Contexte et motivations
Le 29 septembre 2026, l’initiative AGMAI a diffusé un rapport intitulé Responsible Release of AI-Generated Mathematics. Il souligne que plusieurs laboratoires d’IA de pointe testent des problèmes mathématiques avancés sur des modèles propriétaires, alors inaccessibles à la communauté scientifique. Le document s’appuie sur plus de 600 réponses recueillies auprès de mathématiciens, qui ont exprimé leurs réserves quant à la diffusion de résultats non vérifiés. Le texte rappelle les normes historiques de la discipline : chaque auteur doit maîtriser la démonstration, la valider personnellement et la présenter lors de séminaires ou conférences.
Normes techniques proposées
Le rapport distingue deux scénarios. Dans le premier, un mathématicien comprend le résultat ; les pratiques habituelles de dépôt de préprint, soumission à une revue et présentation orale s’appliquent. Dans le second, aucun chercheur ne saisit encore la preuve. Trois exigences techniques sont alors formulées. Premièrement, le laboratoire doit citer systématiquement la littérature existante liée aux idées générées, même si le modèle les a « découvertes » de façon autonome. Deuxièmement, le modèle – ou un modèle auxiliaire – doit produire une version du texte conforme aux conventions d’un article mathématique, avec introduction claire, énoncé de théorème et démonstration structurée. Troisièmement, chaque résultat doit être déposé dans un référentiel académique indépendant, doté d’un identifiant persistant et d’un suivi des modifications, afin d’éviter toute utilisation comme simple outil de promotion.
Mécanismes de diffusion et transparence
Pour chaque résultat publié, le laboratoire est tenu de rendre publiques plusieurs métadonnées : le nom du modèle, les prompts employés, un résumé du raisonnement (chain of thought), la durée d’exécution et le coût de calcul estimé. Le rapport encourage également la mise à disposition des sorties brutes du LLM avant leur nettoyage, afin de permettre aux mathématiciens de retracer le processus de génération. Enfin, il recommande que les preuves soient, dans la mesure du possible, formalised selon les standards de la communauté (en-têtes de droits d’auteur, fichier de défi, fichier formalization.yaml), ce qui facilite la vérification automatisée et la réutilisation.
Implications et limites
Ces recommandations visent à garantir que la production d’IA ne devienne pas une source d’opacité. En imposant la divulgation du coût de calcul, le rapport rend compte de la consommation énergétique associée aux modèles de grande taille, un facteur souvent négligé. Toutefois, le texte reconnaît que les capacités actuelles des LLMs ne permettent pas toujours d’atteindre le niveau d’attribution ou de clarté attendu des mathématiciens, ce qui crée une dépendance supplémentaire aux efforts humains post‑publication. Le rapport précise que le soutien financier des laboratoires aux activités de compréhension doit rester organique et dirigé par la communauté, sans que les laboratoires dictent les orientations de recherche. Cette clause limite le risque de « captation » des agendas scientifiques par des acteurs privés, mais elle ne détaille pas les mécanismes de gouvernance nécessaires pour assurer une mise en œuvre effective.
