IA et mathématiques : les chercheurs redéfinissent leur rôle

L'intelligence artificielle commence à modifier en profondeur le travail des mathématiciens, longtemps associé à une activité lente, individuelle et fondée sur l'intuition. Les systèmes capables de raisonner sur des problèmes abstraits, de produire des résultats inédits et de formaliser des démonstrations amènent désormais la discipline à s'interroger sur sa finalité : rechercher des réponses, comprendre les preuves ou organiser une collaboration élargie entre humains et machines.

L'article d'IEEE Spectrum rappelle que l'histoire récente des mathématiques avait déjà été marquée par l'informatique. Il y a près d'un demi-siècle, la démonstration assistée par ordinateur du théorème des quatre couleurs avait suscité des réserves, notamment parce qu'elle reposait sur l'examen de 1 936 cas difficilement vérifiables de manière humaine. Malgré ces outils de calcul, le chercheur restait au centre du processus : il formulait les conjectures, définissait les stratégies de résolution et évaluait la portée des résultats.

L'évolution récente des grands modèles de langage modifie cette répartition des tâches. Selon IEEE Spectrum, des systèmes de Google DeepMind et d'OpenAI ont atteint, lors de l'Olympiade internationale de mathématiques, un niveau assimilé à celui des meilleurs lycéens de la compétition. D'autres outils ont ensuite été crédités de travaux sur des problèmes de niveau doctoral, notamment en géométrie arithmétique et en géométrie combinatoire. L'enjeu ne tient donc plus seulement à la rapidité du calcul : les modèles sont désormais testés sur leur capacité à explorer des pistes, identifier des structures et construire des raisonnements originaux.

Cette montée en puissance est renforcée par les assistants de preuve, tels que Lean, Isabelle ou Rocq. Ces environnements traduisent une démonstration en code et vérifient chaque étape logique. Jusqu'ici, cette formalisation demandait un travail long et spécialisé aux mathématiciens. L'apport des modèles d'IA consiste à automatiser une part croissante de cette transposition entre le langage mathématique courant et le langage formel. IEEE Spectrum évoque notamment le système Gauss de Math, Inc., qui aurait contribué à formaliser des démonstrations liées aux travaux de Maryna Viazovska sur l'empilement de sphères en dimensions huit et vingt-quatre.

Cette trajectoire ne fait pas consensus. Une première vision privilégie la compréhension humaine : une réponse produite par une machine peut avoir une valeur, mais elle ne met pas fin au travail mathématique tant qu'une démonstration intelligible, transmissible et conceptuellement éclairante n'a pas été élaborée. Dans cette perspective, la preuve n'est pas un simple certificat de vérité ; elle constitue aussi un objet de compréhension, d'apprentissage et de discussion collective.

Une seconde approche envisage l'IA comme partenaire de recherche. Le mathématicien Terence Tao défend ainsi une organisation davantage collaborative, faite de projets ouverts, d'équipes distribuées et de tâches décomposées entre spécialistes humains et systèmes automatisés. La formalisation jouerait alors un rôle décisif : elle permettrait de contrôler les résultats sans dépendre exclusivement de la réputation de leurs auteurs. Une contribution anonyme ou issue d'un outil automatisé pourrait être prise en compte dès lors qu'elle serait vérifiée de façon rigoureuse.

L'article relève néanmoins plusieurs risques. La concentration des modèles les plus puissants entre les mains d'entreprises ou d'institutions disposant de moyens importants pourrait renforcer les inégalités d'accès à la recherche. La disponibilité immédiate de solutions pourrait aussi affaiblir l'apprentissage patient qui construit l'intuition mathématique, en particulier chez les étudiants. Pour une discipline où la maturation d'une idée compte autant que son résultat final, la question n'est donc pas seulement technique : elle concerne les conditions de formation, de publication, de financement et de partage du savoir.

L'IA ne rend pas nécessairement les mathématiciens superflus. Elle les oblige plutôt à préciser ce qu'ils attendent de leur discipline : des réponses certifiées, des explications accessibles ou une découverte construite collectivement. La réponse déterminera moins la puissance des modèles que les choix institutionnels et scientifiques qui encadreront leur usage.