OpenAI ‘Astra’, 수학 난제 10개 결과 공개: AI 과학의 승부가 검증으로 옮겨간다
OpenAI가 차세대 모델 Astra의 내부 버전이 장기간 미해결이던 수학·이론컴퓨터과학 문제 10건에 새 결과를 냈다고 발표했습니다. 핵심은 화려한 정답 수보다 논문, Lean 인증서, 독립 검토를 잇는 검증 체계입니다.
OpenAI가 차세대 주요 모델로 소개한 Astra의 내부 버전이 수학과 이론컴퓨터과학의 장기 미해결 문제 10건에 새로운 결과를 냈다고 8월 1일 발표했습니다. 대상은 고차원 구면 채우기부터 양자 복잡도, 격자 암호, 그래프 이론까지 넓게 퍼져 있습니다. 회사는 논문뿐 아니라 Lean 형식 증명 인증서와 추론 과정을 함께 공개했습니다. 이번 발표의 진짜 의미는 “AI가 난제를 풀었다”는 한 문장보다, AI가 낸 연구 결과를 어떤 방식으로 검증하고 책임질 것인가에 있습니다.
Astra가 내놓았다는 10개 결과
OpenAI 공식 발표에 따르면 결과는 최소 10년 동안 핵심 진전이 없었던 문제들에서 골랐습니다. 고차원 구면 채우기의 새로운 상한, 이진·구면 코드의 개선된 경계, 비소픽 군의 존재 구성, Connes 강성 추측의 반례, permanent 계산을 위한 산술 회로 하한 등이 포함됩니다. 이 밖에도 두 참가자 양자 게임의 병렬 반복 정리, 최근접 벡터 문제의 근사 난이도, Ehrhart 부피 추측, 다색 Ramsey 수, 극값 그래프 이론의 두 추측을 다룹니다.
중요한 표현은 “Astra의 내부 버전”입니다. OpenAI는 Astra를 차세대 주요 모델이라고 불렀지만 출시일, API 제공 범위, 가격, 정식 제품명은 공개하지 않았습니다. 따라서 이를 곧바로 GPT의 특정 버전이나 출시가 임박한 상용 모델로 단정할 근거는 없습니다. 독립 보도 역시 발표문 속 Astra 언급을 확인했지만, 정확한 제품 체계는 아직 불명확하다고 짚었습니다.
약 2,000달러의 탐색 비용이 던지는 질문
OpenAI는 10개 해법을 찾는 데 사용된 전체 토큰을 GPT‑5.6 Sol API 가격으로 환산하면 약 2,000달러라고 밝혔습니다. 사람과 모델이 논문 형태를 다듬었고, 이후 모델이 각 논증을 Lean 인증서로 형식화했습니다. 이 수치는 회사가 제시한 환산값이며 실제 연구 인력, 계산 인프라, 실패한 실험, 검토 시간을 모두 포함한 총비용은 아닙니다.
그럼에도 연구 자동화의 경제성을 보는 관점은 바뀝니다. 모델의 가치가 짧은 답변 정확도보다 여러 시간 또는 며칠에 걸친 탐색, 반례 찾기, 문헌 연결, 증명 정리처럼 긴 작업에서 측정되기 시작했기 때문입니다. 앞으로는 “토큰당 성능”보다 전문가가 받아들일 수 있는 결과 한 건당 비용이 더 중요한 지표가 될 가능성이 큽니다.
Lean 인증서가 중요한 이유와 해결하지 못하는 것
Lean은 증명을 컴퓨터가 검사할 수 있는 형식으로 표현하는 정리 증명 도구입니다. 공개 저장소에는 10개 결과 각각에 대응하는 Lean 4 파일과 빌드 방법이 올라와 있습니다. 제3자는 같은 코드와 의존성을 내려받아 형식 증명이 통과하는지 재현할 수 있습니다. 자연어로 그럴듯한 증명을 읽는 것보다 훨씬 강한 검증 장치입니다.
하지만 Lean이 통과했다고 모든 검증이 끝나는 것은 아닙니다. 형식화된 정리가 원래의 수학적 주장과 정확히 같은지, 사용한 정의와 가정이 적절한지, 기존 연구의 결과를 올바르게 인용했는지, 결과의 새로움과 중요성이 어느 정도인지는 사람이 다시 확인해야 합니다. 형식 증명은 논리적 간극을 줄이지만, 문제 설정과 번역의 오류까지 자동으로 없애지는 않습니다.
국제수학연맹이 지지한 Leiden 선언도 이 지점을 강조합니다. 자동화된 도구는 설득력 있지만 잘못된 논증을 만들 수 있고, 형식화에서도 컴퓨터 표현과 인간 개념 사이의 번역이 검토 대상이라는 것입니다. 또한 도구 사용 공개, 정확성에 대한 인간의 책임, 독립 검증, 적절한 인용을 요구합니다. OpenAI 역시 이번 발표에서 AI가 논증을 생성했다는 사실을 밝히고 회사가 정확성에 책임을 지겠다고 명시했습니다.
연구 현장에 필요한 검증 파이프라인
Astra의 성과가 학계에서 얼마나 인정받을지는 이제부터의 독립 검토가 결정합니다. 연구팀이나 기업이 비슷한 시스템을 도입한다면 모델에게 난제를 던지는 것보다 다음 절차를 먼저 설계해야 합니다.
- 탐색과 검증을 분리합니다. 아이디어 생성 모델과 결과를 비판적으로 검토하는 사람·도구를 같은 단계로 묶지 않습니다.
- 주장과 형식 정리를 대조합니다. 자연어 논문에 쓰인 정리와 Lean에 실제로 증명된 정리가 동일한 범위와 가정을 갖는지 확인합니다.
- 재현 가능한 환경을 남깁니다. 모델 버전, 프롬프트, 도구, 의존성, 계산 예산, 실패한 시도를 기록합니다.
- 선행 연구의 출처를 추적합니다. 모델이 기존 아이디어를 새롭게 조합했을 때 원저자의 기여가 사라지지 않도록 인용 검토를 별도 단계로 둡니다.
- 비용을 ‘채택된 결과’ 기준으로 봅니다. 생성 비용뿐 아니라 전문가 검토, 형식화, 재현, 수정까지 합쳐 계산합니다.
전망: 과학 AI의 다음 벤치마크는 동료 검토다
이번 발표가 그대로 인정된다면 AI는 정해진 답을 찾는 올림피아드형 문제를 넘어, 열린 연구 질문에서 새로운 논증을 구성하는 단계로 이동했다는 강한 사례가 됩니다. 특히 서로 다른 수학 분야에서 10개 결과를 한꺼번에 제시했다는 점은 장기 작업 능력과 도구 사용의 진전을 보여줍니다.
다만 회사 발표, 공개 논문, 형식 인증서는 동료 검토의 출발점이지 종착점이 아닙니다. 앞으로 과학용 AI의 경쟁력은 발표 당일의 화제성보다 독립 연구자가 결과를 재현하고, 오류를 찾고, 후속 연구로 확장할 수 있는지로 평가받아야 합니다. Astra가 남긴 가장 실용적인 메시지는 모델을 믿으라는 것이 아니라, 모델의 결과를 더 빠르고 투명하게 의심할 수 있는 시스템을 함께 만들라는 것입니다.
