Threads digest · @edutrend_
사고·창의성LLM은 아인슈타인처럼 새로운 공리로 도약할 수 있을까?
수학 문제를 풀고 논문을 요약하는 능력과 새로운 공리를 세우는 능력은 같을까요? 아인슈타인의 사고실험에서 출발해, 데이터 압축·가추·신체화된 경험과 월드 모델의 연결을 살펴봅니다.

LLM은 왜 아인슈타인이 될 수 없는가?
수학 올림피아드 문제를 풀고 방대한 논문을 단숨에 요약하는 AI도, 새로운 과학적 공리를 세울 수 있을까요? Tom Zahavy의 《LLMs can’t jump》는 문제를 잘 푸는 능력과 문제의 전제 자체를 발명하는 능력 사이를 묻습니다.
이 글은 구글 딥마인드 소속 연구자의 개인 입장 논문입니다. LLM의 모든 과학적 발견이 불가능하다는 실험적 입증이나 기관의 공식 입장으로 읽기보다는, 특정한 종류의 과학적 도약에 관한 논증으로 읽어야 합니다.
창의성은 데이터 압축만으로 설명될까?
많은 관측에서 패턴을 압축해 규칙을 찾는 과정은 귀납입니다. 그렇다면 기존 설명을 더 잘 압축하는 것만으로, 시공간을 새롭게 바라보는 공리까지 도달할 수 있을까요?
논문이 언급하는 10⁻⁹은 에트뵈시 실험에서 관성질량과 중력질량의 동등성을 확인한 측정 정밀도입니다. 뉴턴 역학 전체의 예측 오차가 10⁻⁹이었다는 뜻은 아닙니다. 수성의 근일점 이동처럼 기존 이론이 설명하지 못한 현상도 있었습니다. 핵심 질문은 오차가 전혀 없었느냐가 아니라, 관측을 잘 맞추는 과정만으로 새로운 전제의 탄생을 충분히 설명할 수 있느냐입니다.
귀납과 연역, 그리고 가추라는 도약
타래는 퍼스의 세 가지 추론을 구분합니다. 연역은 규칙과 사례로부터 결과를, 귀납은 사례와 결과로부터 규칙을 추론합니다. 가추는 관찰된 결과를 설명할 새로운 가설을 제안하는 추론입니다.
LLM의 패턴 학습과 AlphaProof 같은 시스템의 증명 능력은 빠르게 발전하고 있습니다. 저자가 주목하는 것은 그 성과와 별개로, 기존 전제를 넘어 새로운 설명 체계를 세우는 가추적 도약을 현재의 학습 방식이 어떻게 제공할 수 있느냐는 질문입니다. 귀납·연역을 완전히 정복했다거나 모든 가추가 불가능하다고 확정하는 뜻은 아닙니다.
자유낙하와 엘리베이터를 머릿속에 그려 보면
아인슈타인은 자유낙하하는 사람과 가속하는 엘리베이터를 상상했습니다. 이 타래가 강조하는 것은 수식과 문장에 앞서, 그 상황에서 몸이 무엇을 경험할지를 떠올리는 신체화된 시뮬레이션입니다.
감각 경험에서 공리로 건너가는 인지적 점프. 저자는 등가원리의 형성을 이 물리적 직관과 연결해 설명합니다. 이것은 아인슈타인이 아무런 관측이나 선행 지식 없이 이론을 만들었다는 이야기는 아닙니다.
기호를 다루는 능력과 세계에 접지되는 경험
타래는 물리적 실재와 단절된 기호 조작을 중국어 방에 비유합니다. 문장을 정교하게 이어 붙이는 능력과, 그 문장이 가리키는 세계를 감각하고 개입하는 능력 사이에는 어떤 차이가 있을까요?
저자의 주장은 현재의 텍스트 중심 접근만으로는 이러한 종류의 도약이 어떻게 가능한지 분명하지 않다는 것입니다. 이를 LLM이 새로운 과학적 발견을 절대로 할 수 없다는 결론으로 확대해서는 안 됩니다.
텍스트를 읽는 AI에서, 개입하는 월드 모델로
저자가 제안하는 방향은 다음 프레임을 그럴듯하게 예측하는 데서 더 나아가, 행위 공간을 가지고 환경에 개입하며 반사실적 결과를 탐색할 수 있는 상호작용형 월드 모델입니다. 이는 검증된 필수 해법이나 딥마인드의 공식 처방이 아니라, 물리적 직관과 AI를 연결하려는 제안입니다.
결국 타래가 던지는 질문은 파라미터와 텍스트 데이터의 규모만이 아닙니다. 언어와 기호를 다루는 능력을 감각·행동·물리적 경험과 어떻게 연결할 것인가. 사고실험으로 새로운 전제를 세우는 AI를 생각할 때, 월드 모델의 진화를 함께 지켜볼 이유입니다.
이 글에서 소개한 원문
LLMs can't jump
Tom Zahavy (2026)
개인 입장 논문 · ICML 2026 발표 · openreview:klU4737opt
연구 원문 보기 ↗