Actualités mathématiques

Installé à Rouen depuis dix ans, Arturas Sargaitis fabrique sur commande des luminaires en origami qui demandent une rigueur mathématique extrême. À partir de feuilles de polypropylène ou de papier Tyvek pouvant atteindre 9 mètres, il crée des volumes en répétant des motifs géométriques dont il recalcule angles et dimensions en fonction de chaque commande.

La précision est son maître mot : les diamètres pour la douille doivent correspondre au millimètre, les calculs de plis descendent à quatre chiffres après la virgule. Un traceur numérique l'assiste pour les grandes pièces, mais la rigueur du processus demeure manuelle. Chaque création doit aussi intégrer les normes de sécurité des lieux publics, la puissance d'éclairage attendue, le poids et la durabilité.

Arturas le reconnaît sans détour : 90 % de sa production part à la poubelle. Une déchirure, un faux pli, une imprécision de calcul en amont, une variation d'épaisseur du papier — tout motif à recommencer. Cet équilibre entre créativité, patience et humilité révèle comment les mathématiques ne contredisent pas l'art, mais en forment le fondement.

Dans un essai rédigé à l'occasion du Congrès international des mathématiciens 2026, le lauréat de la médaille Fields Terence Tao tire la sonnette d'alarme : l'intelligence artificielle pourrait faire entrer les mathématiques dans une crise comparable aux bouleversements fondationnels du début du XXe siècle, lorsque le paradoxe de Russell et les théorèmes d'incomplétude de Gödel avaient contraint la discipline à reformuler ses bases les plus profondes.

Mais Tao prend soin de préciser que ce n'est pas la vérité mathématique elle-même qui est menacée. Ce qui est en jeu, selon lui, c'est l'ensemble des valeurs implicites qui structurent la communauté : qu'est-ce qui compte comme contribution scientifique, qui mérite une récompense, et peut-on dire qu'une machine a véritablement « fait » le travail ? Il résume sa conviction de travail en ces termes : les outils d'IA deviendront, dans un avenir proche, capables d'accomplir une part substantielle des tâches de recherche mathématique au niveau professionnel.

Des faits récents donnent du poids à cette hypothèse. Un système développé par OpenAI, baptisé Astra, a résolu dix problèmes inédits soumis à quatre systèmes d'IA dans des conditions contrôlées ; sept d'entre eux ont reçu une évaluation jugée essentiellement satisfaisante, pour des coûts allant de quelques dizaines à quelques centaines de dollars par problème. Plus de deux cent cinquante pages de preuves formelles ont été validées via le logiciel de vérification Lean. Cette annonce a toutefois suscité une polémique sur l'attribution des mérites, plusieurs mathématiciens ayant jugé la communication initiale insuffisamment rigoureuse quant à la reconnaissance des travaux humains préexistants.

Tao identifie un risque particulier lié à la surabondance de preuves générées par l'IA, qui s'accumulent plus vite que la communauté ne peut les vérifier ou les assimiler. Il observe également que les preuves trop polies par l'IA effacent les aspérités naturelles de l'exposition humaine — ces passages retravaillés qui signalent les points délicats — rendant le texte « facile à lire mais difficile dont apprendre ». Sa règle pratique est claire : si aucun auteur n'est capable de présenter ses résultats de manière experte et correctement attribuée, la démonstration doit être considérée comme incomplète, même si elle a été formellement vérifiée.

L'essai pointe également des enjeux structurels : la recherche mathématique, longtemps accessible avec peu de moyens, devient dépendante de modèles coûteux contrôlés par des acteurs privés, ce qui risque de marginaliser les institutions universitaires moins bien dotées. La formation des jeunes chercheurs est aussi fragilisée, car les problèmes d'entraînement intermédiaires — essentiels au développement de l'intuition mathématique — sont désormais résolus sans effort par les algorithmes. Tao appelle à protéger la dimension irréductiblement humaine du métier de mathématicien, tout en reconnaissant lui-même recourir à l'IA pour des tâches auxiliaires comme la recherche bibliographique ou la mise en forme.

Le 1er août, OpenAI a publié dix avancées en mathématiques pures et informatique théorique obtenues par son modèle interne Astra, couvrant la géométrie, la théorie des codes, les groupes et la cryptographie sur réseaux. Chaque résultat a été formalisé dans Lean, un assistant de preuve vérifiable mécaniquement. Ce qui distingue cet exploit d'essais précédents, c'est l'échelle : dix résultats substantiels simultanément, obtenus pour un coût annoncé de 2 000 dollars. Toutefois, des zones d'ombre demeurent sur le degré d'autonomie réelle d'Astra : le nombre de tentatives, le rôle exact des experts humains dans le prompting et la formalisation restent opaques.

La portée dépasse largement l'exploit technique. Des doctorants craignent que leurs sujets de recherche ne soient résolus avant leur soutenance ; le modèle dépasse la vitesse de formation des successeurs. François Yvon (CNRS, Sorbonne Université) nuance toutefois en soulignant que comprendre et utiliser ces outils exigera toujours des mathématiciens bien formés, susceptibles de choisir les bons problèmes et d'interpréter les résultats. Le vrai risque identifié n'est pas le remplacement des chercheurs, mais l'affaiblissement de la pédagogie scientifique fondée sur l'apprentissage par l'erreur et la découverte de nouvelles questions.

La communauté mathématique s'organise : la Déclaration de Leiden (juin 2024), soutenue par l'Union mathématique internationale, demande transparence et vérification indépendante, pointant aussi les inégalités d'accès au calcul et le pouvoir accru des entreprises privées. Des divergences persistent cependant sur l'interprétation de la menace : la Société mathématique européenne refuse d'y voir une simple condamnation, privilégiant un regard nuancé sur les opportunités. Le défi central reste : pendant que l'IA résout des énigmes ouvertes, les universités pourront-elles former ceux qui poseront les prochaines questions ?

Mastafa Foufa est un chercheur français chez Microsoft (Seattle) formé à Télécom Paris et au KTH de Stockholm. Spécialiste du traitement automatique du langage, il travaille sur l'évaluation de Copilot, l'assistant conversationnel basé sur l'IA. Sa méthode consiste à convertir le texte en représentation mathématique pour détecter les signaux faibles et mesurer la qualité réelle des modèles. Il a déposé onze brevets dont six sont publics, incarnant sa volonté d'innover en continu.

Au-delà de la recherche, Mastafa a enseigné le traitement du langage à EPITA Paris (2021-2023), transmettant à ses étudiants que derrière les modèles se cachent des choix, des limites et des responsabilités. Il a récemment publié un essai intitulé *La paresse de penser*, né d'une inquiétude profonde : notre tendance à déléguer notre esprit critique aux machines. Cet ouvrage mêle philosophie et science, avec des anecdotes tirées de son expérience professionnelle, pour rendre l'IA accessible et démythifiée.

Comprendre qui mange qui dans les océans est essentiel pour préserver les écosystèmes marins, mais ces réseaux alimentaires restent largement invisibles aux chercheurs. Les méthodes écologiques traditionnelles, lentes et limitées aux espèces collectées sur le terrain, se heurtent à une complexité insurmontable : trop de combinaisons de prédateurs et proies peuvent produire les mêmes hiérarchies trophiques observées.

Dr. Ettore Barbieri (JAMSTEC) et Dr. Naoto F. Ishikawa ont contourné ce paradoxe en abandonnant la quête d'une solution unique. Au lieu de chercher la réponse parfaite, ils ont utilisé les probabilités : en décomposant le réseau en paires prédateur-proie simples, en écartant les associations biologiquement improbables, puis en appliquant le théorème de Bayes sur des milliers de paires, ils ont reconstitué progressivement l'écosystème entier. Testé sur 158 écosystèmes documentés, l'algorithme a atteint 80 % de précision pour les identifications et moins de 5 % d'erreur sur les pourcentages de consommation.

Cette approche « d'outsider » combinant mathématiques de l'ingénieur et écologie marine offre un outil révolutionnaire pour la conservation et la gestion des ressources marines, avec l'ambition d'améliorer encore la précision du modèle.

Duolingo, la plateforme mondialement connue pour l'apprentissage ludique des langues étrangères, renforce son incursion dans le domaine des mathématiques avec une mise à jour significative de son application Duolingo Math. Cette évolution s'inscrit dans une stratégie d'élargissement engagée depuis plusieurs années, visant à couvrir le parcours scolaire américain du primaire jusqu'au lycée.

La nouveauté phare de cette mise à jour réside dans l'introduction d'un système de coaching personnalisé, incarné par deux personnages virtuels. Le premier, prénommé Eddy, joue le rôle d'un assistant pédagogique capable de répondre aux questions des élèves et de les guider étape par étape dans leur compréhension. Le second, Zari, intervient spécifiquement pour aider à décomposer les problèmes complexes en séquences plus accessibles. Un bouton d'aide intégré directement aux exercices permet de solliciter ces deux guides à tout moment, dans le but de réduire le découragement fréquent que suscitent les mathématiques chez les jeunes apprenants.

L'application propose également des guides pédagogiques structurés par niveau scolaire, du CE1 à la quatrième, destinés à orienter les parents sur les notions attendues à chaque étape du cursus, sans recourir à un vocabulaire technique trop hermétique.

Duolingo met en avant les résultats d'une étude interne conduite auprès de futurs élèves de troisième, âgés d'environ douze à treize ans : après quatre semaines d'utilisation quotidienne de cinq minutes, des progrès auraient été observés. Ces données, issues directement de l'entreprise et non encore validées par des travaux indépendants, sont à interpréter avec prudence.

Cette annonce coïncide avec la rentrée scolaire, période stratégique pour les familles en quête d'outils complémentaires. Duolingo en profite pour proposer une offre promotionnelle sur son abonnement Super Family, ramenant son tarif annuel de 144 dollars à 120 dollars, soit le prix de l'abonnement individuel, et ce jusqu'au 11 septembre.

En misant sur des personnages familiers et un format gamifié déjà éprouvé dans l'enseignement des langues, la plateforme cherche à reproduire sa formule à succès sur un terrain jugé plus exigeant, dans un secteur des applications éducatives particulièrement concurrentiel.

La société Axiom Math a annoncé le 17 août 2026 que son système AxiomProver avait produit une preuve vérifiée par machine, rédigée en Lean 4, du résultat le plus solide connu à ce jour sur les écarts entre nombres premiers : il existe une infinité de paires de nombres premiers dont la différence ne dépasse pas 246. Ce travail, attribué à 41 contributeurs issus des mathématiques et de l'ingénierie, a d'abord été signalé par IEEE Spectrum.

Pour comprendre l'enjeu, il faut remonter à la conjecture des jumeaux premiers, formulée au XIXe siècle par Alphonse de Polignac, qui postule l'existence d'une infinité de paires de premiers séparés exactement de deux — conjecture toujours non démontrée. La première percée décisive est venue en 2013, quand Yitang Zhang établit qu'une infinité de paires de premiers sont distantes d'au plus 70 millions. Peu après, James Maynard, grâce à une méthode de crible raffinée, ramena cette borne à 600 — contribution qui contribua à lui valoir la Médaille Fields en 2022. La collaboration Polymath8b, à laquelle participaient Maynard et Terence Tao, abaissa ensuite la borne à 246, valeur qui constitue aujourd'hui, selon Ken Ono, mathématicien fondateur d'Axiom Math, « la limite des connaissances humaines sur les nombres premiers ».

La formalisation réalisée par Axiom Math synthétise ces deux étapes : l'article de Maynard de 2013 et la partie de Polymath8b qui a conduit à 246. Le processus s'est déroulé en trois temps : rédaction d'un plan structuré listant chaque définition, lemme et théorème avec ses dépendances ; génération automatique des preuves Lean 4 par AxiomProver, un système multi-agents s'appuyant sur Mathlib et sur le projet PrimeNumberTheoremAnd dirigé par Alex Kontorovich et Tao ; puis révision humaine du code produit. Les résultats sont rassemblés dans une bibliothèque publique baptisée PrimeGapsLib, qui inclut également la borne de 600 de Maynard et un défi de vérification indépendant permettant à quiconque de contrôler que les preuves correspondent bien aux énoncés annoncés.

La vérification formelle ne constitue pas une garantie absolue — la traduction fidèle des énoncés et la fiabilité du noyau vérificateur restent des prérequis — mais elle élimine le risque d'erreur humaine dans la relecture. Contrairement aux benchmarks de compétition sur lesquels les IA sont habituellement évaluées, il s'agit ici de formaliser une preuve de recherche parmi les plus exigeantes de la théorie des nombres moderne. À titre de comparaison, Math, Inc. avait conduit en début d'année une formalisation des travaux de Maryna Viazovska sur l'empilement de sphères ; l'un des artisans de cet effort, Sidharth Hariharan, est depuis contributeur chez Axiom Math sur le projet 246 et estime que PrimeGapsLib constitue une réalisation plus complète, car conçue comme une infrastructure réutilisable et non comme une vérification ponctuelle. Ken Ono voit dans cet outil un terrain d'entraînement pour une ambition plus large : la vérification formelle du code informatique qui régit déjà des systèmes critiques de finance, d'infrastructure et de sécurité.

Le 18 août 1913 reste gravé dans l'histoire des statistiques et du hasard. Ce jour-là, au Casino de Monte-Carlo, la petite bille d'une roulette s'est arrêtée sur la couleur noire 26 fois consécutives — un événement dont la probabilité frôle l'impossible (environ 1 sur 67 millions). Convaincus que le rouge devait « rattraper » ce déséquilibre, les parieurs ont englouti des fortunes en misant contre la série, tombant victimes d'une illusion statistique.

Cet épisode emblématique a donné son nom à un biais cognitif aujourd'hui très célèbre en mathématiques et en psychologie : le « sophisme du joueur ». Il désigne l'illusion persistante selon laquelle le hasard aurait une mémoire, que les événements passés influenceraient les probabilités futures. Cet incident démontre comment l'intuition humaine peut se heurter brutalement aux réalités du calcul des probabilités, un enseignement durable pour tous ceux qui cherchent à comprendre la nature du hasard.