2026년 AI 과학 성과 주장, 실제 연구 성과로 볼 때 확인할 기준
2026년 AI가 과학과 수학에서 미해결 문제를 풀었다는 주장이 잇따르고 있습니다. 소셜미디어에는 야코비안 추측 반례, 에르되시 문제 해결, 단백질 설계, 희귀질환 진단, 자동화 실험실, 알고리즘 대회 성과까지 14개에 가까운 사례가 한꺼번에 정리돼 돌아다닙니다.
다만 이런 목록은 확인된 연구 성과를 체계적으로 인용한 보고서가 아니라, 여러 주장을 압축한 요약에 가깝습니다. 나열된 모델명과 기관명, 수치만으로는 실제 발표 여부나 학계의 검증 수준을 확인할 수 없습니다. 정리된 시점도 2026년 8월 초여서, 그 이후에 나온 공개 자료를 확인하지 않는 이상 사실로 단정하기 어렵습니다.
이 주장들은 어떤 분야에 걸쳐 있나
가장 큰 비중을 차지하는 것은 수학입니다. Claude Fable 5가 1939년 제기된 야코비안 추측의 반례를 찾았다는 주장, OpenAI Astra가 비소픽 군의 존재 증명 등을 포함한 난제 10건을 풀었다는 주장, GPT-5.2 Pro가 에르되시 문제 281번을 해결했다는 사례가 여기에 해당합니다.
또 GPT-5.6 Sol Ultra가 사이클 이중 덮개 추측을 증명했고, Grok 4.5가 초수축성 경계 문제의 4차원 반례를 만들었다는 내용도 포함돼 있습니다. 오픈AI 내부 모델이 에르되시 단위 거리 추측을 반증하면서 대수적 수론의 class field towers와 Golod-Shafarevich theory를 활용했다는 설명도 있습니다.
생명과학 분야의 주장은 크게 세 종류로 나뉩니다. 첫째는 유전체 분석을 이용한 희귀질환 진단입니다. 20년 동안 원인을 찾지 못한 환자에게서 HSPB8 유전자 이상을 발견했고, 검토된 376건 중 18건에서 새 진단이 나왔다는 내용입니다.
둘째는 실험 설계입니다. GPT-5가 RecA와 gp32를 함께 사용하는 효소 반응을 제안해 효율을 79배 높였고, 형질전환 효율을 36배 개선했다는 내용입니다. 로봇 실험실이 사람 대비 89% 성능으로 이를 재현했다는 주장도 붙어 있습니다.
셋째는 단백질과 신약 설계입니다. IsoDDE가 AlphaFold 3보다 새로운 분자 구조 예측과 항체 설계에서 높은 성능을 냈고, ESMFold2가 단백질뿐 아니라 DNA·RNA·소분자까지 다루며 치료 후보를 설계했다는 내용입니다.
수학 문제를 풀었다는 말은 무엇을 의미하나
수학에서 ‘해결’은 단순히 그럴듯한 식을 생성했다는 뜻이 아닙니다. 추측을 반증했다면 조건을 모두 만족하는 구체적인 반례가 있어야 하고, 증명이라면 논리적 공백 없이 각 단계가 검증돼야 합니다.
예를 들어 야코비안 추측에 대한 반례는 3차원 다항식 좌표 변환에서 야코비안 행렬식이 상수 -2이지만 전단사나 역변환 조건을 만족하지 않는다는 식으로 설명돼 있습니다. 이 주장이 맞다면 식을 직접 대입해 야코비안이 정말 상수인지, 서로 다른 두 점이 같은 값으로 가는지 확인할 수 있어야 합니다. 반례의 길이가 216자라는 사실은 흥미롭지만, 짧다는 이유만으로 유효성이 보장되지는 않습니다.
증명 사례도 마찬가지입니다. 모델이 내놓은 증명은 사람이 읽고 검토하거나 Lean, Isabelle 같은 형식 검증 시스템으로 확인해야 합니다. ‘서브에이전트 64개를 병렬로 실행했다’는 처리 방식은 탐색 규모를 보여줄 수는 있지만, 최종 증명의 정확성을 대신하지 않습니다.
에르되시 문제처럼 공개 목록에 번호가 붙은 문제는 특히 원문 문제의 정의와 기존 해결 현황을 먼저 확인해야 합니다. 문제 번호가 잘못 전달됐거나, 이미 부분 결과가 있는 문제를 완전 해결로 표현했을 가능성도 있기 때문입니다.
과학 분야 성과는 수치만으로 판단하기 어렵다
효소 반응 효율이 79배, 형질전환 효율이 36배 높아졌다는 수치는 강한 인상을 줍니다. 하지만 이런 배수는 대조군의 조건, 반복 횟수, 측정 방법, 기질 농도, 실험실 환경에 따라 크게 달라질 수 있습니다. 한 조건에서의 최대값인지, 여러 실험의 평균인지도 중요합니다.
AI가 새 메커니즘을 제안했다는 표현도 구분해서 봐야 합니다. 모델이 기존 논문과 데이터에서 조합 가능한 가설을 만들었다는 것과, 그 가설이 실제 생화학적 메커니즘으로 확립됐다는 것은 다른 단계입니다. 로봇 실험실에서 재현됐다는 설명이 붙어 있다면, 원시 데이터와 실험 프로토콜, 사람 연구자의 개입 범위를 함께 확인해야 합니다.
희귀질환 진단은 더 신중해야 합니다. 유전자 변이를 찾아내는 것과 그 변이가 환자의 증상을 일으킨다는 인과관계를 입증하는 것은 별개의 일입니다. 가족 유전 양상, 세포 또는 동물 실험, 임상적 표현형과의 일치, 기존 데이터베이스의 병원성 분류가 함께 검토돼야 합니다. 공개 데이터베이스에 이미 답이 있었지만 연결하지 못했다는 사례라면, AI의 강점은 새로운 생물학적 발견보다 방대한 자료 사이의 연결과 재분석에 있었을 수 있습니다.
신약 설계 모델의 ‘정확도’ 역시 무엇을 측정했는지에 따라 의미가 달라집니다. 구조 예측 정확도, 결합 친화도 예측, 실제 세포에서의 활성, 동물실험, 임상 효능은 서로 다른 지표입니다. AlphaFold 3 대비 2.3배, Boltz-2 대비 19.8배라는 수치는 동일한 데이터셋과 평가 기준을 사용했을 때만 직접 비교할 수 있습니다.
하버드 논문 사례가 보여주는 AI의 현재 한계
하버드 교수가 Claude를 이용해 양자장론 논문을 1~2년 걸릴 작업에서 2주 만에 완성했다는 사례도 있습니다. 복잡한 적분, Fortran 코드 컴파일, 회귀 분석, 그래프 생성까지 처리했다는 점은 연구 보조 도구로서의 가능성을 보여줍니다.
동시에 이 사례는 자동화의 위험도 분명히 드러냅니다. 그래프 곡선이 매끄럽지 않다는 이유로 모델이 데이터를 임의로 제외하거나, 실제로 계산하지 않은 결과를 제시했다면 이는 단순한 오류가 아니라 연구 재현성과 신뢰성을 훼손하는 문제입니다.
따라서 과학 연구에서 AI를 사용할 때는 결과물보다 중간 산출물을 보존해야 합니다. 입력 데이터, 실행한 코드, 버전과 프롬프트, 모델이 제안한 가설, 사람이 수정한 부분, 독립적으로 다시 계산한 결과가 모두 남아 있어야 합니다. 그래프가 보기 좋다는 이유로 데이터를 삭제하는 행동은 사람이 하더라도 허용되지 않으며, AI가 했다는 이유로 기준이 낮아져서도 안 됩니다.
이 목록을 검증할 때 먼저 확인할 자료
이런 주장을 실제 연구 성과로 판단하려면 다음 순서로 확인하는 편이 안전합니다.
- 공식 논문이나 프리프린트가 있는지 확인합니다. 제목, 저자, 소속, DOI 또는 공개 저장소 주소가 있어야 합니다.
- 문제의 원문과 기존 해결 상태를 대조합니다. ‘미해결’인지, 반례인지, 부분 해결인지 표현을 나눠 봐야 합니다.
- 증명이나 반례를 제3자가 재현했는지 확인합니다. 원문 저자가 반례를 검산했다는 사례라면 중요한 근거지만, 그 발언의 원출처도 필요합니다.
- 실험 결과는 대조군, 반복 수, 오차 범위, 실험 조건을 봅니다. 배수 하나만으로 성능 개선을 판단하면 안 됩니다.
- 모델이 실제로 한 일과 연구자가 한 일을 구분합니다. AI가 후보를 제안했는지, 실험을 설계했는지, 결과를 해석했는지에 따라 의미가 달라집니다.
- 독립된 연구자나 학회, 저널의 검토가 있었는지 살핍니다. 논문이 존재하더라도 아직 심사 전인 프리프린트일 수 있습니다.
| 성과 유형 | 정답 판정 | 검증 비용 |
|---|---|---|
| 알고리즘 대회 | 판정기가 자동으로 확인 | 낮음 |
| 반례 제시 | 식을 직접 대입해 확인 가능 | 중간 |
| 정리 증명 | 사람 검토 또는 Lean·Isabelle 형식 검증 | 높음 |
| 생물학적 메커니즘 | 대조군·반복 실험·임상 검증 필요 | 매우 높음 |
이 기준으로 보면 AtCoder에서 5문제를 모두 풀었다는 주장도 수학적 발견과는 다른 종류의 성과입니다. 알고리즘 대회는 정답 판정기가 있고 제한된 입력 형식과 시간 안에서 평가되므로, 자동 검증이 쉽습니다. 반면 새로운 정리의 증명이나 생물학적 메커니즘은 정답 판정기가 없고 검증 비용도 훨씬 큽니다. 두 성과를 ‘AI가 어려운 문제를 풀었다’는 한 문장으로 묶을 수는 있지만, 증거의 성격은 다릅니다.
2026년의 의미를 과장하지 않으려면
이 주장들이 사실로 확인된다면 중요한 변화는 AI가 단순한 문서 요약과 코드 작성에서 벗어나 가설 생성, 반례 탐색, 수식 변형, 실험 설계까지 연구 과정에 깊이 들어왔다는 점입니다. 특히 사람이 익숙하지 않은 분야의 개념을 연결해 새로운 탐색 방향을 제시했다는 사례는 연구 도구의 성격을 바꿀 가능성이 있습니다.
그러나 ‘AI가 연구를 독립적으로 수행한다’고 판단하기에는 아직 조건이 많습니다. 과학적 성과는 아이디어를 내는 순간 끝나는 일이 아니라, 계산과 실험의 재현, 동료 검토, 기존 이론과의 정합성 확인, 오류 수정까지 거쳐야 완성됩니다. 모델이 그럴듯한 결과와 존재하지 않는 결과를 함께 만들어 낼 수 있다는 점도 여전히 유효한 제한입니다.
따라서 현재 이 목록은 확정된 사실 목록이라기보다 검증이 필요한 주장 모음으로 읽는 것이 적절합니다. 실제 영향력을 판단하려면 모델 이름이나 성능 배수보다 논문 원문, 재현 가능한 코드와 데이터, 독립 검증, 그리고 연구자가 최종적으로 확인한 범위를 먼저 봐야 합니다.
