OpenAI ETH 반박 주장이 컴퓨팅의 근본 가정에 도전하다

2시간 전

9분 분량

OpenAI는 자사의 AI가 27년 된 컴퓨팅 가설을 반박하는 결과를 찾아냈다고 밝혔으며, 이는 연구자들이 알고리즘의 한계를 평가할 때 활용하는 가정에 도전하는 주장이다. OpenAI의 ETH 반박 주장은 입력이 커질수록 특정 논리 문제가 얼마나 어려워지는지를 다루는 미증명 명제인 Exponential Time Hypothesis와 관련된다. Anthropic도 경쟁하는 결과를 공개했다. 당면한 질문은 공개된 논증이 각 회사가 주장하는 바와, 그들이 밝힌 한계를 포함해 실제로 입증하는지 여부다.

역사적 출발점은 Russell Impagliazzo와 Ramamohan Paturi의 연구다. 이들의 가설은 연구자들이 계산 난이도를 추론하는 데 도움을 주었다. 유효한 반박이 확립된다면 이 가정에 의존하는 문제들이 다시 논의될 수 있다. 그렇다고 관련 논문 전체가 자동으로 무효가 되거나 어려운 계산 작업이 쉬워지는 것은 아니다.

핵심 긴장은 AI가 생성한 발견과 독립적으로 이해된 결과 사이에 있다. 공개 원고와 기계 검증 가능한 증명은 연구자들이 검토할 수 있는 구체적인 자료를 제공한다. 동시에 정의, 실행 시간 보장, 기여 귀속, 실용적 가치에 관한 별도 질문도 제기한다. 이러한 구분이 이 사안이 인정받는 수학적 진전이 될지, 수정된 주장으로 귀결될지, 혹은 헤드라인이 암시하는 것보다 더 제한적인 결과가 될지를 결정한다.

OpenAI의 ETH 반박 주장이 실제로 내세우는 내용

OpenAI는 2026년 10월 26일 이 결과를 발표했다. 회사는 자사 모델이 10월 16일 자연어 논증을 만들었고, 다음 날 이를 형식화했다고 설명한다. 형식화란 증명 검증 소프트웨어가 검사할 수 있도록 논증을 정밀한 명제로 번역하는 작업을 뜻한다.

회사의 과학 협력은 Impagliazzo, Paturi, MIT의 Ryan Williams가 이끄는 그룹의 검토 대상으로 이 결과를 제시한다. OpenAI는 연구 자료를 공개하고 그 함의를 검토하는 학회도 지원할 것이라고 밝혔다.

구체적인 뉴스는 독립적으로 결론 난 결과가 아니라, 검토 가능한 산출물과 발표된 검토 절차를 갖춘 공개 주장이다.

대상 문제는 3-SAT로, 최대 세 개의 리터럴을 포함하는 절들로 구성된 수식이 참 또는 거짓 값을 통해 충족될 수 있는지를 묻는다. 리터럴은 변수 또는 그 부정이며, 절은 수식의 해당 부분을 충족할 수 있는 대안들을 결합한다. 통상적인 정식화에서 이 가설은 임의의 인스턴스를 푸는 데 최악의 경우 지수 시간이 필요하다고 말한다.

지수 시간은 변수 수에 비례하는 양을 지수로 하는 고정 밑의 거듭제곱과 유사한 증가를 가리킨다. 준지수 시간은 입력이 충분히 커졌을 때 이러한 모든 고정 비율의 지수 함수보다 더 느리게 증가한다. 이 구분은 노트북에서 걸리는 실제 시간에 대한 약속이 아니라 수학적 성장률에 관한 것이다.

OpenAI의 제안된 계수 알고리즘은 수식에 해가 있는지 판정하는 것 이상을 주장한다. 고정된 최대 절 너비를 갖는 수식에 대해 충족 할당의 수를 정확히 계산한다고 주장한다. 양의 개수가 존재하면 해가 존재함을 확립하므로, 계수는 판정 문제를 포함한다.

이는 주장을 중대하게 만들지만, 동시에 정확한 표현을 필수적으로 만든다. 정의된 수식 계열과 계산 모델에 관한 결과는 그 조건에 따라 검토돼야 한다. 이를 “AI가 컴퓨팅을 쉽게 만들었다”는 표현으로 바꾸면 연구자들이 검증해야 할 핵심 내용이 사라진다.

“이론”이라는 단어에도 같은 주의가 필요하다. ETH는 가설이며, 연구자들은 증명을 보유하지 않은 채 이를 명시적 가정으로 사용해 왔다. 유효한 반론을 찾는다면 미해결 문제가 해결된다. 그렇다고 연구자들이 확립된 모순을 이미 해결된 지식으로 비밀리에 취급했다는 뜻은 아니다.

OpenAI ETH에 대한 설명을 찾는 독자에게 출발점은 이것이다. 제안된 변화는 이전까지 성립한다고 가정된 수학적 한계와 관련된다. 검토는 이 알고리즘이 전체 문제 부류에 대해 그 한계를 넘는지를 확립해야 한다.

이 구분은 작은 성능 개선만으로는 충분하지 않은 이유도 설명한다. 더 빠른 지수 알고리즘은 ETH와 여전히 양립할 수 있다. 주장된 진전이 중요한 이유는 그 성장률이 다른 범주에 속하기 때문이다.

조건부 연구는 헤드라인이 시사하는 것보다 더 제한적인 재검토에 직면한다

가장 먼저 압박을 받는 집단은 결론이 ETH에 명시적으로 의존하는 연구자들이다. 이들의 즉각적인 과제는 어떤 결론이 그 가정을 필요로 하는지, 어떤 논증이 독립적으로도 유효한지를 식별하는 일이다.

조건부 하한은 기저 가정이 무너지지 않는 한 알고리즘이 특정 효율을 달성할 수 없다고 말한다. 계산 문제 사이의 번역을 뜻하는 환원은 대상 문제를 그 가정과 연결한다. 가정이 나중에 무너지더라도 지적 가치는 번역 자체에 남을 수 있다.

잘못된 가정은 조건부 결론의 근거를 없애지만, 논문의 모든 진술을 자동으로 거짓으로 만들지는 않는다.

Impagliazzo와 Paturi의 원래 ETH 연구는 절 너비에 따라 만족 가능성 복잡도가 어떻게 달라지는지 살핀다. 이 논문은 가설이 더 이른 시기에 발전한 뒤 2001년에 학술지에 게재됐다. 이 역사는 보도된 결과가 단일 알고리즘을 넘어서는 이유를 설명한다.

그럼에도 연구자들은 몇 가지 가능한 결과를 구분해야 한다. 기존 증명은 여전히 올바른 함의로 남을 수 있다. 즉 ETH가 성립한다면 특정 결론이 따른다는 명제다. ETH가 무너지면 이 함의는 더 이상 그 결론을 세계에 대한 사실로 확립하지 못한다.

그 결론은 다른 이유로 여전히 참일 수 있다. 또는 새 알고리즘이 이를 우회하는 경로를 시사할 수도 있다. 어떤 결과가 적용되는지 판단하려면 구체적인 환원, 입력 크기, 보장된 실행 시간을 검토해야 한다.

어려운 그래프 문제를 연구하는 가상의 연구자를 생각해 보자. 이 연구자의 논문은 특정 논리 수식을 그래프로 번역하고 ETH를 이용해 더 빠른 알고리즘이 어렵다고 주장한다. 반박이 확립된다면 해당 논증의 결론을 다시 평가해야 한다.

그렇다고 실용적인 그래프 해법이 자동으로 제공되는 것은 아니다. 번역 과정에서 입력이 커지거나, 특정 매개변수만 보존되거나, 결과 실행 시간에 영향을 주는 오버헤드가 생길 수 있다. 연구자는 기존 구성 전체에 새 경계를 적용해 추적해야 한다.

따라서 “수십 년의 연구가 사라졌다”는 표현은 부적절하다. 일부 결론은 가정된 토대를 잃게 된다. 다른 연구는 새롭게 제안된 알고리즘의 결과를 찾는 길잡이가 될 수 있다.

연구 관리자가 다음 지원 대상을 결정할 때도 비슷한 구분이 필요하다. 팀은 참신성이 ETH 기반 장벽에 의존하는 프로젝트를 검토해야 한다. 동시에 그 프로젝트에 제안된 대안을 조사하는 데 도움이 되는 기법이 있는지도 물어야 한다.

유용한 대응은 분야 전체를 일괄 기각하는 것이 아니라 의존성 감사를 수행하는 것이다. 어떤 진술이 ETH를 직접 인용하는가? 어떤 진술이 더 강한 가정에 의존하는가? 어떤 진술이 그대로 유지되는 무조건적 관계를 확립하는가?

이 질문들은 영향이 개별 결과 전반에 분산돼 있기 때문에 까다롭다. 헤드라인 하나로 영향을 받는 모든 정리를 식별할 수는 없다. 반박이 받아들여지더라도 완전한 대체 지도를 즉시 제공하기보다는 해석의 기간이 시작될 것이다.

이 이야기를 지켜보는 개발자에게 관련된 압력은 우선 연구 가정에 가해진다. 소프트웨어 아키텍처, 인프라 지출, 제품 로드맵의 변화에는 실제 워크로드와 연결된 추가 증거가 필요하다.

더 나은 성장률이 더 빠른 제품을 입증하지는 않는다

제안된 진전은 점근적 복잡도, 즉 입력이 제한 없이 커질 때 자원 요구량이 어떻게 변하는지에 관한 것이다. 이 관점은 연구자들이 근본적으로 다른 알고리즘적 가능성을 구분하도록 돕는다. 그러나 기업이 마주하는 입력에서 구현체의 순위를 직접 매기지는 않는다.

이론적으로 더 나은 성장률은 즉각적인 엔지니어링 이점을 제공하지 않더라도 중대한 수학적 결과를 확립할 수 있다.

Anthropic은 연구 산출물에서 이 경계를 명시한다. 저장소는 발견을 내부 연구 Claude 모델에 귀속하고, 결과를 순전히 점근적인 것으로 설명한다. 또한 실제로 수식을 푸는 능력에 대해서는 어떠한 주장도 하지 않는다고 밝힌다.

이 면책 문구는 독자들이 두 회사를 비교하는 방식에 영향을 줘야 한다. OpenAI와 Anthropic의 수학 증명은 검토 가능한 연구 기여에 관한 논의에 속한다. 아직 소비자용 어시스턴트의 순위를 매기거나 기업용 코딩 구독을 선택할 근거를 제공하지는 않는다.

예시적인 엔지니어링 시나리오를 통해 이 차이가 더 명확해진다. 구성 규칙이 서로 모순되는지 검사하는 소프트웨어를 평가하는 팀을 상상해 보자. 이 팀은 자체 데이터와 유사한 수식에 대해 운영 한도 내에서 신뢰할 수 있는 답을 필요로 한다.

이론적 실행 시간 개선은 관련 배경이 될 수 있다. 배포에는 여전히 구현체, 대표적인 평가, 팀의 기존 접근법과의 비교가 필요하다. 증명만으로는 설치 노력, 운영 신뢰성, 또는 이점이 나타나는 입력 크기를 알 수 없다.

상수도 중요하다. 실행 시간 경계는 접근 가능한 입력에서 점근적 이점을 압도하는 고정 승수나 의존성을 숨길 수 있다. 이론적으로 우수한 방법이 실제로 더 빨라지는 시점은 별도의 분석이 필요하다.

입력 구조도 중요하다. 최악의 경우 보장은 어려운 인스턴스를 포함한 모든 허용 인스턴스를 다룬다. 배포된 워크로드에는 기존 구현체가 이미 효율적으로 처리하는 패턴이 포함될 수 있다.

반대로 실용적 결과가 약하다고 해서 수학적 주장이 반드시 약화되는 것은 아니다. 알고리즘이 명시된 전체 문제 부류에 대해 요구된 경계를 충족한다면, 그 이론적 결론은 증명에 의해 성립한다. 제품의 유용성은 별개의 문제다.

이러한 분리는 보안에 관한 주장도 절제해야 함을 보여 준다. 만족 가능성에 관한 결과만으로는 특정 암호 시스템에 대한 실질적 공격을 입증하지 못한다. 그러한 주장을 하려면 명시적 연결, 구체적 매개변수, 실행 가능한 구현이 필요하다.

같은 논리는 ETH 반박이 P versus NP를 해결한다는 또 다른 흔한 비약도 막는다. 이 문제는 효율적으로 검증 가능한 해를 항상 효율적으로 찾을 수 있는지를 묻는다. Clay Mathematics Institute는 계속해서 P versus NP를 미해결 문제로 분류하고 있다.

준지수 시간은 실행 시간이 입력 길이의 고정 거듭제곱으로 제한되는 다항 시간과 동의어가 아니다. 따라서 ETH 경계를 넘는다고 해서 P versus NP 해결과 연관된 더 강한 효율 보장이 확립되는 것은 아니다.

기업 구매자에게 실용적인 결론은 명확하다. 이 발표를 주시할 연구 동향으로 다뤄야 한다. 이를 구매 결정이나 약속된 생산성 향상으로 전환하기 전에 워크로드 증거를 요구해야 한다.

기계 검증 이후에도 해석해야 할 명제가 남는다

가장 중대한 단서는 기술 자료 자체에 담겨 있다. OpenAI의 형식화 범위는 Lean에서 확립된 실행 시간과 10월 25일 원고에서 제시된 더 엄밀한 경계를 구분한다.

Lean은 형식적 논증이 정의와 허용된 가정을 따르는지 확인하는 소프트웨어인 증명 보조기다. 논리적 의존 관계를 명시적으로 드러내고 기계적으로 점검할 수 있게 한다는 점에서 가치가 있다.

범위 설명에 따르면, 형식화된 경계에는 원고의 일반 경계와 비교해 추가적인 로그 인자가 포함된다. 두 경계 모두 준지수적이라고 설명되지만, 동일한 보장을 의미하지는 않는다.

기계 검증된 진술은 주목할 가치가 있지만, 그것이 핵심 주장과 어떤 관계에 있는지는 여전히 신중히 읽어야 한다.

이 구분이 반박이 틀렸다는 점을 입증하는 것은 아니다. 더 약한 경계로도 ETH를 반박하기에 충분할 수 있다. 다만 원고의 모든 세부 사항이 동일한 수준의 형식 검증을 받았다고 말해서는 안 된다는 뜻이다.

적절한 검토는 정확히 어떤 정리가 검증되었는지 묻는 데서 시작한다. 이어 그 정리를 논문의 정의, 계산 모델, 입력 인코딩, 자원 계산 방식과 비교해야 한다. 인코딩은 알고리즘이 받는 문제의 정확한 표현 방식을 뜻한다.

이런 세부 사항은 수학적 주장이 정의된 객체에 대해 정량화되기 때문에 중요하다. 하나의 표현에 관한 정리가 비슷하게 들리는 모든 비형식적 설명에 대한 정리로 자동 전환되지는 않는다. 그 연결에는 논증이 필요하다.

Anthropic은 다른 방향에서 같은 일반적 문제를 드러낸다. 해당 저장소는 주요 주장을 정의한 짧은 파일과 증명을 담은 파일을 분리한다. 문서는 형식적 진술과 논문 간의 대응 관계를 확인하는 책임이 인간에게 있음을 명시한다.

이는 유용한 투명성 조치다. 검토자는 증명 도구 체계를 조사하기 전에 더 작은 진술을 먼저 살펴볼 수 있다. 또한 “Lean이 검증했다”는 표현이 필요 이상으로 설명 역할을 하는 일을 막는다.

설명용 비유는 소프트웨어 명세에서 찾을 수 있다. 프로그램은 작성된 명세를 충족할 수 있지만, 그 명세가 사용자가 당연히 포함됐다고 여긴 요구 사항을 빠뜨릴 수도 있다. 검증은 여전히 의미가 있지만, 그 불일치는 누구나 내려야 할 결론을 바꾼다.

수학적 형식화에도 논리적 타당성과 의도된 의미 사이의 유사한 구분이 필요하다. 검토자는 검증된 추론에 확신을 가져야 하며, 그 진술이 논의되는 계산 문제를 포착한다는 점에도 확신을 가져야 한다.

OpenAI ETH를 정확히 설명하려면 이것이 핵심 단서다. 관련된 질문은 기계 검증이 인정받을 만한지 여부가 아니다. 검증이 정확히 무엇을 확립하며, 그 결론이 주장된 반박을 어떻게 뒷받침하는지다.

보도에는 경계도 있다. 공개된 설명을 검토하는 일은 형식 증명을 독립적으로 재구성하거나 모든 의존성을 감사하는 일과 같지 않다. 이 분석은 어느 작업도 완료했다고 주장하지 않는다.

공개 검토가 이 층위들을 해소하기 전까지는 “주장된 반박”이라는 표현이 유용하다. 이는 상당한 공개 증거를 인정하면서도 기업들의 해석을 최종 과학적 판정으로 제시하지 않는다.

OpenAI와 Anthropic은 자신의 기여를 이해할 수 있게 만들어야 한다

경쟁하는 공개는 두 연구소 모두에게 모델 출력에서 연구 주장으로 이어지는 경로를 설명하라는 압박을 만든다. 독자에게는 내부 시스템이 중요한 문제를 풀었다는 진술만으로는 부족하다.

비교는 점검 가능한 증거에 초점을 맞춰야 한다. 어떤 산출물이 공개됐는가? 어떤 형식적 진술이 원고에 대응하는가? 생성된 논증과 공개 결과를 연결한 인간의 작업은 무엇이었는가?

가장 강력한 연구 사례는 외부인이 이해하고, 이의를 제기하고, 재사용할 수 있을 만큼 기여를 추적 가능하게 만들 것이다.

OpenAI는 외부 연구자와 공개 검토가 포함된 과정을 설명한다. Anthropic은 진술, 증명 자료, 산출물 검증 지침을 갖춘 저장소를 제공한다. 이는 같은 더 큰 과제, 즉 출력을 공유 가능한 이해로 전환하는 일 안에서 서로 다른 제시 방식이다.

Anthropic 저장소의 짧은 형식적 진술은 증명이 아니라 정의를 포함한다고 명시한다. 이 분리는 중요한 점을 드러낸다. 정리를 진술하는 것과 그것을 확립하는 것은 별개의 산출물이다.

OpenAI Anthropic 수학 증명을 비교할 때 이 구분은 경쟁 서사보다 더 유용하다. 한 공개는 더 많은 설명이 필요하면서도 더 일찍 나올 수 있다. 더 늦은 공개는 우선권을 반드시 확립하지 않더라도 더 쉽게 검토될 수 있다.

우선권 자체에는 무엇이 언제 존재했는지에 대한 문서화된 설명이 필요하다. 공로 귀속에는 이전 아이디어와 각 참여자가 기여한 내용을 식별해야 한다. 이런 질문은 기업 발표에서 추론하기보다 증거를 통해 조사해야 한다.

과학적 가치는 연구자들이 그 방법이 왜 작동하는지 설명할 수 있는지에도 달려 있다. 성공적으로 검증되는 밀도 높은 산출물이라도, 다른 이들이 이를 확장하려면 상당한 교육, 단순화, 재구성이 필요할 수 있다.

그 작업은 인정받아 마땅하다. 이해 가능한 논증을 발전시키는 과정은 어떤 요소가 필수적이고 어떤 요소가 부수적인지 드러낼 수 있다. 또한 원래 출력만으로는 분명하지 않은 개선 경로를 드러낼 수도 있다.

이는 AI 연구 시스템을 위한 더 폭넓은 평가 기준을 시사한다. 인상적인 주장은 발견, 검증, 이해의 전달을 검토하도록 이끌어야 한다. 이를 별개의 기여로 다루면 평가가 더 정확해진다.

이는 개발자가 모델 비교를 읽는 방식도 바꾼다. 성공적인 내부 연구 실행이 일반적인 프롬프트에서 공개 모델이 어떻게 작동하는지를 입증하지는 않는다. 공개된 산출물도 제품이나 사용자 전반의 재현성을 자동으로 규정하지 않는다.

변화하는 논의를 추적하는 팀에게는 출처 관리도 작업의 일부가 된다. 발표문, 원고, 형식적 진술, 후속 정정을 연결해 두어야 한다. 어떤 결론이 어떤 문서에 의존하는지 기록해야 한다.

검색 가능한 지식 베이스는 버전이 바뀌는 과정에서도 엔지니어링 팀이 이런 관계를 보존하는 데 도움을 줄 수 있다. 중요한 습관은 각 주장이 어디에서 비롯됐는지 명확히 기록하는 출처 이력을 유지하는 것이다.

따라서 OpenAI ETH 반박은 연구 커뮤니케이션에 대한 시험이기도 하다. 이 결과는 독립적인 비판이 이해를 개선할 수 있는 형태를 갖춰야 한다. 경쟁적 발표는 관심을 얻지만, 투명한 설명은 그 관심이 생산적으로 향할 곳을 제공한다.

독립적 발견, 진술 간 정합성, 구현을 지켜봐야 한다

다음으로 유용한 신호는 점점 더 확신에 찬 또 한 번의 헤드라인이 아니라 증거와 관련된다. 앞으로 몇 달 동안 독자는 독립적 검토, 형식적 주장과 서면 주장 간의 관계, 실용적 구현 작업을 지켜봐야 한다.

독립적 발견은 연구 공동체가 책임 있게 무엇을 기반으로 삼을 수 있는지를 결정하므로 평가를 이끌어야 한다.

첫째, 독립 검토자가 자신이 수용한 정리 또는 발견한 공백을 식별하는 공개 설명이 나오는지 지켜봐야 한다. 가장 강력한 업데이트는 다른 연구자들이 평가할 수 있는 방식으로 추론, 관련 가정, 한계를 설명할 것이다.

검토 그룹에 참여했다는 사실 자체가 지지를 뜻하지는 않는다. 완성된 설명은 검토자들의 결론과 원래 기업의 주장을 구분해야 한다. 관련된 모두가 결과를 유망하다고 보더라도 이러한 분리는 중요하다.

검토자들이 핵심 논증을 수용한다면 반박에 대한 신뢰는 높아질 것이다. 수정 가능한 오류를 발견한다면, 다음 질문은 수정이 필요한 실행 시간을 보존하는지 여부다. 치명적인 공백은 핵심 주장을 약화시킬 것이다.

둘째, 논문과 형식화가 더 쉽게 비교될 수 있는지 지켜봐야 한다. OpenAI의 범위 설명에 있는 실행 시간 차이는 구체적인 출발점을 제공한다. 명확한 설명은 어떤 산출물이 어떤 경계를 확립하는지 식별해야 한다.

유용한 업데이트라면 주요 서면 주장을 정확한 형식적 진술에 대응시킬 것이다. 또한 독자가 표기만으로 그 중요성을 추론할 필요 없이 남은 차이를 설명할 것이다.

더 긴밀한 정합성은 전체 제시에 대한 신뢰를 강화할 것이다. 더 좁은 진술이 수용된다면, 여전히 ETH를 반박하더라도 보도 역시 더 좁아져야 한다. 변화는 실패나 정당화로 자동 처리하기보다 수학적 결과에 따라 판단해야 한다.

셋째, 재현 가능한 평가를 수반한 구현이 나오는지 지켜봐야 한다. 이는 점근 분석이 남기는 엔지니어링 질문에 답하기 시작할 것이다. 평가는 작업 부하, 비교 방법, 자원 요구 사항을 설명해야 한다.

실용적 이점은 후속 도입의 근거를 강화할 것이다. 입증된 이점이 없다면 이론적 질문은 유지되지만 즉각적인 상업적 주장은 제한될 것이다. 이러한 결과는 진전 평가에서 분리해 다뤄야 한다.

연구자들은 결론이 ETH에 명시적으로 의존하는 작업을 식별함으로써 준비할 수 있다. 개발자들은 자신의 시스템이 실제로 마주하는 만족 가능성 또는 최적화 문제의 유형을 문서화함으로써 준비할 수 있다. 어느 집단도 증거가 나오기 전에 결과를 가정할 필요는 없다.

그 밖의 모든 이에게 가장 유용한 행동은 논평과 함께 산출물을 추적하는 것이다. 진술된 정리에서 시작해 독립 검토자들이 무엇을 수용하는지 확인하고, 수학적 범위와 제품 약속을 분리해야 한다. 새로운 발표가 나올 때는 그 증거 중 어느 부분이 바뀌었는지 물어야 한다. 누군가 증명을 명확히 했는가, 형식적 진술을 정렬했는가, 유용한 성능을 입증했는가? OpenAI ETH 반박 주장은 기초적 가정에 도전하기 때문에 주목할 가치가 있다. 그 지속적인 중요성은 수용된 결과와 연구자들이 이를 활용해 무엇을 할 수 있는지에 달려 있다. 주장된 한계 변화가 실용적 컴퓨팅 역량이라고 받아들이기 전에 이러한 전개를 지켜봐야 한다.