Terence Tao ostrzega przed kryzysem aksjologii matematyki w dobie AI
W eseju przygotowanym na Międzynarodowy Kongres Matematyków 2026, Terence Tao kreśli wizję dyscypliny stojącej na rozdrożu. Zdaniem laureata Medalu Fieldsa, matematyka zbliża się do momentu, który on sam określa jako „kryzys u samych podstaw wartości i praktyk matematycznych”. Tao sugeruje, że stoimy przed wyzwaniem o skali porównywalnej z zawirowaniami z początku XX wieku. Wówczas paradoks Russella i twierdzenia Gödla o niezupełności zmusiły uczonych do sformułowania jawnych założeń tam, gdzie wcześniej polegano na intuicji. Dziś wyzwanie jest inne: nie dotyczy samej prawdy matematycznej, lecz systemu wartości, które określają, co uznajemy za wartościowy wkład w naukę.
Dlaczego to ważne teraz
Obawy Tao nie są odosobnione. Pod Deklaracją Lejdejską, ostrzegającą przed dominacją algorytmów w nauce, podpisało się już ponad 2,6 tysiąca osób. Środowisko akademickie boi się, że badania naukowe staną się zakładnikami komercyjnych gigantów technologicznych, a tradycyjne filary dyscypliny — dowód, weryfikacja i autonomia badawcza — zostaną złożone na ołtarzu efektywności.
Przesyt dowodów i pułapka metryk
Tao stawia hipotezę, że wkrótce narzędzia AI będą zdolne do wykonywania znacznej części zadań badawczych przy zachowaniu niskich kosztów i wysokiej jakości. Dowodem mają być wyniki projektu First-Proof, gdzie systemy AI bezbłędnie rozwiązały siedem z dziesięciu nigdy wcześniej niepublikowanych problemów. Tak wysoka skuteczność rodzi jednak fundamentalne zagrożenie: przejście od deficytu dowodów do ich nadmiaru. Bazy danych już teraz pękają w szwach od automatycznie wygenerowanych rozwiązań, których żaden człowiek nie ma czasu ani chęci zweryfikować.
Kluczowym problemem staje się prawo Goodharta – gdy miara staje się celem, przestaje być dobrą miarą. Przemysł AI, napędzany bodźcami finansowymi, promuje sukcesy, które łatwo ująć w rankingach i nagłówkach. Tymczasem tradycyjne cele matematyki, takie jak budowanie głębokich teorii czy kształcenie następców, są nierozerwalnie splecione. Sztuczna inteligencja grozi ich rozdzieleniem, stawiając wynik ponad zrozumienie procesu.
Estetyka vs. poznanie
Interesującym spostrzeżeniem Tao jest różnica w teksturze prac ludzkich i tych generowanych przez algorytmy. Ludzkie dowody posiadają naturalne punkty oporu – miejsca, gdzie widać trud autora, zmiany notacji czy staranne dopracowywanie lematów. Są one dla czytelnika sygnałami wskazującymi na sedno trudności. Z kolei dowody wygładzone przez AI, choć poprawne, stają się „łatwe do czytania, ale trudne do nauki”. Eliminując błędy i drobne nieścisłości, maszyny pozbawiają tekst walorów edukacyjnych, które paradoksalnie tkwią w niedoskonałości ludzkiej ekspozycji.
Nowy kodeks postępowania
W obliczu tych zmian Tao postuluje rygorystyczne podejście do publikacji. Odwołując się do ustaleń z 2026 roku, proponuje prostą zasadę: jeśli autor nie potrafi wygłosić eksperckiego wykładu na temat swojego wyniku, poprawnie przypisując autorstwo pomysłów i wyjaśniając strukturę dowodu, praca nie powinna zostać uznana. Nawet formalnie zweryfikowany przez maszynę dowód, którego człowiek nie potrafi objaśnić, należy traktować jako niekompletny.
W tej nowej rzeczywistości priorytetem staje się ochrona „nieredukowalnie ludzkiego aspektu” pracy naukowej. Choć sam Tao wykorzystuje AI do przeszukiwania literatury czy tworzenia diagramów, ostrzega przed zbytnią swobodą w edukacji młodych adeptów. Celem kształcenia matematyka nie jest bowiem wygenerowanie poprawnego wyniku zadania domowego, lecz wykształcenie zdolności do głębokiej, samodzielnej analizy, której żadna maszyna nie powinna zastąpić.
