Chapter 1: 케플러는 높은 온도의 LLM이었다 (00:00-11:44)
- [00:00] 케플러가 행성 운동 법칙을 발견한 과정을 AI와의 유비로 풀어가는 대화 시작
- [01:57] 케플러는 플라톤 정다면체로 행성 궤도를 설명하려는 아름다운 이론을 갖고 있었으나, 티코 브라헤의 정밀 데이터와 10% 어긋남을 발견
- [03:16] 수년간 데이터를 분석한 끝에 궤도가 원이 아닌 타원임을 알아내고, 케플러 운동 3법칙을 도출
“[04:09] 제가 던져 보고 싶은 해석은, 케플러가 온도가 높은 LLM이었다는 것입니다.”
- [04:33] 케플러는 경력 내내 무작위한 관계들을 시도했고, 행성 운동 제3법칙이 담긴 책에는 점성술적 내용과 함께 제곱-세제곱 법칙이 섞여 있었다
- [05:12] LLM도 검증 가능한 데이터만 있다면 무작위 가설을 대량으로 시도해 경험적 규칙성을 찾을 수 있다
- [06:38] 케플러의 발견은 가설 생성, 데이터 수집, 검증이 모두 맞물려야 가능했으며, 브라헤의 10배 더 정밀한 관측이 핵심이었다
- [07:38] 현대 과학의 네 번째 패러다임: 빅데이터에서 출발해 가설을 도출하는 방식(데이터 → 이론)이 고전적 방법(이론 → 데이터)을 보완
- [10:37] 보데의 법칙 사례: 6개 데이터 포인트에서 곡선을 맞춰 천왕성·세레스까지 맞았지만, 해왕성에서 실패 — 숫자상의 우연에 불과했다
Chapter 2: AI 슬롭 더미 속에서 통합 개념 찾기 (11:44-26:10)
- [11:44] AI가 쏟아내는 결과물 속에서 진짜 통합적 개념이 있는지 어떻게 알 수 있는가?
- [13:44] 수학자들은 정밀한 참/거짓 검증이 가능하지만, 과학에서는 “더 나은 이론”과 “더 나쁜 이론”의 판별이 훨씬 복잡하다
- [16:04] 트랜스포머가 LLM의 기반이 된 것은 필연이 아니라 우연 — 다른 아키텍처가 먼저 채택됐을 수도 있었다
- [17:26] 과학적 성취를 맥락 없이 객관적 점수로 매길 수 없으므로, 단순한 강화학습으로 해결할 문제가 아니다
- [18:56] 코페르니쿠스의 태양중심설은 프톨레마이오스의 지구중심설보다 덜 정확했다. 궁극적으로 옳은 이론도 처음에는 더 나쁜 경우가 많다
- [19:59] 진전은 이론을 추가해서가 아니라, 기존 가정을 삭제함으로써 이뤄지기도 한다 (아리스토텔레스적 정지 본성 → 뉴턴의 관성 법칙)
Chapter 3: 연역적 오버행 (26:10-30:31)
- [26:10] 3Blue1Brown과 함께 만든 ‘우주 거리 사다리’ 시리즈에서 얻은 교훈: 연역적 오버행은 생각보다 훨씬 크다
- [26:53] 천문학은 데이터가 병목이었기에, 가진 데이터에서 마지막 한 방울까지 정보를 짜내는 데 세계 최고 수준
- [27:26] 천문학 박사가 퀀트 헤지펀드에서 선호되는 채용 대상인 이유도 이와 같다
- [29:01] 과학자들이 인용 논문을 실제로 읽는지 측정하는 방법: 참고문헌 오타의 전파율을 추적. 결론은 상당수가 읽지 않는다
Chapter 4: 보고된 AI 발견의 선택 편향 (30:31-46:43)
- [30:31] AI로 인한 과학적 발견이 보고될 때 선택 편향이 강하게 작용한다
- [32:24] AI 수학 연구의 현재 양상: 벽의 일정 높이까지 도달하면, 그 수위선에서 가능한 모든 문제를 빠짐없이 메울 수 있다 — 인간에게는 불가능한 일
“[35:24] AI는 폭넓음에 강하고, 인간은 깊이에 강합니다. 적어도 인간 전문가들은 그렇습니다.”
- [34:46] AI를 백만 개로 복제해 각각에게 백만 달러 규모의 연산과 100년의 주관적 시간을 줄 수 있다는 점이 핵심 차이
- [35:37] 현재 수학·과학은 깊이 중심이지만, AI의 폭넓은 역량을 활용하도록 과학하는 방식을 재설계해야 한다
- [36:16] 새로운 과학 분야 탐색: AI가 지도를 그리고 쉬운 관찰을 모두 수행 → 인간 전문가가 ‘어려움의 섬’을 식별
- [37:04] 프로그래머는 AI로 생산성이 크게 높아졌다고 느끼지만, 연구에서는 과정 자체가 목표인 경우가 많아 다른 양상
- [38:03] 수학에서 문제는 일종의 대리변수이며, 과정에서의 이해가 더 중요하다
Chapter 5: AI는 논문을 넓게 만들지만 깊게는 아니다 (46:43-53:00)
- [46:43] AI가 더 많은 논문, 더 풍부한 결과를 내도록 도와주지만, 연구의 깊이를 더하지는 못한다
- [49:12] AI를 활용한 논문 작업에서 시간이 많이 절약되지는 않았고, 논문이 더 넓어졌지만 반드시 더 깊어지진 않았다
- [49:29] “인공 영리함”과 “인공 지능”의 구분: 지능은 적응적으로 아이디어를 개선하고 누적적으로 진전을 쌓는 능력
- [50:37] 로봇 비유: AI는 뛰어올라 실패하고 반복할 수 있지만, 중간 손잡이를 잡고 거기서 다시 뛰는 누적적 과정은 못 한다
- [51:37] 새 세션을 시작하면 방금 한 일을 잊어버리고, 관련 문제에 활용할 새 기술이 생기지 않는다
Chapter 6: AI가 문제를 풀면, 인간은 이해를 얻을 수 있는가 (53:00-59:20)
- [53:01] AI가 Lean에서 리만 가설을 증명한다면, 그 증명에서 수학적 이해를 추출할 수 있는가?
- [55:12] 형식 증명의 핵심 아이디어를 인간이 해체하고 해석하는 후처리가 가능하다
- [58:25] 에르되시 문제 웹사이트 사례: AI가 3,000줄의 검증 코드와 함께 증명을 생성 → 사람들이 다른 AI로 요약하고 자기만의 증명을 작성
- [59:01] 증명이라는 산출물이 일단 있으면, 그 위에서 많은 분석과 리팩터링이 가능하므로 크게 걱정하지 않는다
Chapter 7: 과학자 대화를 위한 준형식적 언어 (59:20-01:09:48)
- [59:21] Lean은 증명에 특화되어 있지만, 수학적 전략·추측을 위한 별도의 준형식적 언어가 필요하다
- [59:42] 수학 공리(ZFC, 1차 논리)를 정리한 것은 비교적 최근의 성취이며, 이를 통해 연역적 증명의 자동화가 가능해졌다
- [01:01:10] AI로 전략·추측을 만드는 데의 병목: 그럴듯함의 검증에 인간 전문가와 시간의 검증이 여전히 필요
- [01:01:45] 형식 증명 보조기에서 RL이 백도어를 찾는 데 너무 능하므로, 해킹 불가능한 검증 체계가 중요
- [01:02:09] 과학에는 데이터·논증과 더불어 서사를 구성하는 주관적 측면이 있어 AI를 끼워넣기 어렵다
- [01:08:25] AI가 기초적인 문제를 풀면서 자신만의 전략을 만들어내도록 하는 작은 실험실이 필요할 수도 있다
Chapter 8: 테런스 타오의 시간 사용법 (01:09:48-01:17:05)
- [01:09:49] 새로운 분야를 빠르게 배우면서 최전선에 기여할 수 있을 정도까지 깊이 파고드는 독학 방식
- [01:10:19] 인간도 “고슴도치”(한 분야 깊이)와 “여우”(여러 분야 넓게)로 나뉘며, 타오는 자신을 여우로 분류
- [01:10:43] 이해할 수 있을 것 같은데 이해가 안 되는 것에 대한 집착적 성향이 새 분야 학습의 동력
- [01:11:24] 많은 협업자와 함께 일하며 그들이 가르쳐주는 다른 수학을 흡수하는 방식으로 분야를 확장
- [01:11:55] 배운 것을 블로그에 기록하는 습관 — 기억하겠다고 마음먹어도 6개월 뒤 잊어버리는 경험에서 비롯
Chapter 9: 인간-AI 하이브리드가 수학을 지배할 것이다 (01:17:05-01:23:44)
- [01:17:05] 10년 안에 수학과 학생이 현재 하는 일의 상당수는 AI로 가능해지지만, 그것이 가장 중요한 부분은 아니었음을 깨닫게 될 것
“[01:17:39] 인간-AI 하이브리드가 훨씬 더 오랫동안 수학을 지배할 것입니다.”
- [01:18:20] 100년 전 수학자들은 미분방정식 풀이에 시간을 쏟았지만, Mathematica가 대신한 뒤 더 높은 수준의 문제로 이동
- [01:19:16] 유전학에서 유전체 서열화가 자동화된 뒤 학문이 죽은 게 아니라, 개체 → 전체 생태계로 규모가 변화
- [01:20:34] 현재 AI는 모든 지적 과업을 대체하는 수준이 아니며, 상호보완적이지 대체재가 아니다
- [01:21:16] AI 시대의 수학 경력 조언: 변화를 받아들이고, 이전에는 할 수 없었던 일들을 가능하게 해주는 기회를 주시할 것
- [01:22:46] 고등학교 수준에서도 AI 도구를 활용해 수학 프로젝트에 의미 있는 기여를 할 수 있는 시대가 오고 있다