https://forum.openai.com/public/videos/the-future-of-math-with-o1-reasoning-2024

행사 개요

• 오픈AI 포럼 커뮤니티 아키텍트인 Natalie Cohen이 연말 특별 초청 연사들을 소개한다.
• 연사: UCLA 수학과 테렌스 타오(Terence Tao) 교수, 오픈AI의 연구 부사장인 Mark Chen, 오픈AI에서 과학 정책 및 글로벌 파트너십을 담당하는 James Donovan.
• 이번 행사는 한 해를 마무리하는 스피커 시리즈의 마지막 세션이며, 내년에는 “과학 가속화와 모델 활용”이라는 주제로 행사를 이어갈 예정.

연사 소개

• 테렌스 타오: UCLA 수학과 교수. 조화해석, 편미분방정식(PDE), 조합론, 수론 등 다양한 분야 연구. 2006년 필즈상 수상. 2021년부터 미국 대통령 과학기술 자문위원 활동.
• 마크 첸(Mark Chen): OpenAI 연구 담당 수석부사장. 언어모델, 강화학습, 멀티모달 모델, AI 안전성 분야 이끎. 2018년부터 OpenAI 합류, 책임 있는 연구 방향성 중점.
• 제임스 도노반(James Donovan): OpenAI 과학 정책 및 글로벌 제휴 총괄. 과거 창업자, VC 투자자, Convergent Research 파트너로서 문샷 형태의 과학 프로젝트들 지원. 자동정리자(Automated Theorem Prover) ‘Lean Fro’ 관련 프로젝트 등 참여.

대화 주제 및 핵심 포인트 정리

1. 수학 연구와 AI의 결합 가능성
   • 테렌스 타오는 AI를 활용해 수학 연구 패러다임을 변화시킬 수 있다고 기대. 지금까지 수학은 개인 또는 소수 그룹 중심으로 진행됐지만, AI와 협업하면 대규모 문제 집합을 동시에 다루는 등 ‘산업 규모의 수학’ 가능.
   • 다양한 역할 분담(문제 제기, 증명 검토, 계산, 문서화, 설명 등)을 통해 수학 활동이 팀 기반 산업 형태로 확장될 수 있음.
   • 예를 들어 영화 산업에서 한 사람이 모든 것을 다 하지 않듯, 수학에서도 AI가 특정 부분(계산, 증명 형식화)을 담당하고, 인간은 창의적이고 전략적인 부분에 집중할 수 있을 것.
2. AI 모델의 '추론 능력(Reasoning)' 향상 노력
   • 마크 첸은 GPT-4 등 현재 대형 모델이 똑똑하지만 실수나 편향적 패턴 매칭에 빠지기 쉬움을 지적.
   • OpenAI는 더 깊은 추론 능력을 갖춘 O(오) 계열 모델 개발 중. 이들은 단순 직관적 응답이 아닌 체계적이고 ‘시스템 2’적 사고를 모사하려 함.
   • 데이터 효율성, 멀티모달 처리, 사용자 경험 향상, 책임 있는 연구가 핵심 연구 어젠다.
3. 형식 증명(Formal Proof) 및 정리 검증기(Theorem Prover)의 필요성
   • 수학적 증명은 오류에 민감. 한 단계라도 틀리면 전체가 무효.
   • LLM(대형언어모델)의 불완전한 정확성을 보완하기 위해 형식 증명 보조툴(예: Lean 등)과 연계해 올바른 증명인지 자동 검증 필요.
   • 궁극적으로 복잡한 수학 결과를 LLM과 정리 검증기 조합으로 안정적으로 생산하고 신뢰성 확보 가능.
4. 미해결 난제 접근 및 수학적 발견 촉진
   • AI로 IMO(국제수학올림피아드) 수준 문제는 어느 정도 풀이 가능해졌으나, 진정한 연구 수준(PhD급) 문제 해결은 아직 멀었다.
   • 하지만 향후 계산 자동화, 패턴 탐색, 추론 모듈 강화 등을 통해 점진적 개선 예상.
   • 대규모 데이터와 정교한 모델이 결합하면, 인간이 놓친 숨은 패턴을 포착하고 새로운 수학적 통찰 제공 가능.
5. 수학 교육, 협업, 문화 변화
   • 학생들과 교수법에도 변화: AI를 잘 활용하면 증명 학습, 탐구 과정을 풍부히 할 수 있음. 잘못된 시도를 공유하고 수정하는 과정이 귀중한 학습 자료가 될 수도.
   • 산업적 규모의 수학 연구에서 아마추어 참여, 시민 과학 가능성 등도 제기. 대중들이 AI와 협업하여 작은 부분 과제 해결 기여 가능.
6. 여러 도메인과의 상호작용
   • 수학적 발전이 다른 과학 분야(물리, 생물학, 화학)와 긴밀히 연결되어 있음.
   • 실험적 수학, 대규모 문제 데이터 처리, 물리학적 통찰을 통한 수학적 이론 정립 등 상호 유기적 피드백 가능.
   • 향후 AI는 다른 분야에서 발견한 패턴을 수학적으로 해석하거나 정리하는 데 기여할 수도 있음.
7. 정책, 저작권, 공평성, 접근성 이슈
   • LLM이 생성한 수학적 결과의 저작권이나 기여 인정 문제. 모델의 제안이 ‘공동저자’가 될 수 있는지.
   • 비대칭적 접근성: 고성능 컴퓨팅 자원 보유 집단이 연구 우위 점하는 문제.
   • AI 활용이 수학적 창의성과 미적 감각을 훼손할까 하는 우려도 있으나, 다른 관점에서 새로운 미학적 기준 형성 가능.
8. Q&A 주요 내용
   • 기존에 존재하지만 찾기 어려운 정리/결과를 AI가 빠르게 서치하고 식별해줄 수 있는지에 대한 기대.
   • 다수의 AI 모델, 혹은 다양한 역할 분담 모델 간 협업을 통해 단일 모델이 못 찾는 창의적 증명 가능성.
   • 교육, 연구, 산업 현장에서 특정 워크플로우(O-시리즈, GPT-4, 서치 기반 등 조합)를 효율적으로 사용할 방법에 대한 질문.
   • AI 모델에 대한 불신(잘못된 공연정보 제시 사례)과 과학적 활용 시 신뢰성 확보 방안(검색 연계, 인용 출처 제공) 논의.

---

요약 결론
이 행사에서 테렌스 타오와 오픈AI의 연구 리더십(마크 첸, 제임스 도노반)은 AI와 수학의 미래 협업 가능성을 깊이 탐색했다. 수학 연구 패러다임 변화, 형태 증명과 LLM 결합, 대규모 협업 및 아마추어 참여 확대, 다양한 과학분야와의 상호 피드백, 교육 환경 변화, 그리고 추론 능력 강화 모델(O-시리즈)의 발전 방향 등이 논의되었다. 비록 아직 해결해야 할 기술적, 철학적, 정책적 과제가 많지만, 이들은 AI 도입이 수학과 과학의 진보를 크게 가속할 잠재력을 가진다는 점에 기대를 표했다.

 

 

미래 전망

1. 수학 연구 패러다임 변화:
   
   • 테렌스 타오는 AI를 통해 수학 문제 해결 과정이 개인 플레이에서 산업 규모의 협업 형태로 변화할 수 있다고 했습니다. 즉, 다양한 역할(문제 제안, 증명 검토, 공식화, 계산, 문서화 등)을 사람이 아닌 AI에도 할당해 훨씬 복잡하고 대규모의 문제 세트를 동시에 다룰 수 있을 것이라는 전망을 내놓았습니다.
   • 수학 연구가 단순히 개별 전문 수학자의 활동에서 벗어나, AI 및 대중의 참여(아마추어 수학자나 시민 과학자)까지 포함하는 거대한 공동 프로젝트 형태로 발전할 수 있다고 예측했습니다.
2. 형식 증명(Formal Proof) 도입 가속:
   
   • 수학 증명 검증기를(예: Lean) AI와 결합함으로써 복잡한 증명의 정당성을 기계적으로 확인하는 시대가 열릴 수 있다는 전망이 있었습니다. 이는 장기적으로 연구 수학에서 형식 증명이 점점 더 중요해지고, 결국 대다수의 어려운 정리가 자동 검증 가능한 형식으로 남을 수 있다는 방향성을 암시합니다.
3. 새로운 유형의 수학 및 탐색 방식 등장:
   
   • AI를 이용한 대규모 데이터 분석, 패턴 탐색, 실험적 수학(experimental math) 확대 등 기존에 시도하기 어려웠던 대량의 문제를 동시에 다루며 새로운 패러다임의 수학적 발견을 가능하게 할 것이라는 예측이 있었습니다.
   • 신기한 패턴이나 새로 발견된 현상을 AI가 먼저 찾아내고, 그 뒤 인간 수학자가 이 패턴을 이론적으로 정립하는 식의 ‘밑에서부터(top-down이 아닌 bottom-up)’ 발전 가능성이 언급되었습니다.
4. 학제간 협력 촉진:
   
   • 물리학, 생물학, 화학 등 다른 과학 분야에서 AI가 찾아낸 실험적 패턴이 수학적 이론 정립에 영향력을 행사할 수 있고, 이는 다시 새로운 수학적 통찰로 이어져 다른 과학 분야를 가속하는 선순환 구조가 형성될 수 있다는 전망도 있었습니다.