ChatGPT résout 10 grands problèmes de maths, mais il y a un souci considérable qui émerge
OpenAI affirme qu'une version interne de son modèle Astra a terrassé dix problèmes ouverts majeurs. Mais derrière l'emballement, les mathématiciens font face à un gouffre vertigineux : l'intelligence artificielle génère désormais des démonstrations plus vite que la science n'est capable de les comprendre..
OpenAI annonce qu'une version avancée de son modèle d'intelligence artificielle, Astra, a résolu ou fait progresser dix problèmes mathématiques complexes considérés comme des défis majeurs par la communauté scientifique. Ces problèmes couvrent des domaines variés comme la géométrie en grande dimension, la théorie des codes, la cryptographie sur les réseaux ou encore la combinatoire extrémale. Certains de ces sujets étaient étudiés depuis des décennies, voire des siècles, sans solution trouvée. L'entreprise précise que cette résolution a coûté environ 2 000 dollars par problème en utilisant des jetons, une unité de calcul pour les modèles d'IA. Les démonstrations ont ensuite été vérifiées automatiquement par un outil de preuve formelle appelé Lean, garantissant leur exactitude mathématique.
La nouvelle a suscité un vif intérêt dans la communauté scientifique et parmi les technophiles. Noam Brown, chercheur chez OpenAI, y voit une avancée majeure pour le raisonnement scientifique. Certains observateurs, comme le compte Le Futurologue, qualifient cette percée d'une des plus importantes de l'histoire. Cependant, des mathématiciens comme Jay Cummins expriment un sentiment de défaite personnelle, car l'IA a résolu un problème sur lequel ils travaillaient depuis des années. L'investisseur Nicolas Bustamante s'interroge sur l'avenir des institutions scientifiques : qui recevra le crédit pour ces découvertes, l'humain posant la question, l'équipe entraînant l'IA, le propriétaire du laboratoire ou l'IA elle-même ?
Un signe du basculement en cours est l'arrivée de Jacob Tsimerman, lauréat de la médaille Fields 2026 (équivalent du Nobel pour les mathématiques), à OpenAI. Ce chercheur a quitté sa chaire à l'université de Toronto pour rejoindre l'entreprise et travailler sur la sécurité des IA. Il affirme que les systèmes d'IA pourraient bientôt surpasser les humains dans des domaines mathématiques actuels, nécessitant une refonte complète de la discipline. Son départ illustre l'attrait croissant des talents vers les entreprises développant ces technologies.
Depuis deux ans, les modèles d'IA franchissent des caps autrefois considérés comme inaccessibles. Google a développé AlphaGeometry, qui a frôlé l'or aux Olympiades Internationales de mathématiques, tandis que DeepMind a remporté une médaille d'or. Des modèles généralistes comme GPT-5.2 Pro ont résolu des problèmes vieux de 45 à 80 ans. Même des légendes de l'informatique comme Donald Knuth ont été surprises par la capacité de modèles comme Claude d'Anthropic à résoudre des énigmes mathématiques. Des startups et des amateurs utilisent ces outils pour résoudre des casse-têtes en quelques heures, voire quelques jours, là où des années de travail humain étaient auparavant nécessaires.
L'automatisation de la résolution des problèmes mathématiques pose un défi majeur : la capacité des chercheurs à vérifier et comprendre les démonstrations générées par l'IA. Terence Tao, médaille Fields 2006, compare cette situation à un buffet où des carcasses d'animaux seraient déposées sans être préparées. Les démonstrations, bien que certifiées exactes par des outils comme Lean, restent incompréhensibles pour les humains. Les mathématiciens n'ont ni le temps ni les ressources pour analyser ce flux continu de solutions. Sur le site des conjectures d'Erdős, un répertoire de problèmes mathématiques non résolus, des centaines de propositions soumises par des utilisateurs d'IA attendent une évaluation.
Jacob Tsimerman et Terence Tao alertent sur l'émergence d'un phénomène appelé slop mathématique : des utilisateurs sans expertise injectent des requêtes dans des modèles d'IA, obtiennent des solutions formelles, puis sollicitent les laboratoires pour évaluer ces résultats. Une fois qu'un problème est considéré comme résolu par une IA, l'intérêt et les financements pour ce sujet s'effondrent, même si personne ne comprend la solution. Terence Tao souligne que cela pourrait priver la science de nouvelles intuitions et découvertes, car les chercheurs passent à d'autres sujets sans avoir saisi les mécanismes sous-jacents des solutions proposées par l'IA.
Les avancées récentes soulèvent une question fondamentale : que deviennent les mathématiques si les IA résolvent des problèmes plus vite que les humains ne peuvent les comprendre ? Les outils de vérification automatisée, comme *Lean*, permettent de confirmer l'exactitude des démonstrations, mais ne remplacent pas le travail humain d'analyse et d'interprétation. Sans ce travail de digestion, les solutions restent des *carcasses brutes* stériles. Les mathématiciens pourraient se retrouver face à une discipline où les problèmes sont résolus, mais où les humains ne saisissent plus les tenants et aboutissants, remettant en cause la transmission des connaissances et l'évolution future de la recherche.
