Когда решение задачи хуже её отсутствия: кризис ИИ глазами Терренса Тао

Один из топовых математиков современности Терренс Тао перешел от дружбы с OpenAI к «военному положению». Причина: генерация формально верных ответов с помощью ИИ стала копеечной, а человеческое понимание не масштабируется. В итоге наука рискует захлебнуться в технически безупречном, но мертвом «радиоактивном шлаке».

Терренс Тао — это не замшелый ретроград из академического склепа. Он с 2023 года тестировал фронтирные сетки, двигал формализацию доказательств в Lean и утверждал, что с бигтехом надо сотрудничать, а не воевать.
Однако к концу 2026 года риторика Тао изменилась радикально: подписание жестких манифестов с другими филдсовскими лауреатами и разрыв конструктивного диалога с лабораториями вроде OpenAI.

У LLM есть фундаментальная проблема — галлюцинации, которые адски дорого валидировать в реальном мире. Но в математике сошлись три фактора:
1. Абсолютная механическая верифицируемость (пруф либо компилируется проверщиком, либо идет в мусорку).
2. Полная оцифрованность (не нужны физические лаборатории и датчики).
3. Гигантский массив чистых исторических данных.

Схема казалась рабочей. Пока в игру не вступил тупой корпоративный KPI 📉

Когда OpenAI почуяли, что конкуренты дышат в спину на задачах тысячелетия, в топку полетели тераватты вычислений, рой из 10 000 агентов без сна и отдыха перемалывал гипотезы, а премиум-подписки обычным смертным банально прикрыли, чтобы стянуть мощности на расчет уравнений Навье-Стокса.

Ну а в итоге OpenAI вывалили в паблик решения 722 сложнейших задач из сотен областей.
Казалось бы — триумф сингулярности? 🖤
Но лаборатория выкатила 165-страничные простыни нечитаемого машинного кода, за которыми не стоит ни одного живого автора. Никто не приедет на конференцию, никто не ответит на вопросы, никто не объяснит физический или концептуальный смысл выкладок. Зато десятки аспирантов и постдоков по всему миру, годами аккуратно копавших эти направления, в один день обнаружили, что их темы цинично заасфальтированы ради красивого корпоративного пресс-релиза.

Корпорации оптимизировали метрику (количество закрытых задач), попутно умножив на ноль саму суть научного процесса. В чистой математике решение конкретной задачи исторически было лишь поводом. По закону Гудхарта, став самоцелью, она перестала быть показателем прогресса. Главная ценность — путь: пока ты 10 лет бьешься головой о сложную проблему, ты попутно строишь новые теории, находишь неочевидные связи между дисциплинами, учишь студентов и расширяешь инструментарий всего человечества.

Тао прямо сравнивает ИИ с переходом человечества от дефицита калорий к их переизбытку. Если жрать всё подряд без разбора, результатом будет не сила, а метаболическое ожирение и атрофия мышц. В образовании это уже видно невооруженным глазом: оценки студентов растут, а их реальная способность думать в условиях неопределенности падает.

Тао предлагает правила гигиены, которые стоит набить на лбу каждому техлиду и инженеру:

1 Правило ред-тиминга. Используйте AI только там, где способны самостоятельно перепроверить каждый шаг вывода. Если вы не понимаете архитектуру решения настолько, чтобы выйти к доске (или на код-ревью к техлиду) и без подсказок защитить каждую строчку — ИИ в этом процессе быть не должно.

2 Налог на объяснение. Авторство и признание должны принадлежать не тому, кто первым нажал кнопку и сгенерировал простыню, а тому, кто смог ее упаковать, объяснить и сделать пригодной для повторного использования.

3 Сохраняйте естественное трение. Если вы отдаете моделям задачи, требующие глубоких ментальных усилий, вы не становитесь эффективнее — вы просто атрофируете мозг. Калькуляторы убили устный счет, GPS снес пространственную ориентацию, а тотальный AI-ассистинг добивает способность держать сложную систему целиком в голове.

Тао больше не видит смысла в «конструктивном диалоге» с закрытыми монополиями. Сейчас он строит альтернативу — открытую экосистему Open Math OS и некоммерческие институты, где во главе угла стоит не галочка в бенчмарке, а человеческое понимание и интерпретируемость.

Не отдавайте машинам то, ради чего вы вообще пришли в профессию — понимание сути вещей. 🧠