OpenAI의 나비에-스토크스 백년 문제 주장과 LLM 기반 수학의 윤리

OpenAI, 내부 LLM을 사용해 나비에-스토크스 해를 찾았다고 주장

OpenAI는 2026년 9월 1일 블로그 포스트를 통해, 7개의 백년 문제 중 하나인 나비에-스토크스 존재성 및 매끄러움 문제를 내부 모델이 해결했다고 발표했다. 이 문제에 대해 단독으로 270만 개의 메시지와 약 1300억 개의 출력 토큰을 생성했으며, 모든 시도된 문제에 걸쳐 총 490만 개의 메시지와 약 3000억 개의 토큰을 사용했다. 최종 Lean-형식화된 증명은 두 번째 세대 모델(GPT-6 Astra)을 사용해 2026년 9월 6일 완성되었다. 공개 API 가격 기준으로 토큰 사용 비용은 약 1500만 달러에 달한다.

뉴욕대와 앤트로픽 연구진의 대응 주장

트리스탄 버크마스터(NYU)와 레벤트 알포제(Anthropic)는 2026년 9월 8일 PDF를 게시해, 자신들의 일 년에 걸친 노력에 대해 설명했다. 이 작업은 앤트로픽의 Codex(GPT-5.6 Sol)에 크게 의존했다. 그들은 2026년 8월 15일 돌파구를 찾았으며, OpenAI가 동의 없이 그들의 세션 데이터에 접근했을 가능성을 지적했다. 버크마스터의 성명에서 주요 발언은 다음과 같다:

*"모델이 Codex에서 사용한 세션 데이터를 훈련에 사용했거나 접근했는지 묻자, 모델은 사용자 데이터를 조회하지 않았다고 답했다." *"나는 누구도 비난하지는 않는다." 버크마스터 팀은 자신의 결과를 공개할 의향이 있었지만, OpenAI는 앤트로픽과의 경쟁 관계를 이유로 알포제를 공동 저자로 포함하지 않기로 거부했다.

OpenAI의 반응과 일정

OpenAI의 블로그는 9월 1일, 두 개의 백년 문제 해결에 대한 소문이 전해졌다고 설명한다. 이 소문에 동기를 얻어, 자동화된 "에이전트" 작업을 시작해 88시간 만에 해결책을 도출하고, 추가로 17시간의 Lean 검증을 수행했다. 그들의 성명은 다음과 같이 강조한다:

*"그들의 작업을 공개되기 전까지는 전혀 보지 못했다. 비록 불가능할 수 있지만, 그들의 제품 사용에서 유래한 익명화된 데이터가 우리의 모델 개선에 기여했을 가능성은 배제할 수 없다." OpenAI는 또한 자신의 증명이 뉴욕대/앤트로픽 결과와 다르며, 특히 오일러 사례(강제 vs. 비강제)에서 차이가 있음을 언급했다.

허커 뉴스 커뮤니티 반응

데이터 프라이버시 우려가 논의의 중심

@_bobm과 @bob1029는 OpenAI가 수십억 개의 사용자 세션을 어떻게 분석했는지, 그리고 이러한 데이터가 훈련 파이프라인에 포함될 수 있는지 묻는다.
@jwr는 "모든 사람을 위한 모델 개선" 토글의 효과성과, 선택적으로 사용을 거부했을 때 데이터 사용이 완전히 막힐 수 있는지 의문을 제기한다.
@vb-8448는 명확히 말한다. "LLM에 전송된 어떤 데이터든, 서비스 약관이 어떻게 되든 결국 모델 개선에 사용될 것이다."

AI 기반 수학의 비용과 접근성

@TrackerFF는 1500만 달러의 컴퓨팅 예산으로 백년 문제를 해결하는 것은 현재 대부분의 연구자들에게는 접근 불가능하며, 이는 이중 구조의 연구 생태계를 만들 수 있다고 지적한다.
@keremk는 경쟁자가 먼저 상을 타는 것을 막기 위해 이 정도의 비용을 지출하는 것이 합리적이라고 주장하며, 이 사건을 경쟁적인 "소문 주도 스프린트"로 묘사한다.

기술적 타당성과 모델 능력

@civvv는 LLM이 훈련 데이터에 방대한 사전 작업이 존재할 때 뛰어나지만, 인간의 안내 없이 진정한 새로운 수학을 생성할 수 있는지 의심스럽다고 지적한다.
@pietz는 OpenAI 모델이 뉴욕대 팀의 최신 초안을 포함하지 않았을 가능성이 높다고 제안한다. 이 작업은 GPT-5.6에서 수행되었으며, 9월 초까지 내부 모델에 통합되지 않았을 것이다.

윤리적 및 전략적 함의

@sdcfgy는 기밀 연구에 LLM 서비스를 사용하지 않는 것을 권장하며, 이 상황을 신뢰할 수 없는 당사자에게 실험 노트를 넘기는 것과 비교한다.
@Simran-B는 비즈니스 모델에 대한 의문을 제기한다. 100만 달러의 상을 얻기 위해 1500만 달러를 쓰는 것은 이윤보다는 능력을 과시하는 데 더 초점이 맞춰져 있다.
@stn_za는 전통적인 수학과 유사하게 연구자들이 서로의 공개된 작업을 기반으로 발전하지만, AI가 소문에 즉각 반응할 수 있는 속도와 규모의 차이를 강조한다.

이 사건이 AI 기반 과학 발견에 대해 드러내는 점

소문 기반 컴퓨팅 자원 배분 – OpenAI 팀은 소문에 따라 단일 문제에 대해 며칠 안에 막대한 자원을 할당했다. 이는 공개된 취약점이 빠르고 대규모로 악용되는 보안 연구의 추세와 유사하다.
투명하지 않은 데이터 사용 정책 – 회사들이 사용자 데이터를 "조회하지 않는다"고 주장하더라도, 익명화된 세션 데이터가 모델 업데이트에 영향을 미칠 가능성은 여전히 회색 지대이며, 법적·윤리적 질문을 제기한다.
진입 장벽의 경제성 – 백년 문제에 도전하기 위해 1000만~1500만 달러의 컴퓨팅 비용이 필요하다는 점은 대부분의 학계 그룹에게는 부담스럽고, 돌파구는 잘 자금이 지원된 연구소에 집중될 가능성이 있다.
인간-AI 협업 vs. 경쟁 – 뉴욕대/앤트로픽 팀은 OpenAI의 Codex를 수개월간 사용했지만, OpenAI가 병렬 작업을 시작하자 소외된 느낌을 받았다. 이 사건은 여러 당사자가 동일한 AI 서비스를 사용할 때, 공로 인정, 데이터 공유, 공동 저자 권한에 대한 명확한 규범이 필요함을 강조한다.
검증 파이프라인 – OpenAI가 Lean을 사용한 형식적 검증은 점점 더 일반화되는 워크플로우를 보여준다: LLM이 가설을 생성하고, 에이전트가 증명 공간을 탐색하며, 정리 증명기로 결과를 인증한다. 이 파이프라인이 사전 문헌이 풍부한 문제 외에는 일반화될 수 있을지 여전히 미지수다.

커뮤니티가 해결해야 할 열린 질문들

AI 제공자가 미공개 돌파구를 포함할 수 있는 사용자 데이터를 어떻게 다뤄야 하는가?
여러 팀이 동일한 상용 LLM을 사용할 때 공정한 공로 인정을 보장하기 위한 거버넌스 구조는 무엇인가?
AI 기반 증명 검색의 비용이 충분히 낮아져 접근성을 민주화할 수 있을까, 아니면 고영향 수학의 독점 구조를 강화할까?
형식적 검증 도구는 AI가 생성한 증명 초안의 양에 따라 빠르게 따라올 수 있을까, 인간의 노력이 과도하지 않게 정확성을 보장할 수 있을까?

이 포스트는 원본 발표, 뉴욕대/앤트로픽 성명, 그리고 가장 높은 추천을 받은 허커 뉴스 댓글을 종합하여 OpenAI의 나비에-스토크스 주장에 대한 기술적, 윤리적, 경제적 차원의 종합적 개요를 제공한다.