Contexte et perception de la communauté
Lors d’une réunion organisée par Convergent Research, qui soutient le projet Lean theorem prover, des fondateurs de startups ont interrogé Terence Tao sur les conséquences de l’intelligence artificielle dans les mathématiques. Tao a noté que les réponses publiques, notamment sur les blogs Proofs and Prompts, restent globalement positives, même si les chercheurs anticipent une évolution des méthodes de travail quotidiennes.
Fonctionnement des modèles de fondation en mathématiques
Les modèles de fondation actuels possèdent deux caractéristiques majeures : ils ont ingéré la totalité de la littérature mathématique disponible et ils fonctionnent sans fatigue. Cette combinaison permet à un groupe d’agents automatisés d’explorer un nombre très élevé de variantes de démonstration, ce qui explique la multiplication de solutions générées par IA pour des problèmes ouverts récemment publiés. Les systèmes d’apprentissage par renforcement, par exemple, apprennent à enchaîner des « mouvements » classiques (déploiement de lemmas, simplifications algébriques) en évaluant le succès final de chaque trajectoire. Cette approche favorise l’efficacité mais ne garantit pas l’émergence d’idées originales qui dépassent les techniques déjà connues.
Limites et enjeux pour la compréhension mathématique
Le recours à l’IA pour résoudre des problèmes ne dissocie pas nécessairement la résolution du problème de la compréhension profonde. Un résultat produit par IA peut être correct sans offrir d’intuition nouvelle, ce qui limite son apport pédagogique. De plus, la capacité des modèles à générer des démonstrations repose sur la disponibilité de données d’entraînement ; les questions qui sortent du corpus existant ou qui exigent une créativité conceptuelle restent hors de portée. Tao rappelle l’exemple historique de la conférence de Riemann en 1853, où le choix d’un sujet peu préparé a conduit à la notion de variété et à des applications modernes (robotique, imagerie médicale, statistique). Cette anecdote illustre que les avancées majeures proviennent souvent d’un saut conceptuel plutôt que d’une simple combinaison d’éléments connus.
Perspectives pour la formation et la recherche
Face à ces constats, deux orientations se dégagent. D’une part, les mathématiciens peuvent orienter leurs efforts vers des problèmes plus difficiles, où la capacité de l’IA à explorer de vastes espaces de recherche devient un atout. D’autre part, la communauté doit repenser la formation afin d’intégrer la collaboration homme‑machine, en insistant sur la capacité à interpréter, critiquer et enrichir les preuves générées automatiquement. En définitive, l’IA ne remplace pas la pensée mathématique, mais elle modifie les outils et les stratégies employés pour atteindre la compréhension.
