Automata V.21 | 🤝 AI와 손잡고 발견한 80년 묵은 난제의 돌파구

OpenAI, 80년 묵은 수학 난제 반증으로 새 이정표 찍었어요

출처: OpenAI Blog: An OpenAI model has disproved a central conjecture in discrete geometry

문제 자체는 너무 단순해서 초등학생도 이해할 수 있어요. "종이 위에 점을 100개 찍었을 때, 그중 딱 1cm 떨어진 점 쌍은 최대 몇 개나 만들 수 있을까?" 1946년 천재 수학자 폴 에르되시(Paul Erdős)가 던진 이 질문이 바로 단위 거리 문제(Unit Distance Problem)예요. 점을 가지런한 격자(바둑판처럼)로 배치하면 가로·세로로 1cm 떨어진 이웃들이 자연스럽게 생기고, 그 쌍의 수가 점의 개수와 거의 비슷하게 늘어나요. 80년 동안 수학자들은 이 '격자 방식'이 사실상 최선이라고 믿었어요. 즉, 점을 어떻게 배치해도 1cm 떨어진 쌍의 개수는 점의 개수에 거의 비례할 뿐, 그보다 훨씬 빠르게 늘어나게 만들 방법은 없다는 게 통념이었죠.

ChatGPT로 생성

OpenAI의 내부 모델은 이 통념을 정면으로 깼어요. 점을 격자가 아닌 특별한 패턴으로 배치하면, 1cm 떨어진 쌍의 개수가 점의 개수보다 확실히 빠르게(수학자들 표현으로는 '다항식적으로 더 빠르게') 늘어날 수 있다는 걸 보여준 거예요. 더 놀라운 건 이 해법이 기하학에서 나오지 않았다는 점이에요. AI가 꺼내 든 도구는 **'정수의 세계를 확장한 수학 분야'인 대수적 정수론**이었어요. 쉽게 말해, 보통 우리가 쓰는 정수(1, 2, 3...)에 새로운 수를 추가해서 더 풍부한 수 체계를 만들고, 그 체계의 성질을 이용해 평면 위 점들의 절묘한 배치를 찾아낸 거죠. 마치 영어 단어 게임을 풀려고 한자 사전을 펼친 듯한 의외의 접근이었어요.

출처: Wolfram Community: OpenAI disproves Erdős unit distance conjecture - AI가 제시한 점 배치 패턴

다만 이 결과를 마냥 무비판적으로 받아들이긴 어려워요. AI가 만들어낸 원본 증명은 유효했지만, OpenAI 연구진과 여러 수학자들이 상당히 다듬은 뒤에야 지금의 깔끔한 형태가 됐어요. 즉 'AI가 혼자 풀었다'는 표현은 절반만 맞아요. 그래도 케임브리지대 수학자 토머스 블룸(Thomas Bloom)이 평가했듯, AI 수학 증명의 핵심 평가 기준인 "이 증명이 문제에 대한 인간의 이해를 더 깊게 해주는가"에는 '신중하지만 그렇다(a careful yes)'라는 답이 나왔어요. 수학계가 이 결과를 받아들이는 이유는 'AI가 했으니까'가 아니라 '증명을 검증할 수 있고, 그 과정이 문제를 새로운 시각으로 보여주기 때문'이라는 점이 핵심이에요.

Google I/O 2026: AI와 우리의 삶이 더 가까워지게 되요

출처: https://io.google/2026/explore

Google이 I/O 2026에서 Gemini 3.5 Flash를 공개했어요. 5월 19일 발표와 동시에 일반 출시됐고, Gemini 앱과 검색의 AI 모드에서 이미 기본 모델로 작동하고 있어요. 이번 발표의 핵심은 단순한 신모델 추가가 아니라 Flash 티어가 이전 세대 Pro 티어를 능가했다는 점이에요. 다시 말해 '속도·비용 최적화 모델'이 '성능 최상위 모델'을 뒤집은 거죠. Google이 공개한 벤치마크에 따르면 Gemini 3.5 Flash는 3.1 Pro 대비 코딩과 에이전트 태스크에서 전반적인 우위를 보였어요.

주요 지표를 정리하면 다음과 같아요.

또 다른 주목할 만한 모델은 Gemini Spark예요. Gemini 3.5 Flash 위에 올라간 상시 작동(persistent) 개인 에이전트로, 클라우드에서 24시간 백그라운드 작업을 수행해요. Gmail·캘린더·할 일 목록을 묶어 매일 아침 우선순위가 매겨진 'Daily Brief'를 만들어주고, 사용자가 정의한 커스텀 워크플로도 돌릴 수 있어요. Spark는 AI Ultra 구독자($100/월) 대상으로 풀린다는 점에서 명확히 프리미엄 포지셔닝이에요.

전체적으로 Google의 메시지는 명확해요. "Gemini 앱은 챗봇이 아니라 AI 허브가 되어야 한다"는 거죠. 월간 사용자 9억 명, 230개국, 70개 언어라는 기존 인프라에 더해, 이번 발표는 ChatGPT의 GPT-5.5, Anthropic의 Claude Opus 4.7과 본격적인 모델·에이전트·앱 통합 삼각 전선을 형성했어요.

YouTube MCP과 youtube-cli: AI 에이전트가 유튜브를 읽을 수 있게 해줘요

유튜브에는 정말 많은 정보가 쌓여 있어요. 강의, 컨퍼런스 발표, 인터뷰, 튜토리얼까지 — 어쩌면 텍스트 기반 사이트들보다 더 풍부한 지식 저장소일지도 모르죠. 그런데 막상 Claude나 ChatGPT한테 "이 유튜브 영상 요약해줘"라고 부탁하면 에이전트는 대부분 힘들어해요. AI 에이전트는 기본적으로 유튜브 영상에 쉽게 접근할 수 없거든요. 이번주 Show HN에 올라온 youtube-mcp 프로젝트도 바로 이 문제에서 출발했어요.

제작자 Umberto Tancorre는 길게 쌓여 있던 유튜브 플레이리스트를 Claude한테 정리시키려다 실패한 계기를 바탕으로 AI 에이전트용 YouTube MCP와 터미널용 youtube-cli 두 가지 툴을 만들어냈어요. 이 툴의 가장 큰 장점은, 간단한 설치만으로, API 키나 추가 설정 없이 바로 유튜브에서 정보를 검색할 수 있다는 점이에요.

Claude Code에게 유튜브에서 정보를 찾아달라고 요청했지만, 웹사이트 검색에서만 맴돌고 있어요

Youtube MCP

먼저 YouTube MCP부터 살펴볼게요. 이건 자막, 메타데이터, 영상 다운로드까지 총 8개의 툴을 MCP 호환 클라이언트(Claude Desktop, Cursor 등)에 노출시켜 주는 로컬 서버예요. 가장 매력적인 부분은 YouTube API 키도, 계정도, 로그인도 필요 없다는 점이에요. 설치는 MCP 클라이언트 설정 파일(예: claude_desktop_config.json)에 아래 한 블록만 추가하면 끝나요. (MCP 서버 추가 방식은 각 AI 에이전트마다 다를 수 있어요.)

{
  "mcpServers": {
    "youtube": {
      "command": "npx",
      "args": ["-y", "@umbertotancorre/youtube-mcp"]
    }
  }
}

get_transcript(자막 가져오기), get_metadata(제목·조회수·길이 등), search_transcript(자막 내 키워드 검색), download_video/download_audio 같은 툴이 자동으로 추가되어요. 에이전트한테 "이 영상에서 'LangGraph' 언급된 부분만 찾아줘"라고 시키면 자막을 가져와 타임스탬프와 함께 답해주는 식이죠.

youtube-cli

CLI 쪽인 youtube-cli는 같은 기능을 터미널에서 직접 쓰는 형태예요. MCP와 같은 기능을 제공하지만, MCP보다 토큰을 훨씬 덜 소모하면서 Youtube 관련 작업을 처리할 수 있어요. MCP와 마찬가지로 YouTube API 키나 로그인없이 바로 사용 가능해요. 설치는

npm install -g @umbertotancorre/youtube-cli

한 줄이면 되고, 사용법도 직관적이에요. youtube-cli transcript <url>로 자막을 받고, --timestamps로 타임스탬프를 붙이고, --save로 마크다운 파일로 저장하거나, youtube-cli search <url> <query>로 자막 내 키워드를 검색할 수 있어요. Claude Code나 다른 에이전트 하네스에 붙일 때는 이걸 단순 셸 커맨드로 호출하게 만들면, 별도 MCP 서버를 띄우지 않고도 동일한 작업을 더 가볍게 수행할 수 있어요.

youtube-cli를 설치하고, Claude Code에게 정보를 찾아달라고 요청하면, youtube에서 스트립트를 읽어오면서 조사를 해와요.

오늘 소개해드린 툴을 사용하여 유튜브에서 여러 정보를 추출하여 아래와 같은 방식으로도 활용할 수 있어요.

Youtube MCP와 CLI를 만든 개발자의 Github 레포지토리를 아래 링크에서 확인하실 수 있어요!