OpenAI 수학 원고가 분야를 뒤덮자, 수학자들이 반발하고 있다
OpenAI는 10월 6일 700편이 넘는 수학 원고를 공개하며, 지금까지 가장 큰 AI 생성 연구 성과 주장과 함께 검증 위기를 불러왔다.
OpenAI 수학 원고는 정수론, 기하학, 위상수학, 컴퓨터 과학 및 기타 분야에 걸친 수백 개의 연관된 결과를 다룬다. 이는 약 4,000개의 미해결 문제를 대상으로 시험된 비공개 내부 모델에서 나왔다.
OpenAI는 이 모음을 인간 지식에 대한 기여로 제시했다. 그러나 많은 수학자는 이를 사설 연구소가 막대한 검토 부담을 공공 연구 공동체에 전가한 것으로 보았다.
이 갈등은 단순한 원고 수보다 더 중요하다. 연구자들은 이제 어떤 논증이 옳은지, 어떤 결과가 독창적인지, 어떤 논문이 주목할 가치가 있는지를 판별해야 한다. 또한 자신의 연구 프로젝트, 학생, 경력을 보호하면서 그 일을 수행해야 한다.
이번 공개는 AI 생성 수학을 둘러싼 미해결 논쟁 속에서 이뤄졌다. 이전의 OpenAI 발표는 이미 공로 배분, 공개되지 않은 인간의 연구, 그리고 증명을 산출하는 것과 이해를 만들어내는 것의 차이에 관한 의문을 제기했다.
공동 수학 블로그인 Proofs and Prompts는 며칠 만에 100건이 넘는 반응을 모았다. 반응은 환희에서 슬픔, 분노, 직업적 불안까지 다양했다.
핵심적인 이견은 단순히 인간 대 기계의 문제가 아니다. 이는 대량의 결과 생산을 추구하는 OpenAI의 모델과 설명, 비판, 교육, 공동 소유라는 더 느린 과정으로서의 수학 사이의 충돌이다.
OpenAI 수학 원고는 검토 체계보다 먼저 도착했다
OpenAI는 전문가들이 검토할 하나의 주목받는 증명을 발표한 것이 아니다. 연구 의제 전체를 한꺼번에 공개했다.
회사는 처음에 372개의 결과 계열로 구성된 722편의 원고를 공개했다. 하나의 계열에는 주요 결과, 보조 논증, 귀결, 대안적 증명이 포함될 수 있다.
현재 공개 저장소에는 동일한 372개 계열에 속하는 719편의 원고가 나열되어 있다. 이 변화는 해당 모음이 이미 수정되고 있음을 보여준다.
OpenAI는 논문과 보조 산출물이 비공개 내부 프런티어 모델로 생성됐다고 말한다. 회사는 기존 수학 시험이 지나치게 쉬워진 뒤 그 모델을 평가했다.
평가 과정에서는 약 4,000개의 문제가 제시됐다. OpenAI는 평균적인 결과 하나에 ChatGPT Pro 추론 약 3시간에 해당하는 컴퓨팅 자원이 소요됐다고 말한다.
이 수치는 이례적인 처리량을 보여준다. 그러나 모든 원고가 정확하고, 새로우며, 읽기 쉽고, 중요한 것은 아니다.
OpenAI는 이 모음에 서로 다른 검증 단계의 작업이 포함돼 있음을 명시적으로 인정한다. 또한 형식화되지 않은 일부 결과에는 문제가 있을 수 있다고 경고한다.
형식화는 증명 검증 소프트웨어가 논증을 한 줄씩 확인할 수 있는 언어로 옮기는 작업이다. OpenAI는 이를 위해 해당 목적에 맞춰 설계된 프로그래밍 언어이자 증명 보조기인 Lean을 사용했다.
저장소에 따르면 최상위 결과의 약 42퍼센트가 형식화됐다. 이는 상당한 비율이지만, 주요 결과 대부분은 여전히 이 검증 범주 밖에 남아 있다.
Lean 검증이 성공하더라도 연구 질문의 일부에만 답할 뿐이다. 정의와 형식적 명제가 의도한 정리를 정확히 포착한다는 전제 아래, 인코딩된 논리적 논증을 검증할 수 있다.
그러나 그것이 새로움, 중요성, 적절한 공로 배분, 유용한 설명을 자동으로 확립하지는 않는다. 그러한 판단은 여전히 문헌에 대한 인간의 지식에 달려 있다.
저장소에는 축약된 추론 요약 10건도 포함돼 있다. 이 요약은 원주율의 무리수 지수와 행렬 곱셈 같은 주제를 다루는 일부 결과를 다룬다.
요약 10건만으로는 수백 개 결과 계열에 대한 지적 지도를 제공할 수 없다. 연구자들은 여전히 전문 분야마다 중요성이 크게 다른 낯선 목록과 마주하고 있다.
공개 성명에서 OpenAI는 이 작업이 인간 지식을 발전시키길 바란다고 밝혔다. 또한 수정 절차, 인용 지침, 추가 형식화를 약속했다.
회사는 향후 공개에서 인용, 설명, 표현 방식을 개선하겠다고 말했다. 이 약속은 현재 패키지의 약점을 암묵적으로 인정하는 셈이다.
OpenAI는 Institute for Advanced Study의 독립 자문 그룹에도 자문을 구했다. 그러나 그러한 자문은 연구자들이 이 출판 과정을 압도적이라고 묘사하는 것을 막지 못했다.
규모는 즉시 핵심 긴장을 만들어냈다. 모델은 관련 전문가들이 읽고, 맥락화하고, 설명할 수 있는 속도보다 더 빠르게 후보 결과를 생성할 수 있다.
따라서 출판은 첫 단계에 불과해졌다. 해결되지 않은 질문은 그 뒤따르는 모든 비용을 누가 부담해야 하는가이다.
검증 부담이 수학자들에게 전가됐다
이번 공개는 전문가의 관심을 희소 자원으로 만들었지만, OpenAI는 그 공급을 만든 모델에 대한 통제권을 유지하고 있다.
통상적인 논문은 식별 가능한 저자, 학문 공동체, 세미나, 동료 심사를 중심으로 구축된 체계에 들어간다. 그 메커니즘은 완벽하지 않지만 책임을 분산한다.
저자들은 대체로 자신의 방법을 설명하고, 이의 제기에 답하며, 불명확한 부분을 수정하고, 지식 있는 청중 앞에서 주장을 방어한다. 독자들은 특정 보조정리가 왜 중요한지, 아이디어가 어떻게 나왔는지 물을 수 있다.
OpenAI 수학 원고는 그 관계를 깨뜨린다. 명시된 저자는 사실상 회사이며, 모델은 외부 연구자에게 여전히 제공되지 않는다.
불투명한 논증을 발견한 수학자는 이를 생성한 시스템에 질문할 수 없다. OpenAI 직원들이 설명을 제공할 수는 있지만, 모든 내부 추론 경로를 재구성할 수는 없다.
이 문제는 규모가 커질수록 더 심각해진다. 인간 전문가가 작성한 어려운 논문도 집중해서 읽는 데 수주 또는 수개월이 걸릴 수 있다.
수백 편의 논문은 검증이 시작되기도 전에 선별 문제를 만든다. 연구자들은 제한된 시간을 쓸 만큼 어떤 주장이 신뢰할 만한지 결정해야 한다.
일부 원고는 누군가의 경력 전체를 형성해 온 질문을 다룬다. 연구비 제안서, 학위 논문, 향후 출판물이 그 결과에 달려 있을 때 전문가들은 주장된 해법을 단순히 무시할 수 없다.
이는 비대칭적인 유인을 만든다. 결과가 검토를 통과하면 OpenAI가 이익을 얻는 반면, 독립 연구자들은 오류를 찾아내는 비용의 상당 부분을 떠안는다.
Enrico Fatighenti는 형편없이 작성된 인간의 투고 논문은 빠르게 거절될 수 있다고 주장했다. 반면 AI 생성 작업은 모델의 인식된 능력 때문에 전문가들에게 그 의미를 재구성하라는 압박을 가할 수 있다.
Tristan Humbert는 자신의 학위 논문 중심 문제에 관한 읽을 수 없다고 여긴 자료를 접했다고 설명했다. 그는 박사후 연구 계획도 재고해야 했다.
이런 반응은 자동화된 연구의 실질적인 결과를 드러낸다. 원고 생성이 저렴해진다고 해서 검증까지 공짜가 되는 것은 아니다.
병목은 텍스트 생산에서 신뢰 확립으로 옮겨간다. 이 전환은 코드를 생성하는 것보다 검토, 보안 확보, 유지보수가 더 쉬운 소프트웨어 분야에서 이미 나타나고 있다.
수학은 더 어려운 기준을 요구한다. 논문은 형식적 결과를 기존 이론, 관련 인용, 이해 가능한 아이디어의 연쇄와 연결해야 한다.
OpenAI는 수정 사항을 기록하고 이전 버전을 보존하겠다고 말한다. 이는 특히 원고가 사라지거나 변경될 때 감사 가능성 측면에서 가치가 있다.
버전 이력은 책임 있는 학술적 상호작용을 대체할 수 없다. 연구자들은 여전히 의도, 의존 관계, 관련 연구에 대한 세부 질문에 답할 수 있는 누군가를 필요로 한다.
공동체 반응은 이 부담이 고르게 분배되지 않음을 보여준다. 주장된 결과에 가장 가까운 전문가들이 이를 조사해야 한다는 가장 큰 압박을 느낀다.
그들이 얻는 보상은 여전히 불확실하다. OpenAI의 작업을 확인하면 회사의 주장을 강화할 수 있지만, 이를 바로잡는 일은 최초 발표보다 덜 인정받을 수 있다.
선별 문제도 있다. 전문가들은 눈에 띄는 주장에 우선순위를 둘 수 있고, 조용하지만 유효한 결과는 거의 주목받지 못할 수 있다.
따라서 이 모음에는 중요한 수학과 검토되지 않은 채 남는 오류가 모두 포함될 수 있다. 물량은 그 결과들을 구분하기 어렵게 만든다.
이 때문에 원고 수는 과학적 진보를 측정하는 약한 척도다. 활용 가능한 결과에는 검증, 맥락, 설명, 그리고 이를 이어받을 수 있는 공동체가 필요하다.
증명의 풍요가 수학적 이해와 충돌하고 있다
OpenAI는 증명의 풍요를 만들어냈지만, 수학자들은 그 풍요가 지식을 낳는지, 아니면 처리할 대상만 더 만드는지 묻고 있다.
여러 반응은 이번 공개를 진정한 능력 변화의 증거로 받아들였다. Roman Sauer는 자신이 개발한 기법이 매우 다른 두 문제의 해법에 등장하는 것을 알아봤다.
그는 그 적용이 매우 창의적이라고 했으며, 충격을 받았다고 말했다. 이 반응은 원고가 자동화된 모방에 불과하다는 단순한 주장과는 맞지 않는다.
Ben Green은 주요 연구 보조금의 의제 상당 부분과 맞닿은 결과를 발견한 것으로 전해진다. 그는 이 모음의 일부 측면을 충격적이라고 묘사했다.
Alvaro Lozano-Robledo는 중요한 구분을 유지하면서 리만 가설을 향한 모델의 진전을 강조했다. 준 리만 결과는 중요할 수 있지만, 원래의 추측을 해결하는 것은 아니다.
이 구분은 목록 전체에서 중요하다. 원고는 특별한 경우를 해결하거나, 경계를 개선하거나, 조건부 정리를 확립할 수 있지만, 유명한 상위 문제를 해결하지는 않을 수 있다.
헤드라인은 그런 차이를 “미해결 문제 해결”이라는 표현으로 압축할 수 있다. 연구자들은 그럴 수 없다.
가장 강한 긍정적 해석은 AI가 이제 개별 학자가 접근할 수 없던 규모로 수학적 가능성을 탐색할 수 있다는 것이다. 이는 접근법을 시험하고, 기법을 결합하며, 전문 분야 전반에 걸쳐 후보 논증을 만들어낼 수 있다.
그 능력은 수학자들이 달리 보지 못했을 연결을 찾는 데 도움이 될 수 있다. 또한 새 방법에 의해 간과된 문제를 드러낼 수도 있다.
Danny Calegari는 인간과 AI의 협업을 기념할 이유를 설명했다. 한 프로젝트에서 Anthropic의 Claude는 음악 사운드트랙이 있는 수학 애니메이션용 코드를 작성했다.
Constantin Kogler는 고급 모델과 함께 작업하고 새로운 아이디어를 즉시 접하는 것에 흥분을 표했다. 접근 권한이 있는 연구자에게 이 경험은 확장된 창의적 환경처럼 느껴질 수 있다.
회의적인 해석은 생성이 끝나는 지점에서 시작된다. Stephen Wolfram은 방대한 수의 정리를 만들어내더라도 사람들이 어떤 정리를 가치 있게 여길지는 식별하지 못한다고 지적했다.
수학적 중요성은 부분적으로 취향에 달려 있다. 연구자들은 답이 구조를 밝히고, 분야를 연결하며, 생산적인 새로운 문제를 만들기 때문에 질문을 선택한다.
이용 가능한 추측을 풀도록 최적화된 모델은 인간이 만든 연구 의제를 계승한다. 따라서 그 성공은 독립적인 수학적 판단을 확립하지 않고도 탐색 능력을 측정할 수 있다.
Johannes Schmitt는 관련된 해석을 제시했다. OpenAI는 기존의 단순한 평가가 더 이상 자사의 프런티어 모델을 시험하지 못했기 때문에 주로 미해결 문제를 사용했을 수 있다.
그 관점에서 논문은 학술 공동체에 대한 기여이기 전에 모델 개발의 산출물이다. 두 활동의 유인은 서로 다르다.
한 연구실은 어려운 벤치마크, 측정 가능한 진전, 일반 추론의 증거를 원한다. 수학자들은 동료들이 검토하고, 가르치고, 확장할 수 있는 설명을 원한다.
결과물은 기술적으로 인상적일 수 있지만, 그러한 사회적 기능을 뒷받침하지 못할 수 있다. 이것이 OpenAI 수학 원고를 둘러싼 더 깊은 갈등이다.
보도에 따르면 Terence Tao는 연구자들이 내용을 소화한 뒤 결실을 맺을 수 있는 영리한 아이디어들을 발견했다. 동시에 그는 작업을 발표하고 가르칠 수 있는 사람이 부재하다는 점에 좌절감을 표했다.
Ian Agol은 이 과제를 Grigori Perelman의 푸앵카레 추측 연구에 대한 반응에 비유했다. 여러 팀은 Perelman의 간결한 논문을 확장하고 명확히 하는 데 수년을 보냈다.
이 역사적 비교에는 한계가 있다. Perelman은 일관된 지적 프로그램을 지닌 인간 저자였으며, 수백 편의 원고를 만들어내는 시스템이 아니었다.
그럼에도 이는 출판과 공동체의 이해가 언제나 같은 것은 아니었음을 보여준다. AI는 규모를 바꿈으로써 둘 사이의 거리를 더욱 벌린다.
이제 질문은 모델이 진지해 보이는 수학을 만들어낼 수 있는지 여부가 아니다. 더 시급한 질문은 기관들이 그 산출물을 지속 가능한 지식으로 전환할 수 있는지다.
반발의 핵심은 경력, 공로, 통제권이다
많은 수학자는 자동화 자체를 거부하는 것이 아니다. 권한을 공유하지 않은 채 경력의 질서를 재편할 수 있는 공개 방식을 거부하는 것이다.
Hugo Duminil-Copin은 언젠가 기계가 일부 측면에서 연구자들을 능가할 것이라고 예상했다고 썼다. 다만 그토록 많은 주요 문제가 단 한 번의 발표에서 쏟아질 것이라고는 예상하지 못했다.
그의 반응은 이 사건의 감정적 비대칭을 포착했다. 연구실은 이번 공개를 시연으로 경험한 반면, 연구자들은 이를 자신의 삶을 갑작스럽게 바꾸는 일로 받아들였다.
Matt Zaremsky는 수년에 걸친 신중한 진전을 고고학 발굴에 비유했다. 그의 비유에서 부유한 회사가 나타나 폭발물을 사용하고, 골격을 꺼내 놓은 뒤 떠났다.
불만의 대상은 완전한 골격 자체에 가치가 없다는 점이 아니었다. 그 과정이 작업에 직업적·지적 의미를 부여했던 느린 발견의 과정을 지워버렸다는 점이었다.
Tasmin Chu도 비슷한 구분을 제시했다. 어떤 명제가 참인지 아는 일은 그 문제를 직접 충분히 고민할 시간을 갖는 일과 다르다.
많은 연구자에게 그러한 사고는 부수적인 노동이 아니다. 바로 그것이 그들을 수학으로 이끈 활동이다.
박사과정 학생들은 이 갈등을 더 날카롭게 겪는다. 이들의 자격은 제한된 기간 안에 독창적 연구를 생산하는 데 달려 있다.
AI가 생성한 원고는 경고 없이 같은 문제에 도달할 수 있다. 틀린 주장이라 해도 전문가들이 이를 해결할 때까지 학생에게 연구 방향을 바꾸도록 강요할 수 있다.
박사후연구원 채용은 불확실성을 더한다. 지원자들은 향후 연구 계획을 설명해야 하지만, 대형 사설 모델이 그들이 제안한 연구 의제 전반에 걸쳐 갑자기 주장을 발표할 수 있다.
선임 연구자들은 적응에 도움이 되는 명성과 네트워크를 갖고 있다. 초기 경력 수학자들은 보호막이 더 적고, 새 연구가 검증되기 전에 평가받을 수 있다.
공로 배분은 또 다른 균열선이다. 원고들은 출판된 수학, 기존 추측, 그리고 수십 년간의 인간 연구를 통해 발전한 기법에 기대고 있다.
OpenAI는 인용 정보를 제공하지만, 적절한 출처 표기는 참고문헌을 생성하는 것 이상을 요구한다. 어떤 아이디어가 진정으로 새롭고 어떤 것이 알려진 논증을 재포장한 것인지 전문가는 판단해야 한다.
앞선 Navier-Stokes 논쟁은 이러한 우려를 심화했다. 연구자들은 OpenAI의 작업이 공개되지 않은 인간 연구와 교차한다고 주장하며 우선권 문제를 제기했다.
이번 공개가 개별 원고의 부정행위를 입증하는 것은 아니다. 다만 수학자들이 제한된 신뢰를 갖고 이 목록에 접근한 이유는 설명한다.
Henry Wilton은 이름이 명시된 인간 저자와 상세한 실패율 정보가 없다는 점을 비판했다. 그에게 이 प्रस्त시는 수학이 더 이상 인간의 노력으로 다뤄지지 않는다는 인상을 주었다.
OpenAI는 약 4,000개의 문제를 시도했다고 공개한다. 또한 원고가 결과군으로 집계된 방식도 설명한다.
그러나 그 수치만으로는 중요한 질문들이 남는다. 독자는 선정 기준, 실패한 접근, 폐기된 출력, 출판 뒤에 있었던 인간의 판단을 쉽게 재구성할 수 없다.
이러한 불투명성은 성공을 해석하는 방식에 영향을 준다. 수천 번의 시도에서 수백 개의 유망한 결과를 내는 모델은 인상적이지만, 그 비율만으로는 많은 것을 알 수 없다.
연구자들은 문제가 어떻게 선택됐고 출력이 어떻게 필터링됐는지 알아야 한다. 정확성과 독창성에 대한 독립적 검증도 필요하다.
가장 날카로운 비판은 연구 의제의 통제권에 관한 것이다. Martin Bridson은 어떤 결과가 공동체의 주목을 받을 가치가 있는지 AI 연구소가 결정하도록 허용하지 말라고 경고했다.
이는 이론적 위험이 아니다. 연구자들은 이미 사적으로 생성된 작업을 읽고, 검증하고, 설명하는 데 시간을 돌리고 있다.
그런 관심은 지적·교육적·사회적 가치를 기준으로 선택된 질문들을 밀어낼 수 있다. 또한 모델이 가장 효율적으로 공략할 수 있는 벤치마크를 가진 분야에 보상할 수도 있다.
OpenAI는 주요 AI 생성 결과를 이해하기 위한 워크숍, 학회, 특별 프로그램에 자금을 지원할 계획이라고 밝혔다. 이러한 지원은 부담의 일부를 줄일 수 있다.
그러나 자금 지원은 대응 과정에 대한 회사의 영향력도 강화한다. 같은 기관이 논문을 만들고, 모델을 통제하며, 이를 해석하려는 노력에 자금을 댄다.
근본 문제는 거버넌스다. 누가 문제를 선택하고, 주장을 검증하고, 공로를 배분하며, 결과가 대중의 주목을 받을 준비가 됐는지 결정하는가?
공동의 통제권이 없다면 증명의 풍부함은 의존성으로 바뀔 수 있다. 수학자들은 산출물에 접근하는 대신 자신의 분야를 형성하는 조건에 대한 영향력을 잃는다.
이번 공개가 수학적 전환점으로 인정받기 전에 일어나야 할 일
이 컬렉션이 지속 가능한 연구가 될지, 거대하지만 불안정한 시연으로 남을지를 결정할 세 가지 신호가 있다.
첫 번째 신호는 독립적 검증이다. 전문가들은 OpenAI의 내부 평가에만 의존하지 않고 대표적인 주요 결과를 확인해야 한다.
Lean 형식화는 그 과정을 지원할 수 있다. 그러나 검토자들은 형식적 진술이 독자들이 확립됐다고 믿는 수학적 주장과 실제로 일치하는지도 확인해야 한다.
OpenAI는 형식적 산출물과 수정 이력을 계속 공개해야 한다. 외부 그룹은 투명한 구성과 문서화된 의존성을 사용해 검증을 재현해야 한다.
여러 원고가 철회되거나 수정되더라도 전체 컬렉션이 무효화되는 것은 아니다. 과학적 작업은 검토 과정에서 변한다.
그럼에도 높은 수정률은 자율 연구의 신뢰성에 관한 주장을 약화할 것이다. 다양한 분야에서 수정률이 낮다면 그러한 주장은 크게 강화될 것이다.
두 번째 신호는 수학자들이 아이디어를 계승할 수 있는지다. 이는 발표를 하고, 더 명확한 해설을 쓰고, 재사용 가능한 기법을 식별하며, 후속 연구를 만들어내는 것을 의미한다.
아무도 설명할 수 없는 올바른 증명은 살아 있는 학문 분야에 통합되기 어렵다. 어떤 명제를 해결할 수는 있어도 생산적인 연구 프로그램을 만들지는 못할 수 있다.
Proofs and Prompts는 이러한 소화 과정에 대한 초기 기록을 제공한다. 수집된 반응에는 기술적 흥분, 문제별 비판, 직업적 결과에 대한 성찰이 포함된다.
반응 개요는 대중 보도가 반응을 공포로 축소해서는 안 되는 이유도 보여준다. 연구자들은 작업의 품질과 의미 모두에 대해 의견이 갈린다.
특정 결과군에 초점을 둔 세미나와 독립적인 개관 논문을 주시해야 한다. 그러한 산출물은 공동체가 원고를 공유된 이해로 전환할 수 있음을 보여줄 것이다.
그러한 작업이 없다면 생산이 흡수를 앞질렀음을 시사할 것이다. 논문은 기술적으로 흥미로울 수는 있어도 문화적으로는 분리된 상태로 남을 수 있다.
세 번째 신호는 OpenAI의 모델 공개 정책이다. 회사는 결과를 생성한 시스템을 책임감 있게 공개하기 위해 노력하고 있다고 말한다.
접근 권한은 연구자들이 새로운 문제를 시험하고, 실패 패턴을 조사하며, 협업적 사용과 자율적 일괄 생성을 비교할 수 있게 해줄 것이다.
제한된 접근은 현재의 불균형을 유지할 것이다. OpenAI는 주된 생산자로 남고, 대학과 독립 연구자들은 하류 검토자 역할을 하게 된다.
쓸모 있는 공개에는 의미 있는 평가를 위한 충분한 방법론적 세부 정보도 포함돼야 한다. 브랜드화된 인터페이스만으로는 과학적 재현성을 제공할 수 없다.
여기서 경쟁도 중요하다. Anthropic, Google DeepMind, 전문 정리 증명 프로젝트 역시 고등 수학을 위한 시스템을 개발하고 있다.
서로 다른 공개 모델은 OpenAI가 더 나은 접근성, 더 강한 출처 추적성, 더 책임 있는 출판 관행을 제공하도록 압박할 수 있다. 동시에 물량 문제를 키울 수도 있다.
외부 분석은 AI가 보조 기능에서 자율 생산으로 빠르게 이동한 소프트웨어 개발과 수학을 비교한다.
그 비교는 유용하지만, 수학적 성공은 산출물만으로 측정할 수 없다. 정리에는 프로그램을 프로덕션에서 실행하는 것과 같은 배포 테스트가 없다.
그 가치는 증명 검토, 해석, 인용, 교육, 추가 발견을 통해 형성된다. 논증이 올바르더라도 그러한 과정에는 시간이 걸린다.
그러므로 독자들은 성급한 두 가지 결론을 피해야 한다. 이번 공개는 수백 개의 유명한 문제가 결정적으로 해결됐음을 입증하지 않는다.
또한 수학자들이 그 표현 방식을 싫어한다는 이유만으로 무의미한 텍스트라고 치부할 수도 없다. 여러 전문가는 진정으로 중요한 것으로 보이는 결과와 기법을 식별했다.
OpenAI 수학 원고는 수학적 추론 실험인 동시에 자동화된 연구 출판 실험이다. 모델이 논문을 생성했지만, 다음에 어떤 일이 일어날지는 기관들이 결정해야 한다.
개발자와 지식 노동자에게 이 교훈은 수학을 넘어선다. 저렴한 생성은 검토, 출처 추적, 맥락적 판단의 가치를 낮추는 것이 아니라 높인다.
대학의 즉각적인 과제는 독립적 검증 역량을 구축하는 동시에 초기 경력 연구자들을 보호하는 것이다. 모든 주장이 확정될 때까지 기다리면 학생들은 노출된 채 남는다.
OpenAI에 요구되는 기준은 이제 또 다른 목록을 생산하는 수준을 넘어선다. 연구자들이 무급 관리인이 되지 않고도 작업을 검토하고, 이의를 제기하고, 이해하고, 그 위에 구축할 수 있음을 보여야 한다.
향후 몇 달은 구체적인 질문에 답해야 한다. 이 원고들이 새로운 탐구 공동체를 만들 것인가, 아니면 전문가들에게 산출물 대기열을 정리하게 할 것인가?
그 답은 10월 6일이 수학 협업의 새로운 형태를 뜻하는지, 혹은 관심의 위기가 시작된 날인지를 규정할 것이다.
