2025년 코딩·수학 영역에서 검증된 verifiable reward 기반 학습(GRPO, RLVR)이 2026년에는 화학·생물학·물리학 등 전통적인 과학 실험 영역으로 확장되고 있다. 이는 단순히 AI가 문제를 푸는 것을 넘어, 실험실 로봇과 결합해 가설 → 실험 → 검증의 전체 루프를 자동화하는 단계로 진화했음을 의미한다. Terence Tao가 AlphaEvolve를 활용해 1975년 수학 난제를 풀어낸 사례는 우연이 아니라 체계화된 협업의 시작이다.
근거
클리핑에서는 GPT-5.2가 COLT(Conference on Learning Theory) 문제를 증명하고, 분자 클로닝 프로토콜 효율을 79배 높인 사례가 언급되었다. 또한 “verifiable reward를 만들 수만 있다면 이건 그냥 모델이 풀 수 있는 게임이다”라는 발언은 이 패러다임의 핵심을 관통한다. ChatGPT-5.2 Pro에 수학 전문가가 검증자로 참여한 사례는 인간의 역할이 ‘발판 제공’에서 ‘검증과 명확한 글쓰기’로 전환되었음을 보여준다.
“전 과정에서 인간의 역할은 수학적 발판을 제공하는 것이 아니라 검증과 명확한 글쓰기에 집중하는 데 머물렀다. 그래서 모델이 그것을 해내는 쪽으로 가고 있다.” — 최승준 (GPT-5.2 사례 요약)
연결된 생각
- 20260606-ai-driven-science-paradigm-shift — 이 인사이트는 패러다임 전환의 핵심 동력이다.
- 20260606-hybrid-architecture-next-leap — 더 효율적인 아키텍처가 이러한 verifiable reward 학습을 더 빠르게 확장할 수 있게 한다.
출처
- 📎 클리핑: 20260613-ep80-ko-transcript