OpenAI는 Astra라는 모델군을 개발 중이며, 이 모델은 여러 AI 에이전트를 수시간 또는 수일에 걸쳐 어려운 문제에 조정해 적용할 수 있다고 회사는 말한다. The Decoder의 보도에 따르면, 회사는 이 시스템의 내부 버전을 사용해 이전까지 해결되지 않았던 수학 및 이론 컴퓨터과학 문제 10개에 대한 해답을 도출했다.

이 작업은 OpenAI가 짧은 상호작용형 답변을 넘어 장기 연구 워크플로로 나아가려는 시도를 보여 주는 지금까지의 가장 분명한 공개 신호다. 보도에 따르면 Astra는 CEO Sam Altman이 워싱턴의 정책 입안자들에게 시연했으며, 모델들은 아직 테스트 중이고 공개 출시일은 발표되지 않았다.

Astra’s reported focus: extended reasoning

Astra 프로젝트는 복잡한 문제를 여러 에이전트가 분담해 조사하고, 비판하고, 수정할 수 있도록 결합하는 것을 목표로 한다. 이런 설계는 일반적으로 더 짧은 상호작용 창 안에서 작업을 끝내는 기존 챗봇이나 코딩 보조 도구와는 다른 범주에 속하게 된다.

The Decoder는 Astra가 결국 GPT-6 또는 미래의 GPT-5 변형으로 등장할 수 있다고 보도했지만, OpenAI는 이 시스템의 이름과 패키징을 어떻게 할지 아직 결정하지 않았다. 이 프로젝트는 또한 OpenAI가 보고한 Sol, Terra, Luna 계열과 함께 새로운 모델 클래스로 설명된다.

회사의 장기 목표는 계획하고, 추론하고, 실험하며, 지속적인 인간 개입 없이 계속 작업할 수 있는 시스템을 만드는 것이다. The Decoder에 따르면 OpenAI 수석 과학자 Jakub Pachocki는 이전에 수시간 또는 수일 동안 문제를 다룰 수 있는 AI 시스템이라는 목표를 언급한 바 있다. Astra는 그 야망을 검증된 제품 방향으로 바꾸려는 시도로 보인다.

Ten mathematical results, with human verification

OpenAI의 수학 보고서에 따르면 내부 Astra 시스템은 고차원 기하학, 부호 이론, 군론, 양자 복잡도, 격자 암호, 극값 조합론 등에서 10개의 열린 문제를 해결했다. 보도에 따르면 이 문제들은 최소 10년 이상, 많은 경우 훨씬 더 오랫동안 진전을 막아 왔다.

보고된 결과 중 하나는 비소픽 군의 존재를 확립해 군론의 중대한 질문을 해결한다. 결과의 수학적 의미는 OpenAI만이 아니라 연구자들이 평가하고 있다. erdosproblems.com을 운영하는 맨체스터 대학교 수학자 Thomas Bloom은 The Decoder가 전한 댓글에서 이 구성들을 큰 뉴스라고 설명했다.

OpenAI는 모델이 수학적 논증을 생성했고, 연구자들이 이를 논문으로 정리하고 모든 증명을 Lean으로 형식화하는 것을 도왔다고 말한다. 이 형식화는 기계가 검증할 수 있는 인증서를 만들어 내어, 그럴듯한 자연어 답변을 넘어서는 중요한 검증 층을 제공했다.

이 차이는 중요하다. OpenAI는 공개된 작업의 정확성에 대해 자사 연구자들이 책임을 진다고 밝혔지만, 핵심 논증은 Astra에서 나왔다고 말했다. 회사는 또한 AI 시스템이 생성한 증명에 완전한 인간 저자를 부여하는 것은 시스템의 기여를 잘못 전달하는 것이라고 주장해 왔다. 결과의 최종 상태는 Lean 산출물이나 설명용 절차만이 아니라, 수학자와 다른 독립 전문가들의 검토에 달려 있다.

What the evidence does and does not show

이 이야기에서 가장 강한 성능 주장은 The Decoder가 전한 OpenAI 자체 보고서에서 나온다. 현재 उपलब्ध한 증거에는 Astra가 장기 연구 작업에서 다른 고급 시스템보다 지속적으로 뛰어나다는 것을 보여 주는 독립 벤치마크가 없다.

OpenAI는 10개 해답을 생성하는 데 사용된 토큰의 비용이 Sol의 API 요금 기준으로 약 2,000달러였을 것이라고 추정했다. 이 수치는 공급업체의 추정치이며, 시스템 개발·운영·감독·검증에 드는 더 넓은 비용은 포함하지 않는다. 또한 동일한 접근 방식이 많은 수의 연구 문제에 대해 경제적일 것임을 입증하지도 않는다.

Astra에 사용된 테스트 시점 추론 기술과 관련된 연구자 Noam Brown은 이 시스템이 일곱 개의 밀레니엄 문제를 하나도 해결하지 못했다고 말했다. 그는 또한 테스트 시점 계산량을 훨씬 더 늘리면 결과가 개선될 수 있다고 시사했다. 그의 발언은 이 접근법의 가능성과 한계를 함께 보여 준다. 어려운 추론은 가능할 수 있지만, 상당한 추론 시간과 자원이 필요하다는 것이다.

따라서 이 결과를 AI가 수학자를 대체했다는 증거로 읽어서는 안 된다. Bloom은 그런 해석을 거부하며, 이 시스템이 한 세기가 넘는 수학 지식과 이를 구축하고 훈련한 연구자들의 작업에 의존한다고 지적했다. 인간 전문가들은 여전히 문제 선정, 평가, 형식화, 출판에 관여하고 있다.

Why Astra matters to AI builders and enterprises

AI 개발자들에게 Astra는 단일 응답으로 측정되는 모델 품질에서 워크플로를 지속할 수 있는 능력으로 평가되는 시스템으로의 전환을 보여 준다. 유용한 장기 에이전트는 목표를 유지하고, 늘어나는 문맥을 관리하며, 실패한 접근을 감지하고, 언제 인간 개입을 요청할지 판단해야 한다. 이런 요구사항은 주문형 텍스트 생성보다 연구팀을 운영하는 것에 훨씬 가깝다.

멀티 에이전트 설계는 새로운 신뢰성 위험도 만든다. The Decoder는 과정이 계속될수록 오류가 누적될 수 있고, 조정 오버헤드 때문에 여러 에이전트가 밀접하게 연결된 계획 작업에서 덜 효과적일 수 있다고 지적했다. 몇 시간 후에 설득력 있지만 틀린 결론을 내는 시스템은, 빠르게 실패하는 시스템보다 감사하기 더 어려울 수 있다.

그래서 Lean 형식화가 고위험 기술 작업에서 특히 중요하다. 기계가 검증할 수 있는 증명은 연구 품질에 관한 모든 질문을 해결하지는 못하지만, 구체적인 검증 메커니즘을 제공한다. 다른 분야에서는 재현 가능한 실행, 출처 추적, 중간 점검, 테스트, 불확실한 결과에 대한 명확한 에스컬레이션 경로 같은 유사한 통제가 필요하다.

기업 구매자도 비용 구조를 주시해야 한다. 수시간 또는 수일을 작업에 쓰는 시스템은 과학적 발견, 공학, 복잡한 분석에서 가치를 창출할 수 있지만, 경제성은 일반적인 채팅이나 검색 워크로드와 크게 다를 것이다. OpenAI가 제시한 토큰 추정치는 유용한 맥락일 뿐, 완전한 운영 비용 모델은 아니다.

Government review and deployment uncertainty

The Decoder는 Astra 모델이 공개 출시 전에 승인이 필요한 예정된 미국 정부 검토 체계에서 가장 먼저 검토되는 시스템들 가운데 하나가 될 것으로 예상된다고 보도했다. 이 체계의 시기와 최종 구조는 현재 उपलब्ध 증거에서 여전히 불확실하다.

검토 절차는 OpenAI가 장시간 동작하는 AI 에이전트를 어떻게 배포할지에 영향을 미칠 수 있다. 특히 이들이 조사, 소프트웨어 작성, 제한된 감독 하의 운영을 할 수 있다면 더욱 그렇다. 또한 장기 자율 워크플로를 일반적인 모델 출시와 다르게 취급하는 선례를 만들 수도 있다.

OpenAI는 Astra를 API로 제공할지, ChatGPT에 내장할지, 연구 프리뷰로 출시할지, 아니면 내부용으로 유지할지 발표하지 않았다. 이러한 결정이 내려지기 전까지 개발자들은 지연 시간, 가격, 도구 접근성, 안전장치, 실질적 한계를 평가할 수 없다.

What to watch next

당장의 신호는 OpenAI의 전체 수학 보고서와 독립적인 수학자들이 10개 결과를 검증하는지 여부다. Lean 형식화의 품질, 인간 개입의 정도, 보고된 해답의 재현성은 헤드라인의 숫자보다 더 많은 정보를 제공할 것이다.

시장도 고립된 시연이 아니라 장기 작업을 다루는 공개 Astra 평가를 주시해야 한다. 유용한 지표에는 성공률, 실패한 추론 경로에서의 복구, 소비된 연산량, 단일 에이전트 대안과의 성능 비교가 포함된다.

마지막으로, OpenAI의 제품 명칭, 출시 채널, 정부 검토 상태는 Astra가 실험적 연구 시스템인지, 아니면 회사의 다음 주류 모델 세대의 기반인지 명확히 해 줄 것이다.

Creati.ai perspective

Astra의 중요성은 10개의 수학 답변보다, OpenAI가 추구하는 운영 모델에 더 있다. 즉, AI 시스템이 문제에 상당한 연산 자원과 시간을 들이고, 전문화된 프로세스를 조정하며, 검증 가능한 결과물을 반환하는 모델이다. 이는 연구에서 AI의 역할을 넓힐 수 있지만, 원시 추론 능력과 함께 신뢰성과 비용이 개선될 때에만 가능하다.

개발자에게 주는 실질적 교훈은 장기 에이전트를 시스템 엔지니어링 프로젝트로 다루는 것이다. 지속 상태, 검증, 자원 통제, 인간 검토는 기반 모델만큼 중요하다. OpenAI의 주장은 의미가 크지만, Astra의 진짜 시험은 독립 사용자가 신중하게 선별된 데모 밖에서 어려운 워크플로를 일관되게 완료하는지 측정할 수 있을 때 찾아올 것이다.