Wall Street Financiers Are Wrong. The Engineers Who Run China Understand Better. Wall Street Thinks It Knows How AI Will Pay Off --- Growth in cloud computing is driving share-price rallies and allaying fears of overinvestment

 

 

“Investors have been fretting over how Big Tech is going to make a return on all its AI spending.

 

Cloud computing increasingly looks like the answer.

 

Amazon.com, Microsoft and Alphabet's Google all have cloud businesses that have grown rapidly during the AI boom. Customers including AI labs and large corporations have clamored to rent access to chips and computing equipment from them -- to such an extent that their ability to supply it is more of a limitation than demand.

 

And unlike a lot of the other avenues companies have proposed to reap returns from AI investments, from chatbot ad sales to subscriptions for access to AI models, cloud computing's financial model is relatively well-understood.

 

The tech giants buy or lease buildings and computing gear, then rent it out via their cloud operations to recoup what they spent over a period of a few years. It is capital intensive but can be highly profitable: Amazon's cloud unit, Amazon Web Services, on Thursday reported a 39% operating profit margin in the second quarter.

 

Amazon Chief Executive Andy Jassy tried to paint a picture of AWS as both predictable and extremely fast-growing. It takes less than three years on average to break even on purchases of computing equipment, he said, while most of its contracts with AI-computing customers are at least five years long. That leaves a lot of juice for Amazon to squeeze.

 

"The resulting revenue, free cash flow and return on invested capital is very compelling," he said.

 

In the high-spending phase Amazon is going through now, it also means the company is free-cash-flow negative. Markets have been allergic to cash outflows in recent months amid concern about returns on hypsercalers' big investments.

 

But investors more recently seem to be coming around to the notion that Big Tech spending on AI can make sense -- as long as there is a cloud-computing business involved that can reap the benefits.

 

Amazon's stock surged on Friday after the company wowed Wall Street with 37% quarterly revenue growth for AWS, well above the roughly 31% analysts were projecting. Microsoft also got a massive stock-price boost after its results on Wednesday included a better-than-expected 43% revenue rise for its Azure cloud-computing unit. The two companies combined have added around $950 billion to their market values since reporting.

 

Google parent Alphabet's stock fell last week after it boosted capital spending for the year, but its cloud unit's 82% revenue growth has since tempered those concerns. The stock is up about 10% in the past week, more than recovering from its earlier losses.

 

AI is perhaps the most important driver of cloud-computing growth; companies and AI developers want more computing power, and it is easiest and often fastest to rent it in the cloud. Chunky deals with big customers are also helping inflate revenue and backlogs, like the more than $100 billion 10-year contract that AWS signed with Anthropic in April.

 

But there is also a shift predating the AI boom that has quietly persisted. Companies are moving more of their computing work to the cloud and using less of their own equipment. A Piper Sandler survey of IT leaders in June found they expected to boost spending by about 5% this year. Most planned to increase outlays on cloud computing, while relatively few plan to spend more on their own computing equipment.

 

Given those dual trends, it is a little easier to understand why Jassy suggested on Thursday that AWS could eventually grow into a business with $1 trillion in annual revenue, as outlandish as that figure may currently seem. Analysts expect AWS to grow to about $170 billion of revenue this year, according to FactSet.

 

Others also are looking to get a big piece of that expanding pie. Microsoft's and Google's cloud businesses have grown faster than Amazon's for some time, to the point that they pose a legitimate threat to AWS's dominance of an industry it virtually invented two decades ago. If their growth stays above AWS's, it isn't hard to foresee them surpassing their larger competitor by the end of the decade.

 

Of course, none of those businesses would fare well if the AI bubble bursts. Should Anthropic, OpenAI and other big buyers of AI computing power falter, massive contracts would likely be reworked and backlogs would shrink. For cloud-computing giants, though, there is something of a reprieve: At least they could fall back on the tried-and-true business model that sustained them before AI.

 

That is more than can be said for other AI players without cloud businesses, perhaps most prominently Meta Platforms. The social-media giant's stock is down about 5% since its earnings on Wednesday included a slight increase in the midpoint of its 2026 capital-spending range.

 

CEO Mark Zuckerberg said Wednesday that Meta is looking at starting a cloud-computing business of its own, but it would start far behind the three giants of the industry.

 

In sorting AI winners from losers, Wall Street has settled on a key differentiator.” [1]

 

 

Does running AI work on somebody's cloud and models increase chances of trade secrets' loss?

Yes, running AI work on a third-party cloud and external models increases the risk of losing trade secrets. This happens due to data ingestion in prompts, vendor training policies, and weak legal control over stored data.

Key Risk Factors

•           Data Absorption: Inputs, code, or strategic text sent via prompts can be saved by external providers.

•           Model Training: Standard or consumer-grade cloud tools may use user inputs to train future public versions of their models.

•           Legal Waiver: Under trade secret laws, voluntarily sharing confidential information with an unmanaged third-party platform can destroy the required legal status of "secrecy".

Ways to Reduce Risk

•           Enterprise Agreements: Use paid enterprise tiers that explicitly prohibit vendors from using customer data for training.

•           Zero-Retention Policies: Select cloud options with strict data-deletion and zero-retention guarantees.

•           Self-Hosting: Run open-weight models on local or dedicated private infrastructure for maximum security.

 

This why China goes to open weights containing AI. It could be used on our own servers, improved using our own trade secrets and applied for real work in real companies, not only for chats about love. There is no way around open weights. 

 

Open-weights AI models offer key benefits including local control, data privacy, and customization.

Benefits of Open-Weights AI

•          Local Hosting: Run models on private servers without sending data to outside companies.

•          Custom Training: Improve the model using your own private business data and trade secrets.

•          Real Work: Build specialized tools for real jobs instead of just general chat.

 

1. Wall Street Thinks It Knows How AI Will Pay Off --- Growth in cloud computing is driving share-price rallies and allaying fears of overinvestment. Fitch, Asa.  Wall Street Journal, Eastern edition; New York, N.Y.. 03 Aug 2026: B9.  

Apmokestinkite kapitalą, o ne darbą, kad išspręstumėte DI darbo vietų praradimo problemą

„Ekonomistai paprastai nesijaudina dėl to, kad mašinos pakeis žmones. Darbo vietų praradimas juk yra natūralus darbo jėgas taupančių technologijų šalutinis produktas.

 

Dirbtinis intelektas pradeda tai keisti. Daugiau nei 1000 ekonomistų, įskaitant 17 Nobelio premijos laureatų, buvo pakankamai susirūpinę, kad pasirašė neseniai Stanfordo universiteto Eriko Brynjolfssono išplatintą internetinę peticiją, kurioje įspėjama apie „didelio masto darbo vietų praradimą“ dėl DI ir prašoma imtis veiksmų.

 

Bet kokių veiksmų? Kaip paaiškėjo, yra vienas politinis atsakas, sulaukiantis vis didesnio palaikymo, bent jau tarp ekonomistų, jei ne įstatymų leidėjų: nustoti apmokestinti kapitalą palankiau nei darbą.

 

Tai prieštarauja dešimtmečius JAV ir iš tiesų daugumoje išsivysčiusių šalių taikomai mokesčių politikai. Siekdamos pritraukti investicijas ir paskatinti augimą, jos sumažino pelno, verslo investicijų, kapitalo prieaugio ir dividendų mokesčius.

 

Mažesni kapitalo mokesčiai, kurie buvo prasmingi įprastais laikais, gali būti ne tokie svarbūs, kai susiduriama su technologija, kuri gali precedento neturinčiu mastu panaikinti darbo vietas. „Yra pagrįsta priežastis, kad augant DI, tai labiau...“ „Svarbiau apsaugoti darbo jėgos paklausą nei skatinti didesnes kapitalo investicijas, todėl kapitalo mokesčiai galėtų būti didesni“, – teigė Harvardo ekonomistas Dougas Elmendorfas, buvęs Kongreso biudžeto biuro direktorius.

 

DI keliama grėsmė saugumui, nacionaliniam saugumui ir kompiuterių tinklams yra bauginanti, tačiau turime patirties reguliuojant neigiamą kitaip naudingų produktų, pavyzdžiui, branduolinės energijos, šalutinį poveikį.

 

Darbo vietų grėsmė yra be galo sudėtingesnė. Visos darbo jėgas taupančios technologijos pakeičia žmones. Laikui bėgant jos daro mus produktyvesnius ir turtingesnius. Kai kurios darbo vietos prarandamos trumpuoju laikotarpiu, bet ilgainiui sukuriama dar daugiau.

 

Bent jau istoriškai. Dėl DI ekonomistai turi rimtų abejonių. Kovo mėnesį paskelbtoje didelėje apklausoje nustatyta, kad mažai tikėtinu, bet įtikimu scenarijumi, kai „DI sistemos pranoksta žmones daugumoje kognityvinių ir fizinių užduočių“, ekonomistai mano, kad iki 2050 m. maždaug 3 % darbingo amžiaus gyventojų neteks darbo jėgos ir visam laikui bus prarasta 10 milijonų darbo vietų.

 

Brynjolfssonas, pirmaujantis technologijų ekonomistas, teigia, kad verslo lyderių „apšviestas savanaudiškas interesas“ yra papildyti, o ne pakeisti darbuotojus DI. „Šiuo metu mes vairuojame juos neteisinga kryptimi.“

 

Bet kaip juos nukreipti? Jei darbuotojų papildymas, o ne pakeitimas yra pelningesnis, sėkmingos įmonės pasirinks šį kelią be vyriausybės įsikišimo. Jei pakeitimas yra efektyvesnis kelias, įmonė, kuri atsisako mažinti darbo vietas, pralaimės tai padariusiai.

 

Dirbtinio intelekto atleistų asmenų perkvalifikavimas tikriausiai yra populiariausias politinis atsakas. Tačiau neaišku, ką darbuotojai turėtų būti perkvalifikuoti. Prieš penkerius metus visiems buvo sakoma: „Išmokite programuoti“, – sakė Jeilio universiteto ekonomistas Pascual Restrepo. „Šis karjeros patarimas dingo iš vėžių.“ „Nežinome, kokia tvarka dirbtinis intelektas (DI) vystysis ir darys šuolius.“

 

Tada yra idėjų, kaip kompensuoti darbo netekusiems asmenims, pavyzdžiui, darbo užmokesčio draudimas arba „universalios bazinės pajamos“. Tačiau jos neišsaugo darbo vietų.

 

Siekiant iš tikrųjų atgrasyti nuo DI sukurto darbo vietų pakeitimo, kai kurie ragina įvesti „skaičiavimo“ arba „roboto“ mokestį, galbūt apmokestinamą žetonais (DI naudojimo vienetu). Tačiau tai galėtų būti košmaras sukurti ir administruoti, ir atgrasyti nuo DI naudojimo visos žmonijos labui, pavyzdžiui, kuriant naujus vaistus.

 

Tai veda mus prie mokesčių sistemos. Mažų kapitalo mokesčių argumentas yra tas, kad tai skatina investicijas, o tai didina produktyvumą ir galiausiai atlyginimus.

 

Dvipartinė kova dėl mažesnių kapitalo mokesčių tęsiasi jau dešimtmečius – nuo ​​pagreitinto nusidėvėjimo (tai yra, pastatų ir įrangos įtraukimo į sąnaudas greičiau, nei jie susidėvi) 1954 m. iki investicijų mokesčio kredito 1962 m. Nuo devintojo dešimtmečio iki 2000-ųjų nusidėvėjimas tapo dar didesnis, o kapitalo prieaugio ir dividendų mokesčiai buvo sumažinti.

 

Didžiausi sumažinimai buvo pasiekti... 2017 m. mokesčių įstatymo projektas, kuriuo įmonių PVM tarifas buvo sumažintas nuo 35 % iki 21 % ir laikinai leista nedelsiant 100 % daugelio kapitalo išlaidų nurašyti į sąnaudas.

 

Ši 100 % nurašymo į sąnaudas nuostata buvo atkurta ir tapo nuolatine praėjusiais metais. Dėl to nuo 2017 m. ribinis naujos įrangos mokesčio tarifas sumažėjo nuo 14 % iki 4 %, o ribinis darbo jėgos tarifas sumažėjo nuo 29 % iki 27 %, teigė CBO.

 

Teoriškai kapitalo apmokestinimas sulėtintų dirbtinio intelekto diegimą. Tai taip pat atgrasytų investicijas, nesusijusias su dirbtiniu intelektu, o tai gali būti trūkumas. Praktiškai neaišku, kiek mokesčių tarifai keičia investicinius sprendimus. Vieno tyrimo duomenimis, 2017 m. mokesčių sumažinimai paskatino investicijas, o ilgainiui ekonomikos produkciją padidino mažiau nei 1 %.

 

Vis dėlto, net jei kapitalo mokesčiai mažai veikia dirbtinio intelekto diegimą, yra dar vienas aspektas. Nacionalinės produkcijos dalis, skiriama kapitalui, o ne darbui, yra visų laikų aukščiausia, o dirbtinis intelektas žada ją dar labiau padidinti. Kol kapitalo mokesčių tarifai išliks maži, tai... riboja, kiek naujų pajamų įplaukia į iždą. Vienas iš būdų spręsti didžiausią taikos meto deficitą istorijoje yra kapitalo ir darbo mokesčių disbalanso mažinimas.” [1]

 

Kad kapitalas nebėgtų į dosnesnes šalis (gal kas nors norėtų Airijos?), mums reikia tarptautinio susitarimo dėl minimalių mokesčių. Šis minimumas turi būti didesnis, nes dirbtinis intelektas keičia pelno ir atlyginimų santykį.

 

Tarptautines mokesčių taisykles reikia reformuoti, nes dirbtinis intelektas perkelia pusiausvyrą nuo žmonių darbo į įmonių pelną.

 

Kodėl reikalingi pokyčiai?

• Darbo jėgos perkėlimas: dirbtinis intelektas mažina darbo užmokesčio išlaidas, pakeisdamas žmones automatizavimu.

• Pelno koncentracija: įmonės gauna didesnį pelną, mokėdamos mažiau darbuotojams atlyginimų.

• Mokesčių spraga: esamos mokesčių sistemos labai priklauso nuo pajamų ir darbo užmokesčio mokesčių, o ne nuo įmonių pelno.

 

Visuotinis sprendimas

• Didesni minimalūs mokesčiai: pasaulinis pelno mokesčio minimumas turi būti nustatytas aukštesnis, kad būtų galima užfiksuoti šį naują dirbtinio intelekto pelną.

• Pabėgimo sustabdymas: aiškios taisyklės neleidžia įmonėms perkelti pinigų į mažų mokesčių šalis.

 

1. U.S. News -- Capital Account: Tax Capital, Not Labor, to Fix AI Job Loss. Ip, Greg.  Wall Street Journal, Eastern edition; New York, N.Y.. 01 Aug 2026: A2.

 

 

Tax Capital, Not Labor, to Fix AI Job Loss

“Economists don't typically worry about machines replacing people. Job displacement is, after all, a natural byproduct of labor-saving technology.

 

Artificial intelligence is starting to change that. More than 1,000 economists, including 17 Nobel laureates, were worried enough to sign an online petition circulated recently by Stanford University's Erik Brynjolfsson warning of "large scale job displacement" from AI and pleading for action.

 

But what action? As it happens, there is one policy response drawing growing support, at least among economists if not legislators: Stop taxing capital more favorably than labor.

 

This runs counter to decades of tax policy in the U.S. and indeed most advanced nations. To attract investment and boost growth they have lowered taxes on profits, business investment, capital gains and dividends.

 

Lower taxes on capital that made sense in normal times might not in the face of a technology that could wipe out jobs to an unprecedented degree. "There's a reasonable case that with the rise in AI, it's more important to protect labor demand than to encourage more capital investment, and therefore capital taxes could be higher," said Harvard economist Doug Elmendorf, a former Congressional Budget Office director.

 

AI's threat to safety, national security and computer networks is frightening, but we have experience regulating the negative side effects of otherwise helpful products. Nuclear power, for example.

 

The jobs threat is infinitely more complicated. All labor-saving technology replaces humans. It makes us more productive and wealthy over time. Some jobs are lost in the short run, but even more are created in the long run.

 

Historically, anyway. With AI, economists have real doubts. A major survey published in March found that in the unlikely yet plausible scenario in which "AI systems surpass humans in most cognitive and physical tasks," economists see roughly 3% of the working-age population gone from the labor force by 2050, and the permanent loss of 10 million jobs.

 

Brynjolfsson, a leading technology economist, says it's in business leaders' "enlightened self interest" to complement rather than replace workers with AI. "We are right now steering them in the wrong direction."

 

But how to steer them? If complementing rather than replacing workers is more profitable, successful firms will choose that path without government intervention. If replacement is the more efficient path, a firm that refuses to cut jobs will lose to one that does.

 

Retraining those displaced by AI is probably the most popular policy response. But it's unclear what workers should be retrained to do. Five years ago, everyone was told, "learn to code," said Pascual Restrepo, a Yale economist. "That career advice has gone out the window. We don't know in which order AI is going to advance and make leaps."

 

Then there are ideas for compensating job losers such as wage insurance or "universal basic income." But they don't preserve employment.

 

To actually discourage AI-driven job replacement, some call for a "compute" or "robot" tax, perhaps levied on tokens (the unit of AI usage). This, though, could be a nightmare to design and administer, and discourage the use of AI to benefit all humanity, such as new drug discovery.

 

That brings us to the tax system. The case for low taxes on capital is that this boosts investment, which raises productivity and, ultimately, wages.

 

The bipartisan drive for lower capital taxes goes back decades, to accelerated depreciation (that is, expensing buildings and equipment faster than they wear out) in 1954 and the investment tax credit in 1962. From the 1980s through the 2000s, depreciation became even more generous, while taxes were trimmed on capital gains and dividends.

 

The most sweeping reductions came in the 2017 tax bill that slashed the corporate rate to 21% from 35% and temporarily allowed immediate 100% expensing of many capital expenditures.

 

That 100% expensing provision was restored and made permanent last year. The upshot is that since 2017, the marginal tax rate on new equipment dropped to 4% from 14% while the marginal rate on labor edged down to 27% from 29%, the CBO said.

 

In theory, taxing capital would slow AI's deployment. It would also deter non-AI investment, a potential drawback. In practice, how much tax rates alter investment decisions isn't clear. One study found the 2017 tax cuts did boost investment, while raising economic output over the long run by less than 1%.

 

Still, even if capital taxes have little effect on AI deployment, there is another consideration. The share of national output going to capital instead of labor is at an-all time high, and AI promises to push it even higher. As long as capital tax rates remain low, that limits how much new revenue flows into the Treasury. Narrowing the imbalance in taxes on capital and labor is one way of dealing with the largest peacetime deficits on record.” [1]

To prevent capital from fleeing to more generous shores (Ireland, anyone?) we need international agreement on minimum taxes. This minimum has to be higher because of AI changing relationship of profits versus salaries.

 

International tax rules need reform because artificial intelligence shifts the balance from human labor to corporate profits.

Why Change Is Needed

•           Labor shift: AI cuts payroll costs by replacing human workers with automation.

•           Profit concentration: Companies make higher profits while paying fewer workers wages.

•           Tax gap: Existing tax systems rely heavily on income and payroll taxes rather than corporate returns.

The Global Solution

•           Higher minimums: A global corporate tax floor must be set higher to capture these new AI profits.

•           Stopping flight: Clear rules prevent companies from moving money to low-tax countries.

 

 

1. U.S. News -- Capital Account: Tax Capital, Not Labor, to Fix AI Job Loss. Ip, Greg.  Wall Street Journal, Eastern edition; New York, N.Y.. 01 Aug 2026: A2.

 

 

Visų mūsų išnykimas --- Sėkmės mokslas: jis laimėjo didžiausią matematikos prizą ir ketina prisijungti prie „OpenAI“ --- Jacobas Tsimermanas yra matematikas superžvaigždė. Dabar jis dirba su problema, kurią laiko svarbiausia.

„Kai neseniai laimėjo Fieldso medalį, Jacobas Tsimermanas priėmė prestižiškiausią matematikos apdovanojimą, vilkėdamas šviesiai mėlyną smokingą su atlasiniais atlapais.

 

Tada jis paskelbė tokį pat įspūdingą pareiškimą kaip ir jo smokingas.

 

Po ceremonijos keturių laimėjusių matematikų buvo paklausta, ką jie planuoja daryti toliau. Vienas sakė, kad toliau dirbs su dalinėmis diferencialinėmis lygtimis, kitas – kad nori eksperimentuoti su dirbtiniu intelektu, o trečia – kad visiškai nieko nežino. Taip liko Tsimermanas.

 

„Pradėsiu dirbti „Open-AI“, – sakė jis.

 

Sprendimas buvo ir šokiruojantis, ir visiškai nestebinantis. Tai asmuo, kuris neseniai parašė straipsnį, kuriame suskirstė būdus, kaip DI gali visus nužudyti, pritaikydamas matematiko tvarkos instinktą apokalipsei. Jis nustojo priimti magistrantūros studentus, kurie nesidomi DI, nes negalėjo būti tikras dėl matematikos ateities. Jis netgi nukreipė savo dėmesį nuo skaičių teorijos ir sudėtingos algebrinės geometrijos.

 

Pasirodo, jis taip nerimauja dėl DI keliamų pavojų, kad dabar sutelkia dėmesį į DI saugumą.

 

Žvaigždė profesorius išeina atostogų iš Toronto universiteto, kad taptų „OpenAI“ tyrėju, tačiau Tsimermanas nepalieka matematikos.

 

Iš tiesų, jis nori panaudoti savo srities formalią kalbą ir tikrinimo metodus, kad paskatintų dirbtinio intelekto tyrimus – vertintų jo pažangą, apgalvotų jo sprendimus, visiškai užtikrintų, kad tai nenuves prie mūsų išnykimo.

 

DI srities įmonės, kurios puola universitetus dėl įvairiausių talentų, gali pasiūlyti neįsivaizduojamus atlyginimus ir akcijų pasirinkimo sandorius. Tačiau kiekvienas, kas kada nors yra sutikęs filosofą ar matematiką, žino, kad juos pirmiausia valdo ne pinigai. Priešingu atveju jie nebūtų filosofai ir matematikai.

 

Vienas didžiausių savo kartos matematikų dirba su DI saugumu, nes mano, kad tai svarbiausia problema, kurią jis gali padėti išspręsti.

 

„Po kelerių metų DI sistemos atliks matematiką kaip antžmogiškos“, – man sakė Tsimermanas. „Socialinės to pasekmės, kaip mes pasirenkame reaguoti, ką jaučiate dėl to – tai daug sunkesni klausimai.“

 

Kol kas jis galvoja apie klausimus, į kuriuos jis yra unikaliai kvalifikuotas atsakyti.

 

Kaip mes galime suprasti, ką iš tikrųjų daro dirbtinio intelekto sistemos? Kaip galime priversti jas sutarti tarpusavyje – ir su mumis? Kaip galime matematiškai įrodyti, kad jos slapta neplanuoja sunaikinti žmonijos?

 

Matematikai jau seniai naudoja savo įrankius žmonių elgesiui suprasti. Tsimermanas juos naudos mašinų elgesiui iššifruoti.

 

Jo kelias į šią akimirką prasidėjo gerokai prieš jam laimėjant Nobelio matematikos premiją. 38 metų Tsimermanas yra kompiuterių mokslininko ir vidurinės mokyklos matematikos mokytojo sūnus. Jis gimė Rusijoje, vaikystėje persikėlė į Izraelį ir užaugo Kanadoje, kur vidurinėje mokykloje laimėjo du aukso medalius Tarptautinėje matematikos olimpiadoje, prieš anksti įstodamas į Toronto universitetą ir per dvejus metus baigdamas koledžą. Jis įgijo daktaro laipsnį Prinstono universitete, dėstė Harvarde ir grįžo į savo alma mater kaip jauniausias matematikos profesorius.

 

Šiuo metu jo biografijoje galėčiau papasakoti apie jo novatorišką darbą su Andre-Oorto hipoteze ir Griffithso hipoteze apie periodinių žemėlapių vaizdų algebriškumą ir - na, eikime toliau.

 

Juk dabar jis dirba su dalykais, kurių supratimui nereikia daktaro laipsnio.

 

Didžiąją savo karjeros dalį Tsimermanas skeptiškai vertino dirbtinį intelektą. Jis visada žinojo, kad šios sistemos taps galingesnės.

 

„Tačiau ilgą laiką, – sakė jis, – niekada netikėjau, kad jos taps tokios galingos.“ Jam buvo ypač sunku patikėti, kad dirbtinis intelektas gali atkartoti tai, kas mus daro žmonėmis, pavyzdžiui, intuiciją ir kūrybiškumą. Per pastarąjį dešimtmetį buvo keletas akimirkų, kurios privertė jį permąstyti šią prielaidą, ir 2022 m., vos tik pabandęs patobulinti „ChatGPT“, jis visiškai persigalvojo.

 

„Jei jis gali kalbėti apie šokoladą ir parašyti eilėraštį, – pagalvojo jis, – kodėl jis negali kalbėti apie matematiką ir rašyti lygčių?“

 

Šis nušvitimas privedė jį prie nepatogios išvados: „Aš buvau labai įsitikinęs, kad jie taps nepaprastai galingi.“

 

Netrukus jis ėmė bijoti, kad dirbtinis intelektas taps pernelyg galingas. Praėjusią vasarą jis paskelbė akademinį straipsnį, kuriame įsivaizdavo daugybę distopinių scenarijų. Jis vadinosi „Visažmogiškų sistemų taksonomija“. „Ateities perspektyvos, susijusios su dirbtiniu intelektu“ – visažmogiški, t. y. visi miršta.

 

„Nužudomi kaip kenkėjai“, – rašo jis, – „intelektualiai ir fiziškai pranašesnių mašinų“.

 

Mes dar nesame tame DI revoliucijos etape. Tačiau pasiekėme tašką, kai garsios matematikos hipotezės, kurios egzistavo dešimtmečius, atrodo, griūva kiekvieną dieną.

 

Šis etapas prasidėjo, kai „OpenAI“ atskleidė, kad neišleistas modelis išsprendė 80 metų senumo problemą. Jis sugebėjo išspręsti vienetinio atstumo problemą ne tik dėl to, kad gali būti protingesnis už žmones, bet ir todėl, kad jis gali mąstyti nuosekliai daug ilgiau. Kai įmonė pademonstravo modelio samprotavimus, minčių grandinė apėmė 125 puslapius. „Jau 12 puslapyje, – sakė Tsimermanas, – man būtų skaudėjęs galvą.“

 

Kitas stulbinantis rezultatas buvo tada, kai „Anthropic“ „Fable“ modelis rado priešpriešinį pavyzdį Jacobiano hipotezei – garsiai klastingai problemai, kuri 87 metus metė iššūkį matematikams. Apie atradimą pranešė „Anthropic“ darbuotojas, turintis matematikos daktaro laipsnį ir kartą laimėjęs Morgano premiją kaip geriausias Amerikos bakalauro tyrėjas.

 

Beje, jo patarėjas buvo Jacobas Tsimermanas.

 

Nepaisant šių proveržių, Tsimermanas vis dar renkasi dirbti su idėjomis kaip žmogus.

 

„Man smagu tyrinėti matematiką klasikiniu būdu: vienam prie lentos“, – sakė jis man. „Dirbtinis intelektas ir matematika teikia daug džiaugsmo. Dar neišmokau to daryti.“

 

(Jo pramogų samprata apima ir tai, ko DI neįvaldė: improvizacinę komediją.)

 

Tačiau kreida nėra vienintelė jo priemonė matematikai atlikti. Tsimermanas yra visiškai pasirengęs perduoti nuobodžias savo darbo dalis DI, kuri pastaraisiais metais labai padidino jo produktyvumą. Pavyzdžiui, jam nebereikia skaityti šimtmečių literatūros vien tam, kad rastų konkrečią lygtį. „Matematikos darbus labai sunku skaityti“, – sakė jis man.

 

Fieldso medalio laimėtojai: jie tokie patys kaip mes!

 

Skirtingai nei mes visi, Tsimermanas taip pat naudoja DI matematikos darbams rašyti. Neseniai jis paprašė modelio padėti apibendrinti vieną iš jo argumentų, tačiau modelis pastebėjo klaidą tame argumente. Jis ją ištaisė. Tačiau DI ją rado.

 

„Jei tai būtų padaręs kuris nors iš mano bendradarbių ar studentų, būčiau labai sužavėtas“, – sakė jis. „To jis negalėjo padaryti praėjusiais metais.“

 

Deja, dirbtinio intelekto modeliai gali atlikti daug dalykų, kurie anksčiau atrodė neįmanomi – pavyzdžiui, išsiveržti iš savo „smėlio dėžių“ ir įsilaužti į įmones.

 

Neseniai įvykę įsilaužimai, susiję su „OpenAI“ ir nelegaliais antropogeniniais agentais, skamba taip, lyg būtų nukopijuoti tiesiai iš straipsnio apie omnicidą. Jie taip pat įrodo, kad grynieji matematikai atlieka svarbų vaidmenį suvaldant galingiausias ir rizikingiausias mūsų laikų technologijas.

 

„DI sistemoms tampant vis pajėgesnėms, norint užtikrinti, kad jos išliktų saugios ir veiktų taip, kaip numatyta, reikės išskirtinių tyrėjų ir naujų mąstymo būdų“, – sakė „OpenAI“ derinimo tyrėjas Kai Chenas.

 

Paskutiniams jo doktorantams baigus studijas, Tsimermanui tai buvo natūralus momentas žengti savo žingsnį. Jis nežino, kiek laiko dirbs „OpenAI“, kada vėl dėstys paskaitas – ar kitą kartą galės dėvėti smokingą.

 

„Šiuo metu mano gyvenime yra labai mažai tikrumų ar nuolatinių sprendimų“, – sakė jis.

 

Jo didžiausia viltis yra ta, kad dirbtinis intelektas padarys tai, ko mums reikia, palikdamas mums laisvę daryti tai, kas mums patinka. Paklausiau, ką jis norėtų veikti.

 

„Man dalykų netrūksta“, – atsakė jis. „Matematika yra viena iš jų.“

 

---

 

Jacob Tsimerman

 

-- Fieldso medalis: Jis laimėjo prizą už matematikos gudrybes iki 40 metų.

 

-- Tas smokingas: Fieldso ceremonijoje jis vilkėjo šviesiai mėlyną modelį su atlasiniais atlapais. Jo siuvėjas taip pat pasiuvo jo vestuvinį smokingą.

 

-- Juokingas vaikinas: Jis dėsto matematiką ir improvizacinę komediją.

 

-- Darbas ir žaidimas: Jis sukūrė antžmogišką stalo žaidimo „Phutball“ žaidėją. Tam prireikė apie 10 000 kodo eilučių – ir jis neužkodavo nė vienos eilutės.“ [1]

 

1. EXCHANGE --- Science of Success: He Won the Biggest Prize in Math and He's Going to OpenAI --- Jacob Tsimerman is a superstar mathematician. Now, he's working on what he considers the most important problem. Cohen, Ben.  Wall Street Journal, Eastern edition; New York, N.Y.. 01 Aug 2026: B3

Extinction of All of Us --- Science of Success: He Won the Biggest Prize in Math and He's Going to OpenAI --- Jacob Tsimerman is a superstar mathematician. Now, he's working on what he considers the most important problem.

“When he won the Fields Medal recently, Jacob Tsimerman accepted the most prestigious honor in math wearing a powder-blue tuxedo with satin lapels.

 

Then he made an announcement as striking as his tux.

 

After the ceremony, the four winning mathematicians were asked what they planned to do next. One said he would keep working on partial differential equations, one said he wanted to experiment with artificial intelligence and one said she had absolutely no idea. That left Tsimerman.

 

"I'll be starting a position at Open-AI," he said.

 

The decision was both shocking and not at all surprising. This is someone who recently wrote a paper categorizing the ways AI might kill everyone, applying a mathematician's instinct for order to the apocalypse. He stopped taking graduate students who weren't engaging with AI because he couldn't be sure about the future of math. He even shifted his focus away from number theory and complex algebraic geometry.

 

It turns out he's so worried about the dangers of AI that he's now pivoting to work on AI safety.

 

The star professor is taking a leave from the University of Toronto to become a researcher at OpenAI, but Tsimerman is not leaving math.

 

In fact, he wants to use the formal language and verification methods of his field to advance the study of AI -- evaluating its progress, wrapping his mind around its decisions, making absolutely sure it won't lead to our extinction.

 

The companies on the AI frontier that are raiding universities for all kinds of talent can offer unimaginable salaries and stock options. But anyone who has ever met a philosopher or mathematician knows they are not primarily driven by money. Otherwise, they would not be philosophers and mathematicians.

 

One of the greatest mathematicians of his generation is working on AI safety because he believes it's the most important problem that he can help solve.

 

"In a few years, AI systems will be robustly superhuman at the act of doing mathematics," Tsimerman told me. "The social consequence of that, how we choose to react, what you feel about it -- those are much harder questions."

 

For now, he's thinking about questions that he's uniquely qualified to answer.

 

How can we understand what AI systems are actually doing? How can we get them to get along with each other -- and us? How can we mathematically prove they're not secretly plotting to destroy humanity?

 

Mathematicians have long used their tools to make sense of human behavior. Tsimerman will be using them to decipher the behavior of machines.

 

His path to this moment began long before he won the Nobel Prize of math. Tsimerman, 38, is the son of a computer scientist and high-school math teacher. He was born in Russia, moved to Israel as a boy and grew up in Canada, where he won two gold medals at the International Mathematical Olympiad in high school before enrolling in the University of Toronto early and graduating college in two years. He got a Ph.D. from Princeton, taught at Harvard and returned to his alma mater as its youngest math professor ever.

 

At this point in his biography, I could tell you about his groundbreaking work on the Andre-Oort conjecture and Griffiths's conjecture on the algebraicity of images of period maps and -- well, let's just move on.

 

After all, he's now working on stuff you don't need a doctorate to understand.

 

For most of his career, Tsimerman was skeptical of AI. He always knew these systems would become more powerful.

 

"But for the longest time," he said, "I never really believed they would get this powerful." He found it especially hard to believe that AI could replicate things that make us human, like intuition and creativity. There were several moments over the past decade that forced him to rethink that assumption, and he changed his mind altogether in 2022, as soon as he tinkered with ChatGPT.

 

"If it can talk about chocolate and write a poem," he thought, "why can't it talk about math and write equations?"

 

That epiphany led him to an uncomfortable conclusion: "I became very convinced that they would become extremely powerful."

 

Before long, his fear was that AI would get way too powerful. By last summer, he'd published an academic paper imagining multiple dystopian scenarios. It was called "A Taxonomy of Omnicidal Futures Involving Artificial Intelligence" -- omnicidal, as in everyone dies.

 

"Killed off as pests," he writes, "by intellectually and physically superior machines."

 

We're not at that stage in the AI revolution -- yet. But we have reached the point where famous math conjectures that stood for decades seem to be falling every day.

 

This phase started when OpenAI revealed that an unreleased model had solved an 80-year-old problem. It was able to crack the unit-distance problem not just because it might be smarter than humans, but also because it can think coherently for much longer. When the company showed the model's reasoning, the chain of thought ran 125 pages. "By page 12," Tsimerman said, "I would've had a headache."

 

The next head-spinning result arrived when Anthropic's Fable model found a counterexample to the Jacobian conjecture, a famously treacherous problem that had defied mathematicians for 87 years. The discovery was reported by an Anthropic employee who has a Ph.D. in math and once won the Morgan Prize as America's top undergraduate researcher.

 

As it happens, his adviser was Jacob Tsimerman.

 

Despite these breakthroughs, Tsimerman still prefers to work through ideas like a human.

 

"I find the fun in pursuing math research in the classical way: by myself at a blackboard," he told me. "There's a lot of fun to be had with AI and math. It's not something that I've learned to have fun with yet."

 

(His idea of fun also includes something AI hasn't mastered: improv comedy.)

 

But chalk isn't his only tool for doing math. Tsimerman is perfectly willing to outsource the boring parts of his job to AI, which has juiced his productivity in recent years. For example, he no longer has to read through centuries of literature just to find a specific equation. "Math papers are very hard to read," he told me.

 

Fields medalists: they're just like us!

 

Unlike the rest of us, Tsimerman also uses AI to write math papers. He recently asked a model to help generalize one of his arguments, only for the model to spot an error in that argument. He fixed it. But AI found it.

 

"If one of my collaborators or students had done it, I would have been very impressed," he said. "This is a thing it could not do last year."

 

Unfortunately, AI models can do lots of things that once seemed impossible -- like busting out of their sandboxes and breaking into companies.

 

The recent hacks involving OpenAI and Anthropic agents gone rogue sound like they're ripped straight from a paper about omnicide. They're also proof that pure mathematicians have a role to play in taming the mightiest and riskiest technology of our time.

 

"As AI systems grow more capable, ensuring they remain safe and behave as intended will require exceptional researchers and new ways of thinking," said OpenAI alignment researcher Kai Chen.

 

With his last Ph.D. students graduating, this was a natural moment for Tsimerman to make a move of his own. He isn't sure how long he'll be at OpenAI, when he'll teach classes again -- or the next time he'll get to wear his tux.

 

"There are very few certainties or permanent decisions in my life right now," he said.

 

His ultimate hope is that AI does what we need, leaving us free to do what we like. I asked what he would like to do.

 

"I have no shortage of things," he said. "Math is one of them."

 

---

 

Jacob Tsimerman

 

-- Fields Medal: He won the prize for math whizzes under 40.

 

-- That Tux: He wore a powder-blue model with satin lapels for the Fields ceremony. His tailor also made his wedding tuxedo.

 

-- Funny Guy: He teaches math -- and improv comedy.

 

-- Work and Play: He built a superhuman player of the board game Phutball. It took about 10,000 lines of code -- and he didn't code one line.” [1]

 

1. EXCHANGE --- Science of Success: He Won the Biggest Prize in Math and He's Going to OpenAI --- Jacob Tsimerman is a superstar mathematician. Now, he's working on what he considers the most important problem. Cohen, Ben.  Wall Street Journal, Eastern edition; New York, N.Y.. 01 Aug 2026: B3