[GN⁺] LLM은 ‘점프’할 수 없다: Einstein의 등가원리와 귀추(abduction)

9bow · 8월 8, 2026, 2:00오후

LLM은 ‘점프’할 수 없다 글 소개

현재 생성형 AI는 데이터에서 규칙을 찾는 귀납(Induction) 과 주어진 공리에서 결과를 도출하는 연역(Deduction) 은 빠르게 기계화하고 있지만, 감각 경험에서 새로운 설명과 공리로 넘어가는 귀추(Abduction) 의 ‘점프’는 수행하지 못한다는 입장임
Einstein의 일반상대성이론은 당시 Newton 역학이 관측 데이터와 거의 완벽하게 맞아 압축해야 할 오차 신호 자체가 거의 없었던 발견이며, Mercury의 근일점 이동조차 새 행성 ‘Vulcan’으로 설명하려 했기 때문에 ‘창의성=데이터 압축’만으로는 발견 과정을 설명하기 어렵다고 봄
Einstein이 1907년 떠올린 등가원리(Equivalence Principle) 는 관측 데이터를 통계적으로 일반화하거나 기존 전제에서 연역한 것이 아니라, 자유낙하하는 관찰자의 물리적 감각을 머릿속에서 시뮬레이션해 “가속과 중력은 구별되지 않는다”는 새 공리를 만든 사례로 해석함
이를 조작적 귀추(manipulative abduction) 라고 부르며, ARC-AGI처럼 희소한 사례에서 숨은 규칙을 찾는 귀추만으로는 부족하고 에이전트가 환경을 직접 바꾸며 반사실적 상황을 경험할 수 있는 감각적/물리적 기반이 필요하다고 주장함
Veo 같은 수동적 영상 예측보다 Genie처럼 행동으로 개입 가능한 월드 모델을 가능성 있는 해법으로 제시하며, AI Scientist나 AlphaEvolve도 기존 기호와 고정된 목표/그래디언트 안에서 탐색한다는 점에서 새로운 과학 패러다임을 만드는 점프와는 다르다고 봄

과학적 발견을 귀납/연역/귀추로 분해

출발점은 Schmidhuber의 ‘창의성은 압축 과정’ 이라는 관점임
- 관측 데이터를 더 짧은 프로그램이나 규칙으로 표현하는 과정이 과학적 발견이라는 설명임
- 논문은 이를 본질적으로 귀납으로 분류함
동시에 AlphaProof 같은 시스템의 성과는 AI가 연역적 추론도 빠르게 기계화하고 있음을 보여준다고 봄
만약 과학적 발견이 귀납+연역의 합이라면, 충분한 계산량을 가진 LLM도 원칙적으로 일반상대성이론을 발명할 수 있어야 한다는 문제를 제기함
Peirce의 Rule/Case/Result 구분으로 세 추론을 정리함
- 연역: Rule + Case → Result
  - 규칙을 사례에 적용해 결과를 얻음
  - 세 방식 가운데 진리를 보장할 수 있는 분석적 과정임
  - 코드로 보면 함수를 실행해 출력값을 계산하는 것과 유사함
- 귀납: Case + Result → Rule
  - 여러 사례와 결과로부터 규칙을 학습함
  - 통계적 빈도를 통해 가설을 검증함
  - 여러 단위 테스트를 만족하는 함수를 생성하는 것과 비슷함
- 귀추: Rule + Result → Case 또는 새로운 Rule
  - 예상하지 못한 결과를 설명할 가장 적절한 원인이나 규칙을 만듦
  - 단일 현상을 설명하기 위해 새로운 원인을 발명하는 창조적 도약이 될 수 있음

Einstein의 E-J-A 발견 모델

Einstein이 Maurice Solovine에게 보낸 편지에서는 발견을 순환 과정으로 표현함
- E(Sense Experience): 감각 경험
- J(Jump): 직관적 점프
- A(Axioms): 공리 체계
- 이후 공리에서 논리적 결과를 연역하고 다시 경험과 비교함
논문의 핵심 질문은 바로 E → A를 연결하는 J를 무엇이 수행하는가임
Figure 1은 이 구조를 생성형 AI로 다시 그린 그림이며, 논문은 그림 속 공리 기호가 잘못 생성된 것을 두고 이 점프를 자동화하기 어려운 상황을 역설적으로 보여준다고 덧붙임

일반상대성이론 이전에는 관측 데이터가 충분하지 않았음

19세기에는 역학이 물리학의 중심이었으며 편미분방정식을 통해 음향, 유체역학, 질점 운동, 기체 운동론 등을 설명할 수 있었음
Maxwell/Faraday/Hertz/Mach의 연구로 전자기장이 통합되면서 질점과 원거리 힘으로 이루어진 역학과 연속적인 장(field) 사이의 분열이 생김
- Einstein은 중력도 원거리 작용이 아니라 장 이론으로 설명하려 했음
빛을 파동으로 보면서 ether가 가정됐지만 Michelson-Morley 실험에서 지구의 ether에 대한 운동을 측정하지 못함
- 지구가 태양 주위를 움직이는데도 빛의 속도가 달라지지 않았음
- ether wind 같은 추가 가설들이 만들어졌지만 성공하지 못함
반대로 Newton 중력은 놀랄 만큼 잘 작동하고 있었음
- 관성질량과 중력질량의 비 mi/mg = 1은 Newton이 약 10^-3, Laplace가 10^-7, Eötvös가 10^-9 정밀도로 확인함
- 알려진 대표적 예외는 Mercury의 근일점 이동 정도였음
- 이마저 Newton 이론의 오류보다는 아직 발견되지 않은 행성 Vulcan 때문이라고 해석했음

특수상대성이론에서 일반상대성이론으로

1905년 특수상대성이론은 두 공리에서 출발함
- 모든 관성계에서 물리 법칙은 동일함
- 진공에서 빛의 속도 c는 모든 관성계에서 동일함
이 공리에서 Lorentz 변환을 도출했으며, Einstein은 기존 연구자들이 t′를 계산상의 ‘가상 시간’으로 보던 것과 달리 실제 시간 자체로 해석함
움직였던 시계를 다시 만나게 하면 시간이 다르게 흐른다는 시간 지연을 통해 Newton의 절대적 시간 개념을 버림
특수상대성이론은 일정한 속도로 움직이는 관성계에만 적용됐기 때문에 Einstein은 이를 가속하는 좌표계까지 일반화하려 함

일반상대성이론을 만든 세 단계

1907-1912년: 물리적 직관

1907년 Johannes Stark의 의뢰로 상대성이론을 기존 물리학 전체와 연결하는 리뷰를 작성함
역학을 상대론적으로 수정하는 과정에서 에너지/운동량/질량을 다뤘고 E = mc²를 정식화함
작업 막바지에 상대성 원리를 가속운동으로 확장하려다 “내 생애 가장 행복한 생각” 을 떠올림
- 가속은 중력을 흉내 냄
- 관성과 중력은 연결되어 있음
1912년 정적 중력장 이론에서는 중력이
- 빛을 휘게 하고
- 시계를 느리게 하며
- 빛의 속도도 중력 퍼텐셜에 따라 변할 수 있다고 제안함

1912-1913년: 물리적 요구사항을 수학으로 옮김

물리적 직관을 엄밀한 수학으로 바꾸기 위해 Marcel Grossmann과 협력했고 Zurich Notebook을 거쳐 1913년 Entwurf 논문으로 이어짐
새 이론이 만족해야 할 7개 원칙을 정리함
- 일반화된 상대성 원리: 가속 좌표계까지 상대성 원리를 확장
- 등가원리: 중력과 가속은 구별할 수 없음
- 측지선 원리: 자유낙하 물체는 시공간의 측지선을 따라 움직임
- Gravity Gravitates: 중력장 자체의 에너지도 중력원이 됨
- Stress-Energy Tensor: 물질/에너지/운동량/압력 등을 중력장의 원천으로 표현
- 일반화된 Poisson 방정식: Newton 중력의 ∇²ϕ = 4πκρ를 텐서 형태로 일반화
- Newtonian Limit: 약한 중력/느린 속도/정적 상황에서는 Newton 역학으로 환원되어야 함

잘못된 수학적 판단으로 2년을 우회

Grossmann은 시공간 곡률을 나타내는 Riemann curvature tensor를 찾아냈고 현대 Einstein tensor와 거의 같은 Gik까지 도달함
그러나 이 식이 약한 정적 중력장에서 Newton 법칙으로 환원되지 않는다고 판단해 버림
실제 오류는 기하학이 아니라 정적 장에 대해 사용한 가정에 있었음
이를 알지 못한 채 해당 경로를 포기하고 보존법칙 등을 토대로 10개의 복잡한 비선형 방정식을 구성했으며, 명확한 기하학적 해석도 없었음

1913-1915년: 연역적 탐색과 검증

Entwurf 이론은 결국
- Mercury의 궤도를 설명하지 못하고
- 회전운동도 제대로 설명하지 못하며
- 이론의 유일성을 증명하려던 논증에도 오류가 발견됨
1915년에는 모든 좌표계에서 성립해야 한다는 1912년의 초기 직관으로 돌아감
David Hilbert와 같은 문제를 풀고 있다는 압박 속에서 11월에 4주 연속 매주 논문을 제출함
- 11월 18일 Mercury의 이상 궤도를 정확히 예측
- 11월 25일 최종 일반상대성이론의 장 방정식을 제시함
  Rik - 1/2 gik R = -κTik
왼쪽은 시공간의 기하학적 곡률, 오른쪽은 물질과 에너지를 나타냄

왜 귀납만으로는 이 발견을 설명하기 어려운가

Schmidhuber의 Compression Progress는 예측을 개선해 복잡한 관측을 단순하게 만드는 과정에서 발견이 일어난다고 봄
실제로 데이터가 풍부한 환경에서는 성과가 있음
- sparse optimization으로 데이터에서 편미분방정식을 복원할 수 있음
- AI Physicist는 시뮬레이션 궤적에서 보존법칙을 재발견함
그러나 일반상대성이론에는 압축할 만큼 큰 관측 오차가 없었다고 봄
- Newton 중력은 극도로 정확했음
- Mercury의 이상도 Vulcan이라는 숨은 변수로 처리할 수 있었음
따라서 귀납 최적화기의 관점에서는 Newtonian loss가 거의 0이고, 시공간의 근본 구조를 바꿀 방향으로 이동시킬 그래디언트가 없음
현대 Transformer조차 기초적인 산술 규칙을 역으로 발견하는 데 어려움을 겪는 연구 결과를 들어, 데이터가 거의 없는 상황에서 새로운 물리학을 발명하기는 더욱 어렵다고 봄
Vafa 등의 연구처럼 데이터가 존재하더라도 올바른 귀납 편향이 없으면 데이터에는 맞지만 실제 구조를 담지 못한 월드 모델을 학습할 수 있음
일반상대성이론을 검증한 주요 데이터는 이론 이후에 등장함
- Eddington의 별빛 굴절 실험
- 훗날의 상대론적 GPS 보정
즉 Einstein은 데이터를 회귀곡선에 맞춘 것이 아니라 아직 데이터로 드러나지 않은 물리 구조를 먼저 구성함

“가설 공간을 압축한 것 아닌가”라는 반론

관성 법칙과 중력 법칙을 하나로 통합했으므로 Minimum Description Length 관점에서 가설 공간을 압축한 것이라는 설명도 가능함
논문은 단순성이 결과를 보고 난 뒤의 특성일 수 있다고 반박함
- 최종 이론은 우아하지만
- 실제 탐색 과정에는 버린 텐서/잘못된 방정식/복잡한 우회가 가득했음
순수한 압축 최적화라면 비유클리드 기하학까지 가설 공간을 크게 확장하기보다 Newton 중력에 Vulcan이라는 변수 하나를 추가하는 방식을 선호했을 수도 있다고 봄

연역은 많은 부분을 자동화할 수 있음

Einstein이 일반상대성이론을 시작한 동기 일부는 관측 데이터가 아니라 개념적 불일치였음
- Newton의 원거리 작용
- Maxwell의 장 이론
- 빛의 속도 불변성과 Newton의 절대시간 사이의 충돌
과학 문헌의 모순을 찾는 AI라면 이런 문제를 “버그”처럼 찾아낼 수도 있으며, Maxwell을 모방해 중력의 장 이론을 제안하는 작업도 구조적으로는 연역에 가까움
하지만 모순을 찾아내는 것과 올바른 공리를 발명하는 것은 별개의 문제임
1913-1915년 Einstein/Grossmann의 작업은 오늘날 신경기호 AI의 탐색과 상당히 비슷하다고 해석함
- 기하학적 제약조건을 탐색
- 잘못된 가정을 제거
- 정해진 공리를 만족하는 수학 체계를 검증
Lean 같은 증명 보조 시스템과 자동 정리 증명의 발전도 이런 방향을 강화함
- AlphaProof는 IMO 은메달 수준의 성능
- 2025년에는 Gemini/DeepSeekMathV2/GPT-5가 금메달 수준 성능에 도달했다고 기술함
- Aristotle은 열린 연구 문제에 대해 검증된 풀이를 생성한 사례로 제시됨
따라서 1915년 Einstein이 가진 물리적 가정을 입력으로 준다면 현대 LLM이 일반상대성이론을 연역할 가능성은 충분하다고 봄
- 장 방정식이 주어진 뒤 Mercury의 근일점 이동을 유도하는 것은 검증 가능한 논리 작업임
- 잘못된 정적 장 가정 같은 제약조건도 여러 공리 조합을 탐색해 제거할 수 있음

하지만 연역은 공리를 만들지 못함

AI가 등가원리의 결과를 계산하려면 먼저 ‘등가원리’라는 개념 자체가 입력으로 주어져야 함
Einstein의 표현을 빌리면 논리적 사고는 이미 존재하는 개념 사이의 관계를 처리하지만, 원시적인 감각 경험에서 개념 자체를 만드는 작업은 다름
1913년의 실패도 연역 과정 자체보다 잘못된 공리/가정에서 출발한 것이 문제였음
목표(intent) 문제도 있음
- 수학 정리 증명에는 해결해야 할 명시적인 conjecture가 있음
- Einstein은 정리를 증명하려 한 것이 아니라 현실을 예측하는 새로운 모델 자체를 만들려 했음
Mercury는 검증 대상으로 사용할 수 있었지만 당시에는 이론을 새로 만들 정도로 중요한 오류로 간주되지 않았음
결정적인 별빛 굴절 관측도 이론이 만들어진 뒤에야 가능했음
따라서 연역 A → S는 발명의 하류 검증 단계이지 새 공리의 생성이나 외부 현실과의 접지를 담당하지 못함

빠진 단계: 조작적 귀추

Einstein의 ‘가장 행복한 생각’을 조작적 귀추(manipulative abduction) 의 사례로 해석함
자유낙하하는 관찰자는 자신의 주변에서 중력장을 느끼지 못한다는 사고실험을 통해, 모든 물체가 같은 가속도로 낙하한다는 기존 사실에 새로운 물리적 의미를 부여함
과정은 두 단계로 나뉨
- 시뮬레이션으로 관찰 자체를 만들어냄
- 그 가상의 관찰을 가장 잘 설명하는 가설을 귀추함

ARC-AGI도 귀추를 시험하지만 ‘조작’은 없음

ARC-AGI는 보통 2-5개의 grid 입출력만 보고 숨겨진 규칙을 찾아야 함
데이터가 너무 적어 통계적 귀납으로 해결하기 어렵고, 명시적인 규칙도 없으므로 가장 그럴듯한 설명으로 점프하는 귀추가 필요함
하지만 ARC는 Einstein이 사용한 물리적 감각과 시뮬레이션을 직접 조작하는 단계를 포함하지 않는다고 구분함

Test-Time RL과 사고실험의 차이

문제의 새로운 변형을 만들어 풀어보는 Test-Time Reinforcement Learning은 질문 자체를 새로 만드는 능력과 연결됨
- Penrose chess position 해결
- AlphaProof의 IMO 수준 성과 등을 사례로 듦
그러나 체스와 수학에서의 변형은 이미 고정된 공리와 규칙 내부에서 이루어짐
Einstein의 엘리베이터 사고실험은 새로운 규칙을 만든다는 점에서 다름
- 깊은 우주에서 엘리베이터가 균일하게 가속함
- 내부 물체를 놓으면 바닥이 올라와 물체와 만남
- 내부 관찰자에게는 모든 물체가 구성과 관계없이 같은 가속도로 떨어지는 것처럼 보임
이는 기호의 순열이 아니라 지각 경험 자체를 조작한 시뮬레이션임

Physical Prior가 새로운 공리를 좁혀줌

Einstein에게는 가속에 대한 가상 감각과 중력에 대한 기억 속 감각이 구별되지 않는다는 물리적 prior가 있었음
여기서 둘을 같은 현상으로 볼 수 있다는 설명을 귀추함
논문은 이런 방식으로 추상 기호를 물리적 경험과 연결하는 것을 조작적 귀추의 핵심으로 봄
반면 LLM은 고차원 Chinese Room처럼 물리학의 기호를 조작하지만 그 기호가 가리키는 물리적 대상을 직접 경험할 수 없다고 표현함
이러한 symbol grounding 부족 때문에 E → A의 점프가 어렵다는 논리임
공간 지능과 내부 월드 모델이 부족하다는 Fei-Fei Li/Yann LeCun의 문제의식도 같은 맥락으로 연결함

Veo가 아니라 Genie형 월드 모델

영상 생성 모델 Veo가 직관적으로 그럴듯한 물리를 생성한다고 해도 이를 물리 법칙에 대한 이해로 보지는 않음
- 공중의 사과가 떨어지는 장면은 중력을 모델링했기 때문이 아니라 학습 데이터에서 가장 흔한 다음 장면이기 때문일 수 있음
Genie처럼 행동으로 제어 가능한 생성형 월드 모델은 중요한 차이를 가짐
- 에이전트가 환경에 직접 개입할 수 있음
- 조작적 귀추에 필요한 ‘thinking by doing’이 가능해짐
Einstein의 엘리베이터를 재현하려면 영상을 보는 것으로는 부족하며, 모델이 케이블을 자르는 반사실적 개입까지 할 수 있어야 한다고 봄
최종적으로는 픽셀 통계가 아니라 일관된 잠재 물리 공간(latent physics manifold) 위에서 작동하는 상호작용 환경이 필요하다고 제안함
이런 환경이 생기면 지금은 직관적 통찰처럼 보이는 귀추적 점프를 재현 가능한 알고리듬 과정으로 바꿀 가능성이 있다고 봄

시뮬레이션 외에도 강한 prior가 필요할 수 있음

Einstein은 가능한 수많은 공리 가운데 후보를 줄이기 위해 중력의 감각이라는 강한 physical prior를 사용함
논문은 조작적 귀추가 물리학에만 국한되지 않는다고 봄
- Kepler의 태양 중심성에 대한 신플라톤주의적 믿음
- Marx가 자본 모델링 과정에서 보인 ‘objective anger’
따라서 발명을 자동화하려면 세상을 시뮬레이션하는 것만이 아니라 세상이 어떻게 구성되어야 한다는 강한 믿음이나 prior를 가지고 특정 직관을 실험할 시스템이 필요할 수도 있음

현재의 자동 과학 시스템도 이 간극을 남김

Sakana AI Scientist는 과학적 루프를 자동화하지만 기존 기호 개념을 재조합해 정해진 지표를 개선한다고 평가함
- 상징적 선례가 전혀 없는 공리를 감각 경험에서 만들어내지는 못함
AlphaEvolve 역시 고정된 프레임워크 안의 최적화에는 뛰어나지만 그래디언트가 필요함
Einstein에게는 Newton 역학을 폐기하도록 밀어주는 명확한 오류 신호나 그래디언트가 없었다는 점이 차이임

논문의 최종 입장

현재 LLM만으로 Einstein 당시의 지식에서 일반상대성이론을 발명하는 것은 어렵다고 결론 내림
귀납과 연역의 기계화만으로는 과학적 발견의 전체 순환을 만들 수 없으며, 가장 큰 병목은 감각 경험에서 새로운 공리로 넘어가는 E → A 점프라고 봄
Einstein은 기호 공간을 대규모로 탐색해 등가원리를 찾은 것이 아니라, 자유낙하 관찰자의 감각적 경험을 내부에서 시뮬레이션해 공리를 만들었다고 해석함
물리적으로 일관된 월드 모델을 합성 실험실로 사용해 에이전트가 반사실적 사고실험의 물리적 결과를 경험하게 하면 직관과 논리를 잇는 피드백 루프를 기계화할 수 있다고 제안함
다만 이 해법은 물리과학에 맞춘 제안임
- 물리학의 E는 외부 물질 세계에서 얻는 감각 경험임
- 수학/컴퓨터과학에서는 E가 고차원 위상 공간이나 일반성/최소성 같은 목표에 기반할 수 있음
따라서 귀추적 점프 자체는 모든 학문에서 필요할 수 있지만, 어떤 종류의 시뮬레이션이 필요한지는 각 분야의 존재론에 맞게 달라져야 한다고 마무리함

Hacker News 의견

언어는 인간 경험을 근본적으로 손실 압축한 표현임. “아이들을 사랑한다”와 “사과파이를 사랑한다”에서 같은 ‘사랑’이 전혀 다른 크기를 가리키듯, 언어는 풍부하지만 한계가 있음
Einstein이 자연어로 부호화할 수 없는 방식으로 세계를 모사하고 사고실험을 수행했다는 관점에는 일리가 있음. 거의 전적으로 언어로 학습한 AI가 그 표현 범위를 넘어설 수 있을지는 의문이지만, 인간이 3차원 너머의 대상을 상상하듯 가능할 수도 있음
- 언어가 손실 압축이기 때문에 LLM이 인간 언어나 추론보다 코드에서 더 뛰어난 현상도 놀랍지 않음. 실제 코드에도 null이 ‘알 수 없음’이나 ‘의도적으로 비움’을 뜻하는 차이가 있지만, 자연어의 ‘사랑’보다는 의미 결합이 훨씬 단단하고 모호성이 낮음
  3Blue1Brown은 압축과 지능의 관계, 더 논쟁적으로는 둘이 동일하다는 관점을 다루는 훌륭한 시리즈를 만들고 있음: https://www.youtube.com/watch?v=l6DKRf-fAAM
  하지만 인간 경험에는 지능 외에도 감각질, 욕망, 직감, 직관, 창발적 창의성이 존재함. 인간과 AI의 능력 차이가 고정돼 있는지, 줄어드는지, 결국 사라질지는 우리 모두가 참여 중인 열린 실험임
- 언어의 손실성은 때로 의도적임. 짧은 시에서 “몸통 없이 거대한 돌다리 두 개”라는 구절만으로도 어떤 왕국이 그 조각상을 만들었는지 끝없이 상상할 수 있음
  간결하게 쓰고 인간의 해석을 열어두는 것 자체가 Shelley의 「Ozymandias」 같은 시가 쓰이는 핵심 이유임
- LLM은 Agassiz와 물고기 일화를 떠올리게 함. 학위와 지식을 갖춘 학생에게 Agassiz가 작은 개복치를 묘사하라고 하자, 학생은 교과서의 분류명과 기존 지식으로 답했음
  Agassiz가 계속 물고기 자체를 보라고 요구한 끝에 3주 뒤 물고기는 썩어가고 있었지만, 학생은 비로소 그 물고기를 실제로 알게 됐음: https://nabeelqu.co/understanding
- Einstein은 자신의 사고에서 말이나 언어가 별 역할을 하지 않으며, 자발적으로 재현하고 결합할 수 있는 시각적, 근육감각적 심상이 먼저 작동한다고 썼음. 연상 작용이 충분히 확립된 뒤에야 이를 관습적 언어로 옮겼다고 함
  https://news.ycombinator.com/item?id=18895613도 한 분야에 집요하게 몰입하면 언어보다 깊은 수준에서 이해하게 되는 과정을 다룸. LLM도 충분히 커지면 비슷한 일이 일어날 수 있다고 봄
- Grand Canyon에 관한 모든 책과 영상을 봐도 그곳에 직접 간 것과 같은 경험을 했다고 할 수는 없음. Everest 등반이나 달 위를 걷는 일로 바꿔 생각해도 마찬가지이며, 인간 경험은 기록된 내용보다 훨씬 광대할 수 있음
Einstein이 Michelson-Morley 실험의 모순을 해결하려고 특수상대성이론을 만들었다는 통속적 설명은 역사를 지나치게 축소함. “두 공리에서 Einstein이 Lorentz 변환을 유도했다”면 Lorentz는 누구였는지도 물어야 함
특수상대성이론의 토대는 전기역학과 Maxwell 방정식의 대칭성 연구였음. 논문 제목도 「움직이는 물체의 전기역학에 대하여」였고 Michelson과 Morley를 인용하지 않았음
- Einstein은 Michelson-Morley 실험을 몰랐다는 듯 행동했지만 실제로는 잘 알고 있었을 가능성이 큼. Newton도 현대 과학의 아버지로 불리는 Al-Haytham의 광학 실험을 알았을 법하지만 직접 인용하지 않았음
  Einstein의 전기 작가 Abraham Pais는 Einstein이 1905년 전에 그 실험을 알았다고 확신했음. Einstein이 읽은 Lorentz의 1895년 저서에도 해당 실험이 실려 있었기 때문임: https://www.aps.org/archives/publications/apsnews/200403/letters.cfm
- 나도 새로운 아이디어라고 생각했다가 예전에 읽고 잊은 내용과 매우 비슷하다는 사실을 여러 번 발견했음. 이는 지극히 인간적인 현상임
  과학은 아이디어를 처음 묘사한 사람뿐 아니라 이를 검증하고 전달할 견고한 체계로 만든 사람을 정당하게 인정함
- 이미 존재하는 결과도 얼마든지 다시 유도할 수 있으므로, Einstein이 Lorentz 변환을 유도했다는 표현 자체는 이상하지 않음
- Einstein이 역사상 가장 위대한 과학자인 것처럼 묘사되는 데 지쳤음. Einstein이 없었어도 관련 분야는 이미 그의 결론을 향해 강하게 움직이고 있었지만, Maxwell이나 Newton이 없었다면 오늘날 세계는 상당히 달랐을 것임
저자 Tom Zahavy의 후속 글에 따르면 이 논문은 DeepMind의 공식 입장도, “LLM은 과학적 발견을 절대 못 한다”는 주장도 아님. AlphaProof 핵심 기여자로서 LLM이 이미 놀라운 발견을 만들었고 앞으로도 그럴 것이라고 봄
논문의 초점은 일반상대성이론의 발명, 특히 Einstein이 물리적 직관에 기반한 사고실험으로 세운 등가원리와 같은 도약을 현대 AI에 구현하려면 무엇이 필요한지 탐색하는 데 있음. 현재 방법을 개선하는 것만으로도 가까운 미래에 많은 발견이 가능하며, 단순한 규모 확장만으로 새로운 물리학 발명이 나올 가능성도 인정함: https://x.com/TZahavy/status/2082401499628376180
- 등가원리는 오히려 매우 직관적이지 않음. Aristotle의 역학에는 없었고, 가장 단순한 형태인 관성도 발견까지 거의 2천 년이 걸렸음. Einstein이 이를 이해한 것은 일상에서 느꼈기 때문이 아니라 물리학 교육을 받았기 때문임
  양자역학에서는 물리적 직관이 방해되기도 하며, 많은 성질이 직관과 모순되지만 시간이 지나면 익숙해짐. 광전효과 역시 일상에서 직접 드러나는 현상이 아님
- 이 논문을 “AI는 절대 못 한다”는 식의 골대 옮기기에 이용하려면 먼저 초록의 마지막 문장을 읽고, 최전선 추론 에이전트가 이미 다중모달 모델을 점점 더 통합하고 있다는 점을 돌아봐야 함
- Einstein도 당대 최고의 과학자들과 교류했고, 기존 이론과 모순되는 실험 결과에 기반했으며, Riemann의 연구 없이는 이론을 정식화할 수 없었음
  AI에도 새로운 연구 결과를 계속 제공하고 최고 과학자들과 소통하게 한다면 불가능하다고 단정하기 어려움. Einstein의 사고가 LLM이 모사할 수 없는 수준이라고 보기도 어렵고, 20세기 이론물리학 최고의 업적을 기준으로 삼는 것 자체가 너무 높은 문턱일 수 있음
“컴퓨터가 체스에서는 나를 이겼지만 킥복싱에서는 상대가 안 됐다”는 이야기를 기대했는데, 본문은 직관적 도약에 관한 글이었음
1980년이나 1990년까지의 텍스트만으로 LLM을 만들어 스스로 LLM을 다시 발명할 수 있는지 시험하자는 실험은 흥미로움
- 최신 정보의 누출을 막기가 어려움. Victorian 시대 공개 저작물로 비슷한 시도를 했지만 시대착오적 정보가 새어 나왔다는 분석이 있었고, 제작자가 기대한 만큼 깨끗하게 걸러지지 않은 듯함: https://www.estragon.news/mr-chatterbox-or-the-modern-prometheus/
- 1930년 이전 자료로 학습한 Talkie가 조잡한 Python 프로그램을 만들기는 했지만, 제2차 세계대전을 아는 등 학습 데이터 누출도 분명했음. 완벽하지 않더라도 개념 증명으로는 꽤 설득력 있음: https://didof.dev/blog/talkie-1930-llm-reasoning/
- 회고 편향을 막기도 어려움. 1900년 이전 문헌에서도 상대성이론으로 이어진 실험은 훗날 중요해졌기 때문에 기록이 더 많이 보존됐을 가능성이 큼
  따라서 말뭉치를 매우 의도적으로 구성해야 하는 실험임
- 인터넷 이전에는 오늘날 수준의 LLM에 필요한 만큼 충분한 데이터가 존재하지 않았을 가능성이 큼
- 모델 자신에 관해 얼마나 설명해 주느냐가 성공률을 거의 지배할 것임. Turing 테스트 비슷한 것을 의미 있게 통과하는 프로그램이라는 모호한 설명, 준수할 API, 새로운 구조를 만들라는 조건, 폭넓게 탐색하라는 요구 정도만 제공해야 공정해 보임
  이보다 구체적이면 시험을 오염시키지만, 그 정도로 모호하면 흥미로운 부분에 도달하기 전에 반복에 빠질 가능성도 큼
한때는 공기보다 무거운 물체의 비행도 불가능하다고 여겨졌음
정량적 근거가 없는 개인의 견해에 불과함. 엄밀히 검증하려면 먼저 과학적 도약의 기준을 정의하고, 인간도 도약하지 못한다고 결론 내리지 않도록 매년 나올 만큼 빈번한 결과를 골라야 함
그런 다음 2026년 논문에서 해당 결과를 모두 찾고, 지식 기준일이 2025년인 LLM에 최소한의 정보만 줘 재유도하게 하면 됨. LLM의 한계라는 선입견을 확인해 준다는 이유로 저노력 글이 확산되는 것이 불편함
- 연구자들이 이미 LLM을 사용한다고 가정하면 재현 실험조차 필요 없음. 모델이 좋아질수록 도약의 수가 증가하는지 관찰하면 됨
- 누군가 이 글을 보고 반증해 주길 바라서 확산시킴
- ‘도약’이라는 개념 자체가 정량적 증거를 요구하는 태도와 충돌함. LLM은 대규모 데이터로 명제를 입증하거나 반론을 찾는 데는 뛰어나지만, “새로운 음악 양식을 발명하라”는 과제에는 약할 수밖에 없음
  ‘음악 양식’, ‘새로움’, ‘발명’은 정량적 값이 없는 인간의 개념이며, 같은 결과도 발명, 발견, 발전으로 다르게 불릴 수 있음. Breakcore와 Gabber의 구분조차 누군가는 모두 EDM으로 묶음
  인간은 아이디어가 탄생한 서사를 전달해 동료의 유사한 사고를 자극하고 ‘새롭다’는 지위를 얻음. 비인간은 결론을 뒷받침하는 증거를 내놓을 뿐이라 인류 지식에는 보탬이 돼도 도약으로 인정받기 어려움
  ‘세계에서 가장 높이 점프하는 로봇’도 공중으로 솟지만 인간의 다리와 동작이 아니라는 이유로 점프인지 논쟁이 생기고, 이족보행 로봇에는 훨씬 쉽게 동의함. 결국 도약의 인정은 분위기와 인간적 동일시에 좌우되며 LLM은 그 분위기를 주지 못함
- LLM에 한계가 있다는 것은 분명함. LLM에 아무 한계도 없다는 입장은 명백히 틀렸으며, 그런 비합리적 전제가 이 글에 대한 과도한 반응을 낳는 듯함
이론물리학의 창의적 도약에 감각 경험이 필요하다는 이론에는 명백한 반론이 있음. 인간은 감각적 기반이 없는 추상 분야에서도 창의적으로 도약할 수 있음
논문은 수학이나 컴퓨터과학에서는 감각 경험이 고차원 위상수학, 일반성, 최소성 등에 기반할 수 있다고 인정함. 그렇다면 충분히 발전한 LLM도 물리학에 대응하는 고차원 내부 구조를 만들고 도약에 활용하지 못할 이유가 없음
- 논문은 Einstein의 직관적 도약이 일반적 추론이 아니라 감각 경험에 의존했다는 사실도 입증하지 못함. 사고실험에 감각 경험이 필요하다고 가정할 뿐이며, 최신 LLM도 사고실험과 결과 모사를 인간과 비슷한 수준으로 수행함
  일반상대성이론의 핵심 직관인 자유낙하와 무중력의 동일성도 직접 느끼지 않고 알 수 있음. 무엇을 성공으로 인정할지 명확한 기준이 없으므로 반증 불가능한 주장이 됨
- 이론수학은 현실에 더 밀착된 분야보다 높은 지능을 요구하는 듯함. 이는 감각적 기반의 결핍을 지능으로 보완하고, 제1원리와 제한된 기반에서 빠진 부분을 역공학할 수 있다는 뜻일지도 모름
  결국 같은 결과를 얻을 때 감각적 기반과 순수 지능의 교환관계가 핵심 질문임
- 추상적인 경우에도 감각적 기반은 결국 내부 세계 모형에서 모사되는 제한적 직관이 아닐까 싶음
- 인간이 추상 분야의 창의적 도약을 얼마나 잘하는지도 모름. 반복되는 동일 현상조차 알아보지 못하는 기본 통계 판단 실패를 보면, 비교 대상이 없어서 뛰어나 보였을 뿐 실제로는 형편없을 수도 있음
  감각 데이터로 만든 모델도 이미 존재하며, LLM이 인간 한 명의 평생보다 많은 감각 자료로 학습하지 못할 이유도 없음. YouTube에만 해도 막대한 시각 데이터가 있음
- 현실 지식과 추상 지식의 기억 흔적이 충분히 겹치면 도약이 가능할지도 모름. 첫 언어 없이 자란 사람은 추상적 추론을 발달시키지 못하고 나중에도 그 능력을 얻기 어려워 보임
  이는 ‘현실 감각 → 직접적 언어 → 간접적 언어 → 추상적 가추’라는 발달 계층과, 현실에 대한 가추가 추상 능력 형성에 필요한 곁가지일 가능성을 시사함. 다만 인간 지능 자체도 연구하기 매우 어려워, 이미 고장 난 잣대로 LLM을 재고 있는 셈임
가장 수익성 높은 활용처인 코딩 에이전트도 인간을 대체하기보다 인간의 능력을 증강하는 데 의존하는데, 왜 모두가 LLM의 인간 대체에 집착하는지 모르겠음
오류율이 0%가 되기 전까지는 책임을 지는 역할만 남더라도 인간이 절차 안에 있어야 함
- AI를 처음부터 증강 지능(Augmented Intelligence) 이라고 불렀다면 인간의 지능을 높이는 도구라는 성격이 더 잘 드러났을 것임. 하지만 공상과학적 미래를 약속하는 명칭이 우세해졌고, 이제 막대한 투자금을 모으는 데 활용됨
  노동자의 생산성을 높이고 더 좋은 도구를 제공하겠다는 표현은 그만큼 매력적으로 들리지 않음
진정한 이해에는 모른다는 상태가 필요하지만 LLM은 반드시 답을 만들어야 하므로 모를 수 없음. 이미 알려진 것을 조회하는 이 작동은 진정한 사고의 반대이며, 인간은 이를 잠시 끌 때 도약함
어느 소련 심리학자는 막대기 퍼즐의 해답과 같은 모양의 미로 경로를 준비했음. 막대기 퍼즐을 먼저 푼 사람은 대조군보다 미로를 훨씬 빨리 풀었지만, 풀이 과정을 말로 설명하게 하면 속도가 평범해졌고 둘의 유사성도 의식하지 못했음
이는 무의식적 패턴 일치에 의한 도약이지만, 여기서 뜻하는 것은 그보다 ‘선(禪)적인 도약’에 가까움
이는 LLM 자체보다 실행 틀과 환경의 문제에 가까움. Godot이나 Unity처럼 복잡한 환경과 상호작용하는 LLM을 보면 도약이 전혀 없다고 하기는 어려움
환경과 격리된 LLM은 어두운 동굴 속 통에 든 뇌와 같음. 진전하려면 외부 환경을 관찰하고 그 안에서 행동할 수 있어야 함
- LLM은 모호하거나 불완전한 프롬프트에서도 의도를 놀라울 만큼 잘 파악함. 텍스트의 언어를 넘어선 패턴을 인식하고 행동하는 능력을 보면, 인간이 생각하지 못한 도약에도 유난히 능할 가능성이 있어 보임

원문

출처 / GeekNews

더 읽어보기

[GN] 함께 보면 좋은 글β

알려드립니다

이 글은 국내외 IT 소식들을 공유하는 GeekNews의 운영자이신 xguru님께 허락을 받아 GeekNews에 게제된 AI 관련된 소식을 공유한 것입니다.

출처의 GeekNews 링크를 방문하시면 이 글과 관련한 추가적인 의견들을 보시거나 공유하실 수 있습니다!

아래쪽에 좋아요를 눌러주시면 새로운 소식을 정리하고 공유하는데 힘이 됩니다~