Numérique

Daniel Litt, mathématicien à l'Université de Toronto, a pris position dans un débat qui agite la communauté mathématique : les intelligences artificielles peuvent-elles véritablement faire des mathématiques ? Invité du podcast d'a16z consacré à la question « L'IA peut-elle apprendre l'intuition mathématique ? », il a formulé une critique à deux niveaux, à la fois technique et philosophique.

Sur le plan technique, Litt identifie un obstacle majeur : les modèles d'IA sont capables de générer des démonstrations, mais peinent à en vérifier la cohérence globale. Pour des preuves courtes, le problème est repérable — les modèles eux-mêmes reconnaissent leurs erreurs quand on les interroge. Mais lorsque la longueur augmente, avec ses enchaînements de définitions, de lemmes et de références, les incohérences se noient dans le texte et le modèle ne dispose pas de mécanisme fiable pour contrôler l'ensemble. Litt illustre ce point par un cas concret : un texte d'environ 800 pages, généré par IA, prétendrait résoudre le problème de résolution des singularités en caractéristique positive — un défi ouvert de longue date en géométrie algébrique, consistant à « lisser » les singularités d'un objet mathématique sans en modifier la structure birationnelle. S'il n'a pas localisé d'erreur précise, Litt juge la preuve invalide : une telle avancée constituerait une percée majeure, or ni les experts humains ni les IA existantes ne sont en mesure d'auditer une telle chaîne de raisonnement de façon rigoureuse.

Sur le plan philosophique, son argument va plus loin. Pour Litt, « le but des mathématiques n'est pas de produire des articles de mathématiques, c'est de produire une forme de compréhension ». Même si une IA encode une certaine forme de savoir dans ses paramètres, cela reste, selon lui, « insatisfaisant » : ce qui manque n'est pas la correction formelle des résultats, mais la curiosité orientée, la capacité à choisir les bons problèmes et à construire une compréhension qui évolue. Il distingue ainsi la maîtrise des artefacts — produire des preuves ou des articles — de la maîtrise réelle du domaine.

Cette prise de position s'inscrit dans un contexte de révision de ses propres anticipations : Litt avait parié que l'IA ne serait pas capable de publier un article de théorie des nombres au niveau des Annals of Mathematics avant 2030, avant de reconnaître avoir sous-estimé les progrès récents. Il maintient néanmoins que le raisonnement vérifiable sur de longues chaînes reste la frontière entre résolution locale de problèmes et recherche mathématique autonome.

Une réunion à huis clos entre une quarantaine de mathématiciens de haut niveau et les équipes d'OpenAI a récemment mis en lumière les inquiétudes croissantes de la communauté scientifique face aux avancées de l'intelligence artificielle dans le domaine des mathématiques. Ces craintes sont alimentées par une série de résultats spectaculaires : en mai 2026, un modèle d'IA a réfuté la conjecture des distances unitaires, un problème ouvert depuis plus de quatre-vingts ans lié aux travaux de Paul Erdos ; en juillet, le modèle Claude Fable 5 d'Anthropic a trouvé un contre-exemple à la conjecture jacobienne, formulée en 1939 ; plus récemment encore, le modèle Astra d'OpenAI a annoncé dix avancées en mathématiques et en informatique théorique, dont la résolution d'un problème de théorie des groupes portant sur l'existence de groupes non sofiques.

Face à ces performances, les avis des spécialistes divergent. D'un côté, l'enthousiasme : ces outils pourraient permettre de résoudre en quelques jours des conjectures qui auraient autrement mobilisé des années de travail humain. De l'autre, l'anxiété : certains chercheurs redoutent que la recherche mathématique pilotée par des humains ne devienne obsolète. Pourtant, plusieurs experts tempèrent ce pessimisme en soulignant les limites actuelles de l'IA. Les percées réalisées relèvent essentiellement de deux types : la découverte de contre-exemples grâce à une recherche computationnelle intensive, et l'application inattendue de techniques connues à des problèmes existants. Ce que l'IA ne sait pas encore faire, selon un professeur de mathématiques de l'Université de Toronto, c'est construire un cadre conceptuel véritablement nouveau — une théorie originale pensée de zéro.

Le mathématicien britannique Henry Bradford, chercheur à Cambridge, rappelle à ce sujet la réflexion du grand géomètre américain Bill Thurston : ce que les mathématiciens recherchent vraiment, ce n'est pas une liste de résultats, mais une compréhension profonde, vivant dans des cerveaux humains. Si l'IA venait à surpasser l'humain dans tous les aspects de la pensée mathématique, la question de la valeur sociale de la recherche menée par des personnes physiques deviendrait alors cruciale.

Paradoxalement, l'engouement pour les mathématiques ne faiblit pas : au Royaume-Uni, les inscriptions en A-level de mathématiques ont progressé de 3,9 % en 2026, et les candidatures universitaires en sciences mathématiques ont bondi de 11 %. La médaille Fields Terence Tao mène d'ailleurs des projets collaboratifs associant IA et mathématiciens de tous niveaux. Si l'optimisme reste de mise, il doit s'accompagner d'un débat collectif sur l'avenir de la discipline — débat auquel la prochaine génération d'étudiants devra pleinement participer.

Jacob Tsimerman, nouveau médaillé Fields, a rejoint OpenAI pour la recherche en sécurité de l'IA. En août, il a organisé avec Sébastien Bubeck une réunion fermée de quarante mathématiciens au siège de San Francisco, où Daniel Litt a présenté un exposé intitulé « La Fin des mathématiques », envisageant un scénario où l'expertise mathématique humaine disparaîtrait. Cette inquiétude fait suite à une série de percées de l'IA : en mai, un modèle non publié d'OpenAI a résolu la Conjecture de la Distance Unitaire (ouverte depuis 80 ans) ; en août, OpenAI a annoncé dix découvertes mathématiques générées par IA couvrant plusieurs domaines. Ces résultats ont déclenché une réaction de la communauté mathématique, dont le manifeste de Leiden signé par plus de 3000 mathématiciens appelant à l'usage responsable des outils d'IA.

Cependant, un débat substantiel émerge : tandis que l'IA peut *prouver* des théorèmes, peut-elle les *comprendre* et les *expliquer* ? Bryna Kra et Melanie Matchett Wood soulignent que les meilleurs modèles d'IA peinent à identifier les passages vraiment difficiles d'une preuve et à les clarifier. Andreas Thom note que les nouveaux concepts n'émergent que lorsque des humains participent au processus de preuve, ce que l'IA ne réalise pas encore seule. Le coeur du problème : une preuve non comprise ne devient pas part de la littérature mathématique.

Le règlement européen sur l'intelligence artificielle, entré en vigueur le 2 août, oblige désormais les fournisseurs de modèles opérant dans l'Union européenne à rendre identifiables les contenus générés ou manipulés par leurs systèmes. Dans ce contexte, la société Anthropic a annoncé l'intégration d'un filigrane numérique invisible — un « watermark » — dans les textes produits par son assistant Claude, relançant un débat technique et éthique que le mathématicien Scott Aaronson suit de près depuis plusieurs années.

Aaronson, spécialiste de la théorie de la complexité et du calcul quantique, ancien professeur au MIT et aujourd'hui à l'Université du Texas à Austin, lauréat de l'ACM Prize in Computing en 2020 et élu à la National Academy of Sciences en 2026, revendique avoir été le premier à concevoir cette technique appliquée aux grands modèles de langage (LLM). L'idée lui est venue à l'été 2022, peu après son recrutement chez OpenAI par Ilya Sutskever et Jan Leike, alors responsables de la recherche sur l'alignement, et quelques mois avant le lancement public de ChatGPT le 30 novembre 2022.

Le principe du watermarking textuel repose sur une modification infime du processus de génération des mots : un signal statistique est discrètement intégré dans la fonction pseudo-aléatoire cryptographique qui gouverne le choix des termes. Le résultat est imperceptible pour l'utilisateur, mais permet ensuite d'établir, par analyse, qu'un texte a été produit par une IA et même d'identifier quel modèle en est l'origine.

Plusieurs questions restent ouvertes : ce marquage résiste-t-il aux techniques conçues pour l'effacer ? Pourrait-il servir avant tout aux laboratoires eux-mêmes pour filtrer les données d'entraînement et éviter qu'un modèle n'apprenne sur des contenus déjà générés par l'IA — ce qui dégraderait sa fiabilité ? Quelles implications aurait-il pour la propriété intellectuelle ?

Dans ce cadre, Aaronson évoque aussi une préoccupation plus large : l'IA lui semble annoncer la fin de la recherche mathématique « dans la forme que nous lui connaissions ». Durant son passage chez OpenAI, lui et ses collègues ont travaillé à l'élaboration de « constitutions » — des ensembles explicites de valeurs destinés à guider le comportement des modèles —, tout en reconnaissant que les progrès sur la sécurité de l'IA demeuraient à l'époque essentiellement empiriques, sans compréhension théorique profonde des mécanismes à l'oeuvre.

Dans un essai rédigé pour le Congrès international des mathématiciens 2026, le médaillé Fields Terence Tao tire la sonnette d'alarme sur les bouleversements que l'intelligence artificielle fait peser sur la communauté mathématique. Pour lui, la question n'est pas tant de savoir si les machines peuvent produire des preuves valides, mais ce que cela implique pour les valeurs fondamentales de la discipline : qu'est-ce qui constitue une véritable contribution, comment attribuer le mérite d'une découverte, et que signifie réellement comprendre un résultat ?

Tao compare la situation actuelle à la grande crise fondationnelle du début du XXe siècle, provoquée par le paradoxe de Russell et les théorèmes d'incomplétude de Gödel, qui avait contraint les mathématiciens à expliciter des postulats jusque-là implicites. Aujourd'hui, ce n'est plus la vérité mathématique elle-même qui est en jeu, mais ce qu'il appelle le « cadre implicite des valeurs et pratiques mathématiques ».

Son hypothèse de travail est que les outils d'IA seront bientôt capables d'accomplir une fraction significative des tâches de recherche de niveau professionnel. Il s'appuie notamment sur les résultats du First-Proof Project, où quatre systèmes d'IA ont été soumis à dix problèmes inédits : sept d'entre eux ont reçu au moins une évaluation jugée quasi-irréprochable, pour un coût allant de quelques dizaines à quelques centaines de dollars par problème.

Cette abondance potentielle de preuves générées par des machines soulève un problème concret : la base de données de problèmes d'Erdos contient déjà des dizaines de soumissions issues de l'IA qu'aucun expert humain n'a accepté de vérifier. Tao observe en outre qu'une preuve trop lissée par l'IA perd les aspérités naturelles du raisonnement humain — ces passages révisés, ces notations intermédiaires — qui sont précisément ce qui permet à un lecteur d'apprendre.

Il propose une règle pratique claire : si les auteurs d'un résultat sont incapables d'en donner une conférence experte, correcte et bien attribuée, ce résultat ne devrait pas être publié. Toute démonstration qu'aucun humain ne peut expliquer doit être considérée comme incomplète, même si elle a été formellement vérifiée par un logiciel. Il se réfère également à la Déclaration de Leiden sur l'IA et les mathématiques, publiée en juin 2026 sous l'égide de l'Union mathématique internationale, qui plaide pour des architectures ouvertes afin de préserver l'indépendance scientifique face aux outils propriétaires.

Ces préoccupations font écho à des inquiétudes plus larges dans la communauté : la question de l'attribution du mérite — illustrée par la controverse autour des annonces d'OpenAI concernant la résolution de dix problèmes non résolus via son système interne, initialement présentée sans mention suffisante des travaux humains préalables —, la marginalisation des institutions moins bien dotées financièrement, et l'impact sur la formation des jeunes chercheurs, privés des problèmes intermédiaires qui constituent habituellement leur terrain d'apprentissage.

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.

Les modèles de langage peinent traditionnellement en mathématiques, commettant des erreurs sur des calculs élémentaires. Pour remédier à ce problème, Apple développe un petit moteur de calcul local intégré à Siri, disponible à partir de la bêta 5 de macOS 27, qui prend le relais lors de questions mathématiques.

Ce MathComputeTool est capable de traiter des requêtes en langage naturel : arithmétique basique (y compris avec plusieurs opérations), conversions de fractions, calculs de surfaces, racines carrées et puissances. Contrairement aux calculatrices classiques de macOS, il accepte les formulations conversationnelles et fonctionne hors ligne, offrant aux utilisateurs une alternative plus fiable que l'actuel Siri pour des questions mathématiques.

La question des capacités réelles des grands modèles de langage (LLM) en mathématiques fait l'objet d'un débat animé dans la communauté scientifique, alimenté par plusieurs travaux et prises de position récentes. D'un côté, une étude présentée à la conférence ICML 2026 par Tom Zahavy, chercheur chez Google DeepMind, intitulée « LLMs can't jump », propose un cadre analytique pour caractériser les limites de ces systèmes. L'auteur y distingue trois formes de raisonnement — l'induction, la déduction et l'abduction — pour mieux cerner ce que les LLM font ou ne font pas lorsqu'ils sont confrontés à des problèmes nouveaux.

De leur côté, deux mathématiciens de premier plan, Timothy Gowers, médaillé Fields, et Peter Sarnak, portent un jugement nuancé sur ces outils. Ils reconnaissent que les LLM sont performants pour assembler et combiner des techniques mathématiques déjà connues, mais ils estiment que ces systèmes sont dépourvus de l'intuition nécessaire à la production d'idées véritablement originales. Cette distinction entre capacité computationnelle et créativité constitue le coeur de leur analyse.

Pourtant, les mêmes sources soulignent des avancées concrètes qui compliquent ce tableau. Un modèle d'OpenAI aurait ainsi résolu une conjecture de Paul Erdos portant sur la géométrie à distance unitaire, restée ouverte depuis 1946, en mobilisant des outils issus de la théorie des nombres algébriques — une approche jugée inédite par les experts. Ce résultat, validé par neuf mathématiciens et supervisé par trois chercheurs d'OpenAI, a conduit Gowers lui-même à qualifier cette avancée de jalon important pour l'IA en mathématiques, tout en notant qu'il devient de plus en plus difficile pour les humains de rivaliser sur certains terrains.

Par ailleurs, les progrès des LLM semblent plus marqués dans les domaines où les résultats sont vérifiables, comme la programmation ou les preuves formelles, notamment grâce aux techniques d'apprentissage par renforcement. En revanche, des travaux récents montrent que les hallucinations de ces modèles — leurs réponses fausses mais assurées — ne résultent pas d'un simple manque de données, mais sont ancrées dans leur architecture même : les trajectoires internes des modèles peuvent diverger et s'éloigner activement des bonnes réponses.

Ce tableau d'ensemble dessine une réalité contrastée : des LLM capables de performances surprenantes sur des problèmes précis et vérifiables, mais dont la créativité mathématique au sens fort — celle qui consiste à forger des concepts radicalement nouveaux — reste, pour l'heure, une limite reconnue par les spécialistes eux-mêmes.