Tout le monde parle d'IA. Les mathématiciens, eux, tirent la sonnette d'alarme.

Quand les chercheurs en mathématiques se sentent exclus de la révolution IA

Il y a quelque chose d'étrange dans l'essor actuel de l'intelligence artificielle : les laboratoires de Google, OpenAI ou Anthropic publient des modèles toujours plus puissants, les startups lèvent des milliards, et pourtant, une partie des esprits les plus brillants de la discipline — les mathématiciens académiques — se sentent de plus en plus étrangers à ce qui se passe. Pas ignorants. Étrangers. Comme si on leur avait confisqué une conversation qu'ils avaient eux-mêmes commencée.

Ce malaise, longtemps murmuré dans les couloirs des universités, commence à s'exprimer ouvertement. Et ce qu'il révèle sur l'avenir de l'IA mérite qu'on s'y arrête sérieusement.

Deux mondes qui parlaient la même langue… jusqu'à récemment

L'intelligence artificielle est une discipline née dans les laboratoires de recherche fondamentale. Les réseaux de neurones, la rétropropagation, les bases de l'apprentissage automatique : tout cela est issu de travaux académiques, souvent financés par des institutions publiques, publiés dans des revues à comité de lecture, construits sur des décennies de mathématiques théoriques.

Pendant longtemps, la frontière entre recherche académique et industrie était poreuse. Les chercheurs publiaient librement, les entreprises s'appuyaient sur ces publications, et un dialogue productif existait entre les deux mondes. Ce modèle commence à se fissurer.

Plusieurs facteurs expliquent cette rupture :

• La confidentialité croissante des modèles industriels. GPT-4, Gemini Ultra ou Claude 3 Opus sont des boîtes noires. Leurs architectures précises, leurs données d'entraînement, leurs méthodes d'optimisation ne sont plus publiées. La recherche ne peut donc plus s'appuyer sur eux pour progresser collectivement.
• Le déplacement des priorités. Là où l'académie valorise la rigueur, la reproductibilité et la compréhension fondamentale, l'industrie valorise la vitesse, la scalabilité et le déploiement. Ce ne sont pas les mêmes objectifs.
• L'exode des talents. Les meilleurs chercheurs en IA quittent massivement l'université, attirés par des salaires que le secteur public ne peut tout simplement pas offrir. Il ne reste souvent que les plus juniors ou ceux qui refusent, par conviction, de rejoindre l'industrie.

Ce que les mathématiciens reprochent concrètement

Les critiques ne sont pas abstraites. Elles pointent des problèmes précis, documentés, qui ont des conséquences réelles sur la discipline.

L'abandon de l'interprétabilité

Pour un mathématicien, comprendre pourquoi un modèle fonctionne est aussi important que le fait qu'il fonctionne. L'industrie, elle, s'en satisfait rarement : si le modèle performe bien sur les benchmarks, c'est suffisant. Ce pragmatisme produit des systèmes puissants mais opaques, dont personne — pas même leurs créateurs — ne comprend vraiment le comportement interne.

Yoshua Bengio, l'un des pères du deep learning et lauréat du prix Turing, a lui-même exprimé son inquiétude face à cette tendance : construire des systèmes de plus en plus capables sans en comprendre les fondements mathématiques est, selon lui, une forme de construction à l'aveugle.

La crise de la reproductibilité

En science académique, un résultat non reproductible est un résultat nul. Dans l'IA industrielle, reproduire les résultats d'un modèle commercial est souvent impossible — faute d'accès aux données, aux poids du modèle ou aux ressources de calcul nécessaires. Cela crée une asymétrie profonde : les entreprises avancent, l'académie commente.

Le risque d'une IA sans fondations

Plus préoccupant encore : sans recherche fondamentale robuste, l'IA actuelle pourrait atteindre ses limites sans que personne ne sache vraiment comment les dépasser. Les grands modèles de langage comme ChatGPT ou Gemini sont des constructions empiriques remarquables — mais leurs limites théoriques restent largement inconnues. Quand ces limites se manifesteront, qui sera en mesure de les résoudre ?

Une fragmentation qui dépasse l'IA

Ce phénomène s'inscrit dans une tendance plus large : la privatisation progressive du savoir scientifique de pointe. Quand les outils, les données et les modèles les plus avancés sont détenus par une poignée d'entreprises, la capacité collective de la société à comprendre et orienter ces technologies diminue.

Pour les mathématiciens, c'est une question de souveraineté intellectuelle. Pour les citoyens, c'est une question démocratique : qui d��cide des directions que prend une technologie qui touche désormais l'éducation, la santé, la justice et la défense ?

Des signaux d'espoir, mais fragiles

Certaines initiatives tentent de maintenir un pont entre les deux mondes. Les modèles open source comme Mistral ou LLaMA offrent aux chercheurs académiques un terrain de jeu réel. Des conférences comme NeurIPS ou ICML maintiennent un espace d'échange. Quelques entreprises publient encore des papers de fond.

Mais ces efforts restent insuffisants face à la vitesse et aux moyens de l'industrie. Sans financement public massif pour la recherche en IA fondamentale, sans politiques d'ouverture des données et des modèles, la fragmentation disciplinaire n'est pas une hypothèse : c'est une trajectoire en cours.

Conclusion : l'IA a besoin de ses critiques

Les mathématiciens qui tirent la sonnette d'alarme ne sont pas des nostalgiques d'un monde révolu. Ce sont des scientifiques qui rappellent une vérité simple : une technologie que personne ne comprend vraiment est une technologie que personne ne maîtrise vraiment. Et une discipline qui coupe ses racines académiques pour courir après le produit suivant finit tôt ou tard par buter sur des problèmes qu'elle n'a plus les outils théoriques pour résoudre.

La question n'est pas de choisir entre la science et l'innovation. C'est de décider si on veut construire l'IA de demain sur des fondations solides — ou sur du sable computationnel très bien financé.

— Reservoir Live