AI, 수학·생명과학 연구 새 지평 열다

수학적 난제인 Navier–Stokes 방정식의 해법이 실생활의 물리 현상에 직접적인 영향을 주지 않는다는 회의론이 나왔다. 해당 방정식의 특이점(blow-up) 문제 해결이 강물이나 바람 같은 실제 현상을 바꾸지는 않을 것이라는 주장이다.

리만 가설의 영점 확인 사례처럼 수학적 증명 자체가 실용성과는 별개의 가치를 지닌다는 의견도 있다. 따라서 이 문제 해결이 기존 공학 알고리즘에 직접적인 위협을 가하지 않을 것으로 분석한다.

이 연구에는 1만 개의 에이전트를 동시에 운용하며 협업하는 방식이 사용되었다.

특히 ansatz 가설 풀이 기법과 여러 분야의 아이디어를 융합하는 cross-pollination 기법을 적용했다. 약 88시간 동안 1,300억 토큰을 소모하는 막대한 컴퓨팅 자원이 투입되었다고 최승준은 전했다.

최승준은 "그 모델이 8월 28일부터 post-training을 재개했거든요. 그런데 9월 1일부터 어제까지 그 모델의 중간 checkpoint들을 가지고 이 Navier–Stokes와 관련된 성과가 나온 거예요"라고 설명했다.

Anthropic 소속 수학자 Alpöge는 과거 Claude 및 Claude의 내부 모델을 활용해 다른 수학 문제에서 돌파구를 찾아냈다고 X(구 트위터) 타임라인에 여러 차례 밝혔다. 이를 OpenAI가 인지하고 Navier-Stokes 문제에 대규모 컴퓨팅 자원을 투입해 경쟁적으로 나섰다는 분석이 나온다.

최승준은 "Alpöge의 X 타임라인에서 8월에 이 이슈가 아닌 다른 수학의 돌파구를 Claude하고 아마도 Claude의 internal model을 가지고 뭔가 해냈다는 걸 타임라인에 많이 올렸었거든요"라고 말했다.

Navier-Stokes 방정식 해결 시도에 약 1,300억 토큰이 사용된 것으로 알려졌다. 이는 토큰당 50달러 기준으로 약 650만 달러, 실제로는 1,000만 달러 이상(한화 약 130억 원)의 컴퓨팅 비용이 발생했을 것으로 추정된다.

노정석은 "1,300억 토큰을 썼다면 50달러일 때 출력만 650만 달러예요. 그런데 50달러보다 더 컸을 거 아니에요? 그러면 1,000만 달러가 한 130억 원 정도죠"라고 계산했다. 이는 문제 해결 상금인 100만 달러를 크게 상회하는 규모로, 인간 연구자 대비 압도적인 자본 투입 가능성을 보여준다.

이 결과가 기존 수학 커뮤니티에 실질적으로 기여하는 바가 무엇인지에 대한 논쟁이 있다.

또한 Lean formalization 검증에 필요한 시간적 한계와 클레이 수학 연구소의 공식 발표가 아직 없는 점도 논쟁을 가중시킨다.

OpenAI 모델이 연구자의 힌트를 학습 데이터로 사용했을 가능성이 있다는 지적이다.

최승준은 "이게 혹시 우리가 입력했던 것들에서 모델이 뭔가 힌트를 얻어서 그걸 써먹은 거 아니야? 이게 스캔들이 되는 거죠"라고 말했다. 이러한 의혹은 연구 커뮤니티의 신뢰 문제로 부상하며 논란을 키웠다.

OpenAI 연구원 제이콥 콕슨이 AI 개발의 무책임한 질주를 비판하며 퇴사했다. 콕슨은 회사가 초지능을 향해 도박하고 있다며 안전 문제에 대한 우려를 표명했다.

에반 허빈거 역시 콕슨의 주장에 동조하며 AI가 인류에게 위협이 될 확률을 언급했다. 이들은 공동 제안서를 넘어선 구속력 있는 합의가 필요하다고 주장했다.

중국 AI 연구 생태계는 프론티어 AI의 성과를 적극적으로 추격하고 있다. 최승준은 "중국의 반응은 따라갈 수 있다는 거더라고요. 지금 다시 프론티어가 치고 나가는데, 거기서 큰일 났다가 아니라 잘하고 있고 따라갈 수 있다는 쪽의 포스팅이 좀 많이 있고"라고 말했다.

베이징 정부 주도로 AI 정렬(Alignment) 작업이 진행 중이며, DeepSeek V5 출시 소문 등 기술 발전 움직임이 활발하다.

AI 시대의 연구 환경에서 소위 '암흑의 숲' 이론이 대두되고 있다. 소설 삼체(The Three-Body Problem)의 은유처럼, 연구 결과가 조기에 공개되면 더 많은 자본과 컴퓨팅 파워를 가진 주체가 이를 독점할 수 있다는 우려다.

노정석은 "좌표가 딱 찍히는 순간, 더 많은 자본과 더 많은 compute를 갖고 있는 사람이 와서 그걸 가져갈 수 있다"고 말했다. 이에 연구자들은 서비스 이용 약관(ToS)을 재검토하며 연구 보안에 신경 쓰는 움직임을 보인다.

Bubeck 등은 Alpöge의 연구와 OpenAI의 접근 방식이 외력 사용 여부에서 다르다고 지적했다.

노정석은 "OpenAI는 외력이 있는 쪽으로 다뤄서 접근이 다르다고 이야기하긴 하거든요. 그리고 또 모델에게 자율로 많이 맡겼다, 이런 이야기들을 했지만 알고 봤더니 그래도 힌트나 가이드 같은 것은 인간이 좀 준 것 같다, 이렇게 갑론을박이 일어나고 있습니다"라고 말했다. 모델이 자율적으로 문제를 해결했다는 주장과 달리, 인간의 힌트나 가이드가 개입되었다는 갑론을박이 이어지고 있다.

박종현은 "지금 Astra에 대한 평 중에 그런 평이 엄청 많습니다. 아마 지금쯤 많이 써보셨을 텐데, computer use를 엄청 잘한다"고 말했다.

이는 로봇 제어 시 별도의 액션 모델 없이 Vision 기반으로 직접 컨트롤이 가능하다는 의미다. 웹 분석, 로봇 제어 등 실제 업무에서 활용 사례가 급증하고 있다.

박종현은 "Images 2.5 모델이 나왔고요. 보통 이미지 모델이 지금 제일 안 되는 것 중 하나가 이거거든요. consistency 유지가 잘 안 됩니다"라고 말했다.

이어 "이게 확실히 consistency가 훨씬 잘 유지된다. 그래서 편집하는 데, 편집이 잘 된다. 이걸 자랑하고 싶었던 것 같아요"라고 덧붙였다. 이는 트랜스포머와 유사한 자기회귀(Auto-regressive) 방식 도입 가능성을 보여주며, 스톱모션 제작 등 CG 및 VFX 분야에서의 활용 가능성을 열었다.

AI 기술이 빠르게 발전하면서 지속적인 추적(Follow-up)이 필수적인 상황이다. 노정석은 "기술을 계속 follow-up하는 분이 아니면 이걸 띄엄띄엄 하잖아요. 그러다가 한 3~4개월이 지났는데, 세상은 자기가 쓰는 것보다 훨씬 더 진보했고, 이런 과정들을 보시면서 좀 의아해하시더라고요"라고 말했다.

이에 따라 기업들이 에이전트 패키지 서비스를 출시하고 소비자 시장이 확대될 것으로 예측한다.

노정석은 "Astra한테 다 시켰거든요. Fast mode로 돌리고 High mode가 나온 다음에는 그냥 저의 모든 걸 내어준 상태에서 모든 걸 다 예약하라고 했더니 얘가 정말 한 8시간 정도 돌고 다 끝내더라고요"라고 설명했다.

Astra는 브라우저를 직접 조작하는 컴퓨터 유즈(Computer Use) 방식으로 항공권, 숙소 예약은 물론 가이드와의 소통까지 처리했다.

그러나 복잡한 PG사 인증 절차 등 결제 승인 과정에서는 한계를 보였으며, 에이전트 한도 설정의 필요성이 제기되었다.

박종현은 "저희 AI Frontier KR 채널의 로고 같은 것을 만들되, 그냥 하나만 만들지 말고 알아서 N개를 만든 다음에 그중에서 Astra가 직접 보고 고르도록 취향에 따른 선택 같은 것도 요구한 거죠"라고 설명했다.

에이전트는 후보안 4개를 생성하고 직접 하나를 선택하는 방식으로 작업을 수행했다.

생성된 로고의 일관성과 티셔츠, 키캡 등 굿즈 적용 가능성도 테스트했다. 다만 일부 그래픽 변형과 상세 디테일에서 오류가 발견됐다.

이 작업에 소요된 API 비용은 프롬프트 기반 작업 시 약 2달러 수준인 것으로 나타났다.

이는 AlphaFold가 단백질 3D 구조 예측으로 제약 과정을 혁신한 것과 유사하게, 유전자 변이 연구에 큰 전환점을 가져올 것으로 기대된다.

질병 표적 단백질 구조 설계의 효율성을 극대화하고, 유전체 데이터 분석 비용을 급격히 하락시킬 잠재력을 지닌다.

신야 야마나카(Shinya Yamanaka) 교수가 발견한 야마나카 인자(Yamanaka factor), 즉 OSKM 4개 유전자를 활용한 세포 재프로그래밍 연구가 진행 중이다. 노정석은 "이 OSKM이라는 4개의 유전자에서 단백질을 발현시켜서 걔가 발현되면, 얘가 무언가 기작을 해서 세포가 자기의 정체성을 다 잃고, 마치 처음 생겼었던 pluripotent stem cell이라고 하는데, 뭐든 될 수 있는 stem cell로 다시 돌아가요"라고 설명했다.

이 인자들을 통해 세포가 정체성을 잃고 초기 만능 줄기세포로 되돌아가면서 젊음을 되찾는 과정에서 분화 오류, 즉 암 발생 위험이 동반된다. 최근에는 3개 인자만 사용하는 부분 재프로그래밍(partial reprogramming) 실험이 연구되고 있다.

노정석은 "위험이 있으니까 그것들을 굉장히 제어된 환경에서 돌아가게 만드는 각종 스위치를 씁니다"라고 말했다.

OSKM 인자와 약물을 통한 활성화 방식 등 제어된 환경에서 세포의 젊음을 되찾는 리프로그래밍의 안전성을 높이는 방안을 모색한다.

HLA는 6번 염색체에 위치하며 변이가 가장 심한 영역이다.

노정석은 "숏리드 sequence로 읽으면 가서 잘 mapping해 줄 수가 없어요. 워낙 비슷한 가닥들이 많기 때문에 숏리드에서는 6번 염색체의 해상도가 매우 떨어져요"라고 설명했다. 반면 롱리드 시퀀싱은 긴 길이로 유전자를 읽어 6번 염색체에서도 변이를 정밀하게 매핑할 수 있다.

AlphaGenome은 아미노산 구조 예측 중심의 AlphaFold와 차별화된다. 100만 개의 유전자 서열을 입력하면 11종의 세포별 실험 결과를 예측할 수 있는 기능을 제공한다.

노정석은 "AlphaGenome은 완전히 달라요. 100만 개의 유전자 서열을 딱 넣으면 11종의 실험 결과를 예측해 줘요"라고 설명했다.

이는 30억 개 염기쌍 각각에 대해 참조 유전체와 다를 경우 어떤 일이 발생하는지를 미리 연산하여 데이터베이스에 구축한 결과다. 이 데이터 기반 사전 계산은 변이 영향 분석의 효율성을 극대화한다.