AlphaProof a résolu en 3 jours ce que les humains cherchent depuis des siècles

En juillet 2024, une IA a résolu 4 problèmes sur 6 aux Olympiades Internationales de Mathématiques. Les meilleurs lycéens du monde en obtiennent rarement plus de 5.

Ce n'est pas une anecdote. C'est un signal. Pendant des décennies, les mathématiques ont représenté le dernier sanctuaire de l'intellect humain — un domaine où la créativité, l'intuition et la rigueur abstraite semblaient hors de portée des machines. Ce sanctuaire est en train de s'effondrer, non pas progressivement, mais à une vitesse qui surprend les chercheurs eux-mêmes.

Pourquoi les maths étaient considérées comme "IA-proof"

Pendant longtemps, il existait un consensus implicite dans la communauté scientifique : l'intelligence artificielle pouvait battre les humains aux échecs, reconnaître des visages, traduire des textes. Mais les mathématiques avancées ? Impossible. La raison est simple : contrairement à un jeu ou à une image, une démonstration mathématique exige de construire une chaîne de raisonnement rigoureuse à partir de rien. Il faut choisir le bon chemin parmi une infinité de pistes, dont la plupart sont des impasses.

Les grands théorèmes — ceux qui font la réputation d'un Andrew Wiles ou d'un Grigori Perelman — nécessitent des années, parfois des décennies d'exploration. On pensait que cette dimension créative et non linéaire du raisonnement mathématique était fondamentalement humaine. On avait tort.

AlphaProof et AlphaGeometry : quand DeepMind change les règles

En 2024, Google DeepMind a présenté deux systèmes qui ont brutalement repositionné ce débat :

• AlphaGeometry : capable de résoudre des problèmes de géométrie olympique à un niveau comparable à un médaillé d'or humain.
• AlphaProof : un système de preuve formelle qui a résolu quatre des six problèmes des IMO 2024 en moins de 72 heures, dont un problème de théorie des nombres que les jurys considéraient parmi les plus difficiles de la décennie.

Ce qui rend ces performances troublantes, ce n'est pas seulement le résultat — c'est la méthode. AlphaProof ne récite pas des solutions apprises par cœur. Il génère des preuves formelles vérifiables, pas à pas, dans le langage Lean4. Autrement dit : il ne triche pas, il démontre.

Des décennies de recherche rattrapées en quelques mois

Le cas le plus frappant reste peut-être celui de la conjecture de cap, un problème ouvert en combinatoire. En 2016, deux chercheurs humains ont publié une preuve en quelques pages qui a stupéfié la communauté. En 2023, des modèles de langage avancés ont commencé à retrouver indépendamment des raisonnements similaires — sans avoir été entraînés spécifiquement sur ce problème.

Ce phénomène se répète dans plusieurs branches des mathématiques :

• En théorie des nœuds, DeepMind a aidé à découvrir de nouvelles relations entre invariants, publiées dans Nature.
• En optimisation combinatoire, des IA surpassent régulièrement les heuristiques développées sur 30 ans par des équipes de chercheurs.
• En géométrie algébrique, des assistants comme Lean couplés à des LLMs commencent à vérifier et même suggérer des parties de preuves complexes.

Ce que ça change concrètement pour les mathématiciens

Faut-il craindre pour les carrières des mathématiciens ? La réponse honnête est : pas encore, mais la nature du travail change déjà. Les chercheurs qui travaillent avec ces outils décrivent une expérience similaire à celle des ingénieurs avec GitHub Copilot : l'IA ne remplace pas l'intuition, elle accélère l'exploration.

Un mathématicien peut désormais tester des centaines de conjectures en quelques heures, déléguer les vérifications fastidieuses à un assistant formel, et concentrer son énergie sur ce que les machines font encore mal — poser les bonnes questions, reconnaître quand un résultat est beau, savoir quelle direction mérite d'être explorée.

Terence Tao, médaille Fields et considéré par beaucoup comme le meilleur mathématicien vivant, a déclaré publiquement en 2024 que ces outils pourraient, d'ici dix ans, transformer la recherche mathématique aussi profondément que l'invention de l'ordinateur l'a fait pour la physique théorique.

Le vrai enjeu : qui pose les questions ?

La question n'est plus "l'IA peut-elle faire des maths ?" Elle peut. La vraie question, celle que personne ne sait encore résoudre, est celle-ci : une IA peut-elle décider qu'un problème vaut la peine d'être posé ?

Les grandes avancées mathématiques ne sont pas nées de la résolution de problèmes existants. Elles sont nées de l'audace de formuler des questions que personne n'avait osé poser. Riemann, Galois, Ramanujan — ces noms restent dans l'histoire non pas parce qu'ils ont résolu des exercices, mais parce qu'ils ont vu quelque chose d'invisible pour leurs contemporains.

C'est là que réside, pour l'instant, le dernier bastion authentiquement humain. Non pas dans la capacité à démontrer, mais dans celle d'être surpris par l'univers — et de transformer cette surprise en question.

Conclusion : une collaboration, pas une capitulation

Les mathématiques ne sont pas en train de mourir. Elles sont en train de muter. L'arrivée d'AlphaProof, d'AlphaGeometry et de leurs successeurs ne signe pas la défaite de l'intelligence humaine — elle redéfinit ce que cette intelligence doit apporter. Moins de calcul brut, plus de vision. Moins de vérification mécanique, plus de sens du problème.

La vraie urgence, pour les étudiants, les enseignants et les chercheurs, n'est pas de savoir si l'IA surpassera un jour les humains en mathématiques. C'est de décider, maintenant, comment travailler avec elle avant que cette question ne devienne rhétorique.

— Reservoir Live