AlphaProof vient de faire ce que personne n'attendait aux olympiades

En août 2024, un modèle d'IA a résolu 4 des 6 problèmes des Olympiades Internationales de Mathématiques. Les médaillés d'or humains en ont résolu en moyenne 5,7. L'écart se referme — plus vite que prévu.

Pendant des décennies, les mathématiques de haut niveau ont servi de rempart symbolique : ce territoire où la machine ne pouvait pas suivre, où l'intuition humaine, la créativité abstraite et la rigueur formelle se combinaient d'une façon supposément inimitable. Ce rempart commence sérieusement à s'effriter.

Ce qui s'est passé aux IMO 2024

Les Olympiades Internationales de Mathématiques (IMO) représentent l'une des compétitions intellectuelles les plus exigeantes au monde. Chaque année, les meilleurs lycéens de plus de 100 pays s'affrontent sur 6 problèmes de géométrie, d'algèbre, de combinatoire et de théorie des nombres. Ces problèmes ne sont pas des calculs : ils requièrent des démonstrations originales, souvent sur plusieurs pages, mobilisant une pensée non linéaire.

En juillet 2024, Google DeepMind a soumis deux systèmes distincts à cette épreuve : AlphaProof, un modèle spécialisé dans la démonstration formelle, et AlphaGeometry 2, conçu pour les problèmes de géométrie euclidienne. Résultat combiné : 4 problèmes résolus sur 6, ce qui correspond au niveau d'une médaille d'argent.

Pour contextualiser : un humain médaillé d'or en résout en moyenne 5 à 6. La machine reste derrière — mais elle n'est plus dans une autre catégorie. Elle est dans le même couloir.

Comment ces modèles "pensent" les maths

Il serait tentant de croire qu'AlphaProof "cherche" des solutions comme un moteur de recherche brute force. La réalité est plus subtile — et plus dérangeante.

AlphaProof s'appuie sur un langage de preuve formelle appelé Lean 4. Concrètement, il traduit un problème en langage mathématique rigoureux, puis explore des chaînes de raisonnements en s'appuyant sur du renforcement par apprentissage. Le modèle ne "devine" pas : il construit des preuves vérifiables, étape par étape, que des mathématiciens humains peuvent relire et valider.

AlphaGeometry 2, lui, combine un moteur symbolique classique avec un grand modèle de langage. L'un génère des hypothèses auxiliaires — ces lignes supplémentaires qu'on trace dans une figure pour faire apparaître une propriété cachée — l'autre vérifie leur pertinence. C'est une collaboration interne machine-machine qui mime, d'une certaine façon, le dialogue entre intuition et vérification chez un mathématicien expérimenté.

Ce n'est pas un cas isolé

AlphaProof n'est pas une exception solitaire. Plusieurs signaux convergent vers la même direction :

• OpenAI o1 et o3 ont montré des performances remarquables sur des benchmarks mathématiques comme MATH et AIME, surpassant largement leurs prédécesseurs sur les problèmes de raisonnement en plusieurs étapes.
• Gemini 1.5 Pro a atteint des scores compétitifs sur des tests universitaires en mathématiques avancées.
• Des équipes académiques indépendantes ont commencé à utiliser des assistants IA pour explorer des conjectures non résolues en théorie des nombres et en topologie.

Le pattern est clair : on ne parle plus d'IA capables de calculer vite. On parle de systèmes capables de raisonner dans des espaces abstraits avec une rigueur formelle croissante.

Ce que ça change — et ce que ça ne change pas

Soyons précis sur les implications, sans dramatiser dans un sens ni dans l'autre.

Ce qui change réellement : la recherche mathématique professionnelle va intégrer ces outils comme des co-chercheurs. Des conjectures vieilles de plusieurs décennies pourraient être attaquées à une vitesse inédite. Des domaines comme la cryptographie, la physique théorique ou l'optimisation — qui reposent sur des fondations mathématiques profondes — bénéficieront directement de ces avancées.

Ce qui ne change pas : la créativité mathématique au sens le plus profond reste un mystère. AlphaProof résout des problèmes donnés — il ne pose pas de nouvelles questions. Il ne décide pas que telle conjecture mérite d'être étudiée, ne ressent pas la beauté d'une preuve élégante, n'oriente pas un champ de recherche par intuition philosophique. Ce sont des compétences humaines que personne, pour l'instant, ne sait formaliser.

La vraie question : qui pose les problèmes ?

Les Olympiades de Mathématiques testent la capacité à résoudre des problèmes soigneusement construits par des humains. C'est une compétence essentielle — mais c'est la moitié du travail mathématique. L'autre moitié consiste à identifier quels problèmes valent la peine d'être posés.

Pour l'instant, cette asymétrie reste le vrai différenciateur. Les meilleurs mathématiciens humains — un Terence Tao, une Maryna Viazovska — ne sont pas seulement d'excellents solveurs. Ils reconfigurent le paysage de ce qui est considéré comme important, possible, ou beau en mathématiques.

Aucun modèle actuel ne fait cela. Mais il y a trois ans, aucun modèle ne résolvait quatre problèmes des IMO non plus.

Conclusion : observer sans fantasme, ni panique

Les performances d'AlphaProof méritent d'être prises au sérieux — ni minimisées par un "ce n'est que du calcul", ni surinterprétées comme la fin de la pensée humaine. Ce sont des outils puissants qui étendent notre capacité collective à explorer des territoires abstraits.

La prochaine frontière n'est pas de savoir si une IA médaillera d'or aux IMO — c'est une question de temps. La vraie question est : comment les mathématiciens humains vont-ils se repositionner aux côtés de ces systèmes pour faire des mathématiques que ni l'un ni l'autre ne pourraient faire seuls ?

C'est peut-être là que se trouve la collaboration la plus prometteuse du siècle.

— Reservoir Live