Терри Тао и AI-агенты: как оживить код 1999 года

Когда гениальный математик встречает AI-агента

В июле 2026 года в техническом сообществе разгорелось необычное обсуждение. Лауреат Филдсовской премии, один из лучших математиков современности Терри Тао опубликовал в своём блоге пост с лаконичным названием «Old and new apps, via modern coding agents» — и он мгновенно вышел на первое место Hacker News.

Что же случилось? Тао интересовался машинными способами изучения и преподавания математики ещё с 1999 года, когда написал несколько апплетов на Java 1.0 для своих курсов по комплексному анализу и линейной алгебре — для визуализации математических объектов вроде сот и множеств Безиковича. Это было умеренно успешно, но апплеты отнимали много времени на программирование, а потом стандарты веб-страниц перестали поддерживать эту версию Java, и апплеты перестали работать.

Спустя 27 лет Тао решил вернуться к этим проектам — но уже с совершенно другим инструментом.

От Java 1.0 к JavaScript: миграция за несколько часов

В последние дни Тао начал процесс переноса старых данных своего веб-сайта и блога в более удобный репозиторий с помощью современного AI-ассистента. В качестве эксперимента он попросил агента портировать старые апплеты на современный поддерживаемый язык (остановились на JavaScript), и тот справился с этим за несколько часов — со всеми его старыми апплетами.

Математик с Филдсовской премией портировал два десятка Java-апплетов 1999 года на JavaScript с помощью AI-агента — при этом был обнаружен один незначительный баг агента и два ранее существовавших бага в оригинальном коде.

Иными словами, AI не только перенёс код, но и нашёл ошибки, которые сам Тао пропустил за 27 лет. Это красноречивый пример того, насколько изменилось качество работы AI-агентов.

Заброшенный проект из 1999 года — завершён

Наиболее впечатляющий фрагмент поста Тао касается проекта, который он забросил десятилетия назад. В 1999 году он задумал инструмент визуализации специальной теории относительности — по сути, «Inkscape, но в пространстве Минковского»: среду рисования, где геометрические объекты подчиняются преобразованиям Лоренца.

AI-агент завершил этот проект. За несколько часов диалога — то, что не получалось годами.

После ещё нескольких часов разговора это было сделано; вы можете попробовать визуализацию. Процедура оказалась довольно безболезненной (есть транскрипт процесса), и Тао думает добавлять подобные интерактивные визуализации как дополнения к будущим статьям.

Эволюция взглядов Тао на AI: от скептика к энтузиасту

История отношений Тао с AI-инструментами сама по себе показательна.

В сентябре 2024 года, протестировав более раннюю модель OpenAI на сложных математических задачах, он описал опыт как работу с «посредственным, но не совсем некомпетентным аспирантом». К марту 2026 года, выступая на конференции IPAM по ускорению математики с помощью AI, он изменил оценку на «готов к продуктиву» — потому что в математике и теоретической физике AI теперь экономит больше времени, чем тратит.

Переход от скептицизма к условному энтузиазму отражает конкретное техническое развитие: расширение категорий задач, которые Тао может уверенно делегировать.

«Уровень автоматизации и мощи AI, которую исследователь может с пользой применить, не превратив её в бесполезный шум, примерно пропорционален его собственной экспертизе» — принцип, сформулированный Тао на симпозиуме Stanford по будущему математики, май 2026.

Что изменилось в AI-агентах: от подсказок к задачам

Эксперимент Тао стал возможен благодаря качественному сдвигу в возможностях инструментов.

Инструменты, которые использовал Тао — включая Claude Code — работают как агенты на основе терминала, а не встроенные системы предложений. Они читают целые кодовые базы, выполняют команды оболочки, изменяют файлы по нескольким путям и итерируют на основе наблюдаемых результатов. Единица работы — задача, а не строка.

Главное изменение 2026 года состоит в том, что агенты больше не ограничены короткими взаимодействиями запрос-ответ. Они могут работать минуты или часы.

Наиболее трансформирующим развитием AI-инструментов для программирования в 2026 году стало появление агентных рабочих процессов. Вместо ответа на одиночный запрос агентные системы могут разбивать сложные задачи на подзадачи, выполнять многоэтапные планы, взаимодействовать с инструментами разработки (терминалами, браузерами, API), запускать тесты, интерпретировать сообщения об ошибках и итеративно улучшать вывод.

graph LR
    A[Задача разработчика] --> B[Агент читает кодовую базу]
    B --> C[Планирует шаги]
    C --> D[Выполняет изменения файлов]
    D --> E[Запускает тесты]
    E --> F{Есть ошибки?}
    F -- Да --> C
    F -- Нет --> G[Результат готов]
    G --> H[Разработчик проверяет]

Ландшафт AI coding agents в 2026 году

В середине 2026 года разработчики в целом пришли к единому мнению: не существует единого «лучшего» AI coding agent в изоляции. Вместо этого разработчики оценивают инструменты исходя из того, где хотят получить преимущество: скорость и поток внутри редактора, контроль и надёжность на больших кодовых базах или большая автономность на более высоком уровне стека.

Cursor побеждает по «потоку»: быстрое автодополнение, чат внутри редактора и низкое трение при решении задач малого и среднего масштаба. Claude Code побеждает по интеллекту: глубокое рассуждение, отладка и архитектурные изменения. Распространённый подход — использовать Cursor для ежедневной разработки и обращаться к Claude Code при самых сложных задачах.

Claude Code зафиксировал скачок с примерно 3% корпоративного использования в середине 2025 года до 18% к январю 2026 года — шестикратный рост, которого не достигал ни один инструмент разработчика за этот промежуток времени.

Принцип «быстрой проверки» и управление рисками

Опыт Тао содержит важный урок об управлении AI-агентами, который выходит далеко за пределы математики.

Фреймворк «быстрой видимой ограниченной верификации» Тао структурно идентичен принципу соразмерного риску развёртывания AI, который инженерные фреймворки управления формулируют с конца 2024 года. Все они сводятся к одному основному правилу: подходящий уровень автономии AI-агента — это функция от того, насколько быстро и надёжно сбой будет обнаружен и исправлен.

Другими словами: чем быстрее вы можете проверить результат работы агента, тем больше ему можно доверять.

В случае Тао это работало идеально: визуальные математические апплеты либо работают правильно, либо нет — это легко проверить. Именно поэтому он чувствовал себя комфортно, делегируя эту работу агенту.

Подобно тому, как реактивные двигатели не просто сделали самолёты с пропеллерами быстрее, а фундаментально переписали экономику дальности, масштаба и жизнеспособности авиалиний, агентные рабочие процессы 2026 года фундаментально меняют экономику написания, тестирования и выпуска кода. Важно понимать, что агентный AI — это усилитель существующих технических и организационных практик, а не их замена.

Практические уроки для разработчиков и учёных

Что можно вынести из эксперимента Тао для практического применения?

1. Легаси-код — идеальная задача для агентов

Миграция с устаревших технологий (Java апплеты → JavaScript, Python 2 → Python 3, jQuery → React) — именно та категория задач, где агенты блистают: задача чётко определена, результат легко проверить.

2. Агенты любят спецификации

Один разработчик довёл проект от нуля до 60% соответствия спецификации за дни, потому что передал агентам реальные документы спецификации ECMA-376 и попросил имплементировать по ним. Никаких галлюцинаций насчёт имён XML-элементов, никаких придуманных API — только код, соответствующий спецификации.

3. Реальный навык — не промпт, а контекст

Другими словами, настоящий навык работы с coding agents — больше не дизайн промптов. Это инжиниринг контекста.

4. Тестируйте на всех платформах заранее

Если вы создаёте инструменты, которые будете использовать на нескольких устройствах, тестируйте на всех из них с самого начала, потому что агенты могут помочь только с тем, что они могут тестировать автономно.

// Пример: как задать агенту задачу миграции
// Вместо: "Перепиши этот код"
// Лучше:
const задача = {
  цель: "Портировать Java-апплет в JavaScript",
  входные_данные: "./applets/complex-analysis.java",
  целевая_среда: "современный браузер, ES2023",
  критерии_успеха: "Визуальный вывод идентичен оригиналу",
  ограничения: "Не использовать сторонние библиотеки"
};
// Агент сможет работать итеративно и верифицируемо

Заключение: смена парадигмы уже произошла

История Терри Тао — не просто занятный технический эксперимент. Это сигнал о том, что качественный порог пройден.

То, что делает 2026 год отличным от предыдущих лет — это переход от завершения кода к созданию кода. Лучшие AI-инструменты для программирования больше не просто предлагают следующую строку — они генерируют целые функции, классы, наборы тестов и даже каркасы приложений из описаний на естественном языке. Этот переход от написания кода к выражению намерений представляет собой наиболее значимый парадигматический сдвиг в разработке ПО со времени введения языков высокого уровня.

Когда один из лучших математиков мира обнаруживает, что AI-агент за несколько часов завершает проект, застрявший на 27 лет, — это не повод для паники. Это приглашение пересмотреть, какие задачи стоит решать самостоятельно, а какие можно делегировать.

Как показывает опыт Тао — и тысяч разработчиков, перешедших на агентный подход в 2026 году — главный вопрос уже не «использовать ли AI», а «как использовать его правильно».