Лучший математик мира использует AI каждый день. Вот что он понял

Двадцать лет. Столько Кеплер перебирал случайные теории о том, как устроена Солнечная система. Платоновы тела, вписанные между орбит��ми планет. Музыкальные гармонии небесных сфер. Астрологические корреляции. Он пробовал всё подряд — и большая часть оказалась мусором.

Но в этом мусоре нашлись три закона планетарного движения. На них Ньютон потом построил всю классическую механику.

Когда я услышал эту метафору в свежем интервью Теренса Тао, меня пробило. Это же LLM. С temperature=1.0. Генерирует тысячу гипотез, 99% — слоп, но если есть датасет для верификации (спасибо Тихо Браге и его двадцати годам ночных наблюдений невооружённым глазом) — рано или поздно что-то попадает в цель.

Причём книга, в которой Кеплер записал свой третий закон, называлась «Гармонии мира» — и по большей части состояла из рассуждений о том, какие ноты соответствуют каким планетам. Третий закон стоял там между абзацами про то, что на Земле столько бед, потому что её нота — ми-фа-ми. Полезный сигнал, утопленный в шуме. Знакомо?

Почему Тао стоит слушать

Прежде чем разбирать тезисы — пару слов о том, кто говорит.

Теренс Тао — не просто «хороший математик». Это, вероятно, самый выдающийся математик нашего времени, и многие называют его одним из умнейших людей на планете. IQ ^[1], по разным оценкам, в районе 220-230. Филдсовская медаль — математический аналог Нобелевской — в 31 год. Опубликовал первую научную работу в 15 лет. Работает одновременно в десятке разных областей математики ^[2]: теория чисел, комбинаторика, гармонический анализ, дифференциальные уравнения, случайные матрицы. Нормальный математик специализируется в одной-двух. Тао — в десяти.

И вот что делает его мнение об AI особенно ценным: он не теоретик, не футуролог и не CEO компании, которая продаёт AI-продукты. Он — практик, который ежедневно использует AI-инструменты в своей работе. Он видит, что реально работает, что нет, и где проходит граница. И у него нет финансовой мотивации ^[3] преувеличивать или преуменьшать. Когда Амодеи или Альтман говорят, что AI изменит мир — у них на кону миллиарды. Когда Тао говорит — у него на кону только репутация. А репутацией он дорожит.

20 марта 2026-го Двакеш Патель опубликовал полуторачасовое интервью с Тао. Я прослушал его целиком и считаю, что это одна из самых ценных публичных бесед об AI за последний год. Не потому, что там есть какой-то хайповый прогноз. А потому, что Тао смотрит на AI через призму того, как наука ^[4] делалась столетиями — и эта оптика отрезвляет.

Оригинал интервью ^[5] — полтора часа на английском, рекомендую целиком. Ниже — ключевые тезисы и мои размышления.

Идеи теперь стоят ноль

Центральный тезис Тао: AI обрушил стоимость генерации идей почти до нуля. Примерно так же, как интернет обрушил стоимость коммуникации.

Звучит как комплимент? Не совсем.

Раньше в науке был один главный герой — человек, которого «осенило». Архимед в ванне. Ньютон под яблоней. Эйнштейн в патентном бюро. Вся система — публикации, цитирования, Нобелевские премии — была построена вокруг этого момента озарения ^[6]. Мы праздновали генерацию идей, потому что она была редкой и дорогой.

Теперь она дешёвая. Можно нагенерировать тысячу гипотез за минуту. И тут начинается проблема.

Тао формулирует её так: мы умеем генерировать возможные объяснения в огромном масштабе, и некоторые из них хорошие, а многие — ужасные. Но человеческие рецензенты уже перегружены. Журналы тонут в AI-сгенерированных submission-ах. Старая система peer review была рассчитана на мир, где написать статью — дорого и трудно. В мире, где это дёшево — нужна другая система. А её пока нет.

Для разработчиков параллель прямая. Мы уже живём в этом мире: AI генерирует код быстрее, чем мы можем его ревьюить. Бэклог пулл-реквестов растёт. Automated tests ловят только то, что мы догадались протестировать. А «прогнать через CI» — это не верификация, это проверка синтаксиса. Верификация — это когда человек смотрит и говорит: «Погоди, а это правильно решает задачу? А мы вообще ту задачу решаем?»

Кстати, Тао делает красивое историческое замечание: мы празднуем Кеплера за его гениальные идеи. Но Тихо Браге, который двадцать лет подряд каждую ясную ночь записывал положения планет — с точностью в десять раз выше, чем у всех предшественников — заслуживает не меньшего уважения. Без его данных идеи Кеплера остались бы в категории «Платоновы тела и планетарные ноты». Генерация без верификации — это слоп. Было так в XVII веке, так и сейчас.

50 задач Эрдёша и честная статистика

Тао рассказывает историю, которая одновременно вдохновляет и отрезвляет.

За последние месяцы AI-инструменты решили примерно пятьдесят задач из знаменитого списка открытых проблем Пала Эрдёша. Некоторые стояли десятилетиями. Звучит невероятно.

Теперь другая сторона. Из тысячи ста задач Эрдёша осталось ещё шестьсот. И после первого всплеска — когда AI «one-shot» решал задачи — наступило плато. Тао знает как минимум о трёх независимых попытках натравить фронтирные модели на все оставшиеся задачи разом. Результат: модели находят мелкие наблюдения, иногда обнаруживают, что задача уже решена в литературе, но ни одного нового чисто AI-решения.

И вот ключевая деталь, которую легко пропустить. При систематическом изучении, на каждой конкретной задаче AI-инструмент имеет вероятность успеха в 1-2%. Просто модели покупают масштаб и выбирают победителей. В Twitter попадают только победы.

Один-два процента. Остальные 98% — или мусор, или «почти, но нет». Это не значит, что AI бесполезен. Это значит, что мы видим мощнейший selection bias. И что реальная картина не такая, как в Twitter-ленте.

У Тао есть замечательная метафора для этого. Представьте горный хребет в темноте. Скалы разной высоты: три метра, шесть, пятнадцать, километр. AI — это прыгающий робот, который прыгает на два метра выше любого человека. Иногда прыгает не в ту сторону, иногда разбивается. Но иногда допрыгивает до верхушки самых низких скал, до которых люди не дотягивались. Мы запустили этих роботов в горный хребет, и было захватывающее время, пока они покоряли все трёхметровые стены.

Но карабкаться, цепляться за выступы, подтягивать напарника, прокладывать маршрут наверх — этого они не умеют. Либо допрыгнул, либо нет. Промежуточный прогресс — не их сильная сторона.

Это объясняет, почему при каждом следующем скачке моделей будет новый всплеск «AI решил N нерешённых задач!» — и потом снова плато. Робот научился прыгать на три метра вместо двух — упали все четырёхметровые стены. Шум, восторг. А потом тишина до следующего апгрейда.

Богаче, шире, но не глубже

В 2023 году Тао предсказал, что к 2026-му AI станет «надёжным соавтором» в математике. Предсказание сбылось — и он этим доволен. Но вот как он описывает реальность на практике — не совсем то, что ожидаешь от «5x ускорения».

Его статьи стали содержать больше кода, больше графиков, больше числовых экспериментов. Раньше он описывал визуализацию словами — теперь генерирует за минуты то, что раньше заняло бы часы. Литературный обзор стал глубже. Оформление — быстрее. Один AI-агент теперь автоматически поправляет размеры скобок в LaTeX. Если бы он сегодня писал свои статьи без AI — это заняло бы раз в пять дольше.

Но.

Ядро того, что он делает — решение самой сложной части математической задачи — не изменилось. Он по-прежнему использует для этого ручку и бумагу. Пятикратное ускорение — на вспомогательных задачах. Ноль — на главном.

Статьи стали богаче и шире. Но не глубже.

Меня это зацепило, потому что в разработке я наблюдаю похожую картину. AI-агенты отлично справляются с бойлерплейтом, рефакторингом, тестами, документацией — вспомогательные задачи ускоряются кратно. Но архитектурные решения, декомпозиция сложной предметной области, выбор между двумя одинаково приемлемыми подходами — это по-прежнему человеческая работа. И именно она определяет, будет ли продукт жить или превратится в кучу кода, которую никто не может поддерживать.

Хитрость — не интеллект

Тао проводит тонкое различие между «artificial cleverness» и «artificial intelligence». Хитрость — это когда система может прыгнуть и попасть в цель. Интеллект — это когда система может прыгнуть, зацепиться на полпути, оценить ситуацию, подтянуть напарника — и оттуда планировать следующий шаг.

Нынешние модели — хитрые. Они могут одним махом решить задачу, которую человек не мог решить десятилетиями. Это реально впечатляет. Но они не строят кумулятивно. Каждая сессия — с чистого листа. Ничего не сохраняется от предыдущей попытки. Нет промежуточных результатов, на которые можно опереться.

Тао описывает это прямо: запускаешь новую сессию — и модель забыла, что только что делала. У неё нет новых навыков для родственных задач. Может, что-то усвоится в виде 0.001% обучающих данных следующего поколения. Но прямо сейчас кумулятивного процесса нет.

Для математики это критично. Решение серьёзной задачи — месяцы итеративной работы, где каждый шаг опирается на предыдущий. Разговор с коллегой, где мысль развивается в реальном времени. Черновик, переписанный трижды. Тупик, из которого выбрался, но запомнил урок. Это всё — интеллект. Прыгнуть и попасть — хитрость.

(Кстати, это перекликается с ещё одним различием, которое Тао проводит между «кодированием» и «инженерией». Набирать символы — одно. Проектировать систему, понимать ограничения, принимать решения при неполной информации — другое. AI хорошо набирает символы.)

Коперниканская революция сознания

Есть в интервью одна мысль, которая… неудобная.

Тао говорит: мы привыкли думать, что человеческий интеллект — центр вселенной. Теперь мы видим, что существуют совершенно другие типы интеллекта, с другими сильными и слабыми сторонами. И наша оценка того, какие задачи требуют интеллекта, а какие нет — должна быть серьёзно пересмотрена.

Коперник убрал Землю из центра Вселенной. Дарвин убрал человека из центра биологии. Тао говорит: AI убирает человеческое мышление ^[7] из центра когнитивного мира.

Это не значит, что мы глупее машин. Это значит, что мы неправильно понимали, что такое «умный». Мы считали, что распознавание лиц — просто, а умножение десятизначных чисел — сложно. Оказалось, для компьютера — наоборот. Мы думали, что написание связного текста — тривиальность, а доказательство теорем — вершина интеллекта. Ну, тут тоже всё оказалось не так однозначно.

Тао не драматизирует. Он скорее наблюдает, как учёный: вот феномен, вот данные, вот что из этого следует. Но масштаб пересмотра — огромен. Мы буквально переосмысляем, что значит «думать».

Серендипити под угрозой

Самая неожиданная часть интервью — про случайность ^[8].

Тао рассказывает, что проведя год в Институте перспективных исследований в Принстоне — месте, созданном для чистого мышления, без отвлечений — через несколько месяцев он заскучал. Стал больше сидеть в интернете. Иссякло вдохновение. Оказалось, что ему нужен определённый уровень хаоса в жизни. «Это добавляет достаточно случайности и high temperature,» — его слова.

Он вспоминает, как раньше ходил в библиотеку за конкретной журнальной статьёй — и случайно натыкался на соседнюю статью, которая оказывалась не менее интересной. Сейчас вбиваешь запрос в поисковик и получаешь ровно то, что искал. Эффективно. Но случайных находок больше нет.

С COVID стало хуже. Все встречи перешли в Zoom, всё за��ланировано. Количество контактов не уменьшилось — но исчезли незапланированные разговоры у кофе-машины, случайные стуки в дверь кабинета. А именно из таких моментов часто рождались самые неожиданные коллаборации.

Это мысль, которая заставляет остановиться. Мы так увлечены оптимизацией — AI-ассистенты планируют день, фильтруют информацию, убирают «шум» — что забываем ^[9]: иногда шум и есть сигнал. Не всякий шум. Но тот, который ты не искал и не ожидал.

Тао, кстати, признаётся, что ему приходилось специально отучать себя от компьютерных игр — потому что если он начинает игру, то не может остановиться, пока не пройдёт все уровни. Обсессивная streak, как он говорит. И эта же черта — нежелание оставить что-то непонятым — двигает его в математике. Кто-то решил задачу методом, который ему незнаком? Его бесит, что кто-то может сделать то, что он не может. И он лезет разбираться.

Живой человек, не абстрактный гений ^[10]. Это тоже часть того, почему интервью стоит послушать.

Что из этого следует для тех, кто пишет код

Тао говорит про математику, но если заменить «теоремы» на «фичи», а «Lean» на «TypeScript» — картинка подозрительно знакомая.

AI отлично работает на breadth. Прогнать тысячу вариантов, проверить все edge cases, перелопатить документацию, предложить десяток реализаций — здесь модели уже сильнее человека. Но выбрать правильную архитектуру, понять, что именно нужно пользователю, увидеть, что задача поставлена неверно — это depth, и тут пока мы.

Selection bias работает и в разработке. Видеоролики «я сделал SaaS за 4 часа с Claude» набирают миллионы просмотров. Тысячи людей, которые потратили 4 часа и получили нерабочий код, — не записывают видео. Тот же эффект, что с задачами Эрдёша: 1-2% успеха, но на экран попадают только победители.

«Богаче и шире, но не глубже» — точное описание того, что происходит с кодовыми базами, в которые активно пишет AI. Больше тестов, больше документации, больше обработки edge cases. Но архитектура не становится чище. Абстракции не становятся точнее.

Нет, подождите. Это звучит слишком пессимистично. Тао — не пессимист. Он прямо говорит: гибриды «человек + AI» будут доминировать в математике ещё долго. Не чистый AI, не чистый человек — связка. И что нам нужно учиться работать с breadth-возможностями, потому что раньше их просто не было. Это новый тип науки — и новый тип разработки. Мы им пока плохо пользуемся. Те, кто научатся первыми — выиграют.

Это, пожалуй, самый практичный вывод из полуторачасового интервью. Не «AI заменит» и не «AI бесполезен». А: появился инструмент, который делает breadth дешёвым. Раньше его не было. Перестройте процессы.

Вместо заключения

Тао заканчивает интервью словами: «Это пугающее, но очень захватывающее время.» Без пафоса, без рецептов.

От себя добавлю одно. В потоке громких заявлений о том, что AI «уже заменил» или «скоро заменит» — голос человека, который реально работает на переднем крае, причём не технологии, а фундаментальной науки — звучит трезво. И честность вроде «прогресс одновременно потрясающий и разочаровывающий» — это, может быть, ценнее любого бенчмарка.

(И да — я не планировал слушать полуторачасовое интервью математика в четверг вечером. Наткнулся случайно. Серендипити в действии.)

Полное интервью: Terence Tao — Kepler, Newton, and the true nature of mathematical discovery ^[5] (англ., ~1.5 часа). Есть видео на YouTube и аудио в подкастах.

---

Веду канал про AI в разработке — @maslennikovigor ^[11]. Если хотите обсудить что-то из статьи лично — @maslennikovig ^[12].