AI가 150년 된 리만 가설을 36시간 만에 41.6%에서 67.2%로 끌어올렸다 — 수학자 한 명 없이

이 놀라운 성과는 다중 에이전트 워크플로우를 통해 이루어졌으며, 이는 Anthropic의 연구자들조차 놀라게 했습니다:

• 수학적 배경이 거의 없는 Anthropic 직원이 모델에게 가설 증명에 "진지하게 도전"해 보라고 요청했습니다 .
• 약 1.5일 동안 모델은 60개의 조정된 하위 에이전트를 통해 약 650개의 후보 접근법을 테스트했습니다 .
• 이 과정은 2세션에 걸쳐 31백만 개의 출력 토큰을 소모했으며, 2,400개의 셸 명령을 실행하고 54개의 arXiv 논문을 검토했습니다 .
• 60개 하위 에이전트 중 2개가 핵심 수학적 돌파구를 개발하는 데 책임을 졌습니다 .
• 승리한 접근 방식은 2000년 Enrico Bombieri의 논문과 최신 결과를 종합한 것으로, 이전에는 어떤 인간 연구자도 시도하지 않은 조합이었습니다 .

검증: 이중 검증 시스템

두 명의 사내 수학자 — Levent Alpöge와 Ralph Furmaniak — 가 증명을 검토하고 확인했습니다 . 그런 다음 논증은 대화형 정리 증명기인 Lean에서 형식화되어 기계가 확인 가능한 정확성 인증서를 생성했습니다 . 이 이중 검증(전문가 인간 검토 + 형식적 검증)은 AI가 생성한 수학적 결과에 대한 모범 사례로 널리 간주됩니다.

전환점: 2026년, AI가 공개 난제 연구에 진입한 해

Claude의 리만 하한선 개선은 고립된 사건이 아닙니다. 2026년은 AI 주도의 수학적 돌파구가 가속화된 해였습니다:

• 2026년 5월 — OpenAI는 미공개 일반 추론 모델이 80년 된 에르되시 단위 거리 추측을 자율적으로 반증했다고 발표했습니다 .
• 2026년 5월 — Google DeepMind의 AlphaProof Nexus는 9개의 에르되시 공개 문제(일부는 56년간 미해결)를 풀고 정수열 온라인 백과사전의 44개 추측을 증명했으며, 모두 Lean으로 형식화되었습니다 .
• 2026년 7월 — Anthropic 수학자 Levent Alpöge는 미공개 "Fable 5" 모델을 사용하여 1939년에 제기된 야코비안 추측에 대한 반례를 찾았습니다 .
• 2026년 8월 — OpenAI의 Astra 모델은 약 2,000달러의 연산 비용으로 10개의 수십 년 된 수학 문제를 해결했으며, 기계가 확인 가능한 증명을 Lean으로 작성하여 GitHub에 게시했습니다 .

여러 논평가들은 2026년 중반에 이 분야가 한계를 넘었다고 지적합니다. AI 시스템이 경쟁 수준의 수학을 푸는 단계에서 출판 가능한 공개 난제 수준의 연구를 생성하는 단계로 전환했다는 것입니다 .

논쟁: 저자 표시, 기준, 그리고 라이덴 선언

AI 생성 수학의 급속한 발전은 격렬한 논쟁을 촉발했습니다:

• 2026년 6월, 16명의 수학자 그룹이 라이덴 선언을 발표하여 증명 구조, 저자 표기, AI 생성 결과에 대한 인간 감독에 관한 새로운 기준을 권고했습니다 . 이 선언은 이후 국제 수학 연맹에서 논의되었습니다 .
• 주요 쟁점은 다음과 같습니다: AI가 증명을 생성할 때 누가 저자 표기를 받을 것인가? 증명이 인간이 형식적 도구 없이는 완전히 검사하기에는 너무 길거나 참신하다면 학계는 인식적 신뢰를 유지할 수 있을까? 그리고 저널은 어떤 인간도 단독으로 생산할 수 없는 결과를 어떻게 동료 심사해야 할까 ?
• 일부 수학자들은 AI 지원 증명이 이해와 설명적 통찰력을 잠식할 위험이 있다고 주장합니다 — 증명이 정확하더라도 불투명할 수 있기 때문입니다 . 다른 이들은 Lean에서의 형식적 검증이 전통적인 동료 심사보다 더 엄격한 기준을 제공한다고 봅니다 .

이것이 AI의 새로운 과학 발견 능력에 의미하는 바

Anthropic의 리만 결과는 몇 가지 구체적인 방식으로 논의를 진전시킵니다:

1. 자율적 탐색의 규모가 중요하다.

60개 하위 에이전트에 걸쳐 650개의 아이디어를 테스트한 것은 다중 에이전트 아키텍처가 어떤 인간 연구 그룹도 같은 시간 내에 따라잡을 수 없는 규모로 체계적인 탐색을 수행할 수 있음을 보여줍니다 . 이제 질문은 "AI가 수학을 할 수 있는가?"에서 "과학 발견 파이프라인에 AI 차원의 탐색을 어떻게 통합해야 하는가?"로 전환됩니다.

2. 우연한 종합이 가능하다.

수학적 훈련을 받지 않은 모델이 2000년 Bombieri 논문과 최신 결과를 결합한 것 — 이는 어떤 인간도 보지 못한 조합입니다 — 은 AI가 서로 다른 문헌에 걸쳐 명백하지 않은 개념적 연결을 만들 수 있음을 보여줍니다 . 이 능력은 LLM이 단순히 보간하는 것인지 아니면 진정으로 발견할 수 있는지에 대한 핵심 우려를 직접적으로 다룹니다.

3. 형식적 검증이 신뢰 문제를 해결한다.

Lean 형식화는 결과가 "블랙 박스" 주장이 아님을 의미합니다. 이는 증명 가능하게 올바른 정리이며, 모든 수학자가 기계적으로 검사할 수 있습니다 . 이는 AI 생성 과학 결과를 검증 가능하게 만드는 방법에 대한 템플릿을 제공하며, AI 주도 발견에 대한 가장 강력한 반론 중 하나를 해결합니다.

4. 저자 표기와 기준에 대한 논쟁은 건설적이며 마비되지 않는다.

놀라운 결과(DeepMind, OpenAI, Anthropic)와 커뮤니티 주도의 제도적 대응(라이덴 선언)이 동시에 등장한 것은 수학 커뮤니티가 퇴각하기보다는 적응하고 있음을 시사합니다 . 현재 논의는 AI 결과물을 전면 거부하는 것이 아니라 규범과 크레딧에 초점을 맞추고 있습니다.

5. 발견의 비용과 속도가 붕괴되고 있다.

OpenAI Astra 결과의 2,000달러 연산 비용과 Claude 리만 하한선 개선의 36시간 소요는 출판 가능한 수학적 발견의 한계 비용이 거의 0에 가까워지고 있음을 시사합니다 . 이는 연구자들이 추구할 질문과 수학 연구에 참여할 수 있는 사람에 대해 심대한 영향을 미칩니다.

결론

Anthropic의 리만 하한선 개선은 AI 시스템이 이제 150년 된 공개 난제를 진전시키는 출판 가능하고 형식적으로 검증 가능한 수학적 결과를 자율적으로 발견할 수 있음을 보여주는 획기적인 사례입니다. 2026년의 유사한 돌파구 연속과 함께, 이는 논의를 "AI가 과학 발견에 기여할 수 있는가"에서 "과학 커뮤니티가 새로운 종류의 AI 공동 발견자에 대한 인센티브, 저자 표기, 검증을 어떻게 구조화해야 하는가"로 전환시킵니다.