Contexte des avancées IA
Depuis la diffusion de GPT‑4 (environ 100 milliards de paramètres, entraîné sur plus d’un trillion de tokens) et de AlphaTensor de DeepMind, les systèmes d’intelligence artificielle résolvent des problèmes que les mathématiciens considéraient comme réservés à l’intuition humaine. GPT‑4 a atteint un taux de réussite de 70 % sur les problèmes du Putnam 2023, tandis qu’AlphaTensor a découvert deux algorithmes de multiplication de matrices qui abaissent l’exposant théorique à 2,37, proche du record actuel de 2,37286.
Mécanismes techniques des modèles de langage
Les performances proviennent d’une architecture transformer à 96 couches, où chaque couche applique une attention multi‑têtes sur des séquences de 8 192 tokens. L’échelle du modèle suit les scaling laws : le facteur d’erreur diminue proportionnellement à la racine carrée du nombre de FLOP exécutés, expliquant le gain de précision lorsqu’on passe de GPT‑3 (175 M paramètres) à GPT‑4. Le pré‑entraînement sur des corpus scientifiques (arXiv, MathOverflow) fournit des représentations sémantiques capables de manipuler des symboles, mais aucune couche n’est explicitement conçue pour vérifier la validité logique d’une démonstration.
Performances en mathématiques
Lors d’une série de tests internes, GPT‑4 a généré des preuves complètes pour 12 des 18 problèmes du Putnam 2022, mais trois réponses contenaient des « hallucinations » : des étapes logiques inventées sans justification formelle. AlphaTensor, quant à lui, a exploité la recherche de réseau neuronal pour explorer l’espace des algorithmes de Strassen, évaluant chaque candidate par un coût de multiplication calculé en O(n^ω). Le processus itératif a produit des algorithmes vérifiés par des preuves formelles dans le système Lean, montrant que l’IA peut non seulement proposer mais aussi certifier des résultats.
Implications et limites pour la recherche
Ces succès déclenchent un débat parmi les mathématiciens. D’une part, l’automatisation accélère la découverte de conjectures et la vérification de calculs lourds. D’autre part, la dépendance à des modèles non interprétables pose des risques : une preuve acceptée sans audit peut contenir des erreurs subtiles, et la « boîte noire » empêche de comprendre le raisonnement sous‑jacent. Steven Strogatz, professeur à Cornell, souligne que la capacité de l’IA à « générer du texte mathématique crédible » menace la formation des jeunes chercheurs, qui pourraient confondre aisance stylistique et rigueur démonstrative. La communauté doit donc développer des protocoles de validation, intégrer des assistants IA dans des environnements de preuve formelle, et surveiller les biais introduits par les jeux de données d’entraînement.
