AI는 수학자보다 더 잘 생각하는 게 아니라 더 많이 기억함

AI의 수학 성능은 뛰어난 추론뿐 아니라 문제와 중간 계산·제약·실패한 접근을 함께 유지하는 거대한 상징적 작업 공간에서 나올 수 있음 인간은 제한된 작업 기억을 청킹과 종이로 보완하지만, AI는 긴 컨텍스트를 노트처럼 활용해 수십·수백 개 조건과 긴 추론 사슬을 명시적으로 보존함 수학은 가정과 변환을 기호로 기록하고 대입·코드·형식 증명으로 결과를 검증할 수 있어, 큰 컨텍스트와 명시적 중간 상태의 이점이 특히 큼 컨텍스트는 능동적인 인간 작업 기억과 다르고 검색 실패나 주의 분산도 겪지만, 여러 제약·긴 계산·경우 분석·정확한 기호 관리가 필요한 문제에서는 성능 차이를 만들 수 있음 현재 AI는 문제의 틀을 근본적으로 바꾸는 Einstein식 깊이보다 von Neumann식 속도와 폭에 무제한 노트를 결합한 모습에 가까우며, 다음 단계는 잘못 설정된 문제를 재구성하는 능력임 수학 성능을 제한하는 작업 기억 작업 기억은 방정식의 변수, 이미 수행한 연산, 현재 목표와 함께 증명의 가정·보조정리·예외·경우를 잠시 유지하고 조작하는 체계임 인간의 작업 기억 용량은 매우 제한적임 세 자릿수 두 수의 암산은 연산 자체보다 부분 결과를 보존하며 다음 계산을 이어가야 해서 어려움 숫자를 종이에 적으면 지능이 높아지는 것이 아니라 유효 작업 기억이 확장됨 수학자는 표기법, 메모지, 도표, 앞서 작성한 보조정리를 의사소통뿐 아니라 추론을 인지적으로 가능하게 하는 도구로 사용함 전문가는 여러 기호를 익숙한 구조 하나로 묶는 청킹(chunking) 으로 같은 생물학적 용량에 더 많은 정보를 담음 청킹은 정보를 압축할 뿐 작업 기억의 한계를 없애지는 못함 IQ와 별개로 나타나는 수학 성과 예측력 작업 기억은 일반지능과 강하게 연관되지만, 여러 연구에서 전통적인 지능 측정만으로 환원되지 않는 수학 성과 예측력이 나타남 Alloway와 Passolunghi(2011)는 아동의 작업 기억, 언어 능력, 수학 능력을 조사해 작업 기억이 일반 언어 능력과 수학의 연관성을 반복하는 데 그치지 않고 수학 성과에 독자적으로 기여한다고 분석함 Alloway와 Alloway(2010)의 6년 종단 연구에서는 5세 때 측정한 작업 기억이 IQ를 통제한 뒤에도 6년 후 문해력과 수리력을 예측함 해당 연구에서는 작업 기억이 사용된 IQ 측정보다 이후 학업 성과를 더 강하게 예측함 Blankenship 등(2015)은 IQ와 연령을 통계적으로 통제한 뒤...