Теренс Тао, один из величайших математиков современности, лауреат Филдсовской премии и профессор UCLA, размышляет о том, как искусственный интеллект (ИИ) меняет фундаментальную науку. В интервью каналу Big Think он описывает переход от традиционных методов теории и эксперимента к эпохе «больших данных» и автоматизированного поиска решений. Тао предупреждает о парадоксе: ускорение получения ответов с помощью ИИ может привести к деградации человеческого понимания и утрате самой сути научного поиска.
🚁 Вертолет к водопаду: парадокс эффективности в науке 0:00
Теренс Тао сравнивает традиционную науку с долгим походом через лес к водопаду . В этом процессе важен не только результат, но и само путешествие: ученые составляют карту, сбиваются с пути, но в процессе находят другие интересные явления, которые могут стать основой для будущих открытий .
- Метафора ИИ: Современные инструменты ИИ работают как вертолет, который доставляет вас прямо к цели (водопаду) и возвращает обратно.
- Утрата контекста: При таком подходе исследователь не узнает ничего о маршруте, не увидит «скалы», которые пока невозможно преодолеть, и не получит инсайтов, возникающих при медленном преодолении трудностей .
- Главный риск: Процесс становится эффективнее, но ученые перестают расти профессионально, не приобретая навыков глубокого понимания «почему» и «как» работает то или иное решение .
📊 Эволюция научных парадигм: от Кеплера до Big Data 1:37
Математик выделяет четыре ключевых этапа в истории науки, которые сейчас дополняются пятым — искусственным интеллектом:
- Теория и эксперимент: Классическая модель Ньютона или Кеплера, где теория проверяется данными . Математика долгое время была почти чистой теорией, за редким исключением «вычислительных экспериментов» Гаусса с простыми числами .
- Симуляция: Появление суперкомпьютеров позволило моделировать сложные процессы (например, ураганы) вместо проведения дорогостоящих реальных испытаний .
- Большие данные (Big Data): Переход от подтверждения конкретных теорий к поиску паттернов в петабайтах информации .
- ИИ-трансформация: Переход к автоматизации всех предыдущих этапов. ИИ может выступать как агент для кодинга, анализа данных и даже автоматического вывода теорем из аксиом .
🧠 Как работают LLM и почему они «галлюцинируют» 5:29
Тао объясняет работу больших языковых моделей (LLM) через концепцию регрессии и поиска паттернов . По его мнению, это всего лишь игра в угадывание следующего слова, но на колоссальном масштабе .
- Механика предсказания: Если фраза «Розы красные, фиалки...» легко дополняется словом «синие» , то в масштабе триллионов точек данных модель начинает улавливать скрытые правила языка и грамматики, которые человек часто не осознает .
- Иллюзия разума: LLM не обладают глубоким пониманием мира. Это напоминает «очень эрудированного, но слегка пьяного человека», который выдает идеи . Однако при правильном подходе (многократные проверки, пошаговые промпты) из этого хаоса можно извлечь полезный результат .
- Дополнение, а не замена: Человеческий интеллект сфокусирован на глубине, а ИИ — на широте. Человек выбирает одну-две важные задачи, тогда как ИИ может перебрать тысячи вариантов, находя решения там, где люди их пропустили из-за предвзятости или незнания редких публикаций 1970-х годов .
🪐 Уроки истории: Кеплер против «оверфиттинга» 13:50
История Иоганна Кеплера служит для Тао предостережением. Кеплер пытался вписать орбиты планет в идеальные геометрические формы (платоновы тела) . Только после анализа точных данных Тихо Браге он понял, что его красивая теория ошибочна, и пришел к идее эллиптических орбит .
- Риск переобучения (overfitting): Современные ИИ могут создавать слишком сложные модели, которые идеально подходят под существующие данные, но не обладают предсказательной силой для новых условий .
- Ложные метрики: Если бы у Кеплера был ИИ, он мог бы отвергнуть правильную гелиоцентрическую модель на раннем этапе, так как изначально геоцентрические модели с их сложными надстройками давали более точные предсказания для наблюдателя .
📚 «Интоксикация» доказательствами и будущее профессии 17:46
Тао указывает на новую проблему математики — избыток сгенерированного контента, который он называет «несварением доказательств» (proof indigestion) .
- Автоматизация этапов: ИИ отлично справляется с генерацией и проверкой корректности доказательств, но буксует на этапе их упрощения для учебников и объяснения «почему это важно» .
- Кризис рецензирования: Ученые тонут в потоке предложенных решений. Раньше решение важной проблемы заставляло всех экспертов бросить дела и изучать его; теперь таких решений слишком много, и они часто написаны «неприятным» для чтения языком .
- Угроза для студентов: Если задачи начального уровня (для магистров и аспирантов) будут решать нейросети, возникнет разрыв в подготовке кадров. Мы получим быстрые результаты сегодня, но лишимся следующего поколения ученых с оригинальными идеями .
Теренс Тао заключает, что обществу необходимо вернуться к обсуждению ценности «медленной» науки, движимой любопытством, а не только технологической эффективностью .
