AI가 열린 수학 문제를 해결할 때, 천재는 무엇을 할 것인가?

수학은 오랫동안 지능의 가장 순수한 척도로 간주되어 왔다. 대부분의 과학과 달리, 실험실 장비, 실험 노이즈 또는 측정 도구에 의존하지 않는다. 증명은 올바르거나 올바르지 않다. 이러한 명확성은 왜伟大的 미해결 문제 – 모든 알려진 기술에 저항하는 추측 – 가 종종 지적 마운트 에버레스트와 같은 것이 되었는지 이해할 수 있다.

역사는 같은 이야기를 반복한다: 질문이 공중으로 떠다니는 동안 몇십 년 또는 몇 세기 동안 기다려야 하는데, 드문 경우에만 다른 사람보다 먼저 길을 볼 수 있는 독특한 혼합물인 인내, 창의력 및 기술력을 가진 사람만이 도착한다. 우리는 “고독한 천재”를 축하한다. 수학에서 그 이야기가 종종 맞기 때문이다.

그러나 새로운 패턴이 나타기 시작했다. 2025년 말과 2026년 초에, 몇몇 에르되시 문제(에르되시가 수집한 열린 문제 집합)에 대한 온라인 토론에서 AI 지원 증명이 비정상적으로 짧은 시간에 여러 항목을 해결했을 수 있다고 제안했다. 이러한 증명 스케치는 테렌스 타오를 포함한 주요 수학자们에 의해 검토되었으며, 그는 이미 수학적 협력자로서 AI의 역할에 대해 공개적으로 말한 바 있다. 그러나 가장 중요한 주의 사항은 여전히 남아 있다: 수학은 헤드라인으로 작동하지 않는다. 넓은 수용은 일반적으로 시간을 필요로 한다 – 독립적인 검증, 주의 깊은 작성, 때로는 증명 검사 시스템에서의 형식화.

그러한 주의에도 불구하고, 더广い 관점에서 볼 때, 세계는 처음으로 AI가 계산, 요약 또는 패턴 매칭에만 참여하는 것이 아니라, 추론 행위에 참여하는 것을 볼 수 있는 기회를 얻었다. AI가 인간이 수세기 동안 고민했던 문제를 신뢰성 있게 도와 해결할 수 있다면, 더 깊은 질문을迫하게 된다:

인간의 천재는 다음에 무엇을 할 것인가 – 기계가 먼저 정상을 달성할 때?

“실리콘 추론”의 메커니즘

이 순간이 다른 이유를 이해하려면, 두 가지 버전의 AI를 구분하는 것이 도움이 된다.

이전 세대의 언어 모델은 종종 다음 단어가 가장 가능성 있는 단어를 예측하는 시스템으로 설명되었다(공정하게). 그들은 인상적일 수 있었지만, 또한 제한된 능력으로 인해 느리게 테스트하거나 자기 수정할 수 없었다.

새로운 시스템은 점점 더 다른 접근 방식을 사용한다: 테스트 시간 추론(때때로 “테스트 시간 컴퓨팅”으로 논의된다). 모델은 즉시 답변을 생성하는 대신, 하나의 문제에 더 많은 시간을 할애할 수 있다 – 후보 접근 방식을 생성하고, 단계가 논리적으로 따라가는지 확인하고, 모순에 부딪혔을 때 뒤로 물러나고, 대안 경로를 탐색한다. 인간의 관점에서, 이것은 수학자가 화이트보드에서 하는 것과 비슷하다: 시도하다, 고치다, 반복하다.

이것은 수학에서 중요하다. 왜냐하면 진행은 거의 직선이 아니기 때문이다. 대부분의 유망한 아이디어는 실패한다. 뒤로 물러날 수 있는 능력 – 자존감, 피로, 또는 낙담 없이 – 불가능한 검색을 가능하게 할 수 있다.

현대 AI 시스템은 단순한 계산을 넘어섰다. 4가지 실용적인 능력을 제공한다. 대규모 합성, 아이디어를 연결하는 능력, 빠른 반복, 빠른 검증을 가능하게 하는 출력을 제공한다. 이러한 능력은 수학에서 협력자로서의 역할을 강조한다.

중요한 것은, 이것은 AI가 수학을 인간과 같은 방식으로 “이해”한다는 것을 의미하지 않는다. 이것은 더 구체적인 것을 의미한다: 제약 조건이 주어졌을 때, 검증을 견딜 수 있는 추론 체인을 생성할 수 있다. 수학에서, 그것이 중요한 통화이다.

에르되시 스타일 문제가 초기 목표로 의미 있는 이유

모든 수학적 전선이 AI 가속에 대해 동등하게 “취약”하지는 않다. 일부 문제는 완전히 새로운 이론, 새로운 정의 또는 깊은 개념적 도약을 필요로 한다. 그러나 다른 문제 – 특히 조합론, 수론 및 이산 수학에서 – 종종 다른 모양을 가지고 있다:

• 명제는 비전문가에게 설명하기에 충분히 간단하다.
• 알려진 도구는 풍부하고, 논문과 서브 필드에 흩어져 있으며, 쉽게 놓칠 수 있다.
• 진보는 기존 결과를巧妙하게 결합함으로써 종종 발생한다.

에르되시 문제는 종종 이러한 프로필에 맞는다. 그들은 간단하게 설명할 수 있지만 해결하기 어렵다. 증명에는 다양한 기술이 포함될 수 있다: 확률적 방법, 극단적 조합론, 유기적 이론, 조화 분석 등.

이것은 AI를 “압력 테스트”로 사용하는 데 유용하다. 시스템이 인간의 노력에 저항하는 문제에 대한 신뢰할 수 있는 증명 전략을 제안할 수 있다면, 그것은 의미가 있다 – 即使 핵심 아이디어가 이미 이전 작업에 내재되어 있거나, 증명이 표준화되기 전에 다듬어야 한다면.

다시 말해, 이야기는 “AI가 수학자를 대체한다”가 아니다. 이야기는 AI가 “결과가 어딘가에 존재한다”와 “커뮤니티가 실제로 그것을 볼 수 있다” 사이의 거리를 축소할 수 있다는 것이다.

AI가 인간이 잊어버린 것을 재발견할 때

현대 과학에서 가장 흥미로운 패턴 중 하나는 인간이 지식이 부족하다는 것이 아니라, 지식을 검색하는 데 어려움을 겪는다는 것이다.

수학은 엄청난 규모이다. 결과는 수십 년의 저널, 워크샵 노트 및 특수한 서브 필드에 걸쳐 있다. 심지어优秀한 수학자도 특정 서브 필드에서 “명백한” 정리를 간과할 수 있다. 시간이 지남에 따라, 전체 사슬의 추론이 묻혀질 수 있다 – 그것이 잘못된 것이 아니라, 관심이 다른 곳으로 이동했기 때문이다.

AI는 그 역학을 변경한다. 인간이 거의 보지 않는 지루한 구석에서 검색할 의향이 있다. 또한 서브 필드 간의 방언을 연결하고, 전통적으로 별개로 유지하는 아이디어를 일치시킨다.

이것이 많은 사람들이 가장 깊은 약속을 보는 곳이다. AI가 완전히 새로운 수학을 발명하지 않는 경우에도, 그것은 잊혀진 구조를 다시 가져오고, 새로운 방식으로 재조합하여感觉新的 아이디어를 제안할 수 있는超强力한 “지식 발굴자”로 작동할 수 있다.

“빅 매스” 전환: 증명 작성자에서 지휘자로

AI가 계속 개선된다면, 가장 큰 변화는 기계가 더 많은 정리를 해결한다는 것이 아닐 수 있다. 그것은 인간 수학자의 역할이 변경된다는 것이다.

수세기 동안 수학을 하는 것은巨大한 노력을 증명 자체에 투자하는 것을 의미했다 – 경로를 찾기, 모든 단계를 검증하기, 다른 전문가가 확인할 수 있는 방식으로 작성하기. 그 노력은 기술의 일부이다. 그러나 그것은 또한 병목 현상이다. 많은 유망한 아이디어는 단순히 인간의 시간이 너무 높기 때문에 죽는다.

AI 가속 세계에서, 증명은 더 이상稀少하지 않다. 그것은 수학을 평범하게 만들지 않는다. 그것은 어려운 일이 살고 있는 곳을 변경한다.

수학자로서의 카트 그래퍼, 계산기 아님

증명이 더 이상 주요 병목 현상이 아니라면, “천재”는 더 높은 수준의 작업으로 이동한다. 가장 가치 있는 질문을 선택하는 것이 중심인간의 책임이 된다. 또한 새로운 추상을 설계하는 것이 중요하다 – 불변량 및 필드ブリ징 정의. 또한,伟大的 마음은 연구 프로그램을 구축함으로써 풍경을 매핑하고, 발견을 조직하며, 추상적인 결과를 다른 분야의 기능적인 도구로 번역하는 데 집중할 것이다. 체스와 같은 게임에서 컴퓨터가 우리를 능가했을 때, 인간의 체스는 끝나지 않았다. 대신, 엘리트 플레이는 진화했다. 인간은 기계에게 더好的 질문을 묻고, 추천을 해석하고, 직관과 계산을 결합한 전략을 개발했다.

수학도 비슷한 변화를 겪을 수 있다 – 그러나 결과는 더广い 것이다. 새로운 수학적 도구는 암호학, 최적화, 기계 학습, 물리학 및 경제학을 재구성할 수 있다. AI가 발견의 비용을 줄이면, 하류 효과는 엄청날 수 있다.

이것은 “자유로운思考”, 또는 단순히 매우 빠른 검색인가?

합리적인 회의론자는 말할 수 있다: 이것은 지능이 아니다, 단순히 무작위적인 lực이다. 기계에 충분한 컴퓨팅 파워를 제공하면, 그것은 작동하는 것을 발견할 것이다.

실제적인 지점이 있다. AI는 규모를 제공한다. 많은 경로를 시도할 수 있다. 그러나 가장 흥미로운 경우는 무작위적인 lực가 아니다 – 구조화된 합성: 개념을 연결하고, 익숙하지 않은 맥락에서 레마를 재사용하며, 전문가가 검증할 수 있는 논리적인 추론 체인을 조립한다.

실제적으로, “검색”과 “思考” 사이의 선은模糊해진다. 인간 수학자도 검색한다 – 아이디어를 통해, 유사성을 통해, 부분적인 결과를 통해. 중요한 것은 과정에서 신뢰성 있게 새로운, 검증 가능한 진리를 생성하는가이다.

AI가 일관되게那样할 수 있다면, 레이블은 결과보다 중요하지 않다. 전선은 어느 쪽으로도 이동한다.

어떤 전선이 다음에倒할 것인가?

AI가 계속 개선된다면, 우리는 다음과 같은 패턴을 기대할 수 있다: 먼저倒하는 문제는 지식이 이미 존재하지만 단편화되어 있으며, 기존 기술을 재조합할 수 있으며, 공식적인 검증을 통해 신뢰를 신속하게 높일 수 있는 경우가 많다.

가까운 미래의 목표로는 다음이 포함된다:

• 극단적 조합론 및 그래프 이론: 풍부한 도구 키트, 많은 알려진 레마, 깨끗한 이산 용어로 정의된 많은 문제.
• 추가적 수론: 기술을 연결하는 데 유용한 지대.
• 최적화 및 복잡성과 관련된 질문: 가장 깊은 “P vs NP” 계층이 아닌, 알고리즘 및 경계에 대한 많은 작은 구조적 결과.
• 형식화 가능한 서브 도메인: 이미 부분적으로 증명 보조를 암호화한 영역에서, AI가 아이디어에서 검증된 정理로의 번역을 가속화할 수 있다.

대きな 유명한 문제 – 밀레니엄 상 문제와 같은 것 – 는 여전히 깊은 개념적 발명을 요구할 수 있다. 그러나 그곳에서도, AI는 주변 지형을 깎아내며, 레마를 증명하고, 특별한 경우를 탐색하며, 최종적인 인간 또는 하이브리드 도약을 더 가능하게 하는 스캐폴딩을 구축할 수 있다.

철학적 전환: 질문을 묻는 사람의 귀환

우리가 증명의 메커니즘을 자동화함에 따라, 우리는 이미 학문의黎明부터 존재해 온 현실을 직면해야 한다: 수학은, 그리고 항상, 철학의 하위 집합이다. 역사적으로, 우리 종의 가장 가치 있는 지성은 삶의 가장 의미 있는 질문과 싸울 수 있는 것이었다. 그리스인들은 숫자의 연구와 존재의 연구를 분리하지 않았다; 그들에게, 숫자의 “무리성”은 논리적인 위기와 마찬가지로 영적인 위기였다.

현대 시대에, 우리는 인간의 “천재”에 대한 평가를 기술적인 계산기로서의 능력 – 생물학적 프로세서로서의 기능 – 으로 이동했다. 그러나 AI가 이러한 증명을 먼저 정상에 도달하는 것으로 시작할 때, 기술적인 병목 현상이蒸발한다. 이것은 인간의 지성을 약화시키지 않는다; 그것은 그것을 “스택 위로” 강제한다.

미래의 귀중한 지성은 이미 알려진 과정을 극도로 효율적으로 실행할 수 있는 것이 아니라, 무엇이 발견할 가치가 있는지를 정의할 수 있는 철학자이다. “어떻게”가 실리콘에 의해 제공되는 상품이 될 때, “왜”는 유일하게 남은稀少性이 된다. 우리는 폴리매스 시대로 돌아간다 – 삶의 의미 있는 질문을 묻는 능력, 새로운 의미의 전선을 구상하는 능력이至高의 기술이다.铲을 백호로 바꾸는 것과 마찬가지로, 우리는 더 이상 손으로掘는 능력에 의해 평가되지 않는다. 땅을 파는 곳을 결정하는 우리의 비전에 의해 평가된다.

결론: 천재가 스택 위로 이동하는 미래

AI가 천재적인 지성을 요구하는 문제를 해결하는 데 도움이 될 수 있다면, 그것은 수학이 исчерп되었다는 것을 의미하지 않는다. 그것은 우리가 그것을 하는 방식을 변경한다는 것을 의미한다.

증명이 더 이상 귀중하지 않은 세계에서, 귀중한 자원은 다른 것이 된다: 좋은 질문, 유용한 추상화, 수학이 무엇을 의미하는지 해석하는 능력.

미래의 “유일한 지성”은 더 이상 수십 년 동안 증명을 수행하는 고독한 인물과 같은 것이 아닐 수 있다. 그것은 아이디어의 카트 그래퍼와 같은 것일 수 있다 – 어떤 산이 등반할 가치가 있는지, 그리고 인간과 기계가 함께 새로운 종류의 원정을 조직하는 방법을 볼 수 있는 사람.