On the mechanical creation of mathematical concepts

이 논문은 문제 해결을 신념 업데이트 루프로 모델링하고, 기존 어휘 내에서의 탐색 최적화 (암묵적 개념) 와 새로운 이동 수의 도입 (명시적 개념) 을 구분하며, 명시적 개념의 창안이 수학적 발견의 핵심이자 현재의 AI 가 달성하지 못한 영역임을 주장합니다.

핵심

1. 문제 해결의 두 가지 도구: '직관'과 '계산'

모든 문제 해결은 두 가지가 섞여 있습니다.

• 사전 지식 (Priors): 이미 알고 있는 경험과 패턴. (예: 체스 선수가 "이런 모양이면 위험하다"라고 느끼는 직관)
• 국소적 검색 (Local Search): 구체적인 문제를 풀기 위해 하나하나 계산해 보는 과정. (예: "이 말을 옮기면 상대방은 어떻게 대응할까?"라고 시뮬레이션 해보기)

비유: 체스 게임을 생각해보세요.

• 직관은 "이쪽은 위험해 보이니까 피하자"라고 알려주는 나침반입니다.
• 계산은 실제로 그 길을 걸어보며 "여기엔 함정이 있네?"라고 확인하는 과정입니다.
• AlphaGo(알파고) 같은 AI 는 이 두 가지를 잘 섞습니다. 하지만 중요한 점은, 게임 중에는 나침반 (직관) 을 바꾸지 않는다는 것입니다. 게임이 끝난 후 수많은 게임을 반복하며 나침반을 조금씩 수정할 뿐입니다.

2. 수학의 특별한 점: "새로운 언어를 발명해야 하는 순간"

체스와 수학의 결정적인 차이는 '새로운 개념을 만들어야 할 때' 발생합니다.

비유: 체스판 위의 말 vs. 체스판 그 자체

• 체스: 이미 정해진 규칙 (말의 이동법) 안에서만 싸웁니다. 아무리 어려운 상황이라도 말의 이동 규칙을 바꾸지 않아도 됩니다.
• 수학: 가끔은 규칙 자체가 부족할 때가 있습니다.
  • 예시: 체스판의 두 모서리를 잘라내고, 남은 칸을 도미노로 모두 채울 수 있을까요?
  • 기존의 '도미노를 놓는 방법'만으로는 답을 찾기 어렵습니다. 하지만 **색칠 (Coloring)**이라는 새로운 개념을 도입하면 순식간에 답이 나옵니다. "검은색 칸 32 개, 흰색 칸 30 개 남았는데, 도미노는 검은색과 흰색을 하나씩 덮어야 하니까 불가능하다!"
  • 여기서 **'색칠'**이라는 개념은 원래 체스판에 없던 것이었습니다. 문제를 풀기 위해 새로운 언어 (개념) 를 발명해야만 해결될 수 있었습니다.

3. 개념 (Concept) 이란 무엇인가?

저자는 개념을 **"검색의 지형을 바꾸는 것"**이라고 정의합니다.

• 암묵적 개념 (Implicit): 기존 언어 안에서 더 잘 찾게 해주는 것. (예: "이쪽이 더 유리해 보인다"는 직관)
• 명시적 개념 (Explicit): 새로운 언어를 만들어내는 것. (예: '그래프', '정점', '차수' 같은 개념을 만들어내서 복잡한 다리 문제를 숫자 세기로 바꾸는 것)

비유: 로마 숫자 vs 아라비아 숫자

• 로마 숫자 (XII, XLVII) 로 곱셈을 하려면 매우 복잡하고 헷갈립니다.
• 하지만 **아라비아 숫자 (1, 2, 3...)**와 자리수 개념을 발명하자, 곱셈은 초등학생도 할 수 있는 쉬운 계산이 되었습니다.
• 이 새로운 개념은 단순히 계산을 빠르게 한 게 아니라, '나눗셈을 쉽게 확인하는 방법' 같은 전혀 새로운 질문들을 가능하게 했습니다. 이것이 바로 **'명시적 개념'**의 힘입니다.

4. 인간 vs AI: 왜 인간은 여전히 필요한가?

이제 AI 와 인간의 차이를 볼까요?

• 인간: 계산 능력이 약합니다. (기억할 수 있는 게 적고, 긴 계산은 못 합니다.) 그래서 인간은 **"개념을 많이 만들어서 계산을 줄이는 것"**을 선호합니다. 복잡한 문제를 단순한 개념으로 쪼개서, 머릿속으로 해결할 수 있게 만듭니다.
• AI: 계산 능력은 인간보다 압도적으로 강합니다. 하지만 AI 는 새로운 개념을 스스로 만들어내지 못합니다. AI 는 주어진 규칙 안에서만 최선의 답을 찾거나, 기존에 배운 패턴을 반복할 뿐입니다.

비유: 지도와 나침반

• 인간은 복잡한 미로를 통과할 때, 미로 전체를 다 보지 않고 **"이 길은 막혔구나, 저길로 가자"는 새로운 지도 (개념)**를 그려서 미로를 단순화합니다.
• AI는 그 미로 안에서 인간보다 훨씬 빠르게 모든 길을 다 걸어보며 정답을 찾아냅니다. 하지만 그 답이 "왜" 그런지, 혹은 **"어떤 새로운 길"**이 있는지 설명해주지는 못합니다.

5. 미래의 수학은 어떻게 될까?

저자는 두 가지 미래를 제시합니다.

1. 해설자로서의 AI: AI 가 정답을 찾아내고, 그 답을 인간이 이해할 수 있는 '이야기'나 '개념'으로 설명해 주는 것. (인간이 이해하는 수학을 AI 가 도와주는 형태)
2. 분리된 수학:
   • AI: 실용적인 문제 (우주 탐사, 의약품 개발 등) 를 위해 방대한 계산을 통해 정답을 찾아내는 '작업'.
   • 인간: 체스나 바둑처럼, AI 가 이미 이길 수 있어도 인간끼리 즐기는 '게임'으로서의 수학. 서로 대화하며 개념을 만들고, 그 과정 자체를 즐기는 것.

결론: 수학적 발견의 본질

이 논문이 전하고 싶은 가장 중요한 메시지는 다음과 같습니다.

"수학의 목적은 단순히 '정답'을 찾는 것이 아니라, 세상을 이해하는 '새로운 언어 (개념)'를 만드는 것이다."

AI 는 정답을 찾는 데는 천재일지 모릅니다. 하지만 우리가 세상을 어떻게 볼지, 어떤 새로운 질문을 던질지 결정하는 **'창의적인 개념의 탄생'**은 여전히 인간의 영역일 수 있습니다.

앞으로 우리는 AI 가 정답을 찾아주는 시대에 살게 되겠지만, **"왜 그 답이 중요한지, 어떤 새로운 세상을 열어주는지"**를 이야기하는 것은 여전히 인간의 몫일 것입니다.

기술 요약

논문 요약: 수학적 개념의 기계적 생성 (On the Mechanical Creation of Mathematical Concepts)

저자: Asvin G. (Institute for Advanced Study)
주제: 인공지능 (AI) 이 수학 발견을 자동화하는 과정에서 '개념 (Concept)'의 생성이 갖는 역할과 한계, 그리고 인간과 기계의 수학 탐구 방식의 차이.

---

1. 문제 제기 (Problem)

21 세기에 들어 수학 증명 검증은 자동화되었으나, 수학적 발견 (Proof Discovery) 의 자동화는 여전히 미해결 과제입니다. 기존 AI(AlphaGo 등) 는 기존 지식 (Priors) 을 바탕으로 국소적 탐색 (Local Search) 을 수행하여 문제를 해결하지만, 수학의 본질적인 난제는 기존 어휘 (Vocabulary) 로는 표현할 수 없는 새로운 개념을 문제 해결 과정에서 직접 창조해야 한다는 점에 있습니다.

• 핵심 질문: 현재의 AI 절차가 수학적 발견을 완전히 자동화할 수 있을까? 이를 위해 인간의 수학 발견 과정이 무엇이며, AI 는 현재 이 과정에서 어디에 위치하는가?
• 도전 과제: 체스나 바둑과 달리, 수학 문제는 종종 해결을 위해 존재하지 않던 새로운 개념 (예: 색칠하기, 그래프 이론) 을 도입해야만 해결 가능한 경우가 많습니다.

2. 방법론 및 이론적 프레임워크 (Methodology & Framework)

저자는 문제 해결 과정을 사전 지식 (Priors), 국소적 탐색 (Local Search), 정보 추출 및 이해 업데이트 (Information Extraction) 의 세 요소로 분석합니다.

• 신념 네트워크 (Belief Network): 수학자는 베이즈적 방식으로 수학적 명제에 대한 확신 (Belief) 을 유지합니다. 특수한 경우를 계산하거나 가설을 검증하는 '실험'을 통해 신념을 업데이트합니다.
• 검색 풍경 (Search Landscape) 과 개념의 정의:
  • 암묵적 개념 (Implicit Concept): 기존 언어 내에서 탐색 경로를 최적화하거나 가지치기 (Pruning) 하는 것 (예: AlphaGo 의 정책 네트워크).
  • 명시적 개념 (Explicit Concept): 문제 해결을 위해 새로운 언어 (어휘) 자체를 창조하는 것 (예: 오일러의 '정점 차수', 데카르트의 '좌표'). 이는 기존에 존재하지 않던 새로운 계산 (Computation) 을 가능하게 합니다.
• 비교 분석:
  • 체스/바둑: 고정된 어휘 내에서 탐색이 가능하므로 암묵적 개념 (강한 휴리스틱) 만으로 충분합니다.
  • 수학: 지수적 폭발 (Exponential Blowup) 로 인해 기존 어휘만으로는 탐색이 불가능한 경우가 많으므로, 문제 해결 과정에서 명시적 개념의 창조 (Explicit Reshaping) 가 필수적입니다.

3. 주요 기여 (Key Contributions)

A. 수학적 문제 해결의 새로운 모델 제시

수학 발견은 단순한 계산이 아니라, 계산 결과를 통해 새로운 개념을 추출하고 이를 어휘로 고정시키는 순환 과정임을 제시했습니다.

• 예시: ' mutilated chessboard problem( mutilated 체스판 문제)'에서 단순한 타일링 시도는 실패하지만, '색칠하기 (Coloring)'라는 새로운 개념을 도입하면 단 한 번의 계산으로 해결됩니다.
• 역사적 사례:
  • 코니히스베르크 다리 문제: 경로 탐색 실패의 패턴을 분석하여 '정점 차수 (Vertex Degree)'라는 개념을 창안함으로써, 그래프 이론이라는 새로운 언어를 통해 문제를 해결했습니다.
  • 소수 분포: 단순한 계수 (Counting) 에서 리만 제타 함수 (Zeta Function) 라는 새로운 언어로 전환함으로써 소수 분포에 대한 깊은 통찰을 얻었습니다.

B. '좋은 개념 (Good Concept)'의 기준 제시

저자는 개념의 가치를 단위 탐색 노력당 획득하는 정보량으로 정의하며, 좋은 개념의 5 가지 특성을 도출했습니다:

1. 정보 밀도 (Information Density): 하나의 단계로 많은 정보를 얻음 (예: 색칠하기).
2. 범위 (Breadth): 단일 문제가 아닌 문제 군을 해결함.
3. 분해 가능성 (Decomposability): 복잡한 문제를 검증 가능한 하위 문제로 나눔.
4. 창의성 (Generativity): 새로운 질문과 구조를 열어줌 (예: 오일러 공식이 위상수학을 열음).
5. 전이성 (Transfer): 겉보기에 다른 분야의 문제를 연결함.

C. AI 와 인간의 수학 접근 방식 비교

• 인간: 제한된 계산 능력 (작업 기억력 등) 으로 인해, 탐색을 인간이 감당할 수 있는 수준으로 줄이기 위해 개념 (Concept) 에 의존합니다.
• AI (현재): 계산 자원은 풍부하지만, 명시적 개념을 창조하는 능력이 부족합니다. 현재 AI 는 암묵적 학습 (Reinforcement Learning) 에 의존하며, 이는 체스/바둑에는 적합하나 수학의 '개념 창조' 단계에는 한계가 있습니다.
• 증명의 의미: AI 가 10,000 페이지의 형식적 증명을 만들어내더라도, 그것이 인간에게 통찰 (Insight) 을 주지 못한다면 '수학'으로서의 가치는 의문시됩니다.

4. 결과 및 시사점 (Results & Implications)

• 현재 AI 의 한계: AlphaGo 나 LLM 은 특정 게임이나 증명의 국소적 탐색에는 탁월하지만, 문제를 해결하는 도중 새로운 어휘 (개념) 를 창조하는 단계 (Euler 의 단계) 에는 도달하지 못했습니다.
• 미래의 AI 연구 방향:
  1. 자동 리팩토링 (Automated Refactoring): 유사한 증명 구조를 추출하여 정의화.
  2. 내성 (Introspection): 신경망의 내부 표현을 명시적 정의 (Mechanistic Interpretability) 로 변환.
  3. 새로운 공리 체계 설계: 그로텐디크 (Grothendieck) 의 'Scheme'과 같이 새로운 프레임워크를 설계하고 평가.
• 수학의 미래 시나리오:
  1. 해석 가능한 AI: AI 가 증명을 생성할 뿐만 아니라, 인간이 이해할 수 있는 패턴과 구조를 추출하여 설명하는 방향.
  2. 이분화 (Bifurcation): AI 는 계산과 증명을 담당하고, 인간은 수학을 '게임'이나 '예술'처럼 인간 간의 소통과 이해의 즐거움을 위해 수행하는 방향.

5. 결론 및 의의 (Significance)

이 논문은 지능의 자동화가 단순히 '계산의 자동화'가 아니라 **'개념의 창조와 언어의 진화'**를 포함해야 함을 강조합니다.

• 수학적 발견의 핵심은 기존 지식의 적용이 아니라, 문제 해결 과정에서 새로운 개념을 발명하여 검색 공간을 재구성 (Reshape) 하는 능력에 있습니다.
• 진정한 수학적 AI 를 만들기 위해서는 강화학습 (암묵적 학습) 을 넘어, 명시적 개념의 추출과 창조를 가능하게 하는 새로운 연구 패러다임이 필요합니다.
• 이는 인공지능이 단순히 정답을 찾는 도구를 넘어, 인간의 이해를 확장하고 새로운 지식을 창출하는 파트너가 되기 위한 필수 조건을 제시합니다.