L'IA dépasse tous les mathématiciens. Et après ?

7/10

IAJohann Oriel - Technosophie28 octobre 2026 à 18:0918:16

Lecteur audio

INTRO

La publication par OpenAI de 722 manuscrits de mathématiques générés par IA a provoqué à la fois stupeur et fascination dans tout le milieu, soulevant la question de savoir si les machines commencent à dépasser la compréhension humaine dans la production de connaissances.

POINTS CLÉS

Un choc historique pour les mathématiques

Le 6 octobre 2026, OpenAI a publié 722 manuscrits générés par un système d’IA interne à partir d’environ 4 000 problèmes soumis. Des mathématiciens de premier plan ont décrit l’événement comme un tournant d’époque, des lauréats de la médaille Fields affirmant qu’il pourrait s’agir de la transformation la plus radicale des mathématiques depuis des siècles. Certains ont jugé l’ensemble suffisamment fort pour contenir des résultats comparables à une demi-douzaine jusqu’à une douzaine de médailles Fields.

Des problèmes majeurs non résolus pris pour cible

Parmi les affirmations les plus frappantes figuraient des percées liées à la conjecture de Hodge et à l’hypothèse de Riemann, deux des questions ouvertes les plus célèbres en mathématiques. Le rythme annoncé a sidéré les chercheurs: des résultats sur des problèmes qui occupaient des spécialistes depuis des décennies auraient émergé en quelques jours, voire en quelques heures, bien au-delà de la production de n’importe quel département universitaire.

Des chercheurs confrontés à la perte de programmes entiers

La réaction n’a pas été seulement l’admiration, mais aussi une désorientation professionnelle. Hugo Duminil-Copin, autre médaillé Fields, a déclaré que 16 problèmes directement liés à son propre programme de recherche figuraient parmi les résultats annoncés. Dans un seul domaine, l’IA aurait produit 13 articles couvrant des étapes successives d’un programme qui aurait pu occuper des chercheurs humains pendant des années, alimentant la crainte que certaines spécialités se réorganisent rapidement autour de travaux générés par machine.

Navier-Stokes est devenu le symbole de ce changement d’échelle

Le système aurait résolu le problème de Navier-Stokes en septembre en utilisant 10 000 agents coordonnés en 88 heures. OpenAI a aussi indiqué que son modèle générait des résultats avec un temps moyen de calcul équivalent à environ trois heures de réflexion par problème. Même en tenant compte de corrections ultérieures, ce rythme de production suggère un déplacement brutal du principal goulot d’étranglement de la recherche: de la découverte des résultats vers leur examen et leur assimilation.

La vérification reste incomplète

Tous les manuscrits n’ont pas résisté sans modification. Certains résultats ont été corrigés, et au moins trois articles ont été retirés. Cette réserve n’a pas effacé le choc d’ensemble, mais elle souligne un point central: générer un théorème, le vérifier, comprendre pourquoi il est vrai et savoir comment l’utiliser sont des tâches différentes, et l’IA semble accélérer la première bien plus vite que les autres.

De la preuve à la certification

Une inquiétude majeure est la montée de preuves formellement vérifiables mais pratiquement illisibles. Une preuve liée à Navier-Stokes a été rédigée en Lean, un langage formel pour les mathématiques vérifiées par machine, et comptait 616 000 lignes. Une preuve traditionnelle peut, en principe, être retracée par des humains; un certificat formel peut être accepté comme correct tout en restant inaccessible à presque tous, sauf aux spécialistes disposant des outils nécessaires pour l’examiner.

La science ouverte pourrait commencer à se refermer

Les mathématiques modernes se sont construites sur la publication, la preuve et la vérification publique. Cette nouvelle dynamique menace cette norme. Si les chercheurs craignent que le partage d’idées permette aux systèmes d’IA de les devancer et de les résoudre en premier, les incitations se déplacent vers le secret. Ce serait un renversement après des siècles d’ouverture scientifique croissante, et le retour d’un schéma plus ancien où celui qui contrôle la méthode contrôle l’avantage.

Les enjeux dépassent largement les mathématiques

Les mathématiques sous-tendent l’épidémiologie, la finance, la médecine, les infrastructures et la cybersécurité. En mars 2020, des modèles influents sur les maladies ont contribué à orienter d’importantes décisions gouvernementales, notamment des politiques de confinement touchant des milliards de personnes. L’inquiétude est désormais plus vive: si de futurs modèles à forts enjeux reposent sur des méthodes issues de l’IA, plus performantes que les alternatives humaines mais mal comprises, les sociétés pourraient dépendre de systèmes qu’elles ne peuvent contester efficacement qu’une fois l’échec survenu.

Le pouvoir se concentre autour de l’accès à la machine

Les résultats ont été rendus publics, mais pas le modèle qui les a produits. Cette distinction est cruciale. Si seules quelques organisations peuvent entraîner ou exploiter des systèmes capables de générer des connaissances de pointe, elles pourraient exercer une influence disproportionnée sur ce qui est découvert, sur la manière dont cela est vérifié, et sur qui peut le contester. La question n’est plus seulement de savoir si les mathématiques sont correctes, mais qui possède les moyens de les produire et de les certifier.

CONCLUSION

Cette publication révèle un point de bascule où l’IA pourrait passer du statut d’outil à celui de producteur autonome de connaissances avancées. La question centrale n’est plus de savoir si les machines peuvent assister l’intelligence humaine, mais comment les institutions s’adapteront si la découverte machine progresse plus vite que la compréhension humaine.

Poser une question

Sur le même sujet : IA