OpenAI 귀속 논란이 AI 연구 공로에 새로운 규칙이 필요한 이유를 보여주다

OpenAI는 9월 8일 역사적인 수학 성과를 주장했지만, OpenAI 귀속 논란은 곧 증명 자체에서 그 지적 기원으로 관심을 옮겼다. 회사는 내부 AI 시스템이 88시간에 걸친 작업 끝에 Navier–Stokes 존재성과 매끄러움 문제를 풀었다고 밝혔다. 그러나 밀접하게 관련된 접근법을 연구해 온 연구자들은 AI 보조 발견 시대에도 기존의 공로 인정 관행이 유지될 수 있는지 의문을 제기했다.

OpenAI는 서면 증명과 컴퓨터가 수학적 논증을 검증할 수 있게 하는 언어 Lean으로 작성한 형식 버전을 공개했다. 또한 프로젝트 정점에서 시스템이 약 10,000개의 동시 에이전트를 사용했다고 밝혔다. 이 에이전트들은 결과를 추구하는 동안 270만 건의 메시지를 교환하고 약 1,300억 개의 출력 토큰을 생성했다.

이번 분쟁은 단순히 OpenAI와 경쟁 연구소 간의 대결이 아니다. 이는 기업 AI 연구와 해당 결과를 둘러싼 이론, 프롬프트, 피드백, 미공개 작업을 제공한 학계 시스템에 관한 문제다. 핵심 질문은 모델이 향후 시스템에 영향을 줄 수 있는 연구자들의 아이디어를 활용하는 상황에서 기업이 신뢰할 수 있는 귀속을 확립할 수 있느냐는 것이다.

OpenAI의 Navier–Stokes 주장은 동시에 두 가지 이야기를 만들었다

OpenAI 발표가 나온 지 몇 시간 만에 수학적 성과와 그 기원을 둘러싼 분쟁은 떼려야 뗄 수 없는 관계가 됐다.

Navier–Stokes 방정식은 공기와 물 같은 유체가 어떻게 움직이는지를 설명한다. 이는 항공기 설계, 기상 예보, 혈류 모델링 등 다양한 분야의 기반이 된다. 이 방정식은 모든 분자를 추적하는 대신 유체를 연속적인 물질로 취급한다.

수학자들은 오랫동안 매끄러운 3차원 유체 운동이 특이점을 형성할 수 있는지를 물어 왔다. 특이점은 수학적 속도가 유한한 시간 안에 제한 없이 커지는 지점이다. 이러한 현상은 허용된 조건 아래에서 방정식의 매끄러운 기술이 붕괴할 수 있음을 의미한다.

이 상금 문제는 Clay Mathematics Institute가 2000년에 발표한 7개 난제 가운데 하나다. 이전까지 해결된 것은 Poincaré conjecture뿐이었다. 이러한 배경은 OpenAI의 발표에 또 하나의 벤치마크 결과를 훨씬 넘어서는 의미를 부여했다.

OpenAI의 연구 타임라인에 따르면, 회사는 8월 28일 새로운 내부 모델의 학습을 시작했다. 회사는 9월 1일 연구진에게 두 개의 Millennium Prize Problems 관련 진전 소문이 전해졌다고 밝혔다. 이후 회사는 미해결 문제들과 여러 관련 질문에 걸쳐 모델을 평가했다.

OpenAI는 먼저 점성이 없는 유체 운동을 설명하는 Euler 방정식의 변형들에 에이전트를 배정했다. 한 그룹은 외력이 없는 Euler 문제에서 유한시간 블로업 결과를 찾은 것으로 전해진다. 이후 OpenAI는 Navier–Stokes에 자원을 집중하고, 이 중간 결과를 추가 에이전트에 제공했다.

회사는 에이전트들이 9월 5일 Navier–Stokes 결과에 도달했다고 밝혔다. 형식화와 검증에는 추가로 17시간이 걸렸다. OpenAI는 사흘 뒤 논문, Lean 표현, 프로젝트 경과 설명을 공개했다.

그러나 또 다른 연구 작업도 이미 같은 수학적 영역에 접근하고 있었다. New York University의 수학자 Tristan Buckmaster와 수학자 Levent Alpöge는 Diego Córdoba와 Luis Martínez-Zoroa가 개발한 접근법을 확장하는 데 약 1년을 보냈다. Alpöge는 Anthropic에서 일하지만, 두 사람은 연구를 개인적 협업이라고 설명했다.

Buckmaster와 Alpöge는 작업 과정에서 Anthropic과 OpenAI의 모델을 모두 사용했다. 이들이 사용한 도구에는 Claude와 Codex가 포함됐으며, 인간 연구자들은 반복적으로 질문을 구성하고, 출력을 읽고, 오류를 수정하며, 접근법을 다듬었다.

두 사람은 8월 15일 상당한 진전을 이뤘다고 보고했다. 또한 8월 22일 관련 결과를 형식적으로 검증했다고 밝혔다. 이들의 작업은 Euler 및 다른 유체 방정식의 블로업에 관한 것으로, Navier–Stokes 문제로 향하는 가능한 경로를 만들었다.

Buckmaster는 OpenAI가 해결책을 주장하기 직전에 세 편의 논문과 상세한 성명을 공개했다. 이 시점 때문에 발표는 두 개의 동시적인 이야기로 바뀌었다. 하나는 AI 시스템이 탁월한 증명을 완성했다는 이야기였다. 다른 하나는 회사가 어떻게 문제를 선택했고 그 주변의 인간 작업에 어떻게 공로를 부여했는지에 관한 이야기였다.

Nature의 귀속 관련 사설은 이 상황이 연구자와 기관에 경고가 되어야 한다고 주장했다. 이 매체는 우려를 해소하는 데 필요한 정보가 공개되지 않았다고 말했다. 그럼에도 이 사건을 과학적 귀속 관행에 긴급한 관심이 필요하다는 증거로 봤다.

OpenAI는 연구자와 에이전트가 Buckmaster와 Alpöge의 미공개 작업을 공개 이전에 보지 않았다고 주장한다. 회사는 또한 자사의 증명이 두 사람의 결과와 상당히 다르다고 말한다. 이러한 설명은 직접적인 복제 문제를 다루지만, 더 광범위한 거버넌스 문제를 해결하지는 못한다.

시스템은 특정 증명을 복제하지 않으면서도 다른 연구자들이 만든 지적 환경 안에서 작동할 수 있다. 소문, 문제 선택, 도구 상호작용, 기존 논문, 프롬프트, 인간 피드백 모두가 그 환경을 형성할 수 있다. 과학적 공로는 최종 형식 명제의 순서 이상을 고려해야 한다.

OpenAI 귀속 논란은 학습 데이터 이상의 문제다

같은 기업이 연구 도구를 제공하고, 모델을 운영하며, 상호작용 기록을 보관하고, 경쟁 결과를 발표할 때 귀속은 어려워진다.

Buckmaster의 연구 성명은 자신이 알고 있던 것과 의심했던 것을 신중하게 구분한다. 그는 OpenAI의 증명을 보지 못했으며, 두 사람의 데이터가 사용됐는지도 알지 못한다고 썼다. 그는 회사가 자신들의 작업을 가져갔다고 비난하는 데까지는 명시적으로 나아가지 않았다.

그의 우려는 주변 타임라인에서 비롯됐다. Buckmaster는 협업에 관한 정보가 작업이 비공개 상태인 동안 OpenAI에 전달됐다고 말했다. 그는 또한 두 사람이 초안과 연구 논의를 Codex 세션에 입력했다는 사실도 알고 있었다.

이로 인해 몇 가지 별개의 질문이 생겼다. OpenAI 직원이 그 세션을 살펴봤는가? 내부 모델이 이를 검색할 수 있었는가? 비식별화된 상호작용이 학습이나 강화학습에 사용됐는가? 프로젝트 관련 소문이 OpenAI의 컴퓨팅 자원 배치 방향을 결정했는가?

이 질문들은 서로 다른 영향 경로를 설명한다. 한 경로에 대한 부인이 다른 경로들까지 자동으로 답하는 것은 아니다.

OpenAI는 처음에 연구자와 에이전트가 두 사람의 작업을 보지 않았다고 밝혔다. 이후 회사는 조사 결과, 직전 두 달간의 Codex 프롬프트가 학습을 포함한 어떤 방식으로도 시스템에 영향을 미칠 수 없었다고 말했다. 회사는 내부 모델이 더 이른 시점의 사전학습 모델을 기반으로 대규모 강화학습을 사용했다고 설명했다.

이처럼 더 강한 설명은 분쟁의 범위를 실질적으로 좁힌다. 최근 프롬프트가 관련 학습 기간 밖에 있었음을 시사한다. 그러나 동시에 거버넌스 문제를 남긴다. 연구자들은 처음에 그러한 분리가 존재하는지 판단할 충분한 정보를 갖고 있지 못했다.

신뢰는 갈등이 공개된 뒤 기업이 내부 조사를 수행하는 데 의존해서는 안 된다. 연구 도구 이용자는 미공개 아이디어를 모델에 입력하기 전에 명확한 규칙을 알아야 한다. 그러한 규칙은 데이터 보존, 인간 접근, 모델 접근, 학습 적격성, 평가 활용, 경쟁 연구 보호장치를 설명해야 한다.

이 문제는 통상적인 학습을 넘어선다. OpenAI는 외부 진전 소문이 평가 캠페인을 촉발하는 데 도움이 됐다고 밝혔다. 어떤 비공개 프롬프트도 모델에 입력되지 않았더라도, 다른 팀이 가까워졌다는 사실은 자원 배분에 영향을 줄 수 있다.

문제 선택은 과학 연구의 일부다. 연구자들은 문헌을 읽고, 세미나에 참석하며, 비공개 메시지를 교환하고, 부분 결과를 평가하면서 유망한 방향을 선택한다. 특권적 정보에 반응하는 기업은 정리나 증명을 복제하지 않고도 우위를 얻을 수 있다.

그 가능성이 이 사례에서 부정행위를 입증하는 것은 아니다. OpenAI는 공개된 하나의 증명 전략만 겨냥한 것이 아니라, 모든 미해결 Millennium Prize Problems를 평가했다고 말한다. 에이전트들은 회사가 Navier–Stokes에 더 많은 자원을 투입하기 전에 중간 Euler 결과도 발견했다.

그럼에도 이 사건은 비대칭성을 드러낸다. 학계 연구자들은 종종 제한된 컴퓨팅 자원으로 작업하며, 논증을 신중하게 검토한 뒤에야 발표한다. AI 기업은 어떤 방향이 유망하다는 말을 듣고 수천 개의 에이전트를 동원해 며칠 안에 형식적으로 검증된 결과를 공개할 수 있다.

회사는 모든 기술적 단계에서 독립적으로 행동하고 있을 수 있다. 그러나 외부 신호는 여전히 그 역량이 언제, 어디에 투입되는지를 결정할 수 있다. 기존 귀속 관행은 그 기여를 일관되게 인정할 방법을 제공하지 않는다.

과학적 우선권은 전통적으로 공개 기록, 날짜가 명시된 원고, 학회 발표, 서신, 동료 심사를 거친 출판물에 의존한다. AI 시스템은 연구 증거와 상업적으로 민감한 플랫폼 데이터를 모두 포함할 수 있는 비공개 상호작용 로그를 추가한다.

그 로그는 분쟁 해결에 도움이 될 수 있다. 동시에 미공개 연구, 개인정보, 독점 시스템 동작을 드러낼 수도 있다. 제한 없는 공개도 완전한 비밀주의도 만족스러운 답을 제공하지 않는다.

따라서 AI 과학 공로 인정에는 절차적 증거가 필요하다. 기업은 분쟁이 발생할 때 자격을 갖춘 독립 검토자가 살펴볼 수 있는 보호된 기록을 마련해야 한다. 연구자에게도 미완성 작업을 성급하게 공개하지 않고 기여를 문서화할 수 있는 예측 가능한 방법이 필요하다.

과학적 공로에는 이제 최종 증명뿐 아니라 연구 경로도 포함된다

형식적으로 올바른 증명은 타당성을 확립할 수 있지만, 누가 결정적인 아이디어, 방향, 또는 중간 발견을 제공했는지는 밝히지 못한다.

Lean 검증이 중요한 이유는 증명이 명시된 가정과 형식 규칙을 따르는지 확인하기 때문이다. 이는 일반적인 검토에서 놓칠 수 있는 누락된 단계를 포착할 수 있다. 긴 AI 생성 논증의 경우, 이 기능은 가치 있는 추가 보증층을 제공한다.

그러나 형식 검증이 답하는 질문은 제한적이다. 이는 표현된 논증이 형식 체계 안에서 논리적으로 타당한지 확인할 수 있다. 하지만 그 논증을 낳은 사회적·지적 역사를 재구성하지는 못한다.

Lean 인증서는 연구자들이 왜 특정한 정식화를 선택했는지 밝힐 수 없다. 누가 유용한 유추를 알아봤는지, 혹은 어떤 기존 논문이 생산적인 구성을 제공했는지도 판단할 수 없다. 또한 모델이 생성한 변형이 독립적인 개념적 공로를 받을 만한지 결정할 수도 없다.

이 구분은 OpenAI 귀속 논란의 핵심이다. Córdoba와 Martínez-Zoroa는 이후 연구자들이 확장한 더 광범위한 강제 블로업 프로그램을 개발했다. Buckmaster와 Alpöge는 그들을 핵심 방향의 원천으로 인정했다.

Buckmaster는 그 아이디어를 협업의 지적 토대라고 설명했다. 이후 그의 팀은 AI 시스템을 활용해 이 프로그램을 매끄러운 강제항과 Euler 결과 방향으로 확장했다. OpenAI의 Navier–Stokes 구성은 관련된 강제 경로를 따른 것으로 알려졌지만, 회사는 증명과 정확한 결과가 다르다고 말한다.

“AI가 해결했다”라는 표현은 이 과정을 하나의 행위자로 압축한다. 이는 선행된 수학적 연구 프로그램, 프롬프트에 담긴 인간의 선택, 사용할 수 없는 결과물을 평가한 연구자들을 가린다. 또한 모델을 훈련하고, 조율하고, 검증한 기업 엔지니어들도 가린다.

기여한 모든 기계에 저자 자격을 단순히 부여할 수는 없다. 모델은 책임을 질 수도, 이해충돌을 공개할 수도, 방법론적 선택을 옹호하거나 스스로 동료 심사에 응답할 수도 없다. 발표된 연구에는 인간 저자와 기관 저자가 계속해서 책임을 져야 한다.

동시에 기업만을 저자로 표기하면 아이디어의 계보가 지워질 수 있다. 기업 명의의 저자 표기는 누가 문제를 설정했고 누가 에이전트를 이끌었는지에 관한 정보를 거의 제공하지 않는다. 또한 독립적인 기여가 모델 내부에서 비롯된 것처럼 보이게 할 수도 있다.

연구 공동체에는 더 상세한 기여 명세가 필요하다. 여기에는 누가 문제를 선택했는지, 프롬프트를 설계했는지, 기존 방법을 제공했는지, 중간 결과물을 검토했는지, 증명을 형식화했는지, 최종 주장을 승인했는지가 명시되어야 한다.

AI 기업은 주요 과학적 성과에 대해서도 출처 보고서를 공개해야 한다. 출처 보고서는 모든 비공개 모델 세부 사항을 노출하지 않으면서 결과의 기원과 발전 과정을 기록할 수 있다.

최소한 이러한 보고서에는 프로젝트 일정, 초기 프롬프트, 에이전트가 이용할 수 있었던 문헌 출처, 주요 인간 개입, 중간 결과, 검증 절차가 포함되어야 한다. 또한 사용자 상호작용이 연구 시스템에서 기술적으로 접근 가능했는지도 설명해야 한다.

모델 제공업체들은 이미 주요 출시를 위해 시스템 카드와 안전성 보고서를 발행하고 있다. 과학적 출처 관리에는 지적 기원에 초점을 둔 이에 상응하는 문서가 필요하다. 목표는 모델 가중치나 무관한 사용자 데이터를 공개하는 것이 아니다.

목표는 이례적인 연구 주장을 감사 가능하게 만드는 것이다. 기업이 모델이 독립적으로 증명을 개발했다고 주장한다면, 검토자들은 보존된 증거를 통해 그 주장을 검증할 수 있어야 한다.

학계 연구팀에도 보완적인 관행이 필요하다. 호스팅된 AI 시스템을 사용하는 연구자들은 프롬프트, 모델 버전, 날짜, 출력 결과, 중요한 수정 사항을 기록해야 한다. 구조화된 지식 기반은 작업 자료와 최종 논문을 분리하면서 그러한 이력을 보존할 수 있다.

문서화만으로 공로가 자동으로 배분되지는 않는다. 하지만 기관이 이를 판단할 수 있는 증거는 제공한다. 그러한 기록이 없다면 분쟁은 기업 발표문, 소셜 게시물, 불완전한 기억에 의해 결정될 것이다.

진정한 상충 관계는 속도와 과학적 정당성 사이에 있다

AI는 수년에 걸친 수학적 탐구를 며칠로 압축할 수 있지만, 그 속도는 귀속과 설명이 준비되기 전에 발표해야 한다는 압박을 만든다.

OpenAI의 설명은 규모를 성취의 중요한 요소로 제시한다. 수천 개의 에이전트가 서로 다른 문제 변형을 시도하고, 유용한 발견을 공유하며, 유망한 경로를 통합하는 데 도움을 주었다. 기업은 증거가 축적됨에 따라 에이전트를 작업 간에 배치했다.

이 접근법은 하나의 챗봇이 한 번의 프롬프트 후 증명을 만들어내는 것과는 다르다. 이는 아이디어를 지속적으로 생성하고, 검증하고, 교환할 수 있는 구성원을 둔 고도로 병렬화된 연구 조직에 가깝다. 인간 연구자들은 여전히 목표를 선택하고 어떤 결과에 더 많은 자원을 투입할지 결정한다.

이러한 시스템은 소규모 학술 그룹보다 더 많은 가능성을 탐색할 수 있다. 하지만 문제가 해결 가능해 보이는 순간 치열한 경쟁을 만들 수도 있다. 경쟁자들은 지연이 다른 연구실의 선발 발표로 이어질 수 있음을 안다.

그 압박은 과학적 소통을 해칠 수 있다. Buckmaster는 자신의 팀이 선호하는 수준의 설명을 완성하기 전에 논문을 공개했다고 말했다. 그는 한 원고가 다듬어진 인간 저작 논문보다는 원시 모델 출력에 훨씬 더 가깝다고 설명했다.

이 고백이 중요한 이유는 이해가 출판의 한 목적이기 때문이다. 증명은 다른 수학자들이 핵심 메커니즘을 검토하고, 이를 기존 연구와 연결하며, 새로운 질문을 발전시킬 수 있게 해야 한다. 형식 검증기를 통과했다고 해서 인간이 그 결과에서 배울 수 있다는 보장은 없다.

OpenAI의 공개 자료에는 전통적인 서술과 Lean 형식화가 포함됐다. 이 조합은 보도자료만 공개하는 것보다 강력하다. 그러나 특히 오랜 난제를 해결했다는 주장이라면 전문가 검토에는 여전히 시간이 필요하다.

과학적 정당성은 정확성만으로 결정되지 않는다. 접근 가능한 추론, 세심한 인용, 독립적인 검토, 선행 기여에 대한 공정한 설명에도 달려 있다.

독립 보도는 이러한 긴장을 포착했다. 수학자들은 결과의 संभाव한 규모를 인정하면서도 그 지적 계보에는 의문을 제기했다. 연구자들은 AI가 생성한 수학적 아이디어의 기원을 추적하는 일이 유난히 어렵다고도 지적했다.

AI 기업은 극적인 역량 향상을 신속히 발표할 상업적 유인을 가진다. 주요 과학 성과는 또 하나의 벤치마크 점수보다 모델 성능을 더 생생하게 보여 준다. 이는 고객, 투자자, 채용 후보자, 정책 입안자에게 영향을 줄 수 있다.

학계의 규범은 종종 반대 방향으로 움직인다. 연구자들은 초안을 공유하고, 비판을 요청하며, 설명을 수정하고, 긴 관련 연구의 계보를 인용할 것으로 기대된다. 선점도 중요하지만 이해와 연속성도 중요하다.

어느 한 문화가 다른 문화를 단순히 대체할 수는 없다. 검증된 결과를 공개하는 데 수년을 기다리는 것은 유용한 지식을 낭비하게 된다. 안정적인 출처 관리 없이 즉시 공개하면 신뢰가 약화되고 방어적 비밀주의를 부추길 것이다.

실행 가능한 절충안은 단계적 공개다. 기업은 독립 평가에 충분한 증거를 공개하면서 후보 결과가 있다고 발표할 수 있다. 이후 검토자들이 증명과 기존 연구와의 관계를 분석함에 따라 공개 기록을 갱신할 수 있다.

주요 주장은 기술적 검증과 별도로 귀속 검토도 받아야 한다. 검토자들은 문헌, 일정, 사용자 데이터 경계, 기여 기록, 잠재적으로 중복되는 팀과의 소통을 검토하게 된다.

그 과정에는 기업 외부 연구자들이 포함되어야 한다. 내부 검토는 사실관계를 명확히 할 수 있지만, 모든 이해충돌을 해결할 수는 없다. 독립적인 참여는 기업과 영향을 받은 학계 연구자 모두에게 더 신뢰할 만한 논의의 장을 제공한다.

AI 연구소는 연구 전략을 드러낼 수 있다는 이유로 상세한 출처 관리에 저항할 수 있다. 학계 연구자들 역시 미완성 아이디어를 드러내는 프롬프트나 초안의 공유를 꺼릴 수 있다. 비밀 검토 체계는 의미 있는 검토를 가능하게 하면서 그러한 이해관계를 보호할 수 있다.

목표는 모든 AI 보조 논문의 속도를 늦추는 것이 아니다. 일상적인 연구는 통상적인 공개 관행을 따르면 된다. 특히 유명한 미해결 문제와 연관된 예외적 주장은 더 강력한 절차를 정당화한다.

명확한 데이터 경계는 연구자와 AI 기업 모두를 보호할 수 있다

최선의 귀속 정책은 발견 이후가 아니라, 미공개 사용자 연구를 둘러싼 집행 가능한 경계 설정에서 시작된다.

연구자들은 상업용 모델을 협력자로 점점 더 많이 활용하고 있다. 이들은 시스템에 반례를 찾고, 논증을 형식 언어로 번역하고, 코드를 검토하고, 설명을 개선하고, 증명 전략을 시험하도록 요청한다.

모든 상호작용은 최종 프롬프트가 보여주는 것보다 더 많은 정보를 드러낼 수 있다. 일련의 실패한 시도는 팀이 어느 방향을 유망하다고 보는지 보여 줄 수 있다. 수정 사항에는 모델이 이전에는 보여주지 못한 전문가 지식이 담길 수 있다.

이는 연구자로부터 플랫폼 제공업체로 이어지는 지식 이전 경로를 만든다. 사용자는 일상적인 대화에서 제한적인 제품 개선을 받아들일 수 있다. 하지만 미공개 과학 연구 프로그램이 제공업체의 경쟁 연구를 지원할 것이라고 예상할 가능성은 낮다.

이용약관만으로는 전체 부담을 감당할 수 없다. 긴 법률 문서는 연구 특유의 위험을 운영 언어로 설명하는 경우가 드물다. 기관에도 평가하고 집행할 수 있는 통제 장치가 필요하다.

모델 제공업체는 보호된 연구 모드를 제공해야 한다. 이 모드에서는 프롬프트와 출력이 좁게 정의된 보안 필요성을 제외하고 훈련, 모델 평가, 내부 연구, 인간 검토에서 제외되어야 한다.

이 모드는 보존 기간과 접근 로그를 제공해야 한다. 또한 연구팀이 서명된 상호작용 이력을 내보낼 수 있도록 해야 한다. 그러면 기관은 스크린샷이나 개인 아카이브에 의존하지 않고 증거를 보존할 수 있다.

기업은 인프라 수준에서 제품 데이터와 최첨단 연구 시스템도 분리해야 한다. 기술적 통제가 내부 모델과 연구 인력이 보호된 자료에 접근하지 못하게 할 때 정책 약속은 더 강력해진다.

이러한 통제는 분쟁 상황에서 제공업체에도 도움이 된다. OpenAI는 최근 Codex 프롬프트가 자사 시스템에 영향을 미쳤을 수 있는지 조사하며 이 논란에 대응했다. 사전에 정의된 감사 추적 기록이 있었다면 외부 검증과 함께 그 질문에 더 빠르게 답할 수 있었을 것이다.

독립 감사인은 이러한 분리를 검증해야 한다. 이들의 보고서는 사용자 콘텐츠나 독점 아키텍처를 공개할 필요가 없다. 보호된 세션의 데이터가 훈련, 검색 시스템, 평가, 에이전트 메모리 저장소에 들어갔는지 확인할 수 있다.

대학에도 책임이 있다. 연구 행정 부서는 AI 플랫폼을 일반적인 글쓰기 소프트웨어가 아니라 연구 인프라로 취급해야 한다. 민감한 프로젝트에는 승인된 도구, 데이터 분류, 보존 규칙, 협력자 간 문서화된 동의가 필요하다.

학술지와 학회는 공개 요건을 갱신해야 한다. 저자는 사용한 모델, 관련 설정, 각 시스템이 맡은 역할을 밝혀야 한다. 검토자가 출처 관련 의문을 제기할 경우를 대비해 정해진 기간 동안 상호작용 기록을 보존해야 한다.

공개는 비례적이어야 한다. 모든 탐색적 프롬프트를 공개하면 독자를 압도하고 무관한 자료를 노출하게 된다. 간결한 기여 명세는 일상적 사용을 요약할 수 있으며, 보안 아카이브는 상세 기록을 보존할 수 있다.

가장 어려운 질문은 파생 학습과 관련된다. 기업은 원시 프롬프트를 제외하면서도 집계된 피드백, 보상 신호, 행동 패턴을 활용할 수 있다. 이러한 파생물은 식별 가능한 텍스트를 보존하지 않고도 모델에 영향을 줄 수 있다.

따라서 연구 정책은 금지된 영향을 폭넓게 정의해야 한다. 여기에는 훈련, 미세 조정, 강화 학습, 평가 설계, 검색, 합성 데이터 생성, 내부 문제 선택이 포함되어야 한다.

이러한 보호 조치가 이 사례에서 OpenAI가 비공개 연구를 사용했다는 뜻은 아니다. 회사는 조사를 통해 관련된 최근 프롬프트의 영향 가능성을 배제했다고 말한다. 요점은 연구자들이 그러한 보장을 얻기 위해 공개적 분쟁을 겪을 필요가 없어야 한다는 것이다.

증거가 전적으로 OpenAI 내부에 있는 한 OpenAI 연구의 귀속 문제는 계속 논쟁 대상이 될 것이다. 강력한 데이터 경계와 독립 감사는 기관의 보장을 검증 가능한 절차로 전환할 수 있다.

AI 연구 귀속에 다음으로 필요한 것

다음 시험대는 또 다른 주목도 높은 발견이 같은 갈등을 만들기 전에 기업과 연구 기관이 이 분쟁을 공동의 규칙으로 전환할 수 있는지 여부다.

첫 번째로 주시해야 할 신호는 독립적인 수학 검토다. 전문가들은 OpenAI의 증명이 올바른지, 형식화가 서면 정리와 일치하는지, 그 구성이 기존 연구와 어떤 관계에 있는지를 판단해야 한다.

형식 증명은 일부 불확실성을 줄이지만 전문가 분석의 필요성을 없애지는 않는다. 검토자들은 정의, 가져온 가정, 형식적 진술, 인증서와 공개 주장 간의 관계를 점검해야 한다.

결과가 그 과정을 견뎌낸다면, 고도 AI가 진정한 연구 도구라는 주장은 훨씬 더 강력해진다. 중대한 공백이 드러난다면, 신속한 기업 발표는 검증과 메시지 전달을 둘러싼 더 어려운 질문에 직면하게 될 것이다.

두 번째 신호는 신뢰할 수 있는 출처 기록의 공개다. OpenAI는 날짜, 에이전트 수, 토큰 총량, 그리고 내부 워크플로 설명을 공개했다. 더 완전한 기록에는 결정적 프롬프트, 출처, 인간의 개입, 사용자 데이터의 경계가 포함돼야 한다.

그러한 증거는 OpenAI의 독립성 주장을 강화할 것이다. 감사 가능한 출처 기록 제공을 거부한다고 해서 부당한 영향력이 있었다는 사실이 입증되는 것은 아니지만, 핵심적인 신뢰 문제는 해결되지 않은 채 남게 된다.

세 번째 신호는 제도적 대응이다. 대학, 학술지, AI 기업, 연구비 지원기관은 보호된 연구 세션, 기여 명세, 감사 기록 보존, 이의가 제기된 저자 귀속에 관한 규칙을 마련해야 한다.

수학에만 초점을 맞춘 협소한 대응은 더 큰 위험을 놓치게 된다. 미공개 아이디어가 호스팅형 AI 시스템에 입력되는 신약 발견, 재료과학, 컴퓨터 보안, 공학 등 모든 분야에서 같은 문제가 발생할 수 있다.

OpenAI와 Anthropic 간 경쟁은 이 사안의 시급성을 더한다. 기여자의 고용주가 저자 자격이나 접근 권한에 영향을 준다면, 연구자들은 기관 경계를 넘어 협업하기를 주저할 수 있다. 이러한 위축 효과는 과학 발전에 필요한 개방성을 훼손할 것이다.

기업은 기업 간 경쟁과 학문적 공로를 구분해야 한다. 연구자의 소속은 공개 및 이해상충 관리 의무를 발생시킬 수 있다. 그러나 기록으로 확인된 지적 기여를 지워서는 안 된다.

과학계 역시 우선권을 재고해야 한다. AI는 생산적인 경로가 보이는 즉시 그 격차를 빠르게 메울 수 있게 한다. 최종 증명만을 인정하는 공로 체계는 그러한 경로를 발견한 사람들의 가치를 갈수록 과소평가하게 될 것이다.

더 나은 모델은 개념적 기원, 기술적 완성, 형식 검증, 시스템 개발, 프로젝트 방향 설정을 구분할 것이다. 모든 기여가 동등한 척하지 않으면서도, 서로 다른 기여자는 각 역할에 대해 공로를 인정받을 수 있다.

독자들은 두 가지 성급한 결론을 경계해야 한다. 이 분쟁이 OpenAI가 다른 팀의 작업을 복제했다는 것을 보여주지는 않는다. 또한 유효한 증명이 출처에 관한 질문을 무의미하게 만든다는 것을 보여주지도 않는다.

중요한 사실은 과학 도구와 과학적 경쟁자가 이제 동일한 인프라를 점유하고 있다는 점이다. OpenAI 저자 귀속 논란은 비공식적 신뢰가 이 구조를 통제할 수 없는 이유를 보여준다.

미공개 작업을 AI 시스템에 입력할지 결정하는 연구자들은 직접적인 질문을 던져야 한다. 제공업체는 이러한 세션의 데이터를 학습에 사용할 것인가? 내부 연구자들이 이에 접근할 수 있는가? 로그는 내보낼 수 있고, 독립적으로 감사할 수 있으며, 경쟁적 이용으로부터 보호되는가?

AI 기업은 사용자가 프로젝트를 시작하기 전에 이러한 질문에 답해야 한다. 명확한 보호 장치는 연구자들이 초기 아이디어가 기업 자산이 될 것을 두려워하지 않고 고급 도구를 사용하도록 장려할 수 있다.

다음 AI 분야의 획기적 발견은 모델 성능만을 시험하지 않을 것이다. 이 시스템을 뒷받침하는 조직이 인간 아이디어의 역사를 보존하면서 그 발전을 가속할 수 있는지도 시험할 것이다.

그 역사는 의례적인 각주가 아니다. 그것은 미래 연구자들에게 방법이 어디에서 왔는지, 어떤 통찰이 중요했는지, 지식이 어떻게 발전했는지를 알려준다. 이를 보호하는 일은 신뢰할 수 있는 과학을 만들어내는 일의 일부다.

OpenAI와 다른 AI 기업은 이제 선택의 기로에 있다. 저자 귀속 분쟁을 커뮤니케이션 문제로 취급할 수도 있고, 연구 공동체와 함께 공통 기준을 구축할 수도 있다. 두 번째 길은 AI 보조 과학에 속도만으로는 제공할 수 없는 기반을 마련해 준다.