Workspace Index › Knowledge Notes › The helicopter gets you to the waterfall and teaches you nothing — Terence Tao on what AI takes from the person who uses it
#1810Talk2026-09-18chat
The helicopter gets you to the waterfall and teaches you nothing — Terence Tao on what AI takes from the person who uses it
In a Big Think interview, Terence Tao describes research as a hike to a waterfall. On foot you draw the map, get lost, find landmarks nobody was looking for, and notice a bigger waterfall in the distance for the next generation. AI is a helicopter: it puts you at the waterfall and picks you up, and you arrive knowing nothing about how to get there, with no navigational instinct and none of the secondary discoveries. His paradox is that the machine can now run the experiment, write the paper, and prove the lemma, and the result can be a smarter machine and a researcher who understands less and cannot say why the result matters. The rest of the interview is a set of distinctions that keep the helicopter from taking the wrong things: human depth against machine breadth (one open problem worked for years, against a thousand small problems searched across fifty years of literature, where a 5 percent hit rate is fifty results); Kepler as the warning that fast feedback would have killed the true idea, since heliocentrism predicted worse than the tuned epicycles for decades; the four stages of a proof, generate, verify, understand, distil, of which AI scales the first two and leaves a backlog he calls proof indigestion at the last two; and his own workflow, where AI does literature surveys, sanity checks, proofreading, and code, and never the core problem.
This is the first item of the Life section because it is the clearest statement of a trade every developer using an agent makes daily. The item to copy is not "use AI less". It is Tao's allocation: delegate the peripheral, walk the core, and protect the training ground. His "seed corn" warning applies to us directly. Breakthrough researchers are made by years of routine problems; if the agent solves every routine problem, nobody is being trained. For Jayverse the same is true of the person: the entry-level bugs, the manual reconciliation, the first Foundry test written by hand are the hike. Status: interview published 2026; Tao's own practice as stated, no AI on core mathematics.
Why
The helicopter is not a metaphor about laziness. It is about what a result costs and what the cost buys. Walking to the waterfall is slow, and the slowness is where the map, the intuition, and the unexpected landmarks come from. Those are not by-products; for a researcher they are the product, because the waterfall was only ever one result and the map is what produces the next hundred. An AI that removes the walk removes the map-making, and does so invisibly, because the result at the end looks identical. That is why Tao insists on separating what he delegates from what he does. Literature surveys, sanity checks, proofreading, and code are the errands of research; the one problem where existing methods fail is the walk, and he keeps it.
The Kepler case makes the second half of the argument. Kepler spent years on Platonic solids and off-centre circles before ellipses, and Copernicus's heliocentric model predicted worse than the refined geocentric epicycles for a long time. A feedback loop that rewards immediate fit would have discarded both. Fast optimisation finds the overfit model that matches today's data and hides the structure; the true idea often starts as the worse predictor. So the danger of speed is not only to the person. It is to which ideas survive.
How it works
The distinctions Tao draws
Distinction
Human side
Machine side
Hiker vs helicopter
slow route, map, intuition, secondary discoveries
fast arrival, no route knowledge, nothing noticed on the way
Depth vs breadth
one or two problems where methods fail, worked for years
a thousand problems searched across obscure literature; 5 percent solved is fifty results
Bias vs no bias
consensus assumes the theorem is true and stops looking for counterexamples
no conventional bias, finds the simple neglected counterexample
Proof stages
comprehension and distillation, still fully human
generation and verification, scaling fast; hence "proof indigestion"
sycophancy, interrupted flow, no shared long memory
What an LLM is
curve fitting in very high dimension; "a slightly drunk collaborator who knows a massive amount of facts", useful only with scaffolding and verification loops
The Kepler warning, in order
Kepler fits the solar system to spheres around the five Platonic solids. Beautiful, wrong.
Tycho Brahe's data disagrees. Kepler tries off-centre circles for years.
Ellipses. The idea that eventually fits started as a worse fit than the tuned epicycles.
A system that rewarded immediate data fit would have discarded ellipses and heliocentrism alike, and kept the overfit epicycles. Speed selects for fit, not for truth.
Tao's own allocation
Delegated to AI: broad literature surveys, sanity checks of technical steps, proofreading drafts, generating and refactoring code. Kept: the core problem. Reason given: the core problem is where the training happens, and where the machine still guesses at random.
Where it lands in Jayverse
Write down the allocation before the session. For each task: errand or walk. Errands go to the agent with a verification loop. Walks are done by hand even when the agent could do them, because the map is the point. The Fundamentals curriculum in this site is a list of walks.
Protect the seed corn. The routine bug, the first reconciliation script, the hand-written test are how a developer becomes a lead. Do not let the agent take all of them from yourself or from a junior.
Keep the worse predictor alive for a while. In design reviews and in Number's models, do not kill an idea because the first fit is worse. Ask what structure it would explain if it were right, and give it Kepler's years in miniature, a sprint.
Distillation is the human job. The agent writes the proof; the human writes the paragraph that says why it matters. This site's "Why" sections exist for that reason.
Verified and unverified
Source: the Big Think Clips interview "The paradox at the heart of AI and science" with Terence Tao, as summarised in the breakdown jay provided with timestamps; the summary's content was taken as given and not re-transcribed from the video. Historical claims (Kepler's Platonic-solid model, Copernicus predicting worse than tuned epicycles, Gauss's prime counts) are standard history of science and consistent with the record. "Proof indigestion" and "slightly drunk collaborator" are Tao's phrases as quoted in the summary.
헬리콥터는 폭포까지 데려다주지만 아무것도 가르치지 않는다 — 테렌스 타오가 말하는, AI가 사용하는 사람에게서 가져가는 것
Big Think 인터뷰에서 테렌스 타오는 연구를 폭포로 가는 하이킹에 비유합니다. 걸어가면 지도를 그리고, 길을 잃고, 아무도 찾지 않던 지형을 발견하고, 다음 세대를 위한 더 큰 폭포를 멀리서 알아봅니다. AI는 헬리콥터입니다. 폭포에 내려주고 다시 태워가지만, 거기 어떻게 가는지 모르는 채로, 길 감각도 없고 부수적 발견도 없이 도착합니다. 그의 역설은 기계가 이제 실험을 돌리고 논문을 쓰고 보조정리를 증명할 수 있는데, 결과가 더 똑똑한 기계와 덜 이해하고 왜 그 결과가 중요한지 말하지 못하는 연구자일 수 있다는 것입니다. 인터뷰의 나머지는 헬리콥터가 잘못된 것을 가져가지 않게 하는 구분들입니다. 인간의 깊이 대 기계의 폭(수년간 붙드는 열린 문제 하나 대 50년의 문헌을 훑는 천 개의 작은 문제, 5퍼센트 적중이면 50개의 결과); 빠른 피드백이 참인 아이디어를 죽였을 것이라는 경고로서의 케플러(지동설은 수십 년간 튜닝된 주전원보다 예측이 나빴다); 증명의 네 단계, 생성·검증·이해·정제, 그중 AI는 앞의 둘을 확장하고 뒤의 둘에 그가 "증명 소화불량"이라 부르는 적체를 남긴다; 그리고 그의 워크플로, AI는 문헌 조사·검산·교정·코드를 하고 핵심 문제는 절대 하지 않는다.
이것이 Life 섹션의 첫 항목인 이유는 에이전트를 쓰는 모든 개발자가 매일 하는 거래를 가장 명확히 진술하기 때문입니다. 복사할 항목은 "AI를 덜 쓰라"가 아닙니다. 타오의 배분입니다. 주변부는 위임하고, 핵심은 걸어가고, 훈련장을 지킨다. 그의 "종자 옥수수" 경고는 우리에게 직접 적용됩니다. 획기적 연구자는 몇 년의 일상적 문제로 만들어지고, 에이전트가 모든 일상적 문제를 풀면 아무도 훈련되지 않습니다. Jayverse에서는 사람에 대해 같습니다. 입문 수준의 버그, 수동 대사, 손으로 쓴 첫 Foundry 테스트가 하이킹입니다. 상태: 2026년 공개된 인터뷰; 타오 자신의 실천은 진술대로, 핵심 수학에는 AI 없음.
왜
헬리콥터는 게으름에 대한 비유가 아닙니다. 결과가 무엇을 비용으로 치르고 그 비용이 무엇을 사는가에 대한 것입니다. 폭포까지 걷는 것은 느리고, 그 느림이 지도와 직관과 예상 밖의 지형이 나오는 곳입니다. 그것들은 부산물이 아닙니다. 연구자에게는 그것이 제품입니다. 폭포는 언제나 결과 하나였고 지도가 다음 백 개를 만들어내니까요. 걷기를 없애는 AI는 지도 만들기를 없애고, 끝의 결과가 똑같이 보이기 때문에 보이지 않게 없앱니다. 그래서 타오는 위임하는 것과 자기가 하는 것을 분리하기를 고집합니다. 문헌 조사, 검산, 교정, 코드는 연구의 심부름이고, 기존 방법이 실패하는 그 문제 하나가 걷기이며, 그는 그것을 지킵니다.
케플러 사례가 논증의 후반을 만듭니다. 케플러는 타원에 이르기 전 플라톤 다면체와 중심 벗어난 원에 몇 년을 썼고, 코페르니쿠스의 지동설 모델은 오랫동안 정교한 지구중심 주전원보다 예측이 나빴습니다. 즉각적 적합을 보상하는 피드백 루프는 둘 다 버렸을 것입니다. 빠른 최적화는 오늘의 데이터에 맞고 구조를 숨기는 과적합 모델을 찾고, 참인 아이디어는 종종 더 나쁜 예측자로 시작합니다. 그러니 속도의 위험은 사람에게만이 아닙니다. 어떤 아이디어가 살아남는가에 대한 것입니다.
동작 방식
타오가 그리는 구분
구분
인간 쪽
기계 쪽
하이커 대 헬리콥터
느린 경로, 지도, 직관, 부수적 발견
빠른 도착, 경로 지식 없음, 도중에 아무것도 못 봄
깊이 대 폭
방법이 실패하는 문제 한둘을 몇 년간
잘 알려지지 않은 문헌을 훑어 천 개의 문제; 5퍼센트 해결이면 50개 결과
편향 대 무편향
합의는 정리가 참이라 가정하고 반례 찾기를 멈춤
관습적 편향 없음, 방치된 단순한 반례를 찾음
증명 단계
이해와 정제, 여전히 완전히 인간의 것
생성과 검증, 빠르게 확장; 그래서 "증명 소화불량"
협업
공유된 정신 모델, 10년 된 대화를 문장 중간에서 재개
아첨, 끊기는 흐름, 공유된 장기 기억 없음
LLM은 무엇인가
매우 고차원의 곡선 적합; "엄청난 사실을 아는 약간 취한 협업자", 스캐폴딩과 검증 루프가 있어야만 유용
케플러 경고, 순서대로
케플러가 태양계를 다섯 플라톤 다면체를 둘러싼 구에 맞춘다. 아름답고, 틀렸다.
튀코 브라헤의 데이터가 어긋난다. 케플러는 몇 년간 중심 벗어난 원을 시도한다.
타원. 결국 맞은 아이디어는 튜닝된 주전원보다 나쁜 적합으로 시작했다.
즉각적 데이터 적합을 보상하는 시스템은 타원과 지동설을 모두 버리고 과적합된 주전원을 남겼을 것이다. 속도는 진리가 아니라 적합을 선택한다.
타오 자신의 배분
AI에 위임: 폭넓은 문헌 조사, 기술 단계의 검산, 초고 교정, 코드 생성과 리팩터링. 유지: 핵심 문제. 제시된 이유: 핵심 문제가 훈련이 일어나는 곳이고, 기계가 여전히 무작위로 추측하는 곳.
Jayverse에서의 위치
세션 전에 배분을 적는다. 각 작업에 대해: 심부름인가 걷기인가. 심부름은 검증 루프와 함께 에이전트에게. 걷기는 에이전트가 할 수 있어도 손으로 한다, 지도가 목적이니까. 이 사이트의 Fundamentals 커리큘럼은 걷기의 목록이다.
종자 옥수수를 지킨다. 일상적 버그, 첫 대사 스크립트, 손으로 쓴 테스트가 개발자가 리드가 되는 방법이다. 자신에게서든 주니어에게서든 에이전트가 전부 가져가게 두지 않는다.
더 나쁜 예측자를 한동안 살려둔다. 설계 리뷰와 Number의 모델에서 첫 적합이 나쁘다고 아이디어를 죽이지 않는다. 그것이 맞다면 어떤 구조를 설명할지 묻고, 케플러의 몇 년을 축소한 한 스프린트를 준다.
정제는 인간의 일이다. 에이전트가 증명을 쓰고, 인간이 왜 중요한지의 문단을 쓴다. 이 사이트의 "왜" 섹션이 그 이유로 존재한다.
확인된 것과 미확인
출처: Big Think Clips 인터뷰 "The paradox at the heart of AI and science", 테렌스 타오. jay가 타임스탬프와 함께 제공한 요약을 기준으로 하며, 영상에서 다시 전사하지 않았습니다. 역사적 주장(케플러의 플라톤 다면체 모델, 튜닝된 주전원보다 나빴던 코페르니쿠스의 예측, 가우스의 소수 계산)은 표준 과학사와 일치합니다. "증명 소화불량"과 "약간 취한 협업자"는 요약에 인용된 타오의 표현입니다.