과학적 발견을 위한 AI의 3계층 프레임워크
A Three-Layer Framework for AI in Scientific Discovery
현재 과학적 발견에서의 AI에 대한 논의는 종종 두 가지 눈에 띄는 역량에 의해 지배된다: 기존 지식에 대한 탐색(search)과 최적화, 시뮬레이션, 자동화를 통한 실행(execution). 둘 다 중요하지만, 어느 쪽도 발견의 핵심 행위인 모델의 형성과 진화를 완전히 포착하지는 못한다. 본 논문은 발견에서의 AI에 대한 3계층 관점을 제안한다. 1계층은 대규모 언어 모델(LLM)에 의한 탐색(search)과 검색(retrieval)이다. 2계층은 본 논문의 핵심 혁신으로, 질적 추론(qualitative reasoning)을 통한 모델 형성(model formation)이다: 현재 프레임워크가 구조적으로 부적절함을 인식하고, 시행착오(trial and error)가 아니라 무엇이 빠져 있으며 어디에서 찾을 수 있는지에 대한 구조적 통찰(structural insight)을 통해 더 넓은 표현 공간(representational space) 안에서 문제를 이해하는 능력. 3계층은 실행, 최적화, 정교화(refinement)이다. 핵심 주장은 2계층이 가장 중요하면서 동시에 가장 덜 개발된 영역이라는 것이다. 모델 형성 없는 탐색은 기존에 물려받은 프레임워크에 갇혀 있고, 개념적 수정(conceptual revision) 없는 실행은 기존 공식화(formulation)를 증폭할 뿐이다. 우리는 세 가지 사례 연구를 통해 2계층 추론을 설명한다: S. S. Chern의 Gauss-Bonnet 정리의 내재적(intrinsic) 증명, Lyapunov 함수를 통한 Nesterov 가속 경사(Nesterov Accelerated Gradient) 수렴 문제의 해결, 그리고 2026년 OpenAI의 Erdős 단위 거리(Erdős unit distance) 추측의 자율적 반증(autonomous disproof). 각 사례는 동일한 구조적 특징을 보인다: 부적절해진 프레임워크, 빠진 개념적 객체(conceptual object), 예상치 못한 인접 분야에서 찾은 해결.