AI Crisis in Math: Navier-Stokes, Riemann Hypothesis & Complexity Theory | Lex Fridman Podcast #503

Cet épisode spécial aborde la crise actuelle en mathématiques due aux avancées de l'intelligence artificielle (IA). Des machines ont prétendu résoudre certains des problèmes les plus complexes de l'histoire des mathématiques, tels que Navier-Stokes, la quasi-hypothèse de Riemann et la conjecture des jeux uniques. Steven Brunton, expert en dynamique des fluides, Ankur Moitra, mathématicien et informaticien théoricien, et Alex Kontorovich, mathématicien et théoricien des nombres, discutent de l'impact de ces développements. Alex voit cette période non comme une crise mais comme une opportunité de repenser les objectifs des mathématiques, ouvrant la voie à un âge d'or de la connaissance mathématique. Ankur partage un sentiment ambivalent : d'un côté, l'IA est un outil incroyable pour l'apprentissage et la connexion entre les domaines ; de l'autre, elle bouleverse les schémas de réussite et de mentorat traditionnels, laissant un sentiment de solitude intellectuelle. Terence Tao, lauréat de la médaille Fields, exprime son inquiétude quant à la perturbation des années de recherche patiente, notamment pour les étudiants et postdoctorants, car la connaissance d'une solution réduit l'exploration fructueuse d'un problème. Steve, ingénieur, est plus optimiste. Il voit l'IA comme un moyen d'améliorer considérablement la résolution de problèmes appliqués, mais reconnaît l'incertitude quant à l'avenir : l'IA pourrait éclipser l'intelligence humaine ou devenir un outil puissant au service de la curiosité. Il souligne l'importance de se rappeler le véritable but de la recherche : la curiosité, la compréhension du monde, et non la célébrité. La question de savoir si l'IA va "résoudre" ou "détruire" les mathématiques est débattue. Alex distingue les deux : "résoudre" signifierait que l'IA seule pourrait résoudre tout problème mathématique où une interaction homme-IA est possible. Même dans ce scénario extrême, il ne pense pas que cela détruirait les mathématiques pures, car leur valeur réside dans leur existence dans l'esprit humain, pas dans les centres de données. Ankur ajoute que l'IA, bien que puissante, est limitée dans sa capacité à généraliser et abstraire comme les humains, qui peuvent formuler des questions humblement et développer des systèmes de compréhension. L'IA excelle à assembler des "morceaux" de connaissances existantes, mais les humains apportent de nouvelles définitions et concepts. Le "sophisme du portier" est utilisé comme métaphore : réduire le travail d'un mathématicien à la preuve de théorèmes est une simplification excessive. Les mathématiciens pensent profondément, construisent de nouvelles théories, et créent des connexions conceptuelles. L'IA pourrait automatiser la preuve de théorèmes, mais la valeur de poser les "bonnes questions" et de communiquer la beauté et la compréhension des mathématiques reste humaine. La discussion s'étend à l'impact sur les institutions. Ankur s'inquiète pour les étudiants en doctorat, qui n'ont plus de feuille de route claire pour réussir. Il espère que cette crise forcera une réévaluation des systèmes académiques et encouragera une collaboration accrue, potentiellement via des modèles ouverts comme Mathlib, un référentiel de preuves formelles vérifiées par le logiciel Lean. Mathlib permet une formalisation rigoureuse des mathématiques, rendant les preuves vérifiables et réutilisables, un peu comme l'ingénierie logicielle. L'IA a déjà montré sa capacité à "auto-formaliser" des preuves, comme le dernier théorème de Fermat, en générant des millions de lignes de code Lean. Alex raconte son choc en découvrant la preuve de la quasi-hypothèse de Riemann par l'IA, un problème qu'il ne pensait pas voir résolu de son vivant. L'hypothèse de Riemann concerne la distribution des nombres premiers et son lien avec les zéros d'une fonction complexe. L'IA a prouvé une "quasi-hypothèse" en identifiant une bande verticale sans zéros, une avancée majeure, bien que la preuve complète nécessite encore de nouvelles idées. Steve aborde les équations de Navier-Stokes, qui décrivent le mouvement des fluides. Malgré leur formulation simple (conservation de la quantité de mouvement), elles sont incroyablement complexes à résoudre en raison des non-linéarités et de la nature multi-échelle de phénomènes comme la turbulence. L'IA a prouvé l'existence d'une "singularité" (un blow-up en temps fini) pour Navier-Stokes avec forçage externe, ce qui est mathématiquement important mais ne change pas immédiatement la pratique de l'ingénierie, car le phénomène se produit à des échelles non physiques. Le véritable défi reste de prédire et de contrôler les fluides de manière efficace, un "problème d'ingénierie à mille milliards de dollars". Ankur discute de la conjecture des jeux uniques, un problème central en informatique théorique lié à la difficulté d'approximation. La conjecture, dont la vérité a été prouvée par l'IA, a un effet structurant sur la compréhension des limites des algorithmes d'approximation. Son résultat, bien que non sans contributions humaines majeures, soulève des questions sur la motivation des chercheurs à explorer des problèmes qui pourraient être résolus rapidement par l'IA. La conversation dérive vers la nature de l'intelligence et de la motivation humaine. L'IA peut résoudre des problèmes, mais ne peut pas reproduire la "lutte" et l'apprentissage profond que l'humain retire de la résolution d'un défi. L'importance de la curiosité, de la capacité à poser les bonnes questions et à "détecter les bêtises" est soulignée. L'IA est un outil formidable pour l'apprentissage, mais la sagesse et la capacité à gérer l'incertitude restent des qualités humaines essentielles. Les participants s'interrogent sur les problèmes futurs : P versus NP reste un grand défi en informatique. Pour les mathématiques, la pleine hypothèse de Riemann. La question de savoir si les mathématiques sont inventées ou découvertes est également abordée, avec une préférence pour l'idée que nous inventons les questions et découvrons les réponses. En conclusion, l'IA représente un changement de paradigme. Si elle peut automatiser la résolution de nombreux problèmes, elle met en lumière la valeur intrinsèque de la curiosité, de la compréhension, de la collaboration humaine et de la "lutte" intellectuelle. L'avenir des mathématiques et de la science résidera dans la capacité à s'adapter, à valoriser de nouvelles formes de contribution et à trouver un équilibre entre l'efficacité de l'IA et la richesse de l'expérience humaine.