Le 11 septembre 2026, une déclaration collective d’une portée exceptionnelle a été mise en ligne sur mathandai.org sous un titre sans détours : A Severe Misalignment of AI in Mathematics (Un grave désalignement de l’IA dans les mathématiques). Le texte ne compte à l’origine que 25 signataires, mais chacun d’eux est lauréat de la prestigieuse médaille Fields. De Pierre Deligne, couronné en 1978, à Terence Tao en 2006, jusqu’à Yu Deng tout juste récompensé en 2026, c’est près d’un demi-siècle de sommités mathématiques qui s’exprime d’une même voix. Tandis que la Silicon Valley célèbre à grand bruit chaque problème mathématique résolu par ses modèles, ceux qui connaissent le plus intimement la discipline perçoivent une crise majeure.
À l’origine de cette fracture se trouve une dérive dans le paradigme de recherche et développement de l’intelligence artificielle. Pour apporter la preuve des facultés de raisonnement des grands modèles de langage, les laboratoires d’IA se livrent une surenchère en prenant pour bancs d’essai les épreuves des Olympiades internationales de mathématiques (OIM) et de grandes conjectures ouvertes. Dans la logique d’ingénierie de la Silicon Valley, ce choix paraît imparable : les mathématiques sont pures, une démonstration est exacte ou fausse, exempte des ambiguïtés propres au langage naturel. Faire des mathématiques un étalon de mesure s’est imposé comme le test ultime pour valoriser la puissance de calcul.
Aux yeux des mathématiciens, cette quête relève pourtant d’un désalignement pernicieux. La déclaration en pose le constat fondamental : « résoudre des problèmes n’est qu’un outil et un indicateur au service de l’objectif premier que sont la compréhension conceptuelle et l’intuition profonde (solving problems is only a tool and proxy for achieving the primary goal of conceptual understanding and insight) ». Cette formule met à nu un profond désaccord de valeurs. Les entreprises technologiques poursuivent la délivrance d’une réponse exacte. La communauté mathématique, elle, cherche à comprendre pourquoi cette réponse est vraie et comment l’intégrer à l’édifice global des connaissances humaines.
Points de repère et infrastructure
Pour mesurer la gravité de cette tension, il convient de se replonger dans l’histoire des découvertes mathématiques. Les grandes énigmes historiques n’ont jamais été de simples cadenas attendant d’être crochetés. Comme le souligne la déclaration, ces problèmes ouverts sont « des points de repère et des phares (landmarks and lighthouses) » sur la carte du monde abstrait, permettant de jauger l’étendue de la compréhension humaine.
Résoudre un problème majeur constituait jadis le signal incontestable de l’émergence d’une intuition nouvelle. Cela signifiait qu’un explorateur avait ouvert une voie praticable au cœur de l’inconnu. Si une machine livre une réponse par le seul jeu de corrélations statistiques sans pouvoir en expliciter l’architecture géométrique et conceptuelle, son apport demeure stérile pour la discipline. La véritable croissance du savoir réside dans l’infrastructure théorique bâtie tout au long de la traversée ; le verdict binaire « Vrai » obtenu au bout du compte n’en est qu’un sous-produit.
La preuve d’un théorème ne constitue que le coup d’envoi de la production intellectuelle. Une fois l’annonce faite, la communauté s’engage dans un travail de longue haleine : séminaires, colloques et discussions critiques se succèdent pour dégager les idées fondatrices de leur appareil technique. Au terme de cette exigeante simplification, une démonstration comprise au départ par une poignée d’initiés finit par s’incarner dans des manuels accessibles aux étudiants de licence. Certaines de ces constructions conceptuelles se transforment même, des décennies ou des siècles plus tard, en outils fondamentaux de la société.
C’est là le maillon irremplaçable de la transmission humaine. La déclaration lance une mise en garde limpide : « sans mathématiciens désireux de prendre en charge leur développement et leur intégration dans le corpus mathématique, les idées conçues par l’IA ne prendraient jamais véritablement vie et la chaîne essentielle de transmission humaine entre chercheurs serait brisée (without the willing mathematicians who must take care of their development and integration into the mathematical canon, AI-conceived ideas would never become fully alive and the crucial human transmission chain between mathematicians would be lost) ».
| Dimension | Objectifs d’ingénierie des entreprises d’IA | Aspirations fondamentales de la communauté mathématique |
|---|---|---|
| Objectif premier | Résoudre des problèmes ciblés pour améliorer les scores aux benchmarks | Acquérir une compréhension conceptuelle et des intuitions profondes ; poser de nouveaux repères du savoir |
| Méthode d’évaluation | Taux de réussite sur des bancs de test automatisés, validation par vérification formelle | Évaluation par les pairs, décorticage lors de séminaires et débats, intégration dans les manuels de référence |
| Nature de la production | Énoncés isolés « vrai/faux » générés à très grande vitesse et à flux continu | Théories assimilables par l’esprit humain et transmissibles au sein de la communauté |
| Approche méthodologique | Consommation comme données d’entraînement ; primauté de la production de bout en bout | Attribution rigoureuse, isolation claire des nouvelles méthodes et citations rigoureuses des travaux antérieurs |
Ce tableau comparatif met en lumière le cœur du problème : un décalage vertigineux entre le rythme de production de la machine et les capacités d’assimilation de l’esprit humain. Lorsque des fermes de calcul déversent en continu des résultats bruts, le passage de témoin académique se trouve privé de son espace vital.
Quand la vitesse écrase le crédit académique
Une crise immédiate s’est d’ores et déjà installée sur le plan des pratiques académiques. Afin de capter l’attention médiatique lors des annonces de produits, les résolutions obtenues par les modèles d’IA sont promptement présentées comme des avancées historiques. « Bien souvent, ces solutions sont annoncées dans la précipitation, sans laisser le temps nécessaire à une rédaction soignée, à l’isolation des méthodes nouvelles et à la citation des travaux antérieurs pertinents », déplore le texte. Dans toutes les disciplines de création où les idées cheminent les unes à partir des autres, la course effrénée à la primauté « soulève de graves questions d’attribution et de plagiat (raises severe attribution and plagiarism questions) ».
Sur son blog personnel, Terence Tao a explicité les coulisses de cette tribune. Rédigée au terme d’une semaine de concertations internes soutenues, la déclaration a été publiée en urgence, sans passer par le processus habituel de consultation élargie. L’urgence n’avait rien d’exagéré : en quête d’impact commercial, les géants de la tech déversent sans précaution des ébauches de calculs non décantées sur la communauté scientifique.
Comme le rappellent les auteurs, « la production industrielle et accélérée d’énoncés ‘vrai/faux’ risque de stériliser un terreau fertile plutôt que d’insuffler la vie à des idées neuves (the mass production at faster and faster pace of ‘true/false’ statements could destroy fertile ground instead of breathing life into new ideas) ». L’écosystème de la recherche repose sur la rigueur des citations et la traçabilité des concepts. Si les machines produisent des affirmations à la vitesse de l’éclair, la capacité d’analyse des relecteurs humains sera balayée. Les chercheurs qui s’attachent à reconstituer patiemment les filiations intellectuelles seront submergés sous un raz-de-marée de réponses algorithmiques.
Figure : Avers de la médaille Fields. Source : Wikimedia Commons
Des ruines ou un nouveau filon ?
La réaction du secteur technologique face à cette déclaration de haut vol a mis en évidence des sensibilités très contrastées. Sur Hacker News, le fil de discussion a recueilli 497 points et 566 commentaires, se hissant au rang de débat le plus animé de la journée. Les échanges ont rapidement dépassé la critique purement algorithmique pour devenir une réflexion sociologique sur l’avenir de la production du savoir. En comparaison, sur le forum Lobsters, prisé des développeurs systèmes, la publication n’a réuni que 28 points, témoignant d’une résonance bien plus modeste.
Dans les commentaires d’HN, plusieurs observateurs ont soulevé des parallèles historiques pertinents. Un internaute très suivi a rappelé que lorsque le mathématicien japonais Shinichi Mochizuki a présenté sa démonstration controversée de la conjecture abc, il a lui aussi publié un monument théorique opaque et déroutant pour ses pairs. Pourtant, cela n’a pas anéanti la recherche dans ce domaine ; au contraire, l’événement a suscité des conférences internationales, des monographies explicatives et d’intenses controverses de couloir. C’est précisément dans cette confrontation et ce travail d’interprétation que s’incarne le rôle de la communauté scientifique. Qu’une IA soumette des démonstrations impénétrables ne signifie pas la mort des mathématiques ; ces énoncés peuvent constituer un minerai brut poussant l’humanité à développer de nouvelles techniques d’affinage.
D’autres intervenants ont cependant réveillé un souvenir plus sombre. Depuis la victoire de Deep Blue contre Garry Kasparov en 1997, les moteurs d’échecs surclassent les humains depuis plus de trente ans. Aujourd’hui, la plupart des grands maîtres dépendent du streaming et de mécènes pour subsister. Certains développeurs s’inquiètent de voir la recherche fondamentale suivre une trajectoire similaire si les algorithmes prennent en charge l’essentiel de la déduction et de la vérification formelle. À terme, les postes de chercheurs pourraient être drastiquement réduits, à l’image des filières d’archéologie classique, faute de retombées économiques immédiates.
Une interrogation philosophique vertigineuse a également émergé : si un modèle d’IA démontre un théorème historique sans qu’aucun être humain ne soit capable d’en appréhender le cheminement, cette prouesse s’apparente à un arbre qui s’abat dans une forêt déserte — un écho condamné au silence, dépourvu de sens pour la connaissance.
Les rédacteurs de la déclaration mesurent parfaitement l’inéluctabilité des avancées technologiques et admettent un avenir incertain : « que ces mutations finissent par servir la discipline ou qu’elles aient des effets destructeurs dépendra en grande partie des décisions que prendront les humains aux commandes de cette nouvelle technologie (whether these changes ultimately benefit the field or have a destructive effect will in large part be determined by the decisions of the humans in control of this new technology) ».
Figure : Terence Tao lors d’un entretien informel à l’IPAM en 2026. Source : Wikimedia Commons
Sans compréhension, la victoire perd son sens
Faire de la résolution de problèmes mathématiques ardus un simple benchmark d’évaluation pour modèles d’IA est un exploit d’ingénierie indéniable, mais une impasse sur le plan de l’évolution scientifique. Alors que les entreprises technologiques se livrent une guerre de puissance de calcul, les mathématiciens doivent préserver la mémoire vive de la transmission intellectuelle. Résoudre des énigmes n’a jamais été qu’un moyen ; la compréhension par l’esprit humain demeure la finalité suprême.
Confondre le moyen et la fin pour se concentrer uniquement sur les indicateurs de performance conduira inévitablement à tarir la terre nourricière de la science. L’édifice des mathématiques traverse les millénaires parce que chaque pierre du savoir a pu être éprouvée, comprise et reconstruite par la raison des générations successives. Si l’on substitue à la déduction humaine le verdict muet de la machine, les fondations mêmes de la discipline risquent de s’effondrer.
Liens de référence :
- Déclaration officielle sur mathandai.org
- Blog personnel de Terence Tao
- Fil de discussion sur Hacker News
- Fil de discussion sur Lobsters
