Contexte et motivations
Le livre Big Math: The Hidden Codes That Run Our World, publié par les mathématiciens appliqués Steven Strogatz et Alex Townsend, examine comment les modèles de langage à grande échelle, les chatbots IA et, à terme, l’informatique quantique, dépassent la capacité de traitement humaine. Les auteurs soulignent que les problèmes modernes impliquent souvent « des milliards de variables ou de paramètres », ce qui rend impossible toute résolution manuelle. Cette situation rappelle les premiers outils de calcul : l’abacus pour l’arithmétique ou le tableau fangcheng (matrice en bambou) pour les systèmes linéaires, deux siècles d’histoire d’externalisation du raisonnement vers des supports matériels.
Approche du livre
Strogatz, connu pour son article de 1998 avec Duncan Watts sur les réseaux à petite monde et pour ses travaux sur le chaos appliqué à la physique, apporte une perspective historique. Townsend, spécialiste de l’analyse numérique et du deep learning à Cornell, complète l’angle technique. Leur collaboration a émergé d’un cours sur les « 20 algorithmes du XXe siècle », qui a évolué vers une étude des calculs matriciels massifs. Le texte décrit comment les algorithmes classiques – décomposition LU, méthodes itératives de gradient conjugué, factorisation QR – se transposent à des architectures GPU et à des bibliothèques de calcul distribué, permettant de manipuler des matrices contenant des billions d’éléments.
Implications pour la recherche mathématique
Lorsque l’IA agit comme oracle, elle fournit des conjectures, des preuves partielles ou des contre‑exemples à une vitesse inégalée. Le livre cite plusieurs expériences où des modèles de langage ont généré des identités algébriques correctes à partir de simples prompts, puis les ont vérifiées via des systèmes de preuve automatisés. Cette boucle « prompt‑prove‑refine » modifie le rôle du mathématicien : il devient davantage un concepteur de cadres de validation et un interprète des résultats numériques, plutôt qu’un calculateur manuel. De plus, la capacité à explorer des espaces de paramètres gigantesques ouvre la voie à la découverte de structures cachées dans les données physiques, comme les réseaux de neurones qui apprennent des symétries de systèmes quantiques.
Limites et perspectives
Les auteurs avertissent que la dépendance à l’IA introduit des risques de confiance aveugle. Sans transparence sur les poids du modèle, il est difficile de retracer la logique d’une preuve générée. De plus, les exigences en énergie pour entraîner des modèles capables de manipuler des matrices de taille extrême restent élevées, limitant l’accessibilité aux seules institutions disposant de supercalculateurs. Enfin, la « big math » ne remplace pas les théories fondamentales ; elle les complète en offrant des outils d’expérimentation à grande échelle. Strogatz et Townsend concluent que la prochaine étape consistera à intégrer des protocoles de vérification formelle directement dans les pipelines d’IA, afin de garantir que les résultats produits restent rigoureusement mathématiques.
