반적 승자를 선언하는 것보다 더 제한적인 주장이다. 하지만 다음 프로젝트를 어떻게 구성할지 결정하는 연구자에게는 더 유용하다.
인간 주도 AI 연구는 선택을 중심에 둔다
연구 과정은 유망한 방향을 선택하는 일 자체를 과학적 기여의 일부로 만든다. 후보 계산을 만들어 내는 일과 유용한 아이디어를 알아보는 일은 서로 다른 과업이다.
Microsoft의 human-directed research account는 100개가 넘는 후보 접근법을 탐색했다고 설명한다. 연구자들은 중간 결과를 평가하고, 약한 방향을 버리고, 이후 탐색의 방향을 바꿨다.
회사는 재귀 전략과 최종 오차 제어를 연구진의 공으로 돌린다. AI는 탐색, 유도, 원고 작성, 내부 점검을 지원했다고 설명한다. 별도로 진행된 비유도 시도는 대략 비슷한 토큰 예산을 사용했지만 목표에 도달하지 못한 것으로 전해진다.
토큰은 모델이 처리하거나 생성하는 텍스트 단위다. 비슷한 토큰 총량이 반드시 동등한 실험을 의미하지는 않는다. 서로 다른 프롬프트, 도구, 출발 정보, 개입 규칙은 시스템이 달성하는 결과를 바꿀 수 있다.
따라서 보고된 비교는 프로젝트 기록으로서 의미가 있다. 이것이 유도된 시스템이 언제나 자율 시스템을 능가한다는 점을 입증하지는 않는다. 어느 개입이 결정적 이점을 제공했는지도 분리해 보여주지 못한다.
더 넓은 분석적 요점은 탐색의 조직 방식에 있다. 시스템은 수많은 후보 논증을 만들면서도 실질적인 진전을 거의 이루지 못할 수 있다. 진전은 그 논증이 재사용 가능한 수학적 연결을 드러내는지에 달려 있다.
제안된 부등식의 변형을 생성하는 가상의 연구 보조자를 상상해 보자. 여러 변형이 설득력 있어 보일 수 있지만, 필요한 환경에서 성립하지 않는 가정에 의존할 수 있다. 완성된 유도 횟수를 세는 것은 진전을 측정하지 않고 활동만 보상하게 된다.
반면 지식 있는 연구자는 실패한 논증이 더 좁은 결과를 확립한다는 점을 알아차릴 수 있다. 그 결과는 증명의 다른 부분에서 유용해질 수 있다. 가치는 더 큰 수학적 목표 안에서 산출물을 해석하는 데 있다.
인간 주도 AI 연구는 이러한 해석 작업을 가시화한다. 연구자를 최종 답을 단순 승인하는 사람이 아니라 탐색 자체를 바꾸는 사람으로 본다. 이는 과학적 공로를 논할 때 의미 있는 차이다.
이는 연구 인터페이스가 무엇을 보여줘야 하는지도 바꾼다. 중간 결정이 중요하다면 최종 채팅 기록은 불완전한 기록이다. 유용한 증거에는 후보 분기, 기각 이유, 이후 단계로 이어진 가정이 포함된다.
이는 입증된 제품 요구사항이 아니라 보고된 워크플로에서 나오는 시사점이다. 이 프로젝트는 특정 인터페이스가 성공을 재현할 수 있음을 보여주지 않는다. 대신 개발자가 검증할 수 있는 질문을 제시한다.
예를 들어 기각된 접근법을 보존하면 시스템이 이를 반복하는 것을 막을 수 있을까? 명시적 가정을 요구하면 전문가 검토가 더 효율적이 될까? 분기형 작업 공간은 연구자들이 달리 분리된 시도들 사이의 연결을 알아보는 데 도움이 될까?
이런 질문은 AI가 “연구를 할 수 있는가”라고 묻는 것보다 더 실행 가능하다. 연구에는 제안, 검증, 선택, 수정, 소통이 포함된다. 시스템은 각 활동에 서로 다르게 기여할 수 있다.
Microsoft KLS 증명은 이러한 구분을 구체적인 과학적 성취 안에 위치시킨다. AI에 대한 의미는 부분적으로 그 구체성에서 나온다. 독자는 지능에 관한 포괄적 주장에 의존하는 대신, 연구자들이 무엇이 일어났다고 말하는지 살펴볼 수 있다.
남은 과제는 설득력 있는 설명을 재현 가능한 증거로 바꾸는 일이다. 이를 위해서는 다른 이들이 동일한 메커니즘을 조사할 수 있을 만큼 충분한 과정 세부 정보가 필요하다.
병행 증명은 AI 공로에 관한 단순한 서사를 복잡하게 만든다
다른 팀의 설명은 상당한 AI 기여가 인간의 필수적인 수학적 선택과 공존할 수 있음을 보여준다. 프로젝트마다 업무 분담은 다르다.
Bizeul, Klartag, Lehec는 10월 4일 자신들의 병행 KLS 증명을 게시했다. 초록은 Song과 Zhang의 최근 기준을 핵심 단계로 지목한다.
감사의 글에서 이들은 논문의 대부분의 증명과 수학적 아이디어를 찾아낸 공로를 ChatGPT에 돌린다. 또한 suspension construction을 주목할 만한 인간의 기여로 꼽는다. 자신들의 작업은 대체로 증명을 이해하고 그 설명을 개선하는 일이었다고 설명한다.
이러한 공개는 일반적인 글쓰기 지원 감사와는 다르기 때문에 주목할 만하다. AI에 수학적 내용에서의 역할을 부여한다. 동시에 저자들이 제공한 구체적인 기여도 명시한다.
논문의 정리는 함수의 분산을 평균 제곱 그래디언트로 제어하는 Poincaré 상수에 관한 것이다. 그 진술은 isotropic log-concave 측도에 대한 보편적 상한을 제시한다. Isotropic은 항등 공분산을 가지며 중심화되었다는 뜻으로, 규모와 방향별 변동을 정규화한 것이다.
논문은 동등한 기하학적·확률론적 정식화도 제시한다. 이는 기술적 해석과 KLS를 소개할 때 사용된 병목 현상 관점 사이를 연결한다. 서로 다른 정식화는 질량이 움직일 수 있는 방식에 대한 동일한 근본적 제약을 설명한다.
공로의 문제는 정리의 타당성과 별개로 남는다. 올바른 논증만으로 핵심 아이디어가 사람, 모델, 혹은 반복된 협업 중 어디에서 나왔는지는 드러나지 않는다. 귀속에는 과정에 대한 설명이 필요하다.
반대로 AI의 기여가 광범위하다고 해서 논증이 올바른 것은 아니다. 증명은 여전히 면밀한 검토가 필요하다. 그 기원과 수학적 적절성은 서로 다른 질문에 답한다.
이 구분은 상충하는 단순화를 피하는 데 도움이 된다. AI를 계산기로만 묘사하면 저자들이 명시적으로 인정한 개념적 기여를 가릴 수 있다. 작업을 완전히 자율적인 것으로 묘사하면 제공된 아이디어, 해석, 책임을 지워버릴 수 있다.
따라서 이 두 팀의 비교는 보도의 핵심 질문을 강화한다. 사람들은 어떤 결정을 내렸고, AI 시스템은 그 결정들 사이에서 어떤 작업을 수행했는가? 이 질문은 모든 프로젝트를 같은 범주에 억지로 넣지 않으면서 서로 다른 답을 포괄한다.
이는 AI 연구소에 유용한 경쟁 기준도 제시한다. 공개 내용은 모델 역량을 수식하는 형용사에만 의존하지 말고 실질적인 기여를 명시해야 한다. 독자는 탐색, 검증, 설명을 구분할 수 있어야 한다.
의존성 문제도 있다. 공통 기준을 활용하는 병행 증명은 그 기준의 유용성에 추가적인 뒷받침을 제공한다. 그러나 이는 앞선 수학적 통찰과 완전히 독립적이지는 않다.
그 관계가 이후 증명을 중복되게 만드는 것은 아니다. 대안적 논증은 결과를 명확히 하고, 서로 다른 가정을 드러내며, 다른 이들이 그것이 왜 성립하는지 이해하는 데 도움을 줄 수 있다. 그 기여는 정확하게 기술되어야 한다.
이 이야기를 따라가는 지식 노동자에게 실질적인 관련성은 추적 가능성에 있다. 검색 가능한 지식 베이스는 논문, 수정본, 뒷받침 문서를 정리하는 데 도움이 될 수 있다. 정리는 검토를 지원하지만, 주장을 확립하는 책임은 여전히 수학적 논증에 있다.
가장 유익한 설명은 두 종류의 기여를 모두 보존한다. 길을 여는 통찰과 그것을 이해 가능하고 검증 가능하게 만드는 작업이다.
형식 검증은 정의된 범위 안에서 증거를 강화한다
기계 검증 증명은 형식적 진술이 의도한 수학과 일치한다는 전제에서, 별개의 보증 형태를 더한다. 이는 범위의 중요성을 없애기보다는 전문가의 이해를 보완한다.
Lean은 명시적 정의와 받아들여진 논리적 토대에 따라 형식적 추론을 검사하는 증명 보조기다. 이는 언어 모델에게 논증이 올바르게 보이는지 묻는 것과 다르다. 검증 과정은 형식 객체를 평가한다.
Hongru Zhao의 공개 Lean 형식화는 차원에 의존하지 않는 500의 Poincaré 상한을 보고한다. 이 프로젝트는 Song과 Zhang의 기준을 포함해 주로 Bizeul, Klartag, Lehec의 접근법을 따른다고 밝힌다.
문서는 식별된 KLS 진술의 검증을 보고하고 빌드 지침을 제공한다. 또한 엔드포인트 공리 검사와 검증 증거도 보고한다. 이는 독자가 살펴보고 재현을 시도할 수 있는 프로젝트 측 주장이다.
이 글은 형식 개발을 독립적으로 다시 빌드하지는 않았다. 저장소 문서를 읽는 일과 그 검증을 재현하는 일은 다르므로 이 구분은 중요하다. 공개된 자료는 이를 대신하지 않으면서도 다음 단계를 가능하게 한다.
책임 있는 검토라면 형식 정리의 가정과 정의를 살펴볼 것이다. 또한 엔드포인트에 도달하는 데 사용된 의존성도 확인할 것이다. 성공적인 검사는 이러한 객체가 의도한 주장을 충실하게 나타낼 때 가장 많은 정보를 제공한다.
이는 형식 검증 전반의 문제다. 완벽하게 검사된 정리도 독자가 가정하는 것보다 더 좁은 질문에 답할 수 있다. 진술을 검토하면 결과가 실제로 포괄하는 범위를 확인하는 데 도움이 된다.
수학 문헌에는 또 다른 경로도 있다. Krishnakumar Balasubramanian과 Shiva Kasiviswanathan의 차원 독립 Poincaré 증명은 25라는 명시적 상한을 갖는 결정론적 변분 논증을 제시한다. 해당 arXiv 기록은 10월 6일 제출 및 10월 8일 수정으로 표시된다.
이 날짜들은 왜 1차 기록이 중요한지를 보여준다. Microsoft의 발표는 다른 증명들과 같은 날 세 번째 증명이 등장했다고 설명한다. 그러나 링크된 논문의 공개 제출 기록은 더 늦은 날짜를 제시한다.
이 불일치는 비공개 유통이나 우선권에 관한 어떤 문제도 해결하지 않는다. 다만 공개 타임라인은 이용 가능한 기록을 따라야 한다는 뜻이다. 기업 발표와 저장소 이력은 관련된 사건을 서로 다르게 설명할 수 있다.
상수 역시 신중히 비교해야 한다. 수학 원고에서 보고된 25의 상한과 형식 프로젝트의 500은 서로 다른 산출물이다. 수치적 순서만으로 어느 증명이 전반적으로 더 강력하거나 더 철저히 검증되었는지는 확립되지 않는다.
유용한 비교라면 가정, 정식화, 검증 상태를 살펴볼 것이다. 동등한 조건에서 같은 양이 상한 처리되는지도 설명해야 한다. 이러한 작업 없이는 수치 순위표가 증거를 가릴 위험이 있다.
Microsoft KLS 증명은 이 더 넓은 검증 환경 안에 놓여 있다. 뒷받침 산출물은 이 주장을 고립된 발표보다 더 검토 가능하게 만든다. 그렇다고 자율성이나 실질적 영향에 관한 모든 관련 주장을 검증된 것으로 취급할 근거가 되지는 않는다.
수학적 신뢰도와 AI 평가는 별도의 증거 경로를 따라 발전해야 한다. 정리에는 논증에 대한 검토가 필요하다. 워크플로에는 그 논증이 어떻게 만들어졌는지에 대한 검토가 필요하다.
연구자들이 결과를 검토하고 확장하면서 주목할 점
다음으로 유용한 증거는 재현 가능성, 수학적 재사용, 발견 과정의 공개에 관한 것이다. 이러한 신호는 이야기의 서로 다른 부분을 더 선명하게 만들 것이다.
첫째, 형식 검증의 독립적 재현과 그 정리 진술에 대한 면밀한 검토를 지켜봐야 한다. 검사된 수정본과 가정을 식별하는 보고는 공개 산출물에 대한 신뢰를 높일 것이다. 의도한 추측과 형식 진술 사이에 실질적인 차이가 있다면 해당 검증 주장은 약화될 것이다.
이는 저장소가 주목을 받는 것보다 더 많은 정보를 제공한다. 가시성은 검토를 끌어들일 수 있지만, 검토가 실제로 이루어졌음을 확립하지는 않는다. 관련된 사건은 수학적·계산적 객체에 대한 문서화된 검토다.
둘째, 상한을 명시적으로 활용하는 후속 연구를 지켜봐야 한다. KLS 가정을 제거하는 논문은 구체적인 이론적 결과를 보여줄 것이다. 알고리즘적 개선은 별도의 분석이 필요하며, 실무 성능을 주장하는 경우 적절한 측정도 필요하다.
이 구분은 익숙한 보도상의 지름길을 막는다. 정리는 실제 운영 소프트웨어를 바꾸기 전에도 깊은 의미를 가질 수 있다. 그 첫 결과는 증명, 단순화된 논증, 더 강한 보장으로 나타날 수 있다.
따라서 개발자와 기업 구매자는 응용 주장을 구체적으로 다뤄야 한다. 어떤 알고리즘이 바뀌는지, 어떤 분포 가정이 적용되는지, 어떤 비용이 개선되는지를 물어야 한다. 고차원 데이터에 대한 일반적인 언급만으로는 이런 질문에 답할 수 없다.
셋째, 유도된 AI 실험과 유도되지 않은 AI 실험에 대한 더 충실한 설명을 지켜봐야 한다. 유용한 공개는 모델, 도구 접근, 시작 정보, 중단 규칙, 인간의 개입을 설명할 것이다. 이러한 세부 정보는 연구자들이 제안된 성공 원인을 시험하는 데 도움이 된다.
추가 문제 전반에서 반복 가능한 우위가 나타난다면 워크플로의 근거는 강화될 것이다. 보고되지 않은 지원에 크게 의존하는 결과라면 그 교훈은 좁아질 것이다. 어느 결과이든 이해를 높일 것이다.
이는 향후 몇 달간의 관찰 우선순위이지, 발표된 출시 약속은 아니다. 연구자들의 출판 및 검토 일정은 그들 자신의 영역이다. 독자는 합리적인 다음 단계를 약속된 마감일로 취급하지 않아야 한다.
이제 더 큰 압력은 과학 AI 평가에 가해진다. 해결된 문제는 관심을 끌지만, 재사용 가능한 방법은 인상적인 결과만으로는 충분하지 않다. 연구자들은 무엇이 자신의 작업으로 이전되는지 이해할 만큼의 증거가 필요하다.
그 증거는 조직이 전문가의 관심을 어떻게 배분하는지에도 영향을 준다. 인간의 선택이 결정적이라면 유용한 질문은 전문가가 어디에 가장 효과적으로 개입하는지에 관한 것이다. 모델이 상당한 개념적 작업을 제공한다면, 평가는 그 기여를 직접 포착해야 한다.
Microsoft KLS 증명은 독자가 이 질문들을 검토할 수 있는 구체적인 지점을 제공한다. 그 수학적 주장, 병행 논증, 형식 산출물은 각각 따로 추적할 수 있다. 이들을 구분해 두는 것은 각각의 중요성을 보존한다.
정리 진술부터 살펴본 뒤 저자들의 AI 개입 설명을 비교하라. 이후 수정본이 가정을 변경하는지, 논증을 단순화하는지, 귀속을 명확히 하는지 확인하라. 더 넓은 연구 자율성에 관한 주장을 받아들이기 전에 독립 검증을 따르라. 응용 주장이라면 기하학적 결과와 측정된 계산상 이점 사이에 빠진 연결고리를 요구하라. 워크플로 주장이라면 어떤 결정에 전문가의 판단이 필요했는지, 다른 팀도 그 과정을 재현할 수 있는지 물어야 한다. 이러한 답이 공개될수록 이 이야기는 더 유용해진다. 다음 어떤 결과가 발견 방법이 이 특정 수학 문제를 넘어 이전될 수 있음을 보여줄까?
