Ниже представлен подробный тезисный разбор публичной лекции одного из ведущих математиков современности Теренса Тао (Terence Tao) на тему «Математика в эпоху ИИ» (Mathematics in the Age of AI), прочитанной на Международном конгрессе математиков (ICM), а также дополнительный контекст к затронутым проблемам.
Оригинальная видеозапись доступна по ссылке: ICM 2026 Public Lectures — Terence Tao на YouTube. Официальные материалы и презентация представлены в слайдах доклада Теренса Тао.
Тезисный разбор лекции
1. Исторический пролог: Второй «кризис оснований»
Кризис оснований прошлого века: До начала XX века математика опиралась на интуитивные («наивные») представления о множествах, числах и функциях [00:02:14]. Обнаружение парадоксов (парадокс Рассела, теоремы Гёделя о неполноте [00:02:45]) вызвало кризис, завершившийся формированием строгой стандартной аксиоматики (ZFC, логика первого порядка) [00:03:31].
Текущий кризис: Спустя век математика входит в новый турбулентный период, но это кризис не логических аргументов, а ценностей и практик сообщества [00:04:44].
2. Главный вопрос сообщества и гипотеза о возможностях ИИ
Community Response Question: Главный вызов — как математическое сообщество должно реагировать на развитие ИИ-технологий [00:05:35].
AI Capability Conjecture: Общественные дискуссии зациклены на спорах о том, «что ИИ может или не может прямо сейчас» [00:07:34]. Корпоративные отчеты часто избирательны и лишены строгих научных условий [00:11:05].
Научный ориентир: Первой независимой оценкой стал проект First Proof Project [00:12:02], где на май 2026 года системы ИИ с разной степенью автономности коллективно решили 7 из 10 неопубликованных задач исследовательского уровня с публикационным качеством (при стоимости вычислений от $10 до $1000 на задачу [00:13:18]).
Рабочая гипотеза: Тао предлагает принять условие: в обозримом будущем ИИ сможет решать значительную долю математических задач с разумным качеством и затратами [00:14:02]. Если это так, сообществу нужно срочно переосмыслить свои цели [00:15:03].
3. Закон Гудхарта и неявные цели математики
Математика преследует множество целей: решение открытых проблем, построение общих теорий, обучение новых поколений, сохранение сообщества и эстетическую ценность [00:17:13].
Раньше решение сложных задач служило естественным прокси для всех остальных целей [00:19:19].
Закон Гудхарта: «Когда мера становится целью, она перестает быть хорошей мерой» [00:20:01]. Сверхоптимизация одной метрики (числа решенных задач) за счет ИИ наносит ущерб остальным ценностям науки [00:20:51].
4. Деконструкция решения задач: 5 фаз математического результата
Тао показывает, что работа математика не сводится к схеме «получил задачу — выдал решение»:
Генерация доказательства (Proof Generation): Поиск логических шагов решения [00:24:12]. ИИ ускоряет этот этап сильнее всего.
Верификация (Proof Verification): Проверка строгости доказательства (включая интерактивные ассистенты вроде Lean) [00:24:38].
Объяснение и изложение (Exposition): Доказательство должно быть понятным человеку [00:26:51]. Текущий ИИ пишет «слишком гладко» или с искаженным фокусом (тратит 3 страницы на тривиальную лемму и 3 строчки на ключевую идею [00:27:59]), лишая текст «естественного трения» (natural friction) [00:29:39], через которое читатель понимает, где находилась подлинная сложность [00:29:58].
Принятие сообществом (Community Acceptance): Рецензирование людьми, перекрестное обсуждение, контекст и мотивация [00:35:42]. Человеческое рецензирование становится главным дефицитным ресурсом [00:34:19].
Канонизация (Canonicalization): Переработка разрозненных статей в учебники, стандартные определения и стройные теории [00:39:25]. На этом этапе ИИ практически бесполезен, но именно канонизированные знания двигают науку и служат фундаментом для самого ИИ [00:41:07].
Оригинальная видеозапись доступна по ссылке: ICM 2026 Public Lectures — Terence Tao на YouTube. Официальные материалы и презентация представлены в слайдах доклада Теренса Тао.
Тезисный разбор лекции
1. Исторический пролог: Второй «кризис оснований»
Кризис оснований прошлого века: До начала XX века математика опиралась на интуитивные («наивные») представления о множествах, числах и функциях [00:02:14]. Обнаружение парадоксов (парадокс Рассела, теоремы Гёделя о неполноте [00:02:45]) вызвало кризис, завершившийся формированием строгой стандартной аксиоматики (ZFC, логика первого порядка) [00:03:31].
Текущий кризис: Спустя век математика входит в новый турбулентный период, но это кризис не логических аргументов, а ценностей и практик сообщества [00:04:44].
2. Главный вопрос сообщества и гипотеза о возможностях ИИ
Community Response Question: Главный вызов — как математическое сообщество должно реагировать на развитие ИИ-технологий [00:05:35].
AI Capability Conjecture: Общественные дискуссии зациклены на спорах о том, «что ИИ может или не может прямо сейчас» [00:07:34]. Корпоративные отчеты часто избирательны и лишены строгих научных условий [00:11:05].
Научный ориентир: Первой независимой оценкой стал проект First Proof Project [00:12:02], где на май 2026 года системы ИИ с разной степенью автономности коллективно решили 7 из 10 неопубликованных задач исследовательского уровня с публикационным качеством (при стоимости вычислений от $10 до $1000 на задачу [00:13:18]).
Рабочая гипотеза: Тао предлагает принять условие: в обозримом будущем ИИ сможет решать значительную долю математических задач с разумным качеством и затратами [00:14:02]. Если это так, сообществу нужно срочно переосмыслить свои цели [00:15:03].
3. Закон Гудхарта и неявные цели математики
Математика преследует множество целей: решение открытых проблем, построение общих теорий, обучение новых поколений, сохранение сообщества и эстетическую ценность [00:17:13].
Раньше решение сложных задач служило естественным прокси для всех остальных целей [00:19:19].
Закон Гудхарта: «Когда мера становится целью, она перестает быть хорошей мерой» [00:20:01]. Сверхоптимизация одной метрики (числа решенных задач) за счет ИИ наносит ущерб остальным ценностям науки [00:20:51].
4. Деконструкция решения задач: 5 фаз математического результата
Тао показывает, что работа математика не сводится к схеме «получил задачу — выдал решение»:
Генерация доказательства (Proof Generation): Поиск логических шагов решения [00:24:12]. ИИ ускоряет этот этап сильнее всего.
Верификация (Proof Verification): Проверка строгости доказательства (включая интерактивные ассистенты вроде Lean) [00:24:38].
Объяснение и изложение (Exposition): Доказательство должно быть понятным человеку [00:26:51]. Текущий ИИ пишет «слишком гладко» или с искаженным фокусом (тратит 3 страницы на тривиальную лемму и 3 строчки на ключевую идею [00:27:59]), лишая текст «естественного трения» (natural friction) [00:29:39], через которое читатель понимает, где находилась подлинная сложность [00:29:58].
Принятие сообществом (Community Acceptance): Рецензирование людьми, перекрестное обсуждение, контекст и мотивация [00:35:42]. Человеческое рецензирование становится главным дефицитным ресурсом [00:34:19].
Канонизация (Canonicalization): Переработка разрозненных статей в учебники, стандартные определения и стройные теории [00:39:25]. На этом этапе ИИ практически бесполезен, но именно канонизированные знания двигают науку и служат фундаментом для самого ИИ [00:41:07].