오픈AI GPT-next, 80년 전 에르도시 평면 단위 거리 문제 해결해 1000달러 미만으로 성공

OpenAI의 차세대 모델(GPT-next)이 1946년 에르되시(Erdős)가 제기한 평면 단위 거리 문제(planar unit distance problem)의 80년 묵은 추측을 1,000달러 미만의 컴퓨팅 비용으로 반증했다는 소식은 AI 추론 능력의 변곡점을 보여주는 사례다. 단위 거리 문제는 평면상에 n개의 점이 있을 때, 정확히 거리 1인 점쌍의 최대 개수를 구하는 조합기하학 난제로, 기존 상한은 O(n^4/3) 수준에 머물러 있었다. AI가 이런 문제를 푸는 방식은 단순한 패턴 매칭이 아니라, 후보 구성(configuration)을 대규모로 탐색하고, 각 구성에 대해 형식적 증명 단계를 trial-and-error 방식으로 생성·검증하는 자동화된 수학 탐색 파이프라인에 가깝다. 최근 모델들은 Lean이나 Coq 같은 증명 보조기와 결합해 산출물의 정합성을 기계적으로 확인하기 때문에, "환각(hallucination)"이 거의 제거된 검증 가능한 결과를 만들 수 있다.

기술적으로 주목할 점은 이 작업의 단가가 1,000달러를 밑돈다는 사실이다. 수년 전만 해도 동일한 규모의 자동 정리 증명에는 수만 달러 단위의 GPU 클러스터 시간이 필요했지만, 추론 비용 효율화(추론 캐싱, 사고 사슬 압축, 강화학습 기반 탐색 가지치기)와 모델 자체의 추론 깊이 향상이 결합하면서 임계점을 넘어선 것으로 보인다. 개발자 관점에서 이는 단순히 "AI가 수학을 잘한다"는 차원을 넘어, 이전까지 박사급 인력의 수개월 작업이었던 비정형 탐색·검증 문제가 코드 한 줄과 API 호출로 외주 가능해졌다는 의미다. 알고리즘 최적화의 정확성 증명, 분산 시스템의 합의 알고리즘 검증, 암호 프리미티브의 안전성 분석 같은 영역이 가장 먼저 영향을 받을 것이다.

실무 엔지니어 입장에서 당장 챙겨야 할 액션 아이템은 세 가지다. 첫째, 코드 정확성이 비즈니스에 직결되는 도메인(금융 정산, 보안, 자율주행 등)에서는 단위 테스트 + 통합 테스트 패러다임을 넘어 "AI 보조 형식 검증(formal verification)" 파이프라인을 PoC 차원에서라도 검토할 시점이다. 둘째, GPT-next 급 모델은 추론 단가가 급격히 떨어지고 있으므로, 기존에 "비용 때문에 못 했던" 백그라운드 분석(레거시 코드의 invariant 추출, SQL 쿼리 플랜 최적화 증명 등)을 일괄 처리 배치로 돌려볼 가치가 있다. 셋째, 수학·알고리즘 연구 결과가 모델의 출력으로 쏟아질 가능성이 크므로, 팀 내부적으로 AI 생성 증명·코드의 출처 표기와 검증 절차를 미리 합의해두는 것이 좋다. 검증되지 않은 AI 증명을 그대로 프로덕션에 반영했다가 반례가 나오는 사고를 피하려면, 어떤 증명 보조기로 재검증했는지를 PR 단계에서 기록하는 워크플로가 곧 표준이 될 것이다.