수학이 증명 이상이라면, 나머지도 더 제대로 평가해야 합니다

AI 요약

Terry Tao의 블로그에 게재된 Grant Sanderson의 객원 글은 AI가 수학 문제를 풀고 증명을 생성하는 시대에 수학 공동체가 무엇을 성과로 인정해야 하는지를 다룹니다. 글의 출발점은 문제 해결과 증명 생성이 수학자의 진짜 목표인 ‘인간의 이해를 진전시키는 일’을 측정하기 위한 대리 지표였다는 진단입니다. 그런데 증명이 이해 없이도 생성될 수 있다면, 증명 자체를 목표로 삼는 평가 방식은 더 이상 충분하지 않을 수 있습니다. 저자는 이때 필요한 대안으로 ‘motivated explanation’을 제안하며, 새로운 증명뿐 아니라 어떤 문제를 왜 제기해야 하는지, 새로운 개념이 어디에서 나왔는지, 결과가 주변 수학과 어떻게 연결되는지를 설득력 있게 설명하는 작업도 학문적 보상을 받아야 한다고 주장합니다.

■ ‘motivated explanation’이란 무엇인가

Sanderson은 증명과 motivated explanation의 차이를 몇 가지 기준으로 설명합니다. 증명에서는 정의가 초반에 놓이고, 새로운 대상을 만든 뒤 그 성질을 분석하는 방식이 일반적입니다. 반면 motivated explanation에서는 정의가 설명의 중간에 등장합니다. 먼저 해결하려는 문제가 충분히 제시되어야 하며, 그 문제가 요구하는 경우에만 새로운 구성이나 개념을 어휘에 추가합니다. 증명에서는 모든 문장이 정확해야 하고 앞선 명제에서 필연적으로 따라 나와야 하지만, motivated explanation에서는 출발점이 완전히 옳지 않아도 괜찮습니다. 오히려 단순하지만 틀린 아이디어에서 시작해 어디서 문제가 생기는지 확인하고, 이를 고치면서 새로운 문제와 개념을 발견하는 과정이 유용할 수 있습니다.

저자가 특히 좋아하는 형식은 Michael Nielsen이 이름 붙인 ‘discovery fiction’입니다. 독자가 처음부터 완성된 이론을 전달받는 대신, 간단하지만 잘못된 해결책에서 출발해 실패를 경험하고, 그 실패를 수정하면서 다음 문제로 나아가는 서사를 구성하는 방식입니다. 증명의 범위가 특정 정리가 왜 참인지를 설명하는 데 있다면, motivated explanation의 범위는 그 정리를 애초에 왜 물어야 했는지, 어떤 맥락에서 자연스럽게 등장했는지, 이후 어디에 쓰이는지까지 포함합니다.

이런 설명은 증명처럼 참과 거짓을 이분법적으로 판정하기 어렵습니다. 저자는 motivated explanation을 검증하는 Lean 같은 시스템은 존재하지 않을 것이라고 말합니다. 그럼에도 ‘lucid’나 ‘demystifying’보다 ‘motivated’라는 표현을 선호하는 이유는 설명의 동기가 실제로 어느 정도 점검 가능한 속성이기 때문입니다. 각 개념이 소개될 때 독자가 그 개념이 어디에서 나왔는지 이해할 수 있는지 물을 수 있으며, 이는 완전히 이진적인 판단은 아니더라도 실무적으로 사용할 수 있는 기준이 됩니다. Sanderson이 자신의 작업에서 반복하는 기준은 “스스로 발견할 수도 있었을 것처럼 느껴지게 하자”입니다.

■ 이미 존재하는 좋은 사례와 평가의 문제

저자는 motivated explanation의 뛰어난 저장소로 Princeton Companion to Mathematics의 Part IV를 꼽습니다. 이 부분은 20개가 넘는 현행 연구 분야를 다루며, 각 분야의 전문가가 해당 주제를 명확하게 전달합니다. Andrew Granville의 해석적 수론 설명이나 David Ben-Zvi의 모듈라이 공간 소개는 칠판 앞의 일대일 대화에서나 얻기 쉬운 직관과 동기를 글로 제공하는 사례로 제시됩니다.

이 책을 편집한 Timothy Gowers의 사례도 평가 체계의 문제를 보여줍니다. Gowers는 Numberphile Podcast 인터뷰에서 Fields Medal을 받은 뒤 다른 종류의 일을 시도할 자유가 커졌고, Princeton Companion to Mathematics 편집에 약 5년 동안 업무 시간의 절반을 쏟았다고 말합니다. 그는 이 프로젝트가 중요하다고 믿었지만, Fields Medal 수상자가 아니었다면 이런 일을 맡을 기회 자체를 얻지 못했을 가능성이 있다고 설명합니다. Sanderson은 수학에 큰 가치를 더하는 작업을 위해 반드시 Fields Medal이 있어야만 정당성을 느낄 수 있다는 점이 문제라고 지적합니다.

Bill Thurston의 에세이 ‘On Proof and Progress in Mathematics’도 중요한 사례로 소개됩니다. Thurston은 수학자가 무엇을 성취하는지 묻는 대신 수학자가 수학에 대한 인간의 이해를 어떻게 진전시키는지 물어야 한다고 썼습니다. 4색 정리의 대규모 자동 계산 증명을 둘러싼 논란도 정리의 참이나 증명의 정확성을 의심해서가 아니라, 참이라는 사실과 별개로 인간이 증명을 이해하고 싶어 했기 때문에 발생했다고 해석합니다. 손으로 계산할 수 있는 작은 범위의 일을 컴퓨터로 대규모 처리한 뒤 수만 개의 소수 목록처럼 실제로는 원하지 않았던 결과를 얻는 경험도 같은 점을 보여줍니다. 사람들이 원하는 것은 단순한 답의 집합이 아니라 이해라는 설명입니다.

Thurston은 증명 외에도 수학적 정치, 높은 의사소통 기준에 맞춘 노트의 책 개정, 수학에서의 계산 탐구, 수학교육, Geometry Center를 통한 새로운 수학 소통 형식 개발, MSRI 운영 등에 상당한 시간을 썼다고 말했습니다. 저자는 이런 활동이 ‘비공로 생산 활동’으로 취급되어야 하는 이유를 묻습니다. Geometry Center의 ‘Outside In’ 같은 영상은 구면 뒤집기(sphere eversion)의 핵심 아이디어를 시각화해 수백만 명이 수학적 개념에 접근하도록 했습니다. 새로운 증명이 어떤 명제를 모르는 상태에서 아는 상태로 바꾸는 0에서 1의 진전이라면, 이런 작업은 이미 존재하는 아이디어를 1에서 N명의 사람에게 전달하는 진전이라고 설명합니다.

■ ‘open exposition problem’과 AI가 만든 증명

Timothy Chow의 ‘A beginner’s guide to forcing’는 motivated explanation의 사례인 동시에 새로운 어휘를 제공하는 글로 언급됩니다. Sanderson은 연구자들이 익숙한 ‘open research problem’에 대응하는 개념으로 ‘open exposition problem’을 제안합니다. 이는 이미 증명은 존재하지만 아직 완전히 명료하게 이해되지 않는 중요한 수학 주제를, 모든 단계가 동기와 함께 드러나도록 설명하는 문제입니다. 이상적으로는 학생들이 결과에 도달하는 과정을 스스로 따라갈 수 있어야 합니다.

저자는 이를 연구 난제처럼 다룬다면, 중요한 정리와 아직 충분히 이해되지 않은 설명 문제를 공식적으로 지정하는 제도가 가능하다고 봅니다. 극단적으로는 open exposition problem을 위한 Millennium Prize Problems와 유사한 목록도 생각할 수 있습니다. 특히 AI가 생성한 증명은 기술적으로는 해결된 문제를 남기지만, 그 증명의 핵심 아이디어가 무엇인지와 주변 이론을 어떻게 바꾸는지는 여전히 설명되지 않은 경우가 많으므로, 앞으로 이런 설명 문제가 대량으로 생길 수 있다고 말합니다. 다만 해결 여부를 판단하려면 증명보다 주관적인 기준을 포함한 평가표가 필요합니다.

글은 2026년 Erdős Problem 1196 사례를 통해 이 차이를 설명합니다. Liam Price는 GPT-5.4 Pro와 상호작용한 뒤 비대칭 원시 집합 추측(asymptotic primitive sets conjecture)의 해를 제출했습니다. 이 문제는 해당 분야 연구자들이 중요하지만 해결하기 어렵다고 보던 문제였다고 소개됩니다. 이후 Nat Sothanaphan과 Jared Lichtman이 AI의 접근을 해석하고 증명을 사람이 읽을 수 있는 형태로 정리했습니다. 5월에는 Boris Alexeev, Kevin Barreto, Yanyang Li, Jared Duker Lichtman, Liam Price, Jibran Iqbal Shah, Quanyu Tang, Terence Tao가 핵심 아이디어를 확장하고, 관련된 여러 문제를 더 명확하게 설명하는 논문을 발표했습니다. 이 작업은 Erdős Primitive Set Conjecture의 더 간결한 증명도 제공했습니다.

저자는 여기서 중요한 성과가 Erdős 문제 하나를 해결 목록에 추가한 사실만은 아니라고 봅니다. 2026년 초보다 원시 집합(primitive sets)에 대한 이해가 더 깨끗하고 만족스러워졌다는 점이 핵심이며, 그 변화에 가장 크게 기여한 작업은 원래의 증명을 확장하고 핵심 아이디어를 맥락화한 논문일 수 있다고 주장합니다.

■ 학계와 교육에서 가능한 변화

실천 방안으로는 박사과정 학생에게 이미 풀린 문제나 AI의 도움으로 해결한 문제를 단순히 글로 정리하게 하는 대신, 특정 날짜에 동료와 교수진에게 이해 가능한 강연으로 설명하게 하는 방식이 제시됩니다. 작은 문제라도 소규모 박사학위 심사처럼 다루자는 제안입니다. 또한 수학계의 영향력 있는 인물이 현대판 Hilbert 문제를 만들되, 이번에는 미해결 exposition problem을 중심에 둘 수 있다고 말합니다.

이 밖에도 motivated explanation의 기준을 문서화해 증명에 가까운 수준으로 검증 가능하게 만들고, 수학적 결과를 공동체에 더 널리 이해시키는 저널을 만들며, 채용과 tenure 심사에서 훌륭한 교과서와 유사한 작업의 가치를 높이는 방안이 나옵니다. AMS Steele Prize for Exposition을 초기 경력 연구자에게도 더 세분화해 적용하는 구상도 언급됩니다.

마지막으로 Sanderson은 이런 문화적 변화가 수학의 외부 이미지에도 중요하다고 말합니다. 증명 생성 기계가 등장한 시대에 수학을 공부해도 되는지 불안해하는 학생들에게, 오히려 지금은 수학의 미래를 직접 형성할 수 있는 시기라고 설명할 수 있습니다. 다만 변화가 외부 기술에 끌려가는 것처럼 보이면 위협적으로 느껴지므로, 수학계 지도자들이 인간의 이해를 중심 목표로 명확히 선언하고 평가·교육·보상 체계를 실제로 바꾸는 일이 필요하다고 주장합니다. 이 글의 결론은 AI 시대에 수학의 가치를 지키는 방법이 증명 생성 경쟁을 계속하는 데만 있지 않고, 무엇을 이해라고 부를지와 그 이해를 어떻게 전달할지를 공동체가 적극적으로 정의하는 데 있다는 것입니다.

■ Hacker News 반응

• @kurthr — 제 개인적인 견해로는, 이것은 Gower의 최근 글에서 얻은 결론이 향하는 데 꼭 필요한 방향입니다. 수학은 Goodhart의 법칙, 즉 “측정 지표가 목표가 되면 더 이상 좋은 측정 지표가 되지 않는다”는 문제를 겪고 있습니다.

• @lacedeconstruct — 어려운 일을 해낸다는 것은 당신이 a) 그것과 거기에 필요한 모든 배경 정보를 이해했고, b) 일반적인 문제 해결에도 도움이 되는 기법과 방법을 내면화했다는 신호였습니다. 이제는 아무 의미도 없습니다.

• @Razengan — “이제는 아무 의미도 없습니다.” 이제 우리는 다른 어려운 일로 넘어갈 수 있습니다.

• @lacedeconstruct — 인간의 정신이 어려운 일을 처리할 수 있는 시간과 능력에는 한계가 있습니다. 어떤 일이 당신이 충분히 고민해 완성하기도 전에 마이크로초 만에 대충 복제될 수 있다면, 거기에는 의미가 없습니다.

• @Razengan — 그렇다면 새로운 어려운 일을 발명할 시간이 생깁니다. 3Blue1Brown의 “AI가 풀지 못했던 마지막 IMO 문제”를 보십시오.

원문: Terry Tao’s blog / 번역·요약: Trawling