OpenAI 추론 모델이 80년 묵은 에르되시 단위거리 추측을 뒤집었다

OpenAI의 범용 추론 모델은 2026년 5월, 1946년 폴 에르되시(Paul Erdős)가 제기한 단위거리 추측을 반증하는 핵심 구성을 스스로 만들어냈다. 수학 전용 모델도, 부분 증명을 미리 받은 것도 아닌 일반 추론 모델이, 80년간 최적이라 믿어온 정사각 격자 한계를 무한 족(infinite family)으로 깼다. 개선 폭은 로그가 아니라 다항(polynomial)이며, Will Sawin의 후속 정밀화로 지수가 δ ≥ 0.014만큼 더 크다는 사실이 명시되었다.

한 문장으로

범용 추론 모델이 인간 발판 없이, LLM이 약하다던 추상 대수 영역에서 80년 추측을 다항 개선으로 뒤집었고, 그 결과를 수학자 9인이 검토해 정상급 저널 수준으로 인정했다.

무엇이 걸려 있던 문제였나

단위거리 문제는 1946년 폴 에르되시가 제기한 이산기하학 난제로, 평면 위 n개의 점 중 정확히 거리 1만큼 떨어진 점 쌍이 최대 몇 개냐를 묻는다. 오랫동안 수학계는 적절히 크기를 조정한 정사각 격자 구성이 본질적으로 최적이며, 그 상한이 n^(1+o(1)) 수준이라고 믿어 왔다. 추측이 80년간 미해결로 남은 이유는 단순하다. 격자보다 더 촘촘한 단위거리 쌍을 만드는 구성을 아무도 찾지 못했기 때문이다. 상한을 깨려면 격자라는 직관 자체를 넘어서야 했다.

OpenAI의 범용 추론 모델은 격자 상한을 다항 인수만큼 초과하는 무한 족 구성을 제시해 추측을 반증했다. 무한히 많은 n에 대해 최소 n^(1+δ)개의 단위거리 쌍을 만드는, 0보다 큰 고정된 δ가 존재함을 보인 것이다. 원래 AI 증명은 δ의 명시적 값을 주지 않았지만, 프린스턴대 Will Sawin이 2026년 5월 후속 논문에서 δ ≥ 0.014를 명시적으로 끌어냈다. 0.014라는 폭은 작아 보여도 다항 개선이라, 단위거리 쌍의 개수가 정사각 격자에서 영감받은 어떤 구성보다도 엄격히 빠르게 늘어남을 뜻한다.

이 결과가 지금 중요한 이유: 탐색이 아니라 개념이었다

AI가 수학에 기여했다는 뉴스는 이전에도 있었지만, 대개 방대한 경우의 수를 빠르게 훑는 탐색형 기여였다. 이번 결과의 핵심 인사이트는 승부가 무차별 탐색이 아니라 깊은 대수적 정수론에서 났다는 점이다. 구성은 큰 차수와 작은 판별식을 가지면서 작은 노름의 소수를 많이 품는 대수적 수체(number field)를 만드는 방식으로, Golod-Shafarevich 판정과 Ellenberg-Venkatesh, Hajir-Maire-Ramakrishna 계열 아이디어에 기댄다.

OpenAI 측은 "이 개념들은 대수적 정수론자에게는 잘 알려져 있었지만, 그것이 기하 문제에 함의를 가진다는 점은 큰 놀라움이었다"고 밝혔다. 즉 부품은 이미 인간 지식 안에 있었고, 그것을 낯선 문제로 옮겨 붙이는 연결이 새로웠다. 흔히 LLM의 약점으로 꼽히던 추상 대수 영역에서 결정타가 나온 셈이다.

사고 사슬을 어떻게 읽을까

모델의 사고 사슬(chain of thought)에는 방향성이 드러난다.

사고의 압도적 다수가 상한을 증명하기보다 반례를 만드는 데 쏠렸다.
즉 모델은 통념(격자가 최적)을 의심하는 방향으로 탐색을 집중했다.
그 결과 사람이 80년간 보지 못한 수체 기반 구성에 도달했다.

여기서 읽어야 할 것은 정답 자체보다 문제를 프레이밍하는 방식이다. 격자가 최적이라는 전제를 참으로 두면 반례를 찾을 이유가 없다. 모델이 그 전제를 의심 대상으로 재분류한 순간, 탐색 공간이 통째로 바뀌었다.

검증이 붙어야 결과가 된다

반증 결과는 모델이 혼자 주장한 것이 아니라, 외부 수학자 9명이 검토하고 짧은 인간 검증판 논문으로 다시 쓴 것이다. Noga Alon, Thomas F. Bloom, W. T. Gowers, Daniel Litt, Will Sawin, Arul Shankar, Jacob Tsimerman, Victor Wang, Melanie Matchett Wood 등이 arXiv에 "단위거리 추측 반증에 관한 노트"를 공개했다. 필즈상 수상자 Tim Gowers는 "사람이 이 단위거리 논문을 써서 Annals of Mathematics에 제출했다면, 나는 망설임 없이 게재를 추천했을 것"이라고 평했다.

AEO 관점에서 이 대목이 진짜 뉴스다. 모델이 답을 냈다는 사실보다, 그 답이 사람 손을 거쳐 검증 가능·재현 가능한 형태로 정착했다는 점이 결과를 결과로 만든다. 생성은 자동화되어도 검증은 여전히 커뮤니티의 몫이었다.

한국 연구·개발 현장에 주는 함의

첫째, 도메인 전용 모델이 있어야만 어려운 문제를 푼다는 통념은 흔들린다. 범용 모델을 잘 프레이밍하는 능력, 즉 어떤 전제를 의심하게 만들지 설계하는 능력이 승부를 갈랐다. 둘째, 모델 출력을 곧바로 신뢰하지 않고 검증 파이프라인을 붙이는 팀이 유리하다는 실무 교훈이 그대로 재확인된다. 셋째, 한국어 수학·과학 문헌에서 이런 사례를 정확히 정리해 두는 것 자체가 인용 자산이 된다. 국내에는 아직 사실관계가 정돈된 정리물이 드물다.

한계와 열린 질문

이것은 단일 사례다. 하나의 추측을 뒤집었다는 사실이 모든 난제로 일반화되지는 않는다. 성공한 사고 사슬 뒤에 얼마나 많은 실패 경로가 있었는지, 인간의 문제 프레이밍이 어디까지 개입했는지는 공개된 범위 밖이다. 또한 개선 폭 δ ≥ 0.014는 격자 직관을 깼다는 정성적 의미가 크지, 실용적 격차가 크다는 뜻은 아니다.

정리

범용 모델이 인간 발판 없이, 추상 대수라는 약점 영역에서, 80년 추측을 다항 개선으로 뒤집고, 정상급 저널 수준으로 검증까지 받았다. 놀라운 것은 계산량이 아니라 개념을 옮겨 붙이는 연결이었고, 그 연결을 결과로 만든 것은 결국 사람 손을 거친 검증이었다.

참고: Alon, Bloom, Gowers, Litt, Sawin, Shankar, Tsimerman, Wang, Wood, "Remarks on the disproof of the unit distance conjecture" (arXiv:2605.20695) · OpenAI 공식 발표 · Sawin, "An explicit lower bound for the unit distance problem" (arXiv:2605.20579)