En octobre 2026, à la tribune du California Institute of Technology (Caltech), le mathématicien Terence Tao a lancé un avertissement contre-intuitif. L’IA moderne entraîne la recherche mathématique dans un paradoxe sans précédent : un siècle entier fondé sur la « rareté des preuves » cède brutalement la place à une ère « d’abondance des preuves ».
Durant le siècle écoulé, l’édifice mathématique reposait sur une prémisse intangible : obtenir une preuve rigoureuse exige des efforts herculéens. L’IA est en train de balayer ce postulat. Résoudre des problèmes constituait historiquement le mètre étalon du progrès académique ; ériger aujourd’hui l’enchaînement machinal d’exercices en finalité suprême risque de vider la discipline de sa substance.
22 millions d’énoncés tranchés en un an : résoudre des problèmes n’est plus une denrée rare
Les mathématiques traditionnelles se sont structurées autour de la rareté des démonstrations. Pendant des décennies, percer une conjecture ouverte demandait des années de labeur acharné aux meilleurs spécialistes. Les promotions universitaires, les publications dans les revues à comité de lecture et les mécanismes de réputation tournaient tous autour de cette rareté.
Cet équilibre entre offre et demande est désormais bouleversé par la force brute du calcul. Lors de sa conférence, Tao a mis en avant des jalons empiriques saisissants. Entre 2024 et 2025, l’Equational Theories Project a déterminé, grâce à une collaboration homme-machine, la valeur de vérité de plus de 22 millions d’énoncés en algèbre universelle.
Figure : L’Equational Theories Project a évalué plus de 22 millions d’implications par démarche participative. Source : Diapositives de la conférence « Math 2.0 » de Terence Tao.
Des accélérations comparables se manifestent dans d’autres branches. Lors du défi 2026 sur le problème inverse de Galois, une équipe collaborative a synthétisé en un temps record un polynôme pour chacun des 25 000 groupes de Galois transitifs de degré 24, avant de pousser l’ambition jusqu’au degré 31.
Un tel débit pulvérise les cycles traditionnels de déduction manuelle sur papier. Sous l’afflux massif de puissance de calcul, la recherche mathématique quitte la dissection artisanale de théorèmes isolés pour devenir un recensement exhaustif piloté par les données.
Objectivité vérifiable et absence d’expérimentation : les mathématiques comme terrain d’entraînement parfait pour l’IA
Pourquoi les laboratoires d’IA de pointe plébiscitent-ils les mathématiques pures plutôt que la biologie ou les sciences sociales ? La raison profonde tient à deux propriétés d’ingénierie rarissimes.
La première réside dans la vérifiabilité objective. Les mathématiciens peuvent débattre âprement de la portée d’une conjecture, mais ils partagent un consensus inébranlable sur l’exactitude d’une déduction formelle. Grâce aux assistants de preuve interactifs tels que Lean, un ordinateur peut vérifier mécaniquement chaque étape logique au niveau du code.
La seconde propriété est l’autosuffisance numérique. Une preuve mathématique n’a besoin d’aucun support physique, d’aucune donnée bruitée issue du monde réel, ni d’expériences en laboratoire pour valider ses conclusions. Avec un crayon, du papier, des bibliothèques formelles et une vaste littérature numérisée, l’apprentissage automatique peut tourner indéfiniment en boucle fermée.
Rares sont les domaines qui réunissent ces caractéristiques. Les laboratoires d’IA ont donc placé la résolution de problèmes mathématiques au sommet de leurs priorités applicatives : les scores de compétition sont vérifiables automatiquement par machine et font sensation dans les communiqués de presse.
Pourtant, le profil de raisonnement des modèles demeure profondément en dents de scie. Pourvus de suffisamment de calcul, ils résolvent des énoncés de concours sans aucune aide humaine ; confrontés à des tâches du monde réel exigeant une expérience sensible et des interactions complexes, ils calent fréquemment.
L’impression qui domine sur les réseaux sociaux est trompeuse : on n’y voit que les énigmes résolues par l’IA. Tao a rappelé que l’immense majorité des problèmes aux frontières de la recherche restent irrésolus, quelle que soit la quantité de silicium mobilisée. L’espace mathématique est infini et la difficulté n’a pas de plafond. Des initiatives comme First Proof ont vu le jour pour rétablir cette rigueur : elles imposent de publier l’intégralité des ressources consommées et les tentatives infructueuses.
Arriver trop tôt à destination : automatiser l’arrivée dévaste l’écosystème intermédiaire
Dans l’univers des mathématiques pures, un problème ouvert n’est pas un simple verrou qui attend d’être forcé. Tao a filé une métaphore lumineuse : les problèmes ouverts sont des phares dressés sur des mers inconnues.
La valeur fondamentale d’un phare est d’éclairer les voies maritimes environnantes. La traversée pour l’atteindre est souvent bien plus féconde que la découverte des coordonnées d’arrivée : succès, échecs et traversées partielles apportent tous des enseignements durables.
Figure : L’évolution des frontières de recherche entre Math 1.0 et Math 2.0. Source : Diapositives de la conférence « Math 2.0 » de Terence Tao.
Utiliser des outils automatisés pour parachuter des réponses directement au pied du phare dispense quiconque d’explorer les eaux intermédiaires. Les théories, les outils conceptuels et l’intuition qui auraient dû germer lors de cette quête perdent leur raison d’exister. La résolution brute et la compréhension véritable se trouvent alors irrémédiablement dissociées.
Un traitement contre le cancer validé par les essais cliniques : qui oserait l’injecter sans en comprendre le mécanisme ?
Historiquement, résoudre des problèmes servait d’indicateur indirect pour jauger la profondeur de la compréhension. À l’époque de la rareté des preuves, venir à bout d’une grande énigme s’accompagnait systématiquement de l’émergence d’une vaste armature théorique. À l’ère de l’abondance, la recherche par force brute déconnecte brutalement la métrique indirecte de l’objectif fondamental.
Durant son exposé, Tao a partagé une expérience de pensée marquante : imaginons qu’un laboratoire de premier plan entraîne un modèle d’IA avec un cahier des charges limpide : livrer une formule thérapeutique capable de franchir les essais cliniques de phase III contre le cancer sans commettre la moindre erreur.
Après avoir consumé une puissance de calcul phénoménale, le modèle produit une molécule inconnue assortie d’une preuve rigoureuse en code formel. Lors des essais réels, la formule franchit effectivement toutes les étapes avec succès. Pourtant, aucun chercheur ne comprend le mécanisme moléculaire sous-jacent.
Si l’on vous diagnostiquait un cancer au stade précoce et que la machine vous recommandait ce traitement, ne souhaiteriez-vous pas qu’au moins un être humain — ne serait-ce que partiellement — comprenne pourquoi et comment elle agit avant que le liquide ne soit perfusé dans vos veines ?
Les exigences de vérification des mathématiques pures finiront par s’imposer au monde réel. Si les chercheurs s’habituent à abdiquer leur esprit critique devant des réponses issues de boîtes noires, le socle de sécurité des sciences appliquées s’effritera silencieusement.
La prescription de Terence Tao : réorienter la puissance de calcul vers la compréhension humaine
Face à cette crise d’abondance machinique, Tao préconise une transition résolue vers « Math 2.0 ». L’idée maîtresse consiste à déplacer la vocation des outils : passer de la résolution unilatérale et compulsive vers l’amplification de la compréhension humaine.
Un axe prometteur réside dans ce qu’il nomme les « problèmes d’exposition ouverte » (Open Exposition Problems) : dégager des explications intuitives, motivées et limpides pour des résultats dont la preuve formelle est connue mais demeure hermétique. Le format renouvelé du Mathathon de Caltech en est une illustration concrète.
Les réseaux collaboratifs et les bibliothèques de code s’étoffent en parallèle. Le réseau sur les méthodes explicites en théorie analytique des nombres tisse les articles académiques épars en graphes de connaissances, tandis que des bibliothèques formalisées comme Mathlib offrent un socle standardisé pour la vérification algorithmique.
Les scientifiques emploient également le calcul pour mener des expériences d’ablation de théorèmes : retirer délibérément une hypothèse clé pour observer si la conclusion résiste, ou assouplir les conditions initiales pour cartographier le paysage mathématique adjacent.
Ces initiatives mettent la puissance brute au service de l’extraction de nouvelles méthodes, permettant aux humains de contempler clairement les reliefs de la carte des savoirs.
Pour Tao, le goulot d’étranglement majeur de Math 2.0 n’est ni le calcul brut, ni la rigidité institutionnelle : c’est simplement l’imagination humaine.
Liens de référence :
- Terence Tao : Notes de cours et diapositives de la conférence « Math 2.0 » à Caltech
- First Proof : Plateforme d’évaluation des mathématiques formelles (1stproof.org)
- Equational Theories Project : Archives du projet de recherche collaborative
- Inverse Galois Problem Challenge (IGP24) : Registre de collaboration
