Les mathématiques sont folles

7/10

IAThe PrimeTime9 octobre 2026 à 17:1717:40

Lecteur audio

0:00 / 0:00

INTRO

OpenAI affirme avoir résolu 372 problèmes ouverts en mathématiques, ce qui a intensifié une contestation menée par Terence Tao et d’autres grands mathématiciens, qui estiment que des preuves générées par machine risquent de fragiliser la manière dont le savoir mathématique est produit, enseigné et compris.

POINTS CLÉS

Une publication massive de solutions revendiquées

OpenAI a déclaré avoir résolu 372 problèmes ouverts de mathématiques, dont certains résistaient parfois depuis des décennies. L’ampleur de l’annonce a suscité des discours sur une « apocalypse des maths » et la crainte que les machines dépassent les chercheurs humains dans de grands domaines de la discipline. Certains de ces problèmes étaient jugés assez prestigieux pour qu’un humain les résolvant soit propulsé vers de très hautes distinctions, comme la médaille Fields.

Pourquoi les mathématiciens s’y opposent

Dans une lettre publique datée du 11 septembre 2026, Terence Tao a averti que la volonté des entreprises d’IA d’utiliser des problèmes difficiles comme références d’évaluation est « néfaste » pour les mathématiques, car les incitations des entreprises et les objectifs de la discipline ne sont pas alignés. L’inquiétude ne tient pas seulement au fait que des problèmes soient résolus, mais au fait qu’ils le soient d’une manière qui contourne les processus collectifs par lesquels une percée devient normalement une compréhension partagée, de nouvelles collaborations et de futures recherches.

Des preuves sans assimilation

En mathématiques traditionnelles, une preuve majeure déclenche généralement des séminaires, des ateliers, des articles de suivi et le recrutement de jeunes chercheurs dans le domaine. Avec le temps, le résultat est simplifié, contextualisé et intégré aux manuels. Les critiques soutiennent que publier des centaines de solutions d’un coup court-circuite ce processus, en remplaçant une transmission générationnelle d’intuitions par un stock de résultats opaques que peu de personnes peuvent assimiler.

Le rôle des systèmes de preuve formelle

Beaucoup des nouveaux résultats étaient liés à Lean, un langage de preuve formelle bien adapté à la vérification automatique. Les grands modèles de langage sont particulièrement efficaces pour produire de grandes quantités de code structuré, ce qui fait de Lean un vecteur naturel pour les démonstrations de théorèmes pilotées par l’IA. Les 372 problèmes n’étaient pas tous accompagnés de formalisations complètes en Lean, mais environ un tiers l’étaient, ce qui a renforcé l’idée que des chaînes de preuve automatisées sont désormais viables à grande échelle.

La crainte d’une mathématique en force brute

Une inquiétude centrale est que l’IA puisse démontrer des énoncés sans révéler les idées les plus significatives qui les sous-tendent. Les critiques disent que certaines approches de machine ressemblent moins à une élégante intuition mathématique qu’à une puissance de calcul écrasante. Cela soulève une inquiétude philosophique plus profonde: si suffisamment de résultats importants deviennent accessibles principalement par recherche machine, les mathématiciens humains pourraient devenir moins centraux dans les découvertes de pointe.

Le point de rupture du bin packing

Un cas emblématique concernait un problème de pavage géométrique dans lequel des carrés unité sont agencés dans une aire minimale. La configuration trouvée par la machine paraissait très irrégulière, sans motif évident ni beauté conceptuelle. Pour beaucoup de chercheurs, ce type de résultat suggère un avenir où des réponses optimales existent, mais ne sont accessibles que par calcul brut, et non par les structures élégantes que les mathématiciens cherchent traditionnellement.

Contre-argument: des preuves laides peuvent devenir belles plus tard

Les partisans d’une position plus prudente notent qu’un résultat apparemment obtenu en force brute ne met pas fin à la quête de compréhension. Dans l’exemple du pavage, des travaux ultérieurs auraient reformulé le même optimum sur un tore, révélant une structure plus ordonnée, proche de Fibonacci. Cet épisode met en lumière un schéma familier en mathématiques: une première preuve peut être désordonnée, tout en indiquant la voie vers une explication conceptuelle plus propre.

La multiplication entière a montré un rapide suivi humain

Un autre exemple marquant concernait la complexité asymptotique de la multiplication entière. Une borne issue de l’IA améliorait l’ancienne barrière en n log n d’une marge presque absurdement infime, avec une correction d’exposant de l’ordre de 2^-182. Pourtant, une fois cette barrière franchie, des chercheurs humains ont rapidement resserré le résultat à plusieurs reprises, améliorant apparemment le paramètre de gain de 2^-182 à environ 2^-17, ce qui suggère que les résultats des machines peuvent aussi catalyser de nouveaux progrès humains.

Un débat plus large sur la formation de la prochaine génération

Le différend dépasse la seule recherche fondamentale. Tao et d’autres soulignent que les mathématiques dépendent de l’attraction et de la formation de jeunes chercheurs grâce à des percées compréhensibles et à des communautés intellectuelles actives. Si les systèmes d’IA « coupent l’herbe sous le pied » des mathématiciens en début de carrière en résolvant d’abord les problèmes de référence, la discipline pourrait avoir du mal à former les personnes nécessaires pour interpréter, affiner et prolonger ces résultats.

CONCLUSION

Le conflit autour de l’IA en mathématiques ne porte pas seulement sur la capacité des machines à démontrer des théorèmes, mais sur la question de savoir si une preuve sans compréhension humaine constitue un véritable progrès pour la discipline. Son issue pourrait redéfinir à la fois l’avenir de la recherche et la filière qui forme la prochaine génération de mathématiciens.

Poser une question

Sur le même sujet : IA