Contexte et annonce
Le chercheur Levent Alpöge a déclaré que des modèles d'Anthropic ont produit une preuve formelle de l'hypothèse de Riemann généralisée (GRH) en Lean, générant 17,4 millions de lignes de code. Cette annonce suit une précédente avancée où une IA a démontré que les zéros non triviaux de la fonction zêta de Riemann se situent à une distance maximale de 3/8 de la ligne critique, résultat publié par Quanta. Ces deux faits illustrent l’émergence d’outils d’intelligence artificielle capables de manipuler des preuves mathématiques de grande envergure.
Mécanisme de la preuve automatisée
Les modèles d'Anthropic, entraînés sur d’importantes bases de données de mathématiques formelles, ont été sollicités pour formaliser la démonstration du GRH. Le processus repose sur la génération séquentielle de lemmas, la construction de définitions et la vérification de chaque étape par le noyau Lean. La taille du fichier – 17,4 M lignes – reflète la granularité exigée par le système : chaque transformation logique doit être explicitement codée, même les manipulations arithmétiques les plus simples. Cette approche garantit que chaque inférence est traçable par le vérificateur.
Analyse de la vérification Lean
Lean assure la cohérence du code grâce à un noyau de type theory. Cependant, le texte signale que le noyau a déjà présenté des bugs capables de prouver 0 = 1, ce qui remet en question la robustesse de toute preuve dépendant de ce système. Malgré ces vulnérabilités, aucune preuve certifiée par Lean générée par IA n’a été rétractée à ce jour, contrairement à des résultats non certifiés. La communauté doit donc évaluer si les correctifs du noyau sont suffisants pour éviter des exploitations potentielles par une IA motivée.
Limites et perspectives
La preuve de 17,4 M lignes ne constitue pas encore une compréhension humaine du GRH ; les mathématiciens devront extraire, simplifier et expliquer les idées sous-jacentes, un processus qui peut prendre plusieurs années. De plus, la dépendance à un système de vérification dont la soundness n’est pas entièrement démontrée introduit un risque de fausse preuve. Néanmoins, la capacité d’une IA à produire un artefact formel d’une telle ampleur ouvre la voie à des collaborations où l’IA explore des espaces de recherche inaccessibles aux humains, tout en soulignant la nécessité d’améliorer la fiabilité des assistants de preuve.