L’IA vient-elle de tuer les mathématiques ?

Le 6 octobre, OpenAI a publié des centaines de documents, affirmant que son intelligence artificielle avait résolu de nombreux problèmes mathématiques complexes, y compris certains défis du millénaire considérés comme insurmontables. Cette annonce a créé un choc brutal dans la communauté des mathématiciens, remettant en question la nature de leur travail et l'avenir des mathématiques. En 2000, l'Institut de mathématiques Clay a sélectionné sept grands défis, les problèmes du millénaire, avec un prix d'un million de dollars pour chaque solution. En 26 ans, seule la conjecture de Poincaré a été résolue par Grégory Perelman en 2002, et il a fallu quatre ans à la communauté pour valider sa démonstration. En 2026, tout s'accélère : OpenAI annonce avoir avancé une solution pour les équations de Navier-Stokes, un autre problème du millénaire décrivant le mouvement des fluides. Un mois plus tard, l'entreprise présente 722 résultats, dont une avancée revendiquée vers l'hypothèse de Riemann, qui améliorerait la connaissance de la répartition des nombres premiers. Ces démonstrations doivent encore être examinées par des mathématiciens humains, un processus qui pourrait prendre beaucoup de temps étant donné la masse et l'obscurité du contenu. Cependant, la question brûlante pour les chercheurs est déjà : que va devenir leur métier ? L'informaticien Scott Aaronson compare cette situation à un chasseur-cueilleur découvrant un hôtel de luxe, son rôle se réduisant à guider des touristes. L'automatisation, souvent associée aux tâches répétitives, touche désormais un métier hautement intellectuel, basé sur l'intuition et la créativité. Les mathématiques théoriques, autrefois considérées comme à l'abri, sont devenues les premières cibles de l'IA. Hugo Duminil-Copin, médaillé Fields 2022, reconnaît la puissance de ces outils, mais insiste sur le fait que la valeur des mathématiques ne se limite pas à accumuler des théorèmes résolus. Le rôle d'un mathématicien n'est pas de faire des multiplications, mais de chercher des réponses à des questions dont la solution n'existe pas encore. Une conjecture est une propriété qui fonctionne sur de nombreux exemples, mais qui nécessite une démonstration pour prouver sa validité dans tous les cas, sans contre-exemple. C'est pourquoi un problème peut occuper des générations de chercheurs. Pendant longtemps, les ordinateurs ont été des outils pour les mathématiciens, effectuant des calculs et testant des exemples. Mais à partir de 2022, les systèmes d'IA ont commencé à proposer des pistes, produire du code et chercher des arguments, accélérant considérablement le processus. Les entreprises d'IA ont utilisé des compétitions de mathématiques pour étaler leur puissance, mais réussir une épreuve ne signifie pas faire de la recherche. En recherche, choisir la bonne question est essentiel, car une IA est puissante pour répondre, mais si les questions sont mauvaises, les preuves produites seront inutiles. Il faut un travail de guidage subtil pour que l'IA contribue au progrès humain. Navier-Stokes, par exemple, est un problème du millénaire qui cherche à comprendre le comportement mathématique des équations décrivant le mouvement des fluides, notamment si un mouvement régulier peut développer une singularité. OpenAI affirme avoir répondu à cette question en mobilisant près de 10 000 agents IA en parallèle pendant 88 heures. L'intérêt d'OpenAI n'est pas le million de dollars promis par l'Institut Clay, mais de montrer les capacités de ses systèmes. Les mathématiques sont une vitrine prestigieuse et un test exigeant pour le raisonnement des modèles. Résoudre un problème ouvert démontre aux clients et investisseurs que la machine peut contribuer à une recherche dont personne ne connaît encore la réponse. L'ambition ultime est l'intelligence artificielle générale (AGI), capable d'accomplir une grande variété de tâches intellectuelles au niveau humain, voire au-delà. Résoudre un grand problème de mathématiques est une démonstration de force pour les entreprises qui promettent d'atteindre l'AGI. Pour Hugo Duminil-Copin, l'argument est aussi marketing. C'est un passage obligé pour l'entraînement de leurs modèles, et cela leur permet de vendre une forme d'intelligence, car la pratique mathématique est perçue comme une activité intellectuelle à forte valeur ajoutée. OpenAI affirme vouloir accélérer les découvertes scientifiques, mais pour le chercheur, c'est surtout un moyen d'entraîner et de vendre ses modèles. Pour que ces résultats soient utiles aux autres chercheurs, il faut pouvoir les comprendre. Une équipe peut découvrir qu'OpenAI a résolu le problème sur lequel elle travaille sans avoir compris la démonstration. La réponse est là, mais si aucun humain ne la comprend, elle ne sert à rien. Le match de la vitesse est perdu pour les mathématiciens face aux machines. Le métier doit muter. Certains, comme le médaillé Fields Jacob Tsimerman, ont déjà réorienté leur carrière vers OpenAI pour travailler sur la sûreté des IA. Un défi majeur est la traduction : vérifier une preuve et la comprendre sont deux choses distinctes. Des outils de vérification formelle, comme le langage Lean, peuvent contrôler une preuve étape par étape, mais une démonstration peut être formellement parfaite sans qu'un humain n'y comprenne rien. C'est comme lire une correction sans en saisir l'idée centrale. Hugo Duminil-Copin est directement concerné, avec 3500 pages publiées par OpenAI liées à ses travaux, qu'il qualifie de "charabia" et qui prendraient des dizaines d'années à comprendre. Le rôle de traducteur, repérant l'idée géniale pour l'expliquer et l'utiliser, pourrait être l'un des futurs métiers du chercheur. Historiquement, une démonstration prenait des années, laissant le temps de la comprendre et de la relire. L'IA génère du code formel plus vite que le cerveau humain ne peut l'absorber, entraînant une "indigestion de preuves". Face à ce goulot d'étranglement, certains proposent des solutions radicales. Terence Tao, considéré comme un prodige des mathématiques modernes, a suggéré de créer des "sanctuaires" pour les humains, des problèmes mathématiques hors limite pour les IA, comme des parcs naturels pour préserver la réflexion humaine. Hugo Duminil-Copin soutient cette idée, insistant sur l'importance de la coexistence des deux pratiques. L'objectif n'est pas de refuser le progrès, mais de protéger ce qui fait le cœur du métier : la confrontation de l'intuition, le dépassement de soi. Déléguer tout à la machine ferait perdre cette gymnastique intellectuelle. Une autre inquiétude est que si les humains cherchent moins et que les IA s'entraînent sur les productions d'autres IA, le risque est de tourner en rond, reproduisant les mêmes approches et angles morts. Préserver une recherche humaine sans IA permettrait d'explorer d'autres pistes. Sur le papier, une nouvelle répartition du travail se dessine : les machines produisent des preuves, les chercheurs les interprètent et conservent des espaces pour chercher sans IA. La communauté mathématique est résiliente. Dès le lendemain du choc, elle s'est réorganisée pour décortiquer ces preuves et en tirer le meilleur. Cependant, s'adapter ne règle pas tout. Le chamboulement des métiers est total, à une vitesse "inhumaine". Il faut revoir ce qu'on espérait accomplir, la reconnaissance du travail et parfois le sujet même de la thèse. Il y a un deuil d'une certaine pratique, d'une "époque romantique" qui s'achève, comme le dit Terence Tao. La question de l'ego se pose : être le premier à trouver la preuve apportait reconnaissance, financement et impact sur une carrière. Hugo Duminil-Copin parle du deuil d'une pratique où l'on se voyait comme un pionnier. Pour les jeunes, l'enjeu est de savoir si d'autres mathématiciens pourront démontrer avec l'IA le travail sur lequel ils se focalisaient pour leur doctorat. La question n'est plus d'être le premier, mais d'avoir une compréhension suffisamment profonde pour transmettre et réutiliser le savoir. La reconnaissance est un point crucial : qui mérite le crédit quand une IA est dans l'équation ? Celui qui a posé la question, celui qui a guidé le modèle, ou celui qui comprend l'apport du résultat ? Jacob Tsimerman soulève cette question. Terence Tao consacre désormais son temps à épauler sa discipline, ses entretiens avec ses doctorants ressemblant à des séances de thérapie. Un étudiant a même dû prendre des jours de repos, désolé de voir l'IA s'attaquer à des problèmes liés à sa thèse. Le système d'évaluation est bousculé. On ne peut pas demander aux jeunes chercheurs de privilégier la compréhension tout en les évaluant sur les nouveaux résultats publiés. Une inquiétude encore plus brutale se dessine : pourquoi financer autant de chercheurs si une machine peut trouver les réponses plus vite ? Hugo Duminil-Copin répond qu'une réponse publiée n'est pas encore une connaissance dont tout le monde peut se servir. Financer les machines sans financer les personnes capables de comprendre et transmettre, c'est laisser une partie du travail en plan. Les entreprises qui publient ces textes ont aussi une responsabilité. Signer un article suppose de pouvoir expliquer ses arguments et corriger les erreurs. Avec un texte généré par IA, la personne qui lance la recherche ne maîtrise pas toutes les étapes. Un groupe indépendant a proposé des recommandations : rendre les textes plus clairs, documenter les méthodes, citer les travaux antérieurs et financer le travail de compréhension. OpenAI affirme s'en être inspiré, mais Hugo Duminil-Copin estime que les demandes de la communauté ont été "quasiment toutes bafouées". Des tensions sont déjà apparues sur la question du crédit. En septembre, autour de l'annonce sur Navier-Stokes, le mathématicien Tristan Buckmaster a publiquement interrogé OpenAI sur l'utilisation de ses recherches inédites, confiées à Codex. OpenAI a démenti, mais la controverse montre que la question du mérite dépasse le duel humain-machine. L'accès aux outils est un autre enjeu. Quand un modèle reste interne à une entreprise, les chercheurs n'ont pas les mêmes moyens. Une fois commercialisé, le prix peut créer des inégalités. On peut gagner des capacités scientifiques tout en concentrant les moyens entre quelques mains. Certains grands noms de la tech, comme Yann LeCun, balaient ces inquiétudes, comparant le refus de l'IA en mathématiques au refus d'un bateau pour traverser l'océan. Pour lui, l'IA est un navire surpuissant qui mènera les chercheurs vers de nouveaux continents mathématiques plus rapidement. Certains parient que l'IA ne se contentera pas de recracher du code illisible, mais deviendra aussi un "superhuman explainer". Hugo Duminil-Copin reconnaît l'efficacité des outils et son équipe travaille déjà à les utiliser. La même technologie qui submerge de résultats pourrait aider à les comprendre, à condition que les explications soient à la hauteur des démonstrations. Une réponse peut dé