OpenAI Navier-Stokes 증명이 공로 논쟁에 불을 붙이다

OpenAI는 약 1만 개의 AI 에이전트가 88시간 만에 Navier-Stokes 해법을 도출했다고 밝혔지만, 이 발표는 곧바로 연구 공로를 둘러싼 논쟁을 촉발했다. OpenAI Navier-Stokes 증명은 이제 더 깊은 논쟁의 중심에 놓여 있다. 연구자들이 완성되지 않은 아이디어를 상업용 챗봇과 공유했을 때, 다른 시스템이 나중에 관련 지식을 활용하면서도 그 연결고리를 아무도 알아보지 못할 수 있을까?

OpenAI는 이 사례에서 그런 일은 없었다고 부인한다. 회사는 관련 결과를 연구해 온 New York University 수학자 Tristan Buckmaster의 최근 프롬프트가 자사 내부 모델에 영향을 미쳤을 수 없다고 말한다. 그러나 논란은 하나의 주장보다 더 큰 문제를 드러낸다. 모델, 비공개 대화, 공개 논문, 방대한 에이전트 시스템이 모두 발견에 기여할 때 공로를 귀속하기가 얼마나 어려워지는지를 보여준다.

전문가들이 결국 증명의 모든 줄을 받아들이더라도 이 문제는 중요하다. 수학은 전통적으로 논문, 세미나, 인용, 기록된 교류를 통해 공로를 인정해 왔다. AI 시스템은 그러한 경로를 불투명한 계산 과정으로 압축한다. 정확성은 검증할 수 있지만, 지적 계보를 재구성하기는 훨씬 어렵다.

OpenAI가 에이전트들이 해결했다고 말하는 문제

OpenAI는 공개되지 않은 자사 시스템이 4일간의 에이전트 캠페인 끝에 수학의 남은 Millennium Prize Problems 여섯 개 중 하나를 해결했다고 주장한다.

Navier-Stokes 방정식은 유체가 움직이는 방식을 설명한다. 항공기 주변의 공기 흐름부터 날씨와 해류에 이르기까지 다양한 시스템을 모델링하는 데 활용된다. 아직 해결되지 않은 수학적 문제는 매끄러운 3차원 해가 항상 잘 거동하는지, 아니면 유한한 시간 안에 특이점을 형성할 수 있는지를 묻는다.

흔히 블로업(blowup)이라 불리는 특이점은 수학적 양이 무한대로 발산하는 지점이다. 이 맥락에서는 방정식이 유한한 시간 내에 속도가 제한 없이 증가하는 것과 같은 거동을 만들어내게 된다.

자사의 Navier-Stokes 설명에 따르면, OpenAI는 2026년 9월 1일 이 작업을 시작했다. 회사는 Anthropic과 연결된 연구자들이 두 개의 Millennium Prize 문제에서 진전을 이뤘다는 소문을 들었다. 이후 OpenAI는 에이전트 그룹을 남은 문제들과 몇 가지 관련 질문에 투입했다.

회사는 거의 100개의 에이전트가 먼저 약 50시간 동안 Euler 방정식을 연구했다고 말한다. 이 방정식은 유체가 움직임에 저항하게 만드는 내부 마찰인 점성을 제외한 유체 운동을 설명한다. OpenAI는 이 에이전트들이 외부 힘 없이도 블로업을 발견했다고 주장한다.

이 결과는 회사가 Navier-Stokes에 자원을 집중하도록 설득했다. OpenAI는 이 문제에 약 1만 개의 동시 실행 에이전트를 배정했다. 에이전트들은 캐시된 인터넷 버전을 읽고, 코드를 실행하고, 그룹 내에서 소통하며, 유망한 중간 결과를 교환할 수 있었다.

OpenAI는 작업 시작 약 88시간 뒤인 9월 5일 에이전트들이 해법에 도달했다고 말한다. Lean에서의 형식화와 검증에는 추가로 17시간이 걸렸다. Lean은 수학적 논증을 컴퓨터가 단계별로 검증할 수 있는 명제로 변환하는 증명 보조기다.

그 규모는 이례적이었다. OpenAI는 자사 시스템이 시도한 모든 문제에 걸쳐 490만 건의 메시지를 교환하고 약 3,000억 개의 출력 토큰을 생성했다고 보고했다. Navier-Stokes 작업은 이 가운데 270만 건의 메시지와 약 1,300억 개의 토큰을 차지했다.

이 수치는 챗봇과의 일반적인 대화가 아니라 산업적 연구 과정을 보여준다. 수천 개의 에이전트가 동시에 대안을 탐색했고, 다른 시스템은 유용한 아이디어를 통합해 다시 탐색 과정에 투입했다.

OpenAI는 9월 8일 발표와 논문을 공개했다. 그러나 이 결과는 공식적으로 인정된 Millennium Prize 해법이 아니라 검토 중인 주장에 머물러 있다. 독립적인 수학자들은 여전히 논증을 이해하고, 가정을 검토하며, 원래 문제의 요건을 충족하는지 판단해야 한다.

회사는 또한 관련 상금을 청구할 의도가 없다고 말한다. 그렇다고 결과의 중요성이 줄어드는 것은 아니다. 유효한 해법이라면 여러 세대의 수학자들이 풀지 못한 문제를 해결하고, 기계 생성 연구의 새로운 기준점을 세우게 된다.

따라서 원래 Nature 기사는 증명이 옳은지 여부 이상에 주목한다. 인간 논문의 인용처럼 지적 입력을 추적할 수 없는 과정으로 기계가 결과에 도달할 때 어떤 일이 벌어지는지를 묻는다.

OpenAI Navier-Stokes 증명이 공로 분쟁으로 번진 이유

논란은 인간 연구자들이 이미 상업용 및 내부 AI 시스템의 도움을 받아 매우 밀접하게 관련된 아이디어를 추구하고 있었기 때문에 시작됐다.

Buckmaster와 수학자 Levent Alpöge는 함께 유체 방정식을 연구하고 있었다. Alpöge는 Anthropic에서 일했지만, 보도에 따르면 이 프로젝트는 회사의 공식 업무가 아니라 개인적으로 수행했다.

이들의 연구에는 인간의 추론과 AI 지원이 모두 활용됐다. Buckmaster는 상업적으로 이용 가능한 OpenAI 및 Anthropic 제품을 사용했다. Alpöge는 Anthropic의 내부 모델에 접근할 수 있었다. 두 사람은 8월에 유체 시스템에 외부 힘을 가하는 중요한 관련 결과인 강제 Euler 블로업을 발견한 것으로 알려졌다.

두 사람은 Navier-Stokes 해법을 완성하지 못한 상태였다. 이들은 여전히 Euler 결과를 검토하고 기저 아이디어를 확장하려 시도하고 있었다. 그러다 그들의 진전에 관한 소문이 퍼졌고, OpenAI는 대규모 에이전트 캠페인을 시작했다.

이 순서가 핵심 갈등을 만들었다. 그 소문이 OpenAI에 증명을 제공한 것은 아니지만, 유망한 연구 목표를 식별하는 데 도움을 준 것으로 보인다. 이후 회사의 에이전트들은 원래 연구자들이 프로젝트를 마무리하기 전에 더 광범위한 결과에 도달했다고 주장했다.

OpenAI는 9월 6일 Navier-Stokes 증명과 Lean 검증을 완료했다고 말한다. 이후 Buckmaster와 Alpöge가 같은 문제를 해결했다고 판단해 이들에게 연락했다. OpenAI는 공동 발표를 제안하고, 관련 Euler 결과에서 이들의 우선권을 인정하겠다고 제안했다.

대화는 갈등으로 번졌다. Buckmaster는 연구 중 Codex에 입력한 정보가 OpenAI의 시스템에 영향을 미쳤을 가능성을 제기했다. 그렇다면 기계의 결과는 그의 미완성 작업과 숨겨진 연결고리를 갖게 된다.

OpenAI는 조사 뒤 그 가능성을 부인했다. 회사는 문제 해결을 위해 특정 사용자 데이터에 접근하지 않았다고 말한다. 또한 공개 전 두 달 동안 Buckmaster가 입력한 Codex 프롬프트는 학습을 포함해 내부 모델에 영향을 줄 수 없었다고 주장한다.

이 부인은 좁은 기술적 의혹에 대응한다. 그러나 공로 귀속 문제를 완전히 해결하지는 못한다.

모델은 수십 년간 축적된 논문, 강의 노트, 코드, 온라인 토론, 이전 모델의 출력에 의존할 수 있다. 에이전트 시스템은 이후 어떤 연구 그룹도 수작업으로 기록할 수 없는 규모로 이러한 자료를 재조합할 수 있다. 최근의 비공개 프롬프트가 제외되더라도, 어떤 인간의 아이디어가 기계 생성 증명에 실질적인 영향을 주었는지 판단하기는 여전히 어렵다.

문제는 단순히 챗봇이 문단을 복사했는지 여부가 아니다. 수학적 공로는 흔히 방법론, 환원, 개념적 통찰, 연구 방향에 부여된다. 이러한 기여는 최종 출력에 알아볼 수 있는 텍스트로 나타나지 않으면서도 시스템에 영향을 줄 수 있다.

연구자들은 보통 세미나나 비공개 대화에서 얻은 아이디어를 인정한다. 모델은 그러한 사회적 이력을 신뢰성 있게 제시하지 못한다. 답변을 제공하면서도, 답변과 그 지적 출처를 연결하는 경로 대부분을 숨긴다.

이 때문에 OpenAI Navier-Stokes 증명은 연구 출처 추적의 시험대가 됐다. 출처 추적이란 정보와 아이디어가 어디에서 비롯됐는지를 기록으로 설명하는 것을 뜻한다. 이것이 없다면 사용자는 시스템이 어떤 데이터를 사용했거나 사용하지 않았는지에 관한 포괄적인 기업의 보증을 받아들일 수밖에 없다.

이 문제는 개인 및 조직 지식 시스템에서 익숙한 과제와 닮아 있다. 사람들은 답변을 이를 뒷받침하는 기록과 연결할 수 있을 때 정보에서 더 큰 가치를 얻는다. 신뢰할 수 있는 AI 지식 베이스는 맥락 없는 생성 텍스트를 제시하는 대신 이러한 연결을 보존한다.

그러나 수학적 발견에서는 경력, 우선권, 상금, 역사적 기록까지 걸려 있다. 불완전한 출처 추적 경로는 누가 아이디어의 원천으로 기억될지를 결정할 수 있다.

AI의 규모가 수학의 공로 인정 체계와 충돌하고 있다

진정한 대립 구도는 수학자 대 기계가 아니다. 추적 가능한 인간 교류를 기반으로 구축된 공로 인정 체계와 산업 규모의 증명 탐색 간의 충돌이다.

수학은 언제나 경쟁적이었다. 연구자들은 출판을 서두르고, 병행 발견이 일어나며, 우선권을 둘러싼 분쟁은 컴퓨터보다 앞선 시대부터 존재했다. 동료 심사가 완벽한 공로 귀속을 보장한 적도 없다.

AI는 그 경쟁의 속도와 규모를 바꾼다. OpenAI는 소문을 들은 뒤 약 1만 개의 에이전트를 동원해 며칠 안에 결과를 얻었다고 말한다. 대학의 수학자는 기존 자원만으로 이 정도의 병렬 탐색 규모를 맞추기 어렵다.

이 불균형은 새로운 유인을 만든다. 유망한 방향을 공개하는 연구실은 더 큰 컴퓨팅 역량을 갖춘 기업의 집중적인 에이전트 캠페인을 불러올 수 있다. 그렇게 되면 원래 연구자들은 자신의 작업을 작성하고, 검증하고, 설명하기도 전에 우선권을 잃을 수 있다.

UCLA 수학자이자 Fields Medal 수상자인 Terence Tao는 이런 역학이 초기 아이디어 공유를 위축시킬 수 있다고 경고했다. 소문만으로도 대규모 자동화 작업이 촉발될 수 있다면, 연구자들은 세미나, 비공식 대화, 공개 진행 보고를 피할 수 있다.

그런 대응은 수학의 핵심 제도 중 하나를 훼손할 것이다. 어려운 문제는 여러 그룹이 공유하는 수년간의 부분적 진전, 워크숍, 사전 공개 논문, 실패한 접근법, 개선을 통해 해결되는 경우가 많다. 이러한 순환을 제한하면 집단적 진보를 희생하는 대가로 개인의 우선권을 보호하게 된다.

이 유인 문제는 상업용 AI 제품으로도 이어진다. 연구자들은 아이디어를 시험하고, 참고문헌을 찾고, 코드를 작성하거나, 증명을 형식화하기 위해 점점 더 챗봇을 사용한다. 이러한 도구는 작업을 가속할 수 있지만, 사용자는 자신의 입력이 어떻게 저장되고 검토되며 이후 시스템에 편입되는지 알지 못할 수 있다.

OpenAI는 최근 Codex 프롬프트가 이 결과에 영향을 주지 않았다고 말한다. 그러나 연구자들에게는 논란이 발생한 뒤의 사후 조사에 의존하지 않는 정책이 여전히 필요하다.

안전한 연구 모드는 명시적인 데이터 보존 보장, 감사 가능한 접근 로그, 모델 개발에서의 강제 가능한 제외 조항을 제공할 수 있다. 그러나 개인정보 보호만으로 역사적 공로 귀속 문제가 해결되지는 않는다. 모델은 여전히 공개된 인간의 작업에 의존하면서도 충분한 인용을 제공하지 않을 수 있다.

이 분쟁은 증명을 찾는 일과 그것을 수학에 통합하는 일의 차이도 부각한다. AI는 형식적으로 유효한 명제의 사슬을 생성할 수 있지만, 인간 전문가들은 그 핵심 아이디어를 확신하지 못할 수 있다. 증명은 정확할 수 있지만, 여전히 해석하고, 가르치고, 재사용하거나, 기존 이론과 연결하기 어려울 수 있다.

Brown University의 전문가 Javier Gómez-Serrano는 The Washington Post에 OpenAI의 166페이지 분량 발표 자료를 이해하기 어려웠다고 말했다. 그의 반응은 형식 검증이 과학적 과정을 끝내지 못하는 이유를 보여준다.

인간 수학자들은 여전히 본질적 메커니즘을 찾아내야 한다. 불필요한 장치를 제거하고, 구성을 기존 연구와 비교하며, 왜 결과가 성립하는지 설명해야 한다. 이러한 활동이 어떤 증명이 해당 분야의 실질적 지식으로 자리 잡는지를 결정한다.

이 노동은 또 다른 공로 배분 문제를 낳는다. 외부 학계 연구자들이 수개월에 걸쳐 AI가 생성한 논증을 이해 가능한 수학으로 번역한다면, 그들의 기여는 단순한 사무 작업이 아니다. 그들은 결과를 실제로 활용할 수 있게 만드는 것이다.

현재의 저자 표시 체계에는 모델 개발자, 컴퓨팅 제공업체, 프롬프트 설계자, 형식화 시스템, 선행 연구자, 완성된 증명을 해석하는 전문가 사이에서 공로를 어떻게 나눌지에 대한 정립된 방식이 없다. 기업을 저자로 기재하는 방식은 이처럼 서로 다른 역할을 하나의 표기로 압축한다.

이 모델은 홍보에는 편리하다. 그러나 학술적 책임성을 확보하는 데는 훨씬 덜 유용하다.

형식 검증은 논리를 확인하지만, 지적 소유권은 확인하지 않는다

Lean은 형식 증명의 논리적 빈틈을 감지할 수 있지만, 누가 아이디어를 처음 제시했는지 또는 형식 명제가 의도된 모든 주장을 정확히 담고 있는지는 판단할 수 없다.

형식 검증은 OpenAI의 Navier-Stokes 증명 주장 가운데 가장 강력한 요소 중 하나다. Lean 증명은 모델이 옳다고 선언한 단순한 산문이 아니다. 이 시스템은 각 형식 단계가 인정된 정의와 선행 결과로부터 따라오는지를 확인한다.

이 과정은 숨겨진 논리적 도약, 누락된 경우, 모순되는 가정을 포착할 수 있다. 또한 다른 연구자들이 검사하고 실행할 수 있는 재현 가능한 산출물을 만든다.

그러나 형식 검증에는 경계가 있다. Lean은 Lean으로 인코딩된 정리를 확인한다. 전문가들은 인코딩된 정리가 원래의 수학 문제를 정확히 나타내는지, 그리고 가져온 가정이 주장을 은밀하게 약화시키지 않는지를 확인해야 한다.

이 구분은 Navier-Stokes 문제가 여러 형태로 제시될 수 있기 때문에 중요하다. OpenAI는 자사의 증명이 매끄러운 외력 하에서 매끄러운 해에 대해 유한 시간 특이점 형성을 확립한다고 말한다. 전문가들은 이 구성이 Clay Mathematics Institute가 명시한 조건을 충족하는지 판단해야 한다.

연구소의 공식 문제 설명은 권위 있는 기준점을 제공한다. 인정을 받으려면 소프트웨어 검사를 통과하는 것만으로는 부족하다. 연구는 자격을 갖춘 매체에 게재되고, 검증을 견뎌내며, 전 세계 수학 공동체의 폭넓은 수용을 얻어야 한다.

Clay의 절차는 의도적으로 느리게 진행된다. 이 정도로 중요한 결과에는 출시 발표와 내부 검증 파이프라인 이상의 것이 필요하다.

Lean은 설명의 질도 판단하지 않는다. 형식 증명은 모든 국소적 추론이 통과하더라도 인간 독자에게 개념적 명료성을 거의 제공하지 못한 채 정확할 수 있다. 모든 지역적 추론이 성립하더라도 전체 구조가 불분명한 대규모 구성을 포함할 수 있다.

Lean은 출처를 재구성할 수도 없다. 중간 아이디어가 논문, 모델의 학습 데이터, 비공개 프롬프트, 또는 독립적인 탐색에서 비롯됐는지 알지 못한다. 논리적 의존성과 역사적 영향은 서로 다른 질문이다.

OpenAI가 설명한 과정은 이 구분을 더욱 복잡하게 만든다. 에이전트 그룹들은 여러 접근법을 탐색하고, 중간 결과를 교환하며, 통합된 통찰을 받았다. 최종 증명은 하나의 연속된 논증이 아니라 생성된 메시지 네트워크에서 나왔다.

따라서 충분한 연구 기록에는 최종 형식 파일 이상의 것이 필요하다. 타임스탬프, 프롬프트 이력, 출처 검색 로그, 중간 추측, 모델 버전, 그리고 아이디어가 에이전트 그룹 사이를 어떻게 이동했는지에 관한 기록이 포함될 수 있다.

그 모든 것을 공개하는 일은 비현실적일 수 있다. OpenAI는 Navier-Stokes 작업만으로도 270만 건의 에이전트 메시지가 발생했다고 보고했다. 원시 데이터를 그대로 공개하면 검토자들이 감당하기 어려울 뿐 아니라 보안에 민감한 시스템 세부 사항이 드러날 수도 있다.

대안은 구조화된 출처 기록이다. 시스템은 최종 증명을 실질적으로 형성한 핵심 보조정리, 검색된 출처, 결정적 분기, 인간의 개입을 식별할 수 있다. 그러면 독립 검토자들은 관리 가능한 연구 이력을 감사할 수 있다.

OpenAI는 최근 사용자 데이터에 관해 강한 보장을 제시했지만, 외부 연구자들은 아직 그 전체 내부 탐색을 재현할 수 없다. 모델 자체가 공개되지 않았고, 회사의 컴퓨팅 환경도 학술 연구팀에 제공되지 않는다.

이 비대칭성은 최종 증명은 검사할 수 있어도 발견 과정은 폐쇄된 상태로 남을 수 있음을 뜻한다. 수학은 산출물을 검증할 수 있지만, 그 산출물이 어떻게 만들어졌는지까지 완전히 감사할 수는 없다.

이는 현재 논쟁에서 가장 중요한 불확실성이다. 증명 검사는 정확성을 판정할 수 있다. 하지만 그것만으로 공로를 판정할 수는 없다.

수학자들은 벤치마크 경쟁에 이의를 제기하고 있다

Fields Medal 수상자 25명으로 구성된 그룹은 AI 기업들이 헤드라인을 장식할 결과에 최적화하는 반면, 수학은 이해, 교육, 그리고 누적적인 인간 발전을 중시한다고 주장한다.

Severe Misalignment라는 제목의 이 성명은 OpenAI의 발표 뒤에 나왔다. 이 성명은 주요 수학 문제를 최첨단 모델의 공개 벤치마크로 사용하는 방식을 비판한다.

서명자들은 AI가 유효한 수학을 만들어낼 수 있다는 점을 부정하지 않는다. 그들의 우려는 유명한 문제 해결이 연구 공동체와는 다른 인센티브를 지닌 기업들의 성과 지표가 되고 있다는 데 있다.

AI 연구소에 Millennium Prize 문제는 모델 능력을 보여주는 기억하기 쉬운 시연이다. 기업은 관심, 경쟁 우위, 그리고 자사 시스템이 일반적인 벤치마크를 넘어서는 작업을 수행할 수 있다는 증거를 얻는다.

수학자들에게 최종적인 참·거짓 결과는 가치의 한 부분일 뿐이다. 이 분야는 탐색 과정에서 개발된 방법, 참여를 통해 훈련된 학생, 다른 영역과 새롭게 만들어진 개념적 연결에도 의존한다.

공개서한은 해법을 서두르면 명확한 설명과 적절한 인용을 위한 시간이 부족해질 수 있다고 경고한다. 또한 결과를 대량 생산하는 방식이 이해를 구축하는 데 필요한 더 느린 작업을 밀어낼 수 있다고 주장한다.

이 비판에는 설득력이 있지만, 중요한 문제는 인간만 해결할 수 있다는 주장으로 이어져서는 안 된다. Buckmaster와 Alpöge 역시 AI를 사용했다. 그들의 경험은 더 현실적인 경쟁이 인간, 모델, 데이터, 컴퓨팅을 서로 다르게 조합하는 방식들 사이에서 벌어진다는 점을 보여준다.

AI는 어려운 수학에 대한 접근성을 넓힐 수 있다. 더 작은 연구 그룹도 에이전트를 이용해 더 많은 가설을 시험하고, 더 긴 논증을 형식화하며, 문헌을 더 효율적으로 탐색할 수 있다. 학생들은 부족한 인간 지도자가 언제나 제공할 수는 없는 상세한 피드백을 받을 수 있다.

우려는 누가 가장 강력한 시스템을 통제하고 결과가 어떻게 공개되는가에 있다. 최첨단 수학 능력이 소수의 민간 연구소 안에 계속 집중된다면, 이들 기업은 연구 목표, 공개 일정, 공로 배분 관행을 선택할 수 있다.

Navier-Stokes 주장을 과도하게 해석할 위험도 있다. 하나의 성공적인 증명이 AI가 인간 연구자와 같은 방식으로 수학을 이해한다는 뜻은 아니다. 그것은 거대한 조정 시스템이 특정 조건에서 결과를 탐색하고, 종합하고, 검증할 수 있음을 보여줄 뿐이다.

OpenAI의 수치는 비교를 어렵게 만든다. 1만 개의 에이전트와 1,300억 개의 토큰이 생성한 산출물은 소비자용 챗봇을 사용하는 한 명의 수학자와 직접 비교할 수 없다. 계산 비용과 운영 전문성은 여전히 집중돼 있다.

이 시스템은 여러 세대에 걸친 인간 수학 작업이 담긴 캐시된 인터넷에도 접근할 수 있었다. 자율적인 기계 발견에 관한 어떤 설명도 이 기반을 인정해야 한다.

동시에 보고된 결과의 속도를 무시할 수는 없다. OpenAI는 에이전트들이 시작부터 Lean 검증 증명에 이르기까지 1주일도 채 걸리지 않았다고 말한다. 이 접근법이 선행 인간 이론에 크게 의존하더라도, 그 속도는 경쟁 환경을 바꾼다.

수학자들은 이제 실질적인 딜레마에 직면해 있다. AI를 피하면 이를 사용하는 그룹과 경쟁할 수 없게 될 수 있다. 확고한 안전장치 없이 AI를 수용하면 미완성 아이디어를 노출하거나 독창적 기여를 기록하는 능력이 약화될 수 있다.

결과는 어느 한쪽의 깔끔한 승리가 아니다. 새로운 제도에 대한 압력이다.

공로 규칙이 포착해야 할 것

과학적 기여 표시는 최종 저자의 이름을 적는 방식에서 벗어나 결과를 뒷받침한 인간, 모델, 출처, 계산적 결정을 기록하는 방향으로 확장돼야 한다.

첫 번째 요건은 더 명확한 공개다. 연구자들은 어떤 모델을 사용했는지, 그 시스템이 공개형이었는지 내부용이었는지, 어느 단계에 AI 지원이 개입했는지를 밝혀야 한다. 모델이 핵심 보조정리를 제안하거나 증명 탐색을 수행할 때, AI가 편집을 도왔다는 일반적인 문장만으로는 충분하지 않다.

두 번째 요건은 출처 인식형 모델 출력이다. 수학 에이전트는 검색한 정의, 기법, 중간 결과에 후보 인용을 첨부해야 한다. 언어 모델은 출처를 잘못 식별하거나 참고문헌을 만들어낼 수 있으므로, 이러한 인용은 인간 검토가 필요하다.

세 번째 요건은 감사 가능한 프라이버시다. 호스팅 시스템을 사용하는 연구자들은 민감한 작업을 위한 명시적 통제 수단이 필요하다. 제공업체는 사용자가 미공개 아이디어를 제출하기 전에 보존 기간, 학습 제외, 직원 접근 규칙을 이해할 수 있도록 해야 한다.

네 번째 요건은 역할 기반 공로 표시다. 논문은 개념적 기여자, 형식화 담당자, 모델 운영자, 출처 큐레이터, 설명 검토자를 구분할 수 있다. 기존 기여 분류 체계는 출발점이 될 수 있지만, 수학에는 증명에 적합한 범주가 필요하다.

다섯 번째 요건은 독립적 재현이다. 외부 그룹은 형식 산출물을 검증하고, 중심 방법이 더 명확한 인간용 논증으로 옮겨져도 유지되는지 시험할 수 있어야 한다. 공개되지 않은 모델 때문에 정리 자체를 평가할 수 없게 되어서는 안 된다.

이러한 조치 가운데 어느 것도 영향을 완벽히 재구성할 수는 없다. 인간 연구자들 역시 아이디어의 출처를 잊고, 인용은 언제나 불완전했다. 목표는 흠결 없는 장부가 아니다. 신뢰를 뒷받침하고 예측 가능한 분쟁을 해결할 만큼 강력한 기록이다.

출판사와 전문 학회가 규칙을 정해야 한다. 기여 표시를 전적으로 AI 기업에 맡기면 명백한 이해충돌이 생긴다. 기업은 결과가 자율적으로 나온 것처럼 보일 때 이익을 얻지만, 누락된 공로의 비용은 학술 공동체가 부담한다.

대학들도 비밀 AI 지원 연구에 관한 지침이 필요하다. 도구가 발전함에 따라 학자들에게 단순히 모델을 사용하지 말라고 하는 일은 비현실적이 될 것이다. 대신 기관은 미공개 작업에 어떤 시스템이 적절한지, 연구자들이 어떤 문서를 보관해야 하는지를 정해야 한다.

연구비 지원 기관 역시 영향력을 지닌다. 이들은 지원 과제에 AI 사용 공개, 출처 기록 계획, 기계 생성 연구 로그의 보존을 요구할 수 있다. 이러한 요건은 기여 표시를 출판 이후의 논쟁이 아니라 연구 설계의 일부로 만들 것이다.

OpenAI Navier-Stokes 증명은 하나의 사건에 여러 문제가 결합돼 있기 때문에 이러한 변화를 시급하게 만든다. 비공개 진전에 관한 소문, 외부 연구자들이 사용한 상업 플랫폼, 불투명한 내부 모델, 방대한 에이전트 집단, 그리고 폭넓은 전문가 검토에 앞선 기업 발표가 있었다.

학습 데이터만 또는 저자 표시만 다루는 미래 정책은 더 넓은 시스템을 놓치게 된다. 공로는 지적 의존성의 사슬을 따라가며, AI는 그 사슬을 제품, 조직, 시간에 걸쳐 늘린다.

다음으로 지켜볼 점

세 가지 전개가 OpenAI Navier-Stokes 증명이 수용된 수학이 될지, 아니면 주로 AI 연구 거버넌스에 대한 경고로 남을지를 보여줄 것이다.

첫째, 독립적인 전문가 검증을 지켜봐야 한다. 전문 연구자들은 형식 명제가 Millennium Prize 문제와 일치하는지, 증명에 정의나 가정의 숨겨진 불일치가 없는지 확인해야 한다. OpenAI 외부 연구자들이 제시하는 더 명확한 설명은 또 다른 기업 발표보다 주장을 더 강하게 뒷받침할 것이다.

둘째, OpenAI가 출처와 기여 이력을 어떻게 문서화하는지 지켜봐야 한다. 회사는 Buckmaster의 최근 Codex 프롬프트가 시스템에 영향을 미쳤다는 주장을 부인했다. 그러나 향후 유사한 분쟁에서 연구자들이 그러한 주장을 검증할 수 있도록 하는, 폭넓게 적용 가능한 틀은 아직 제시하지 않았다. 지속 가능한 정책에는 프로젝트 시작 전에 마련된 데이터 통제, 감사 절차, 기여도 귀속 규칙이 포함돼야 한다.

셋째, 학술지·대학·수학회가 어떤 반응을 보이는지 주목해야 한다. 25명의 Fields Medal 수상자는 이를 단일한 의견 충돌이 아닌 제도적 문제로 규정했다. 구체적인 공개 기준과 안전한 연구 관행은 공동체가 변화에 대응하고 있음을 보여주는 신호가 될 것이다. 침묵은 각 연구자가 훨씬 더 큰 기술 기업들과 사적으로 협상하도록 내버려 두게 된다.

수학 자체의 결론이 정리되기까지는 시간이 걸릴 것이다. Clay의 인정을 받으려면 논문 출판과 지속적인 학계의 수용이 필요하며, 연구자들은 형식적 도구 체계에서 이해 가능한 논증을 끌어내야 한다.

그러나 공로 배분 문제는 그만큼 기다릴 수 없다. 과학자들은 이미 미출판 아이디어를 AI 시스템과 공유하고 있으며, 연구실들은 이미 에이전트 기반 연구를 확대하고 있다. 이제 쟁점은 기계가 중대한 발견에 기여할 수 있는지 여부가 아니다. 그러한 발견을 둘러싼 제도가 누가 무엇을 기여했는지에 대한 증거를 보존할 수 있는지 여부다.

전문가들이 OpenAI Navier-Stokes 증명을 검토하는 동안, 독자들은 두 가지 판단을 모두 따라가야 한다. 정리는 옳은가, 그리고 인간 지식에서 기계 출력으로 이어지는 경로를 신뢰성 있게 설명할 수 있는가? AI 보조 과학의 미래는 이 두 질문에 모두 답하는 데 달려 있다.