DeepMind vient de faire ce que les mathématiciens n'espéraient plus.

Un problème vieux de 56 ans. Résolu en quelques heures par une machine.

En décembre 2023, DeepMind annonçait qu'AlphaProof et AlphaGeometry 2 venaient de résoudre quatre des six problèmes de l'Olympiade Internationale de Mathématiques — l'une des compétitions les plus redoutables au monde. Ce n'est pas une performance anecdotique. C'est un signal que le rapport entre l'intelligence artificielle et la recherche mathématique vient de franchir un seuil que peu de spécialistes anticipaient si tôt.

Mais derrière les titres, que s'est-il vraiment passé ? Et surtout : qu'est-ce que cela change concrètement pour la science, pour les mathématiciens, et pour nous tous ?

Pourquoi les mathématiques étaient considérées comme un bastion inattaquable

Pendant des années, les mathématiques représentaient l'une des dernières frontières que l'IA ne semblait pas pouvoir franchir. Contrairement aux jeux d'échecs ou de Go — où les règles sont fixes et l'espace de solutions borné — la recherche mathématique exige quelque chose de différent :

• De la créativité abstraite : savoir construire une démonstration originale, pas seulement vérifier une solution existante.
• Du raisonnement symbolique rigoureux : chaque étape doit être formellement justifiée, sans ambiguïté.
• Une intuition sur ce qui mérite d'être exploré : les mathématiciens passent des mois à choisir la bonne direction avant même d'écrire une ligne.

Les grands modèles de langage comme GPT-4 ou Claude ont montré qu'ils pouvaient manipuler des concepts mathématiques, résoudre des exercices standards, expliquer des théorèmes. Mais prouver quelque chose de nouveau ? C'était une autre histoire.

Ce que DeepMind a réellement construit

AlphaProof n'est pas un simple assistant capable de "parler maths". C'est un système hybride qui combine deux approches complémentaires :

1. L'apprentissage par renforcement sur des preuves formelles

Le modèle génère des milliers de tentatives de démonstration dans le langage formel Lean — un système de vérification mathématique qui accepte ou rejette chaque étape avec une précision absolue. En recevant ce signal binaire (vrai/faux), le modèle apprend progressivement à construire des raisonnements valides. C'est brutal, lent, mais d'une fiabilité sans équivalent.

2. Une bibliothèque auto-générée de problèmes

AlphaProof s'est entraîné sur des millions de problèmes qu'il a lui-même formulés et résolus, créant une base de connaissance interne que les mathématiciens n'auraient jamais pu constituer manuellement. Ce processus auto-alimenté est l'un des éléments les plus significatifs de l'architecture.

Des exemples concrets qui donnent le vertige

Au-delà des Olympiades, d'autres avancées méritent d'être mentionnées :

• La conjecture de Ramsey (partielle) : en 2023, des chercheurs utilisant des outils d'IA ont amélioré une borne sur un problème ouvert depuis les années 1930, en explorant un espace combinatoire que le cerveau humain ne peut pas parcourir exhaustivement.
• FunSearch (DeepMind, 2023) : un système qui a découvert de nouvelles solutions au problème du grand ensemble sans progression arithmétique — un problème de théorie des nombres ouvert depuis des décennies.
• La vérification du théorème de Fermat assistée : des équipes utilisent désormais des assistants de preuve comme Lean et Coq, accélérés par des suggestions d'IA, pour vérifier des preuves de plusieurs centaines de pages en quelques semaines au lieu de plusieurs années.

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

Il serait inexact de conclure que les mathématiciens humains sont devenus obsolètes. La réalité est plus nuancée, et probablement plus intéressante.

Ce que l'IA fait mieux que les humains aujourd'hui :

• Explorer des millions de cas particuliers pour détecter des patterns.
• Vérifier formellement des raisonnements complexes sans erreur.
• Proposer des chemins de démonstration auxquels personne n'avait pensé.

Ce qui reste profondément humain :

• Choisir les bons problèmes — savoir ce qui mérite d'être résolu.
• Interpréter les résultats dans leur contexte scientifique et philosophique.
• Construire des ponts entre disciplines que seule une curiosité humaine peut identifier.

Le mathématicien Terence Tao, médaille Fields, a résumé la situation ainsi : "Ces outils ne nous remplacent pas. Ils nous permettent d'être paresseux d'une manière productive." Une formule qui dit tout.

La question qui reste ouverte

Si une IA peut aujourd'hui résoudre des problèmes que les humains n'ont pas su résoudre en un siècle, la question n'est plus "est-ce possible ?" mais "jusqu'où ?" Les Hypothèses de Riemann, la conjecture de Goldbach, les équations de Navier-Stokes — ces problèmes du Millénaire, dotés chacun d'un prix d'un million de dollars, sont-ils à portée de machine ?

Personne ne le sait encore. Mais pour la première fois depuis longtemps, la question mérite d'être posée sérieusement. Et c'est peut-être là le vrai changement : non pas ce que l'IA a déjà résolu, mais ce qu'elle nous autorise désormais à espérer.

— Reservoir Live