En quelques mois, l’intelligence artificielle est passée du statut d’assistant parfois maladroit en mathématiques à celui de véritable concurrent des chercheurs. Des conjectures résolues, des démonstrations produites à grande vitesse et des centaines de publications déposées simultanément. Le mathématicien français Hugo Duminil-Copin, médaille Fields 2022, tire la sonnette d’alarme. Mais derrière les performances spectaculaires d’OpenAI, d’Anthropic et de Google DeepMind, c’est une question autrement plus profonde qui se pose : et si l’IA ne mettait pas fin aux mathématiques, mais à la manière dont les humains les pratiquent, les partagent et les transmettent ?Le jour où un médaillé Fields a pleuré devant les progrès de l’IA
« Toute cette culture de la circulation vole en éclats. »
La phrase est signée Hugo Duminil-Copin, mathématicien français récompensé par la prestigieuse médaille Fields en 2022. Elle résume le séisme qui secoue actuellement une discipline pourtant habituée à réfléchir sur des problèmes parfois vieux de plusieurs siècles. Le 8 octobre 2026, lors d’une conférence organisée par la Société mathématique de France, le chercheur raconte avoir pleuré en découvrant les dernières publications d’OpenAI. Il utilise une image brutale : celle d’un lapin immobilisé dans les phares de camions qui arrivent sur lui.
La raison de son émotion ? Deux jours auparavant, le 6 octobre, l’entreprise américaine OpenAI a publié 719 manuscrits mathématiques, regroupés en 372 familles de résultats, produits avec un modèle d’intelligence artificielle interne encore inaccessible au public. Parmi eux figurent des travaux concernant 16 questions intéressant directement le domaine de recherche de Duminil-Copin. Le mathématicien évoque même, dans Le Monde du 10 octobre, un démantèlement de son activité.
Il faut immédiatement préciser une chose : 719 manuscrits ne signifient pas 719 grandes conjectures définitivement résolues. Les résultats sont d’importance et de niveaux de vérification variables. Certains contiennent encore des erreurs, d’autres demandent à être examinés par des spécialistes.
Mais même avec ces réserves, la vitesse de progression est vertigineuse.
En quelques mois, les IA sont passées des exercices scolaires à la recherche de pointe
Il n’y a pas si longtemps, les grands modèles de langage, ou LLM (Large Language Models), pouvaient se tromper dans une multiplication ou inventer une démonstration avec un aplomb remarquable. En 2025, le niveau médaille d’or atteint aux Olympiades internationales de mathématiques avait déjà montré que ces systèmes devenaient capables de raisonnements complexes.
Mais l’année 2026 marque une nouvelle étape : les laboratoires s’attaquent désormais à des problèmes mathématiques ouverts, parfois étudiés depuis des décennies.
- En février, Google DeepMind présente Aletheia, un agent de recherche utilisant Gemini Deep Think. Il peut proposer des pistes, contrôler certaines erreurs et revoir ses démonstrations. Le laboratoire annonce notamment des résultats sur des problèmes associés au mathématicien Paul Erdős.
- En septembre, Anthropic annonce que Claude a formalisé le dernier théorème de Fermat dans le langage Lean, en seulement onze jours. Le système a produit environ 13 millions de lignes de preuve vérifiables informatiquement. Attention, Claude n’a pas découvert ce théorème : Andrew Wiles en avait déjà apporté la démonstration dans les années 1990. L’exploit consiste à transformer cette démonstration en une preuve contrôlable par une machine.
- Dans le même temps, plusieurs travaux assistés par IA concernent des conjectures de percolation, des problèmes d’analyse et des questions de physique mathématique.
- En septembre, OpenAI annonce également des avancées sur le problème de Navier-Stokes, lié à la description mathématique du mouvement des fluides.
Puis arrive la publication massive du 6 octobre.
En quelques mois, nous sommes passés de machines capables de réussir des concours à des systèmes qui prétendent contribuer directement à la recherche mathématique mondiale.
Le problème n’est plus seulement de trouver une preuve, mais de la comprendre
C’est probablement le changement le plus important. Traditionnellement, un mathématicien ne se contente pas de démontrer qu’une proposition est vraie. Il cherche à comprendre pourquoi elle l’est, à construire de nouvelles méthodes et à relier son résultat à d’autres domaines.
Prenons une image simple. Imaginez que vous vouliez atteindre le sommet d’une montagne. Le mathématicien traditionnel explore le terrain, découvre un passage, comprend les obstacles, puis explique le chemin à ses collègues.
L’IA, elle, pourrait vous déposer directement au sommet en hélicoptère. Vous savez que le sommet est accessible. Vous avez éventuellement une preuve que vous y êtes arrivé. Mais vous ne savez pas nécessairement comment reproduire le parcours, quels chemins voisins explorer ni ce que cette ascension apprend sur la montagne.
C’est exactement le malaise décrit par plusieurs chercheurs interrogés par Quanta Magazine le 5 octobre 2026. Les démonstrations produites par les IA peuvent être extrêmement longues, difficiles à lire et insuffisamment reliées aux connaissances existantes. Pour améliorer leur fiabilité, certains chercheurs utilisent Lean, un assistant de preuve capable de vérifier formellement la cohérence logique d’une démonstration. Mais une preuve validée par Lean n’est pas nécessairement une preuve que les humains comprennent facilement. Dans le dépôt publié par OpenAI, environ 42 % des résultats principaux disposent d’une formalisation en Lean au 12 octobre 2026. Les autres nécessitent encore des vérifications adaptées.
Le nouveau paradoxe : trop de découvertes, pas assez de chercheurs pour les examiner
Pendant des siècles, les mathématiques ont souffert de la rareté des découvertes. Désormais, elles pourraient souffrir de leur abondance. Comment vérifier, analyser, comprendre et hiérarchiser plusieurs centaines de manuscrits publiés simultanément ?
La situation est d’autant plus troublante qu’OpenAI indique une dépense de calcul moyenne équivalente à environ trois heures d’utilisation de ChatGPT Pro par famille de résultats. Cette indication ne constitue ni un coût financier public ni une garantie de qualité, mais elle illustre l’industrialisation potentielle de la production mathématique. Les publications arrivent plus vite que les spécialistes ne peuvent les assimiler. Et les premiers problèmes sont déjà visibles. Après la publication d’octobre, plusieurs manuscrits ont dû être retirés ou corrigés à la suite d’erreurs signalées.
Le risque est donc double. D’un côté, des résultats importants peuvent se retrouver noyés dans une masse de documents. De l’autre, les chercheurs doivent consacrer une part croissante de leur temps à contrôler des propositions produites par des machines plutôt qu’à développer leurs propres idées.
Le métier pourrait ainsi basculer de la découverte vers le tri, la validation et l’interprétation.
Quand l’IA pousse les mathématiciens à garder leurs idées secrètes
C’est ici que l’inquiétude de Duminil-Copin devient particulièrement intéressante. La recherche mathématique repose depuis longtemps sur une culture du partage. Les scientifiques discutent de leurs intuitions, soumettent des conjectures, publient leurs travaux préliminaires et interrogent leurs collègues.
Une question non résolue peut devenir le point de départ d’une nouvelle collaboration. Une erreur peut révéler une idée féconde. Une conversation informelle peut orienter plusieurs années de recherche. Or cette culture pourrait être fragilisée.
D’après les témoignages recueillis par Quanta Magazine, certains chercheurs commencent déjà à limiter la publication de leurs pistes et problèmes ouverts. Le paradoxe est redoutable : une technologie capable d’accélérer les découvertes pourrait simultanément ralentir la circulation des idées.
Et cette inquiétude concerne particulièrement les jeunes chercheurs.Comment construire une carrière scientifique lorsque les sujets de thèse peuvent être résolus par une IA avant même la soutenance ? Comment apprendre progressivement son métier si les problèmes accessibles aux débutants deviennent eux aussi des cibles pour des agents automatiques ?
Le désaccord fondamental entre les laboratoires d’IA et les mathématiciens
Le 11 septembre 2026, des médaillés Fields publient une déclaration intitulée A Severe Misalignment of AI in Mathematics, autrement dit « Un grave défaut d’alignement de l’IA en mathématiques ».
Leur critique est fondamentale. Pour les entreprises développant les modèles d’IA, résoudre une conjecture célèbre constitue une démonstration spectaculaire de performance. Pour les chercheurs, résoudre une conjecture n’est qu’une partie du travail scientifique. La finalité est aussi de comprendre, expliquer, transmettre et construire de nouvelles connaissances. Il existe donc un décalage entre les objectifs industriels et ceux de la recherche académique.
Ces objectifs ne sont pas nécessairement incompatibles. Mais lorsqu’une entreprise publie plusieurs centaines de résultats générés automatiquement avant leur examen approfondi par la communauté, les tensions deviennent inévitables. D’autant que les modèles les plus performants restent généralement propriétaires.
La question dépasse alors la performance scientifique : la recherche fondamentale doit-elle dépendre de systèmes dont les méthodes, les coûts et les conditions d’accès sont contrôlés par quelques entreprises privées ?
La fin des mathématiciens ? Ou la naissance d’un autre métier ?
Il serait excessif d’annoncer aujourd’hui la disparition des mathématiciens. Les systèmes d’IA progressent rapidement, mais tous leurs résultats ne sont pas vérifiés et leur capacité à construire une compréhension conceptuelle profonde reste discutée.
Surtout, la recherche mathématique ne se résume pas à produire des théorèmes. Elle consiste aussi à poser de nouvelles questions, identifier les problèmes importants, établir des liens inattendus entre disciplines et transmettre des raisonnements.
Demain, le chercheur pourrait consacrer moins de temps à certaines démonstrations techniques et davantage à l’exploration des concepts, à la formulation des questions et à l’interprétation des résultats. C’est d’ailleurs une direction explorée par Google DeepMind, qui présente l’IA comme un partenaire de recherche et documente différents niveaux de collaboration entre machines et scientifiques. Mais cette évolution n’a rien d’automatique.
Encore faudra-t-il repenser les critères de publication, la reconnaissance du travail scientifique, la formation des doctorants et les règles de partage des résultats produits par IA.
Un autre problème apparaît désormais : que se passe-t-il lorsque des machines peuvent produire plus de connaissances que les humains ne peuvent en absorber ?
Le défi ne consiste donc plus seulement à rendre l’IA plus intelligente. Il consiste aussi à organiser une société scientifique capable de conserver la maîtrise, la compréhension et le partage des connaissances qu’elle contribue à produire.
Car si demain une machine sait démontrer presque n’importe quel théorème, une question restera profondément humaine : quels problèmes méritent encore que nous passions notre vie à les comprendre ?
#IntelligenceArtificielle #Mathématiques #RechercheScientifique #OpenAI #ClaudeAI #Gemini #Science #IAPratique
