메시도 호날두도 아니다, 이번 월드컵 MVP는 AI ⚽

"대~한민국!" 지난 12일 대한민국이 체코를 2대 1로 꺾으며 2026 북중미 월드컵의 시작을 기분 좋게 열었습니다. 하지만 이번 월드컵이 주목받는 이유는 경기 결과만이 아닙니다. 참가국이 48개국으로 확대된 이번 대회는 사상 첫 'AI 월드컵'으로 불리고 있습니다. 뱅크오브아메리카(BofA)에 따르면 이번 대회에서 생성되는 데이터 규모는 약 2엑사바이트(EB)에 달할 전망입니다. 이는 4K 영상을 약 4만 5천 년 동안 재생할 수 있는 수준입니다. 선수 움직임부터 경기장 운영, 중계 영상, 스트리밍 정보까지 실시간으로 분석되며 월드컵은 거대한 데이터 플랫폼으로 진화하고 있습니다.

AI는 이제 경기 결과를 예측하는 영역에서도 존재감을 드러내고 있습니다. 실제로 마이크로소프트의 AI 챗봇 '코파일럿'은 대한민국의 체코전 승리를 예측했습니다. 중국의 큐웬, 딥시크, 키미 등 주요 AI 모델들도 월드컵 예측 기능을 선보이며 경쟁에 뛰어들었습니다. AI는 수년간 축적된 경기 데이터와 선수 기록, 전술 패턴 등을 분석해 승부 확률을 계산합니다. 하지만 스포츠 특유의 변수까지 완벽하게 예측하지는 못해, 브라질과 모로코의 무승부는 맞히지 못했습니다.

경기장 안에서도 AI의 역할은 커지고 있습니다. 2022 카타르 월드컵에서 반자동 오프사이드 판독 기술이 도입됐다면, 이번 대회에서는 한 단계 더 발전한 AI 기반 판정 시스템이 활용되고 있습니다. 센서가 내장된 스마트 공과 수십 대의 카메라가 선수와 공의 움직임을 실시간으로 추적하고, AI가 이를 분석해 오프사이드나 핸드볼 여부를 심판에게 전달합니다. 여기에 선수들의 신체를 3D로 구현한 디지털 아바타 기술까지 적용되면서 보다 정확한 판정이 가능해졌습니다.

AI 월드컵의 영향은 경기장 밖으로도 이어집니다. 오픈AI에 따르면 현재까지 월드컵과 관련해 1,700만 건 이상의 프롬프트가 입력됐습니다. 사람들은 상대 팀 전력 분석을 요청는 것을 넘어 응원 모임 메뉴를 추천받고, 경기 시청 일정을 계획하고, 심지어 승부차기를 앞두고 긴장을 줄이는 방법까지 AI에게 묻고 있습니다. 이제 AI는 축구를 즐기는 방식까지 바꾸고 있습니다. 어쩌면 이번 월드컵의 진짜 주인공은 선수들뿐 아니라, 우리 곁에서 함께 경기를 분석하고 응원하는 AI일지도 모르겠습니다.

인공지능이 빠르게 발전하고 있지만, AI를 더 똑똑하게 만들기 위해 설계하고 수정하는 것은 사람입니다. 그렇기에 AI 역시 인간의 개입에 크게 의존해 왔습니다. 하지만 동시에, 인간이 AI의 성능을 일정 수준 이상 발전시키지 못하는 병목 현상을 불러일으켰습니다. 그런데 최근에는 AI가 스스로 학습 방법을 개선하며 성능을 높이는 '자기 개선(Self-improvement)' 기술이 주목받고 있습니다.

그렇다면 AI는 어떻게 스스로 똑똑해질까요? 최근 발표된 SIA(Self-Improving AI) 기술은 AI의 구조와 학습 방식, 그리고 내부 가중치까지 함께 개선하는 방식으로 작동합니다. 기존에는 도구 사용법을 바꾸거나 알고리즘을 수정하는 작업이 따로 이루어졌지만, SIA는 이를 하나의 과정으로 통합해 성능 향상을 이끌어냅니다. 여기에 더불어 하이퍼에이전트(Hyperagents)는 문제를 푸는 능력뿐 아니라 문제를 더 잘 푸는 방법 자체를 학습하고 개선합니다.

실제로 이러한 기술은 법률 문서 분류, GPU 성능 최적화, 생명과학 데이터 분석 등 다양한 분야에서 기존 방식보다 뛰어난 결과를 보여주고 있습니다. 특히 하이퍼에이전트는 한 분야에서 배운 문제 해결 방식을 다른 분야에도 적용할 수 있습니다. 핵심은 AI가 더 이상 정해진 방식만 따르지 않는다는 점입니다. 스스로 새로운 알고리즘을 제안하고, 이를 적용해 얻은 결과를 다시 학습에 활용하면서 성능을 계속 끌어올립니다. 즉, AI가 직접 더 나은 학습 방법을 찾고 발전시키는 구조가 만들어진 것입니다.

이 같은 발전은 AI 개발 과정에서 인간의 부담을 줄이고, 기술 발전 속도를 더욱 빠르게 만들 것으로 기대됩니다. 특히 SIA와 하이퍼에이전트는 다양한 분야에 적용 가능한 범용 인공지능(AGI)으로 가는 중요한 단계로 평가받고 있습니다. 앞으로는 AI가 스스로 성능을 개선하는 과정에서 오류나 편향이 발생하지 않도록 검증하는 기술이 중요한 과제가 될 전망입니다. AI가 자신의 구조와 학습 방식을 직접 발전시키는 시대가 점차 현실에 가까워지고 있습니다.

쿼카 쌤이 알려주는 AI Tech 용어 #11 👩‍🏫

인간이 증명하지 못한 수학 문제, AI가 해결할 수 있을까?

이렇게 증명 과정을 Lean으로 작성한 후 컴파일러로 컴파일을 해보면 에러가 없다고 뜨는데 그러면 수학적으로 증명이 검증된다는 의미입니다. 

자연어 증명과 Lean 증명의 차이

자연어로 증명하는 것과 Lean으로 증명하는 것에는 차이점이 있습니다. 두 방식을 간단히 비교해 보면 아래와 같습니다.

수학 분야에서 최근 AI가 이룬 성과

2025년부터 AI는 수학 분야에서 본격적인 성과를 나타내기 시작하였는데 위에서 말한 두 방식을 각각 사용하거나 같이 활용하였습니다.

1946년에 폴 에르되시가 처음 문제를 제시한 이후 80여 년 가까이 아무도 해결하지 못했던 평면 기하학 문제입니다. "평면 위에 n개의 점을 배치할 때 정확히 거리가 1인 쌍의 수는 최대 얼마인가"라는 질문으로 수학자들은 격자 배열이 최선이라고 생각하면서 이를 증명하기 위해 노력하였습니다.

OpenAI의 모델은 기하학 문제를 대수적 정수론이라는 전혀 다른 분야와 연결해 반례를 찾았습니다. 수학에서 노벨상에 버금가는 필즈상 수상자 Tim Gowers는 OpenAI 모델이 내놓은 논문을 보면서 "내가 심사 위원이라면 망설임 없이 Annals of Mathematics3)에 게재를 권고했을 것"이라고 말했습니다. 이 증명은 자연어로 작성되었으며 세계적인 수학자 9명이 검증에 참여하였습니다.

구글 딥마인드의 AlphaProof Nexus는 Lean으로 형식화된 폴 에르되시의 미해결 문제 353개를 Gemini와 Lean컴파일러가 교대로 협력하는 과정을 수천 번 반복하였습니다. 50년 이상 풀리지 않았던 문제 2개를 포함해 총 9개의 문제를 해결하였으며, 결과물인 Lean코드는 컴파일러가 오류가 없다고 검증하면서 완전한 증명이라고 볼 수 있습니다.

현재 자연어 증명 방식의 한계

자연어로 서술하는 방식이 큰 성과를 내었음에도 불구하고 다음과 같은 근본적인 한계가 있습니다.

• 환각(Hallucination)이 발생할 가능성 : AI는 그럴듯해 보이지만 논리적으로는 틀린 증명을 생성할 수 있습니다. 자연어로 쓰인 증명에서는 이러한 오류를 바로 발견하지 못할 수도 있으며, 실제 어떤 오류는 발표된 지 오랜 시간이 지난 후에 드러나기도 하였습니다.
• 검증의 주관성 : 자연어 증명이 옳은지는 해당 분야의 전문가가 직접 읽고 판단해야 하지만 AI가 생성한 모든 증명을 사람이 검토하는 것은 현실적으로 불가능합니다.
• 재현 불가능성 : 동일한 문제를 다시 풀도록 했을 때 틀리거나 기존과 다른 증명이 나올 수도 있습니다. 반면 Lean 증명 과정은 확정적인 코드이므로 누구나 검증할 수 있습니다.

플리토의 준비

OpenAI가 80년 묵은 수학 난제를 자연어 증명으로 해결한 것은 단순히 모델이 뛰어나기 때문만은 아닙니다. 그 이면에는 AI가 "어떻게 생각해야 하는가"를 보여주는 정교한 학습 데이터가 있었습니다. 자연어로 수학을 증명하는 AI를 만들기 위해서는 일반적인 텍스트 데이터와는 전혀 다른 종류와 구조의 데이터가 필요합니다.

가장 핵심이 되는 것은 단계별 추론 체인(Chain of Thought) 데이터입니다. 단순히 "문제-정답" 쌍이 아니라, 전략을 세우고, 시도하고, 실패하고, 방향을 바꾸는 전 과정이 담긴 풀이입니다. 2025년 LIMO 연구는 수십만 개의 단순 데이터보다 수백~수천 개의 이런 고품질 추론 체인이 AI의 수학 능력을 훨씬 더 효과적으로 향상시킨다는 것을 증명4)하였습니다.

또한 단순히 성공한 증명만이 아니라 실패한 시도도 중요한 학습 데이터가 됩니다. "왜 이 방향은 막다른 길인가"를 알려주는 데이터가 있어야 AI가 처음부터 잘못된 방향으로 깊이 파고드는 것을 막을 수 있기 때문입니다. OpenAI의 모델이 80년간 수학자들이 "증명"하려던 추측을 "반례 탐색"으로 접근할 수 있었던 것도 다양한 방향의 사고 패턴을 학습했기 때문입니다.

이러한 데이터를 구축하는 데에는 두 가지가 필요합니다. 첫 번째는 전문적인 수학 지식을 갖춘 사람들을 대규모로 확보하는 것이고, 두 번째는 단순 수집이 아닌 정교한 설계와 품질 기준으로 데이터를 만들어내는 파이프라인입니다. 플리토는 초등학교, 중학교, 고등학교 수준을 넘어 대학 박사과정에 해당하는 수학 데이터셋을 만들고 있습니다. 이를 통해 AI가 수학을 발전시키는데 더욱 공헌할 수 있도록 하겠습니다.

AI 데이터 및 솔루션 전문 기업 플리토가 신한베트남은행의 주요 6개 지점에 실시간 대화형 통번역 솔루션인 '챗 트랜스레이션 엔터프라이즈'를 공급했습니다. 해당 솔루션은 최대 38개 언어를 지원하며, 현지인 직원의 비중이 높은 은행 창구에 배치되어 한국인 고객 및 교민과의 원활한 금융 상담을 지원합니다. 특히 금융 산업의 특성을 고려해 전문용어를 사전 학습시켰고, 6개 성조를 가진 베트남어의 음성 인식 정확도를 높여 오번역 가능성을 최소화했습니다. 아울러 친밀도를 높인 태블릿 안내 화면과 향후 도입될 관리자 대시보드 기능을 통해 고객과 직원의 사용 편의성을 함께 강화한 것이 특징입니다. 이번 사례는 플리토의 AI 기술력이 동남아시아 금융 버티컬 영역으로 본격 확장되었다는 점에서 의의가 있습니다. 나아가 고도화된 현지 언어 특성과 산업별 금융 수요를 반영한 맞춤형 AI 솔루션의 글로벌 시장 확장 가능성을 보여준 것으로 평가됩니다.