무슨 일이 있었나
최근 AI가 나비에-스토크스 방정식을 둘러싼 난제에 의미 있는 진전을 냈다는 소식이 있었죠. 수학계와 AI 업계 모두 술렁였고, '이제 LLM이 인간 수학자를 넘어서는 건 시간문제'라는 반응도 많았어요. 그런데 한 개발자가 '나는 나비에-스토크스 이후에도 여전히 LLM에 비관적이다'라는 글을 올렸어요. 제목이 말해주듯 글쓴이의 입장은 '그래도 아니다'인데요, 이런 입장에 서는 사람들이 공통적으로 드는 근거들이 있어요. 오늘은 이 글을 출발점으로 LLM 비관론의 논리를 하나씩 풀어볼게요. 어느 쪽이 맞든, 이 논쟁의 구조를 알면 AI 뉴스를 훨씬 차분하게 읽을 수 있거든요.
이게 뭐냐면: 나비에-스토크스 방정식
나비에-스토크스 방정식은 물이나 공기처럼 흐르는 것, 즉 유체의 움직임을 설명하는 방정식이에요. 날씨 예보, 비행기 날개 설계, 게임 속 물 효과까지 다 이 방정식 위에 있죠. 그런데 이 방정식이 3차원에서 항상 '얌전한' 해를 갖는지, 아니면 유한한 시간 안에 속도가 무한대로 튀는 특이점(blow-up)이 생길 수 있는지를 아무도 증명하지 못했어요. 클레이 수학연구소가 100만 달러를 걸어놓은 7대 밀레니엄 난제 중 하나가 바로 이거예요.
이 흐름의 앞단에는 2025년 구글 딥마인드와 수학자들이 물리 정보 신경망(PINN)으로 유체 방정식의 불안정한 특이점 해를 기계 정밀도 수준으로 찾아낸 연구가 있었어요. 신경망이 후보 해를 찾고, 그걸 컴퓨터 보조 증명으로 엄밀하게 검증하는 방식이죠. 그러니 AI가 이 문제에 손을 댔다는 것 자체가 상징적인 사건인 거예요.
비관론의 첫 번째 근거: '검증 가능한 문제'는 특별하다
수학은 답이 맞는지 기계적으로 확인할 수 있는 영역이에요. Lean 같은 증명 검증기에 증명을 넣으면 한 줄이라도 틀리면 바로 걸리거든요. 이게 왜 중요하냐면, 최근 LLM의 추론 능력 향상은 상당 부분 '검증 가능한 보상을 이용한 강화학습(RLVR)'에서 왔기 때문이에요. 수학 문제나 코딩 테스트처럼 정답을 자동으로 채점할 수 있는 문제를 수백만 개 풀게 하고, 맞으면 보상을 주는 식으로 학습시킨 거죠.
문제는 세상의 대부분 일이 그렇지 않다는 거예요. '이 설계가 좋은 설계인가', '이 문서가 고객을 설득하는가', '이 코드가 6개월 뒤에도 유지보수 가능한가' 같은 질문에는 자동 채점기가 없어요. 그래서 비관론자들은 수학에서 초인적 성과를 냈다는 게 곧 일반 업무에서 신뢰할 수 있다는 뜻은 아니라고 봐요. 계산기가 인간보다 곱셈을 잘한다고 해서 회계사를 대체하진 않았던 것처럼요.
두 번째 근거: 들쭉날쭉한 능력의 경계
LLM은 어떤 문제는 박사급으로 풀면서, 어떤 문제는 초등학생도 안 할 실수를 해요. 이걸 '울퉁불퉁한 경계(jagged frontier)'라고 부르기도 하죠. 밀레니엄 난제에 기여하는 모델이 동시에 간단한 날짜 계산을 틀리거나, 존재하지 않는 라이브러리 함수를 자신 있게 지어내는 걸 우리 모두 경험했잖아요. 인간은 어려운 걸 잘하면 쉬운 것도 당연히 잘하는데, LLM은 그 직관이 안 통해요. 그래서 어디까지 믿어야 할지 사용자가 매번 판단해야 하고, 그 판단 비용이 생산성 이득을 상당히 깎아먹는다는 게 비관론의 논지예요.
세 번째 근거: 경제성
프론티어 모델 하나를 학습시키는 데 수십억 달러, 데이터센터 투자는 수천억 달러 단위로 이야기되고 있어요. 그런데 어려운 문제를 풀 때 쓰는 '추론 시간 확장(test-time compute)'은 문제 하나에 수만 토큰, 때로는 수백만 토큰을 태워요. 나비에-스토크스 같은 문제는 몇 달치 컴퓨팅을 쏟아도 아깝지 않지만, 일상 업무 요청 하나에 그 비용을 쓸 수는 없죠. 비관론자들은 '가능하다'와 '경제적으로 말이 된다' 사이의 간격이 생각보다 넓다고 지적해요. 이 간격이 얼마나 빨리 좁혀질지가 사실 낙관론과 비관론이 갈리는 지점이에요.
반대편 이야기도 들어봐야 공정하죠
낙관론자들은 이렇게 반박해요. 첫째, 검증 가능한 영역에서 배운 추론 능력이 다른 영역으로 전이된다는 증거가 계속 쌓이고 있다. 둘째, 코딩은 테스트와 컴파일러라는 훌륭한 자동 채점기가 있으니 소프트웨어 개발만큼은 수학처럼 빠르게 발전할 것이다. 셋째, 비용은 역사적으로 매년 몇 배씩 떨어져 왔다. 실제로 2년 전 프론티어급 성능이 지금은 노트북에서 돌아가는 모델로 가능하잖아요. 그러니 이 논쟁은 '될까 안 될까'보다 '얼마나 빨리, 어느 영역까지'의 문제라고 보는 게 정확할 거예요.
한국 개발자에게 주는 시사점
첫째, 내 업무에서 '자동으로 채점 가능한 부분'이 어디인지 찾아보세요. 테스트가 잘 갖춰진 코드베이스, 타입이 강한 언어, 명확한 스펙이 있는 작업은 LLM이 가장 잘하는 영역이에요. 반대로 요구사항이 모호하고 정답이 없는 일은 아직 사람이 판단을 쥐고 있어야 하고요.
둘째, 검증 인프라 자체가 경쟁력이 돼요. 테스트 커버리지와 CI를 잘 갖춘 팀이 AI 도구의 이득을 가장 크게 가져가거든요. AI가 짠 코드를 사람이 눈으로 검토하는 데 시간을 쓰는 팀과, 테스트가 자동으로 걸러주는 팀의 격차는 앞으로 더 벌어질 거예요.
셋째, 수학과 AI의 결합은 이제 시작이라, Lean 같은 형식 증명 도구를 살짝 맛봐두는 것도 재미있는 투자예요. 프로그래머에게는 타입 시스템의 확장판처럼 느껴져서 생각보다 진입이 어렵지 않아요.
마무리
한 줄로 정리하면, AI가 수학 난제에서 성과를 내는 것과 우리 일상 업무를 믿고 맡길 수 있는 것은 다른 문제이고, 그 차이의 핵심은 '답을 자동으로 검증할 수 있느냐'에 있어요.
여러분은 어떻게 보세요? 수학에서의 성과가 일반 소프트웨어 업무로 전이될 거라고 보시나요, 아니면 검증 가능한 영역에 갇힐 거라고 보시나요? 여러분 업무에서 AI가 가장 못 미더웠던 순간은 언제였나요?
🔗 출처: Hacker News