Contexte et constat
Terence Tao, dans un billet invité d'Amit Sahai, souligne que les systèmes d'intelligence artificielle déjà capables de générer des idées mathématiques « belles » dépassent largement les simples calculs ou la vérification d'arguments déjà connus. Il rappelle le souvenir d'étudiants qui, face à la rapidité d'assimilation des meilleurs chercheurs, ont abandonné la recherche. Aujourd'hui, l'auteur affirme que la communauté ressentira collectivement l'impossibilité de suivre le rythme imposé par les IA, ce qui pourrait pousser davantage de mathématiciens à se retirer.
Mécanismes de l'IA en mathématiques
Les modèles actuels, entraînés sur d'immenses corpus de publications, utilisent des architectures de type transformeur pour proposer des conjectures, des démonstrations partielles ou des constructions inédites. Aucun chiffre précis n'est fourni sur le nombre d'idées générées par jour, mais l'auteur indique que ces systèmes « produisent déjà de belles nouvelles idées ». Le texte cite un scénario hypothétique où une IA conçoit le design d'une centrale de fusion nucléaire d'un térawatt, illustrant la capacité à explorer des espaces conceptuels que les humains n'ont jamais envisagés.
Implications pour la communauté scientifique
Face à ces capacités, Tao propose la création de groupes de recherche soutenus pendant un semestre ou une année, dédiés à la compréhension d'un ensemble d'idées issues d'une IA. Cette « réserve intellectuelle déployable » nécessiterait une expansion significative du nombre de chercheurs mathématiquement sophistiqués. L'analyse met en avant deux contraintes concrètes : la limitation biologique humaine, qui impose un temps de réflexion nécessaire à la compréhension profonde, et le besoin de coopération structurée pour répartir la charge cognitive. Aucun indicateur quantitatif n'est fourni sur le nombre actuel de mathématiciens ou sur le taux de production d'idées par les IA, ce qui rend difficile l'évaluation précise de l'écart à combler.
Enjeux sociétaux et recommandations
Le texte argue que la capacité à interpréter et valider des propositions d'IA, notamment dans des domaines à fort impact comme la fusion, est essentielle pour éviter de confier des décisions critiques à des systèmes incompris. Il met en garde contre une société où les décisions majeures reposeraient sur des preuves que personne ne saisit. Ainsi, l'auteur recommande d'investir dans la formation de mathématiciens capables d'analyser les modèles sous-jacents, les preuves formelles et les incertitudes expérimentales. En l'absence de données chiffrées sur le coût ou le temps requis pour cette formation, la proposition reste qualitative, mais elle souligne la nécessité d'une politique publique orientée vers le soutien à long terme de la recherche collaborative entre humains et IA.
