Contexte historique
Il y a trois ans, les systèmes d’intelligence artificielle peinaient à additionner deux nombres simples, ce qui limitait leur utilité pour les tâches arithmétiques de base. Cette faiblesse était souvent citée comme preuve que l’IA restait loin des exigences du raisonnement mathématique humain. Un an plus tard, des modèles internes à OpenAI et DeepMind ont atteint le score d’or aux Olympiades Internationales de Mathématiques (IMO), un résultat qui place ces systèmes au même niveau que les meilleurs lycéens du monde. Cette progression rapide montre que les architectures de type transformeur, combinées à des jeux de données de problèmes mathématiques, peuvent internaliser des stratégies de résolution très avancées.
Ces jalons sont accompagnés d’une observation économique : la génération d’un article de qualité comparable à une publication de l’Annals of Mathematics ne nécessite plus qu’un ordinateur portable et quelques centaines de dollars de calcul. Le coût marginal réduit transforme la barrière d’entrée à la production de recherche mathématique, ce qui rend la comparaison entre production automatisée et production humaine plus aiguë.
Mécanismes d'IA et performances récentes
Les modèles qui ont obtenu le score or à l’IMO reposent sur des réseaux de neurones pré‑entraînés sur de vastes corpus de textes scientifiques, puis affinés par un apprentissage par renforcement ciblé sur des problèmes de preuve. Cette double phase permet d’aligner la génération de texte avec des critères de validité logique, tout en conservant la capacité à explorer des conjectures inédites. Le processus d’ajustement par renforcement utilise des récompenses basées sur la vérification formelle de chaque étape de preuve, ce qui limite les dérives vers des arguments non vérifiables.
Actuellement, ces systèmes résolvent de façon autonome des questions ouvertes considérées comme majeures dans plusieurs domaines, notamment la théorie des nombres et la topologie algébrique. La capacité à proposer des conjectures et à fournir des preuves formelles, même partiellement, dépasse les performances humaines dans le même laps de temps, ce qui indique que la vitesse d’exploration de l’espace des théorèmes est désormais un facteur déterminant.
Implications pour la pratique et les institutions mathématiques
Le principal risque identifié réside dans la dissociation croissante entre production de texte mathématique et compréhension humaine. Si les chercheurs s’appuient uniquement sur des résultats générés à faible coût, la transmission du raisonnement sous‑jacent peut s’affaiblir, compromettant la formation des futurs mathématiciens. La préservation de séminaires, de conversations informelles et de mentorat devient alors un enjeu structurel, car ces interactions restent les principaux vecteurs de compréhension profonde.
Par ailleurs, les modèles actuels montrent encore des limites dans la construction de nouvelles théories, la formulation de questions originales et l’écriture d’expositions claires. Ces lacunes offrent un champ d’action pour les humains : orienter les IA vers des problèmes pertinents, valider les preuves générées et enrichir les résultats d’une interprétation conceptuelle. Ainsi, la profession devra rééquilibrer les critères d’évaluation, en valorisant la capacité à interpréter, critiquer et enseigner les découvertes automatisées plutôt que la simple production de théorèmes.
