OpenAI Math 공개, 722편의 원고로 연구자들을 압도하다
OpenAI는 수학 원고 722편을 한꺼번에 공개했고, 연구자들이 가장 강력하다고 주장된 결과를 이해하기도 전에 검증 위기를 불러왔다. OpenAI Math 공개물은 서로 연관된 결과군 372개, 여러 유명 추측, 그리고 현대 순수수학의 넓은 영역을 아우른다. 그 규모는 이 분야를 낯선 영역으로 밀어 넣었다.
핵심 질문은 더 이상 AI 시스템이 때때로 어려운 문제 해결을 도울 수 있는지 여부가 아니다. OpenAI는 아직 공개되지 않은 한 모델이 수천 건의 연구 문제 시도 전반에서 중요한 작업을 반복적으로 수행했다고 말한다. 당장의 병목은 가능한 증명을 생성하는 일에서 이를 검증하고, 설명하고, 수정하고, 적절히 공로를 인정하는 일로 옮겨갔다.
이 변화는 수학자, 대학, 학술지, 그리고 OpenAI 자체에 부담을 준다. 저장소는 수백 편의 원고를 몇 분 만에 배포할 수 있다. 기계 검증 구성요소가 제공되더라도 수학계는 이에 상응하는 속도로 검토할 수 없다.
OpenAI Math 공개는 제품 데모가 아니라 연구의 홍수다
OpenAI는 벤치마크 점수를 공개한 것이 아니다. 주장된 수학 지식의 적체를 공개했다.
2026년 10월 6일, OpenAI는 내부 프런티어 모델이 폭넓은 수학 결과 모음을 생성했다고 발표했다. 함께 공개된 발표문에서 회사는 연구자들이 이 작업을 검토하고 발전시키기를 바란다고 밝혔다.
이 모음은 372개 결과군으로 구성된 722편의 원고를 담고 있다. 하나의 결과군에는 핵심 결과, 대체 증명, 관련 귀결 또는 보조 논증이 포함될 수 있다. 이는 이번 공개가 서로 무관한 발견 722건을 뜻하지는 않는다는 점에서 중요하다.
그럼에도 372개 결과군은 막대한 검토 부담을 만든다. 여기에는 수론, 기하학, 조합론, 확률론, 수리물리학, 이론 컴퓨터 과학 등의 분야가 포함된다.
공개된 연구 카탈로그에 따르면, OpenAI는 모델에 약 4,000개의 문제를 제시했다. 회사는 결과물을 선별하고 출판할 만큼 충분히 중요하다고 판단한 작업을 정리했다.
OpenAI는 포함된 결과 하나당 평균적으로 약 3시간의 ChatGPT Pro 추론에 해당하는 자원이 소요됐다고 추정한다. 이 수치는 모델 추론 자원을 설명할 뿐, 인간이 검증하거나 이해하는 데 필요한 시간을 뜻하지는 않는다.
회사는 대부분의 작업을 생성한 모델을 공개하지 않았다. 연구자들은 결과물과 보조 산출물을 살펴볼 수 있지만, 원래 시스템을 독립적으로 재실행할 수는 없다.
OpenAI는 또한 10개 결과군에 대해 축약된 추론 요약을 공개했다. 이 요약은 시스템이 선택된 문제에 접근한 방식을 제한적으로 보여준다. 그러나 372개 결과군 전체에 대한 완전한 기록을 제공하지는 않는다.
이렇게 구성된 패키지는 전통적인 수학 출판물과 크게 다르다. 일반적으로 저자는 결과를 개발하고, 이를 전문가들과 공유하며, 서술을 수정한 뒤 심사를 위해 제출한다. 이 과정은 검증 작업을 시간과 기관에 걸쳐 분산한다.
OpenAI는 그 순환의 생산 측면을 압축했다. 이어 거대한 원고 모음을 한 번의 행동으로 공개 검토 대기열에 넘겼다.
따라서 이 이야기를 하나의 화려한 정리로 축소할 수는 없다. 일부 원고는 리만 제타 함수, 호지 이론, 카케야 기하학, 자유군 인자와 관련된 널리 알려진 문제의 진전을 주장한다.
다른 결과들은 주로 전문 연구 공동체 안에서 알려진 질문을 다룬다. 특히 수년간의 기술적 작업을 규정해 온 장애물을 해결할 때, 눈에 띄는 헤드라인을 만들지 않더라도 원고는 중요할 수 있다.
따라서 이번 공개물은 중요성, 검증 수준, 가독성, 독창성이 서로 다른 결과를 결합한다. 722편의 원고를 모두 동등하게 확립된 결과로 취급하는 것은 오해를 부를 수 있다. 일부 항목에 문제가 있다고 해서 전체 모음을 일축하는 것 역시 무책임하다.
OpenAI도 이러한 불균일한 상태를 인정한다. 저장소는 일부 형식화되지 않은 결과에 문제가 있을 수 있다고 밝히며, 수정 사항을 기록하겠다고 약속한다. 이 경고는 이 모음에 대한 모든 해석에 반영돼야 한다.
가장 신중한 설명은 간단하다. OpenAI는 집합적 중요성이 여전히 활발한 검토 대상인 수백 건의 수학적 주장, 보조 원고, 증명 산출물을 공개했다.
OpenAI의 AI 수학 증명이 기존 심사 시스템을 압도하는 이유
어려운 문제는 기계가 생성한 연구 대기열에 자격을 갖춘 인간의 관심을 어떻게 배분하느냐가 됐다.
연구 수학자는 결론만 확인해서는 기술 논문을 신뢰성 있게 평가할 수 없다. 검토자는 정의를 이해하고, 의존 관계를 추적하며, 섬세한 단계를 점검하고, 논증을 기존 문헌과 비교해야 한다.
서술 방식이 낯설면 이 작업은 더 어려워진다. 여러 수학자는 The Verge에 이 모음의 일부가 대단히 중요해 보이는 반면, 다른 논문은 읽거나 판단하기 어려웠다고 말했다.
수학자 인터뷰를 통해 수집된 반응에는 “놀라운”, “압도적인”, “초현실적인”, “완전한 광기” 같은 표현이 포함됐다. 이러한 묘사는 겉으로 드러난 품질과 평가 부담을 함께 반영했다.
스탠퍼드대 수학자 Jared Duker Lichtman은 잠재적으로 중요하다고 보는 결과가 수십 건이라고 밝혔다. 그는 리만 가설, 특수한 호지 사례, 4차원 카케야 추측과 관련된 작업을 지목했다.
이 주제들은 장기간 이어진 연구 프로그램의 중심에 있다. 가장 유명한 추측을 완전히 해결하지 못하더라도, 진전은 다수의 인접한 질문에 영향을 줄 수 있다.
하지만 수학적 중요성은 알아볼 수 있는 제목만으로 확립되지 않는다. 전문가들은 해당 명제가 새로운지, 가정이 의미 있는지, 증명이 세부 검토를 견디는지 판단해야 한다.
또한 논증이 이전 작업과 어떻게 연결되는지도 재구성해야 한다. 이 작업은 정확한 인용, 명확한 표기, 전문가를 위해 작성된 설명에 달려 있다.
시드니대 수학자 Nalini Joshi는 일부 논문의 참고문헌이 짧다고 지적했다. OpenAI의 공로 귀속 관행을 둘러싼 이전 논란을 고려해, 참고문헌이 완전한 지적 역사를 담지 못할 수 있다는 우려를 나타냈다.
인용의 품질은 단순한 학계 예절 이상의 문제다. 누락된 인용은 핵심 아이디어를 제공한 선행 정리를 가릴 수 있고, 독창성 주장을 약화시키거나 독립적 검증을 불필요하게 어렵게 만들 수 있다.
모음의 규모는 각 문제를 더욱 키운다. 한 학과는 주요 원고 하나를 중심으로 세미나를 열 수 있다. 그러나 정상적인 학사 일정 안에서 수백 편의 전문 논문을 책임 있게 소화할 수는 없다.
학술지도 비슷한 불일치에 직면한다. 동료 심사는 이미 강의, 지도, 행정, 개인 연구를 병행하는 소수 전문가 집단에 의존한다.
AI 시스템은 이제 그러한 공동체가 검토할 수 있는 속도보다 빠르게 투고물을 생성할 수 있다. 이것이 일상화된다면, 전문가의 관심이 배정되기 전에 전통적인 편집 업무 흐름에는 더 강력한 선별 과정이 필요해질 것이다.
그 영향은 개인의 경력에도 미친다. 연구자는 수년에 걸쳐 발전시킨 작업이 AI 생성 원고와 겹친다는 사실을 발견할 수 있다. 또 다른 연구자는 OpenAI가 주장한 결과가 옳은지 전문가들이 판단할 때까지 프로젝트를 멈출 수 있다.
이 불확실성은 채용용 논문, 연구비 제안서, 학회 발표, 출판 계획을 바꿀 수 있다. 그 영향은 기저 증명이 폭넓게 받아들여지기 전부터 나타난다.
부담은 수학 외부의 독자에게도 돌아간다. 공개 저장소는 투명성의 인상을 만들지만, 접근 가능하다고 해서 이해 가능한 것은 아니다.
문서는 다운로드할 수 있고, 형식적으로 구조화돼 있으면서도 소수의 전문가를 제외한 모든 이의 평가를 거부할 수 있다. 중요한 질문은 충분한 수의 독립 전문가가 결과의 의미와 위치를 확립할 수 있느냐다.
이는 부분적으로 정보 관리 문제다. 연구자들은 주장, 의존 관계, 수정, 비판, 선행 문헌을 연결하는 검색 가능한 지도가 필요하다.
빠르게 움직이는 기술 작업을 추적하는 팀들은 이미 문서와 맥락을 연결하기 위해 검색 가능한 지식 베이스를 사용한다. 수학에는 더 강한 출처 추적과 검증 통제를 갖춘 분야 단위 버전이 필요하다.
그런 계층이 없다면 이 저장소는 인간 지식에 통합된 기여물이 아니라 어려운 대상들의 선반이 될 위험이 있다.
기계 검증은 도움이 되지만 OpenAI Math 공개를 결론짓지는 못한다
Lean은 형식 논리를 검증할 수 있지만, Lean 파일이 존재한다고 해서 모든 원고나 모든 과학적 주장이 검증되는 것은 아니다.
OpenAI는 많은 증명에 대해 Lean 형식화를 포함했다. Lean은 형식 논증이 선언된 정의, 공리, 그리고 이전에 검증된 결과를 따르는지 확인하는 증명 보조기다.
이 기능은 수학의 주요 실패 양상을 다룬다. 자연어 증명은 타당하지 않은 추론, 누락된 경우, 정당화 없이 사용된 가정을 숨긴 채 설득력 있게 들릴 수 있다.
정리가 완전하고 올바르게 형식화되면 Lean은 논리적 정확성에 대해 이례적으로 강한 신뢰를 제공할 수 있다. 검증기는 피로를 느끼거나, 명성에 굴복하거나, 익숙해 보이는 단계를 대충 훑지 않는다.
그러나 형식 검증에는 경계가 있다. Lean 산출물은 독자들이 원고가 증명한다고 생각하는 정리와 일치해야 한다.
연구자들은 형식 명제가 의도된 가정을 포함하는지 살펴봐야 한다. 또한 정의가 더 약한 대체물이 아니라 통상 받아들여지는 수학적 대상을 포착하는지도 판단해야 한다.
컴파일된 증명은 정확한 형식 명제를 확립할 수 있지만, 독창성, 중요성, 공로 귀속, 설명에 관한 질문은 해결되지 않은 채 남을 수 있다. 이는 Lean의 실패가 아니다. 서로 다른 평가 과제다.
OpenAI는 많은 원고에 형식화가 동반되지만, 그렇지 않은 원고도 있다고 말한다. 따라서 저장소에는 하나의 통일된 기준이 아니라 여러 검증 상태가 존재한다.
이는 헤드라인이 이 모음을 “722개의 증명”으로 압축할 때 특히 중요하다. 일부 항목에는 기계 검증 가능한 지원 자료가 포함돼 있다. 다른 항목은 전문가의 면밀한 검토가 필요한 일반적인 원고로 남아 있다.
형식화된 결과조차 광범위한 라이브러리에 의존할 수 있다. 검토자들은 무엇이 추가됐는지 이해하기 전에 가져온 정의와 기존 정리를 추적해야 할 수 있다.
이 모음은 또한 수정 메커니즘이 중요한 이유를 보여준다. OpenAI의 공개 수정 이력은 공개 하루 뒤인 10월 7일 원고 세 편의 철회를 기록했다.
기록에 따르면 부호 오류가 안정화-트레이스 상쇄 논증을 무효화했고, 이에 의존하는 두 편의 논문에도 영향을 미쳤다. 철회된 원고에는 Weil 클래스와 K3 곡면에 관한 주장이 포함됐다.
회사는 다른 원고 14편에 대한 수정도 열거했다. 이 변경은 증명 보완, 가설, 의존 관계, 명제, 인용, 표현을 다뤘다.
신속한 수정은 공개적 검토가 작동하고 있음을 보여준다. 동시에 초기 패키지가 일률적으로 완성된 결과들의 집합이 아니었다는 점도 확인한다.
이는 전체 공개가 실패했다는 뜻은 아니다. 연구 논문은 학계 전반에서 수정·개정·철회된다. 이례적인 특징은 동시에 공개된 주장 수에 있다.
기계 규모에서 오류 관리는 출판 설계의 일부가 되어야 한다. 각 결과에는 눈에 보이는 상태, 안정적인 버전 이력, 의존성 지도, 그리고 무엇이 검증되었는지를 명확히 기록한 자료가 필요하다.
독자는 다음과 같은 여러 범주를 즉시 구분할 수 있어야 한다:
모델이 제안했지만 독립적 검토를 거치지 않은 원고
부분적으로 형식화된 원고
주요 정리가 Lean으로 표현되고 검증된 결과
관련 분야의 인간 전문가들이 검토한 결과
중심 주장은 유지되지만 수정된 논문
의존 결과가 재평가 중인 철회 논문
OpenAI의 저장소는 보존된 버전과 수정 기록을 비롯해 이러한 인프라의 일부를 제공한다. 그러나 이 컬렉션은 형식적 산출물을 더 넓은 수학적 의미와 연결하기 위한 독립적인 작업을 여전히 요구한다.
바로 이것이 핵심적인 역전이다. 더 빠른 증명 생성이 수학자의 필요성을 없애지는 않는다. 대신 가장 시급한 업무를 논증 생산에서 검증, 해석, 조직화로 바꾼다.
진짜 충돌은 기계의 산출물과 인간의 이해 사이에 있다
OpenAI는 수학 공동체가 이를 공유된 지식으로 전환할 수 있는 속도보다 더 빠르게 원고를 생산할 수 있다.
이것이 OpenAI 수학 공개를 둘러싼 핵심 긴장이다. 이는 OpenAI와 다른 AI 기업 간의 단순한 경쟁보다 더 중대한 문제다.
수학적 결과는 연구자들이 그 작동 원리를 이해하고, 한계를 시험하며, 이전 아이디어와 연결하고, 다른 이들에게 가르칠 때 유용해진다. 정확하지만 불투명한 증명은 하나의 문제를 종결할 수는 있어도, 생산적인 연구 경로를 열지는 못할 수 있다.
이 우려는 이번 공개보다 오래됐다. 수학자들은 어떤 명제가 참임을 검증하는 일과 논증이 왜 작동하는지를 이해하는 일을 오랫동안 구분해 왔다.
AI는 이 두 목표 사이의 거리를 넓힌다. 시스템은 인간 학습에 적합한 설명을 제공하지 않은 채로도 다양한 접근법을 탐색하고, 전문 도구를 결합하며, 형식적 산출물을 만들어낼 수 있다.
OpenAI는 주요 AI 생성 결과를 이해하는 데 초점을 둔 워크숍, 학회, 특별 프로그램에 자금을 지원할 계획이라고 밝혔다. 이는 출판만으로는 과학적 과정이 완성되지 않는다는 점을 인정하는 약속이다.
독립 자문기구인 Advisory Group on Mathematics and Artificial Intelligence는 600명 이상의 응답자를 조사한 뒤 공개 가이드라인을 마련했다. 이 권고안은 상당한 수학적 산출물을 만들어내는 AI 연구소에 책임을 부여한다.
더 넓은 원칙은 연구소가 단지 문서를 온라인에 올리는 데 그치지 않고 인간의 이해를 형성하는 데 기여해야 한다는 것이다. 여기에는 사전 조율, 전문가 해설, 공로 귀속 작업, 공개 이후의 지속적 지원이 필요할 수 있다.
OpenAI는 이 단체와 협의하고 그 권고안을 참고했다고 밝혔다. 회사는 GitHub를 사용하고, 인용 프로토콜을 포함했으며, 일부 제작 세부사항을 공개하고 지속적인 수정을 약속했다.
비판자들은 대량 공개 방식이 책임 있는 속도 조절의 정신을 여전히 무시했다고 주장한다. 700편이 넘는 원고가 학계가 그 집합적 함의를 현실적으로 평가할 방법을 갖추기 전에 공개됐다.
이 논쟁은 수학이 오로지 인간만의 영역으로 남아야 하는지에 관한 것이 아니다. AI 매개 연구의 속도, 우선순위, 비용을 누가 통제하느냐에 관한 문제다.
OpenAI는 평가를 위해 약 4,000개의 문제를 선정하고, 후보 작업을 생성하고, 결과를 걸러낸 뒤, 살아남은 컬렉션을 공개했다. 외부 수학자들은 이제 희소한 해석 노동의 상당 부분을 제공한다.
이러한 구조는 학계의 관심을 민간 기업의 연구 대기열로 돌릴 수 있다. 전문가들이 주목도 높은 AI 주장들을 검토하는 동안, 중요한 인간 주도 프로젝트는 덜 주목받을 수 있다.
경쟁 측면의 비대칭성도 존재한다. OpenAI는 모델, 컴퓨팅 자원, 내부 평가 과정, 그리고 생성된 모든 결과에 대한 조기 접근권을 보유한다. 대학은 회사가 공개 형식을 결정한 뒤에야 산출물을 받는다.
경쟁 연구소들은 대응 압력을 받고 있다. 더 강력한 수학 시스템을 개발하거나, 경쟁 결과를 발표하거나, 연구자들에게 더 나은 검증 및 해설 도구를 제공할 수 있다.
Google DeepMind는 이전에 수학 경시대회와 형식 추론에서 강력한 성과를 보여줬다. Anthropic은 수학 연구자들을 고용하고 있으며 AI 보조 발견을 둘러싼 더 넓은 논쟁의 일부가 됐다.
그러나 기업 간 비교는 여전히 보조적 맥락에 머문다. 더 큰 갈등은 과학적 신뢰를 책임지는 기관을 소진시키지 않고 기계 규모의 산출물을 통합할 수 있는지에 관한 것이다.
OpenAI의 이전 Navier-Stokes 발표는 이러한 갈등을 가시화했다. 또한 공로, 미공개 작업, 그리고 유사한 발견을 추구하는 연구소가 운영하는 시스템을 연구자들이 안전하게 사용할 수 있는지에 관한 의문도 제기했다.
10월의 컬렉션은 이 우려를 여러 분야에 걸쳐 한꺼번에 확장한다. 논쟁적인 공로 결정은 더 이상 하나의 유명한 문제에만 영향을 미치지 않는다. 인용과 출처 이력 관행은 수백 편의 원고 전반에서 작동해야 한다.
가장 안전한 대응은 일괄 수용도 일괄 거부도 아니다. 연구자들에게는 주장 단위의 판단이 필요하다.
어떤 계열에는 정확하고 형식화됐으며 중요한 정리가 포함될 수 있다. 다른 계열은 기존 결과를 반복할 수 있다. 세 번째 계열에는 수정 가능한 공백이 있을 수 있고, 네 번째 계열은 완전히 실패할 수 있다.
이번 공개의 가치는 그러한 분류 과정에서 드러날 것이다. 분류에 드는 비용 역시 이 사건의 중요성 일부다.
연구자들이 722편의 원고 이후 주시해야 할 것
다음 세 가지 신호는 이 컬렉션이 활용 가능한 수학이 될지, 아니면 압도적인 아카이브로 남을지를 보여줄 것이다.
첫 번째 신호는 저장소의 철회 및 수정 비율이다. OpenAI는 공개 이력에 따르면 이미 원고 세 편을 철회하고 14편을 수정했다.
수백 명의 전문가가 익숙하지 않은 작업을 검토하면서 추가 수정이 나올 것으로 예상된다. 의미 있는 척도는 모든 원본 문서가 변경 없이 살아남는지 여부가 아니다.
연구자들은 면밀한 검토 후에도 중심 결과가 유효하게 유지되는지 살펴봐야 한다. 실패가 공통 의존성을 통해 확산되는지도 검토해야 한다.
투명한 수정 절차는 공백을 신속히 식별하고 이전 버전을 보존할 때 신뢰를 강화한다. 주요 주장이 명확한 설명 없이 사라지거나 의존성 효과를 추적하기 어렵게 남는다면 신뢰는 약화될 것이다.
두 번째 신호는 독립적인 전문가 검증이다. 기계 검증 구성요소도 중요하지만, 전문가들은 형식 명제, 자연어 주장, 수용된 정의 사이의 대응 관계를 확인해야 한다.
가장 강력한 증거는 각 관련 분야에서 직접 활동하는 수학자들에게서 나올 것이다. 재현, 세미나, 심사 보고서 형식의 평가, 후속 논문은 어떤 결과가 지속적인 관심을 받을 만한지 판별하는 데 도움이 될 수 있다.
초기 연구자 반응은 경이로움과 분노, 불확실성을 함께 보여준다. 일부 수학자들은 중대한 진전을 보지만, 다른 이들은 공개 방식과 그것이 진행 중인 작업에 미치는 영향에 이의를 제기한다.
이러한 혼합된 반응을 하나의 합의로 축소해서는 안 된다. 각 분야에는 고유한 전문가 공동체와 기술적 장벽이 있으므로 검증은 서로 다른 속도로 진행될 것이다.
몇몇 대표 결과는 아마도 먼저 주목받을 것이다. 덜 알려진 작업은 상당한 가치를 지녔더라도 더 오랫동안 검증되지 않은 채 남을 수 있다.
세 번째 신호는 인간의 이해를 위한 OpenAI의 지원이다. 워크숍과 지원 프로그램은 도움이 될 수 있지만, 실제 부담을 해결할지는 그 구조에 달려 있다.
유용한 지원이라면 독립 검토자, 해설적 글쓰기, 형식화 감사, 인용 보완, 지속 가능한 공동체 인프라에 자금을 제공해야 한다. 이는 OpenAI 모델에 관한 긍정적 결론을 전제로 해서는 안 된다.
회사는 모델의 최종 접근 조건도 명확히 해야 한다. 현재 독립 연구자들은 원래의 생성 과정을 재현할 수 없다.
모델 공개가 논문을 자동으로 검증해 주지는 않는다. 그러나 연구자들이 일관성, 프롬프트 민감도, 실패 패턴, 유사 결과의 재현 가능성을 조사할 수 있게 할 것이다.
향후 공개는 또 다른 시험을 제공할 것이다. OpenAI는 인용, 표현, 수학적 해설을 개선할 필요가 있음을 인정했다.
전문가 해설을 미리 준비한 더 작고 단계적인 컬렉션은 검토 충격을 줄일 수 있다. 또 다른 대량 업로드는 생성 속도가 여전히 학계의 작업 수용 능력보다 우선한다는 신호가 될 것이다.
개발자와 AI 제품팀에 이 교훈은 수학을 넘어선다. 시스템이 사람들이 검토할 수 있는 속도보다 더 빠르게 그럴듯한 전문가 작업을 생산할 때, 검증은 희소한 자원이 된다.
AI를 도입하는 기업은 산출량을 완성된 지식과 혼동해서는 안 된다. 검토 상태, 출처 계보, 수정 이력, 책임 있는 소유권은 필수적인 제품 기능이 된다.
지식 노동자에게 OpenAI 수학 공개는 익숙한 문제의 극단적인 예고편을 제공한다. 더 많은 생성 자료가 더 나은 결정을 보장하지는 않는다. 가치는 신뢰할 수 있는 필터링과 맥락화 이후에야 나타난다.
수학자들에게 당면 과제는 더 어렵다. 연구 프로그램의 방향을 바꿀 수 있는 작업을 평가하는 동시에, 결과를 이해 가능하고 신뢰할 수 있게 만드는 규범을 지켜야 한다.
많은 원고가 수정을 필요로 하더라도 OpenAI 수학 공개는 중요할 것이다. 이는 연구 공동체가 전례 없는 규모의 기계 생성 주장을 다룰 시스템을 필요로 한다는 점을 보여줬다.
이제 결정적인 질문은 실질적이다. 누가 이 결과를 검토하고, 설명하고, 연결하고, 가르치는 인내심 있는 작업에 자금을 댈 것인가? 그 답이 나오기 전까지 722편의 원고는 놀라운 기술적 성취이자 해결되지 않은 막대한 의무를 동시에 나타낸다.
