1. 핵심 주장 / 결론
Axiom Math의 수학자 Ken Ono는 AI가 자신의 연구 영역(어려운 수학 문제)을 실제로 풀어내는 것을 목격하며 극심한 "정체성 위기"를 겪었다고 고백한다. 그러나 그는 이를 절망이 아니라 재정의의 계기로 받아들인다. 그의 결론은 이렇다.
- 수학자로서의 가치는 "기법을 축적해 문제를 푸는 능력"에 있지 않았다 — 그 부분은 AI가 대체 가능하다는 것을 인정해야 한다.
- 진짜 가치는 "질문을 던지고, 실패를 통해 배우고, 발견의 과정에 참여하는 것"에 있으며 이는 AI가 대신해줄 수 없다.
- 앞으로 수학·과학의 미래는 formalization(형식화) — 자연어 지식을 컴퓨터 코드로 정확하게 번역하고 AI로 검증하는 작업 — 에 있다. "연산력 경쟁이 아니라 진실(truth)의 경쟁"이 되어야 한다.
- 벤치마크, IQ 점수, 대학 랭킹, 채용 알고리즘 체크박스 같은 "숫자로 사람을 평가하는 시스템"은 지능이나 인간의 가치를 제대로 담아내지 못하며, 이런 비교에 매몰되는 것은 "독성(toxic)"이다.
- AI 시대에도 고위험 판단(judgment)에는 여전히 인간이 필요하다 — formal verification은 참/거짓을 가려줄 뿐, 그 정보를 가지고 "어떻게 행동할지"는 인간의 몫이다.
2. 주요 논거 & 근거
(1) 정체성 위기의 근원 — 벤치마크 제작 경험 Ono는 Epoch AI에 고용되어 최신 LLM들을 테스트할 어려운 수학 문제를 출제하는 일을 "쉬운 돈벌이"라 여겼지만, 실제로는 문제를 만들기가 매우 어려웠고, 모델이 틀리더라도 추론 과정(reasoning trace)을 들여다보면 "얼마나 멀리 왔는지" 소름 끼칠 정도였다고 말한다. 자신의 연구 프로그램에 있던 문제들을 AI가 풀어내는 것을 보는 건 "꽤 참담한(devastating)" 경험이었다.
(2) 역사적 유비 — 마차 농부와 트랙터 그는 이 순간을 19세기 후반 처음으로 내연기관 트랙터를 마주한 소작농(sharecropper)에 비유한다. 다만 과거 기술 혁신(바퀴, 엔진, 계산기, 컴퓨터)은 대부분 "육체노동"을 줄여줬지만, 지금의 AI는 "정신노동"을 대체한다는 점이 다르다 — 그리고 정신노동이야말로 사람들의 정체성이 걸려 있는 영역이라는 것.
(3) 연구의 본질은 "질문에 답하기"가 아니라 "실패를 통한 발견" 연구는 답을 모르는 질문에서 시작해, 실패를 통해 조금씩 배우고, 그 과정에서 새로운 질문들이 드러나며, 결국 정리(theorem)를 증명하게 되는 "두 걸음 전진, 한 걸음 후퇴"의 과정이라고 설명한다. AI 도구는 이 발견 과정의 "부담을 낮춰주는" 것이지, 발견 자체를 대체하는 게 아니다. 대학원생 시절 숙제를 푸는 건 기법을 배우는 것이었지 "발견"은 아니었다는 것.
(4) 자동차 유비 — 지식의 민주화 헨리 포드가 최초의 자동차를 만들 때는 바퀴, 타이어, 화학·엔지니어링 문제를 전부 스스로 풀어야 했지만, 오늘날 운전자는 "주유하는 법"만 알면 된다. 이는 나쁜 게 아니라, 인류가 먼 거리를 빠르게 이동함으로써 얻은 새로운 가능성을 열어준 것이다. 그는 같은 논리를 과학/수학의 미래에 적용한다.
(5) IQ·벤치마크·랭킹 비판 스포츠에서는 "더 빠른 러너가 더 나은 러너"라는 비교가 성립하지만, 지능을 평가할 때 IQ 점수가 높은 사람이 정말 "더 똑똑한" 것인지는 진지하게 의심해야 한다고 말한다. 대학 랭킹이 5위에서 7위로, 다시 순위가 바뀌는 걸 보면서 그 서열이 실제로 의미 있는지 되묻는다. AI 기업들이 벤치마크 점수 경쟁에 매몰된 것도 같은 함정이라고 지적한다. 반면 누군가를 "무너뜨리는" 시(poem)나, 인류가 본 적 없는 지식을 담은 정리 증명(AI 도움을 받았더라도)이야말로 진짜 지능이라 본다.
(6) AI의 세 가지 형태 — formalization의 정의 Ono는 AI를 세 가지로 구분한다.
- ① ChatGPT류의 대화형 AI (가장 널리 접하는 형태)
- ② 초인적 탐색(superhuman search) — 예: John Jumper와 Demis Hassabis가 단백질 구조 예측(AlphaFold)으로 노벨화학상을 받은 것
- ③ Formalization(형식화) — 인간의 자연어를 컴퓨터 코드(정확하고 검증 가능한 형태)로 변환하고, AI가 그 코드를 연구해 취약점(오류)을 찾는 것. 그는 이 세 번째 영역에 가장 큰 희망을 건다.
(7) Formalization 실제 사례 — Aumann의 정리 Axiom Math은 하버드의 수리경제학자 Scott Kominers와 협업해 경제학 이론들을 formalize하고 있다. 그 과정에서 노벨경제학상 수상자 Robert Aumann의 유명한 정리("우리는 동의하지 않기로 합의할 수 있는가")를 다시 검증했더니, 원래 이론의 일부 기초 정리들이 정확히 서술·적용되지 않았음이 드러났다고 밝힌다(2026년은 이 정리 발표 50주년). 이는 formalization이 단순히 검증 도구가 아니라 기존 지식의 오류를 발견하는 도구임을 보여준다.
(8) Judgment(판단)과 verification(검증)의 구분 "formal verification됐다"는 말은 참/거짓을 가리는 이진(binary) 문제일 뿐, judgment(인간이 그 정보를 가지고 어떻게 행동할지 결정하는 것)와는 다르다고 강조한다. 예를 들어 로스앤젤레스 대기질을 측정하는 드론은 인간 판단이 크게 중요하지 않지만, "이 건물을 타격할지 말지"(민간인 vs 위험인물 식별) 같은 고위험 상황에는 반드시 인간이 관여해야 한다고 말한다.
(9) 채용·입시 알고리즘에 대한 비판 이력서가 자동화된 체크박스 시스템으로 걸러지는 현실, 대학 입학사정관이 정해진 10가지 항목을 확인하는 방식은 "인간의 인격·판단·성취의 질"을 놓친다고 지적한다. "암 치료법을 체크박스로 찾을 수 있었다면 이미 찾았을 것"이라는 비유로 이를 비판한다.
3. 세부 내용 & 사례 & 데이터
- 개인 일화 (5학년 수학경시대회): Ono는 유명 수학자 아버지를 둔 채 5학년 때 수학경시대회에서 3등을 했다. 당시 자신은 "50년 동안 완전히 실패했다"고 믿어왔지만, 올해 1월 아버지가 돌아가신 후 유품을 정리하다가 그 3등 상패가 옷장 깊숙이 소중하게 보관되어 있던 것을 발견했다. 아버지가 본 것은 등수가 아니라 "잘하고 싶어했던 마음"이었다는 걸 뒤늦게 깨달았다는 이야기다.
- 35명의 박사 지도학생, 그중 한 명 — Robert Schneider: 인디록 밴드 Neutral Milk Hotel의 프로듀서이자 Apples in Stereo의 리드싱어였던 그는 낡은 장비를 고치려 전자공학을 독학하다 옴의 법칙(Ohm's law)을 접했고, 이것이 음악·뇌·회로의 작동 원리에 대한 근본적 질문으로 이어져 대학을 자퇴했다가 복학해 수학 학위를 받고 Ono의 제자가 되었다. Ono는 "3시간 대화 후 그가 나에게 방정식을 다시 생각하게 만들었다"며 이 학생을 자신이 가장 자랑스러워하는 사례로 꼽는다.
- 강남 택시 관찰: 인천공항에서 강남 호텔로 가는 택시 안, 월요일 오후 4시 정체 상황에서 거리를 걷는 사람들 중 스마트폰을 보며 걷는 비율을 직접 세어봤더니 약 70%였다는 관찰담을 소개하며, 스크린에 매몰돼 놓치는 것들(새로운 우정 등)을 경계해야 한다고 말한다.
- OpenAI의 Erdős 단위거리 추측(unit distance conjecture) 증명 사례: 자신이 "평생 안에 풀리지 않을 것"이라 믿었던 문제가 몇 주 전 풀렸다는 소식을 언급하며, 이는 AI 단독이 아니라 다양한 분야 전문가들의 협업 + AI 시스템의 조합으로 가능했던 것이라고 설명한다. 다만 AI가 "인간이 한 번도 생각해보지 못한 진짜 새로운 아이디어"를 만들어내는지에 대해서는 회의적이다("피카소 이전에 피카소의 작품을 찾을 수 없듯이").
- 자녀 이야기: 27세, 30세 자녀가 대학 입시를 준비할 때 대학 입학사정관이 확인할 10가지 항목을 알면서도 그것만 채우게 하지 않고 "진짜 열정이 무엇인지"에 집중하게 했다고 밝힌다.
- 58세 수학자로서의 소회: "2026, 2027년은 연산력(compute) 경쟁이 아니라 진실(truth) 경쟁의 시대가 되어야 한다"고 말하며, formalization을 공부하는 학생들에게 여전히 미해결 정리를 증명할 기회가 있을 것이라 전망한다.
4. 실행 포인트 & 시사점
- AI 시대의 학습자/연구자에게: "기법을 얼마나 축적했는가"가 아니라 "어떤 질문을 던지고 실패에서 무엇을 배우는가"에 집중할 것. 대학원생·학부생이라면 formalization(자연어 지식을 검증 가능한 코드로 옮기는 작업) 역량을 지금부터 키워둘 가치가 있다.
- 벤치마크·랭킹·점수에 대한 태도: IQ, 대학 랭킹, 벤치마크 점수 등 외부가 정한 기준으로 자신을 채점하는 습관에서 벗어날 것. "타인의 기준에 맞춰 살아야 한다면 그건 자신을 위한 삶이 아니다."
- 판단이 필요한 영역과 검증만으로 충분한 영역을 구분할 것: formal verification(참/거짓 검증)으로 충분한 저위험 업무와, 인간의 judgment가 반드시 필요한 고위험 업무(의료, 군사적 표적 결정 등)를 명확히 나눠 설계할 것.
- 채용·입시 담당자에게: 체크박스·알고리즘 필터에만 의존하지 말고, 지원자의 인성·경험·판단력 같은 "숫자화되지 않는" 요소를 되찾을 방법을 고민할 것.
- AI와의 관계 설정: 챗봇을 실제 인간관계처럼 대하고 있다면 멈추고, 산책하듯 AI 이전 세계와의 접점을 의식적으로 늘릴 것. "로마에서 저녁에 어떤 와인을 마실지 챗봇에게 묻는 것은 진짜 사는 것이 아니다."
- 인생 후반부 관점 훈련: "죽음을 앞두고 가장 후회할 다섯 가지는 무엇일까"를 미리 자문해보고, 타인과의 비교가 아니라 "자신에게 주어진 삶을 살아도 좋다는 허락"을 스스로에게 내릴 것.
메타데이터
- 채널: eo global
- 영상 제목: AI Mathematician Answers AI Questions | Ken Ono, Axiom Math
- 영상 ID: MG0CPqjjOvk
- URL: https://www.youtube.com/watch?v=MG0CPqjjOvk
- 처리일: 2026-07-21