Двадцать лет. Столько Кеплер перебирал случайные теории о том, как устроена Солнечная система. Платоновы тела, вписанные между орбитами 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, 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: 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 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 делалась столетиями — и эта оптика отрезвляет.

Оригинал интервью — 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. 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 гениа��ьные 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 — наступил�� 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 пото�� 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 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.

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 запланировано. 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: 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. 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 (англ., ~1.5 часа). Есть видео на YouTube и аудио в подкастах.

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