# Теренс Тао о парадоксе ИИ: почему быстрая наука может привести к утрате понимания

Источник: https://www.youtube.com/watch?v=svl_1upFpQo&feature=youtu.be
Канал: Big Think Clips
Опубликовано: 03.09.2026

---

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
[[JUMP:00:00]]

Теренс Тао сравнивает традиционную науку с долгим походом через лес к водопаду [00:00]. 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 [00:14].

*   **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 [00:40].
*   **Главный риск:** Процесс становится эффективнее, но ученые перестают расти профессионально, не приобретая навыков глубокого понимания «почему» и «как» работает то или иное решение [04:53].

## 📊 Эволюция научных парадигм: от Кеплера до Big Data
[[JUMP:01:37]]

Математик выделяет четыре ключевых этапа в истории науки, которые сейчас дополняются пятым — искусственным интеллектом:

1.  **Теория и эксперимент:** Классическая модель Ньютона или Кеплера, где теория проверяется данными [01:52]. Математика долгое время была почти чистой теорией, за редким исключением «вычислительных экспериментов» Гаусса с простыми числами [02:06].
2.  **Симуляция:** Появление суперкомпьютеров позволило моделировать сложные процессы (например, ураганы) вместо проведения дорогостоящих реальных испытаний [02:33].
3.  **Большие данные (Big Data):** Переход от подтверждения конкретных теорий к поиску паттернов в петабайтах информации [02:47].
4.  **ИИ-трансформация:** Переход к автоматизации всех предыдущих этапов. ИИ может выступать как агент для кодинга, анализа данных и даже автоматического вывода теорем из аксиом [03:31].

## 🧠 Как работают LLM и почему они «галлюцинируют»
[[JUMP:05:29]]

Тао объясняет работу больших языковых моделей (LLM) через концепцию регрессии и поиска паттернов [05:29]. По его мнению, это всего лишь игра в угадывание следующего слова, но на колоссальном масштабе [06:17].

*   **Механика предсказания:** Если фраза «Розы красные, фиалки...» легко дополняется словом «синие» [06:34], то в масштабе триллионов точек данных модель начинает улавливать скрытые правила языка и грамматики, которые человек часто не осознает [07:59].
*   **Иллюзия разума:** LLM не обладают глубоким пониманием мира. Это напоминает «очень эрудированного, но слегка пьяного человека», который выдает идеи [10:05]. Однако при правильном подходе (многократные проверки, пошаговые промпты) из этого хаоса можно извлечь полезный результат [09:31].
*   **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 [11:53].

## 🪐 Уроки истории: Кеплер против «оверфиттинга»
[[JUMP:13:50]]

История Иоганна Кеплера служит для Тао предостережением. Кеплер пытался вписать орбиты планет в идеальные геометрические формы (платоновы тела) [14:11]. Только после анализа точных данных Тихо Браге он понял, что его красивая теория ошибочна, и пришел к идее эллиптических орбит [15:14].

*   **Риск переобучения (overfitting):** Современные ИИ могут создавать слишком сложные модели, которые идеально подходят под существующие данные, но не обладают предсказательной силой для новых условий [16:48].
*   **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 [16:31].

## 📚 «Интоксикация» доказательствами и будущее профессии
[[JUMP:17:46]]

Тао указывает на новую проблему математики — избыток сгенерированного контента, который он называет «несварением доказательств» (proof indigestion) [20:10].

*   **Автоматизация этапов:** ИИ отлично справляется с генерацией и проверкой корректности доказательств, но буксует на этапе их упрощения для учебников и объяснения «почему это важно» [19:42].
*   **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 [18:16].
*   **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 [27:45].

Теренс Тао заключает, что обществу необходимо вернуться к обсуждению ценности «медленной» науки, движимой любопытством, а не только технологической эффективностью [28:34].