AI의 수학 강점は「記憶力」にあり
원제: AI has access to a vastly larger working memory than the human brain
왜 중요한가
AI의 수학 성능을 추론 능력이 아닌 작업 기억 관점으로 재해석함으로써, 향후 AI 설계 및 인지과학 연구 방향에 새로운 시각을 제시한다.
연구자 Davide Piffer는 2026년 8월 4일, AI가 수학 문제를 잘 푸는 핵심 이유는 추론 능력의 향상이 아니라 인간의 작업 기억(working memory)을 훨씬 능가하는 방대한 외부 기호 작업 공간에 접근할 수 있기 때문이라고 주장했다. 인간은 동시에 소수의 정보만 유지할 수 있는 반면, AI는 문제 전체·수백 개의 중간 방정식·제약 조건을 컨텍스트 윈도우 내에 유지할 수 있다.
Davide Piffer는 AI의 수학적 성능 향상에 대한 일반적인 설명—대규모 학습 데이터, 강화학습 기반의 추론 전략 개선, 수학적 직관의 발현—이 모두 일부 사실을 담고 있을 수 있지만, 더 단순한 요인을 간과하고 있다고 지적했다.
그 요인은 바로 작업 기억(working memory)의 차이다. 인간의 작업 기억은 생물학적으로 극히 제한되어 있어, 세 자리 수 두 개를 암산으로 곱하는 것조차 부분 결과를 유지하는 데 어려움이 생긴다. 수학자들은 기보법, 메모지, 도표 등을 활용해 이 한계를 보완하며, 전문가는 '청킹(chunking)'—복잡한 기호 열을 하나의 개념 단위로 인식하는 방법—을 통해 더 많은 정보를 압축하지만, 한계 자체가 사라지는 것은 아니다.
반면 AI는 컨텍스트 윈도우 안에 문제 전문, 수백 개의 중간 방정식, 포기한 접근법, 정의, 제약 조건, 이전 결론을 동시에 유지할 수 있다. Piffer는 이를 종이에 수식을 적는 행위가 지능을 높이는 것이 아니라 유효 작업 기억을 확장하는 것과 같은 원리로 설명했다.
또한 작업 기억이 IQ와는 독립적으로 수학 성취도를 예측한다는 연구도 인용됐다. Alloway와 Passolunghi(2011)의 연구는 아동을 대상으로 작업 기억 측정치가 언어 능력이나 IQ와 별개로 수학 성취에 기여함을 보여줬다. Piffer는 AI를 '전자 아인슈타인'보다는 '기계로 증폭된 폰 노이만(von Neumann)'—엄청난 속도, 폭넓은 지식, 방대한 기호 기억을 가진 존재—에 비유했다.