큰 정리를 작은 목표로 나누면 인공지능(AI) 증명은 더 강해질까?
DeepSeek-Prover-V2는 비형식 풀이를 하위 목표로 재귀 분해해 형식 추론의 학습 자료와 보상 구조를 만든다.
그림에서 무엇을 볼까요?
큰 정리를 작은 목표로 나누면 AI 증명은 더 강해질까?의 질문, 방법, 결과와 적용 범위를 세 단계 카드로 정리한 교육용 도식
목표 G를 한 번에 생성하는 대신 보조정리 A와 B로 나누고 A→B→G의 의존 관계를 만든다. A와 B가 각각 검사기를 통과해도 연결에 필요한 가정이 빠지면 전체 증명은 실패한다. 따라서 하위 목표 성공률과 최종 컴파일 성공을 구분해야 한다.
LTCT 도식은 큰 목표가 두 하위 목표로 갈라졌다가 검증된 의존선으로 합류하는 구조다. 합류점과 화살표 끝은 노드 경계에 맞췄고 실제 논문 도표는 복제하지 않았다.
함께 확인할 점
arXiv v2 사전출판본으로 동료심사 확정판이 아니며 모델·벤치마크 수치는 이후 버전에서 바뀔 수 있다.
높은 pass 조건과 대규모 계산을 쓰는 벤치마크 성능은 한 번의 생성, 새로운 라이브러리, 사람에게 이해하기 쉬운 증명 품질을 보장하지 않는다.
공개본에서 확인한 범위를 넘어 저자나 참가자의 속성을 추측하지 않았고 최초 발표일과 개정·권호 출판일을 구분했습니다.
생각해 볼 질문
하위 목표가 모두 맞으면 전체 증명도 반드시 맞을까?
같은 결정도 결과가 나쁘면 더 나쁜 판단으로 보일까?
설명으로 읽은 위험과 직접 배운 위험은 같은 선택을 낳을까?
위험비 하나로 두 집단의 생존 차이를 모두 설명할 수 있을까?