OpenAI affirme avoir franchi un cap spectaculaire avec Astra, une déclinaison interne de ses modèles d’intelligence artificielle. Selon l’entreprise, le système a résolu ou fait avancer de manière décisive dix problèmes ouverts en mathématiques et en informatique théorique.
Sur le papier, c’est le genre de nouvelle qui donne envie de ressortir sa calculatrice scientifique, puis de constater qu’on ne sait toujours pas où se trouve la touche pour résoudre la théorie des groupes. Pourtant, derrière la performance technologique se cache une question beaucoup plus profonde : que devient la science lorsque les IA produisent des démonstrations plus vite que les humains ne peuvent les vérifier, les comprendre et s’en inspirer ?
Astra d’OpenAI face aux grands problèmes mathématiques
Les problèmes traités par l’IA d’OpenAI ne relèvent pas du devoir de maths du lundi matin. Ils appartiennent à des domaines situés à la frontière de la recherche fondamentale : géométrie de grande dimension, théorie des codes, théorie des groupes, algèbre d’opérateurs, combinatoire extrémale, complexité quantique, cryptographie sur les réseaux ou encore complexité des circuits arithmétiques.
Autrement dit, Astra s’attaque à des sujets sur lesquels des chercheurs travaillent parfois depuis des années, voire plusieurs décennies. OpenAI indique que son modèle a permis de résoudre certains problèmes et d’obtenir des progrès décisifs sur d’autres. Une différence importante, car en mathématiques, avancer de façon significative peut déjà débloquer tout un champ de recherche.
L’entreprise met aussi en avant le coût estimé de ces recherches : environ 2 000 dollars de jetons par problème. Même en gardant à l’esprit que ce chiffre ne couvre ni l’entraînement du modèle, ni l’infrastructure, ni le travail des équipes scientifiques, l’ordre de grandeur reste frappant. Des problèmes longtemps considérés comme très difficiles pourraient devenir accessibles avec une puissance de calcul et une stratégie de raisonnement adaptées.
La validation annoncée repose notamment sur Lean, un assistant de preuve formelle. Cet outil permet de traduire une démonstration dans un langage logique rigoureux, puis de vérifier automatiquement chacune de ses étapes. Une preuve formalisée n’est donc pas simplement jugée convaincante par lecture humaine : elle est contrôlée par une machine qui traque les incohérences logiques avec la patience d’un inspecteur des impôts ayant bu trois expressos.
Pourquoi une preuve correcte ne suffit pas toujours
Une démonstration mathématique n’a pas une seule fonction. Elle ne sert pas uniquement à établir qu’une proposition est vraie. Elle doit aussi aider les chercheurs à comprendre pourquoi elle est vraie.
C’est là que l’essor de l’IA en mathématiques crée une tension inédite. Historiquement, résoudre un problème exigeait un temps considérable. La communauté disposait donc d’un délai naturel pour examiner la preuve, en débattre, la simplifier, l’enseigner et en tirer de nouvelles intuitions.
Le mathématicien Terence Tao résume ce processus en trois étapes essentielles :
- Générer une preuve.
- Vérifier que la preuve est correcte.
- Digérer la preuve pour comprendre les idées qu’elle contient.
Les IA de raisonnement changent complètement l’équilibre entre ces trois phases. Elles peuvent accélérer fortement la première, et les assistants de preuve peuvent automatiser une partie de la deuxième. Mais la troisième étape reste largement humaine : elle demande du contexte, de l’intuition, une connaissance des travaux antérieurs et la capacité de faire émerger de nouvelles questions.
Une démonstration formelle de milliers de lignes peut être parfaitement valide sans devenir immédiatement utile pour la communauté. Si personne n’arrive à identifier les mécanismes profonds qui la rendent possible, elle risque de ressembler à un immense manuel de montage dont toutes les pages seraient correctes, mais rédigées dans un dialecte inventé par un robot particulièrement motivé.
Le risque d’une science submergée par ses propres découvertes
Le problème n’est donc pas seulement celui d’une IA capable de résoudre des conjectures. C’est aussi celui d’une production scientifique qui pourrait devenir trop abondante pour être assimilée.
Terence Tao a employé une image marquante pour décrire cette situation. Dans une société qui manque de nourriture, toute arrivée de viande est bienvenue. Dans une société d’abondance, une personne qui dépose une carcasse brute au milieu d’un buffet en demandant aux autres de la préparer ne rend pas forcément service.
Les preuves générées par IA pourraient devenir ces carcasses brutes : techniquement utilisables, parfois correctes, mais exigeant un énorme travail de nettoyage, de vérification, de pédagogie et de contextualisation. Une communauté scientifique ne peut pas consacrer tout son temps à relire les sorties de modèles. Les chercheurs enseignent, publient, encadrent, élaborent de nouvelles hypothèses et conduisent leurs propres travaux.
Ce phénomène est déjà visible dans certains espaces collaboratifs consacrés aux problèmes ouverts. Des utilisateurs peuvent générer un grand nombre de tentatives avec des modèles de langage, puis les soumettre à l’évaluation de spécialistes. Résultat : un arriéré de propositions à examiner, dont la qualité est très variable.
Le danger n’est pas que l’IA produise trop de bonnes idées. Ce serait plutôt une excellente nouvelle. Le danger est qu’elle génère un flux continu de résultats difficiles à trier, dont certains sont faux, d’autres triviaux, et d’autres encore valides mais opaques. Pour les chercheurs, le goulot d’étranglement se déplace : le problème n’est plus seulement de trouver une preuve, mais de savoir laquelle mérite vraiment de mobiliser l’attention humaine.
Le « slop » mathématique, nouvelle pollution informationnelle
Le terme « slop » désigne souvent les contenus générés automatiquement, abondants et peu travaillés. En mathématiques, il peut prendre une forme particulièrement trompeuse : une réponse qui emploie le bon vocabulaire, aligne des symboles impressionnants et donne l’impression d’avoir percé un mystère, sans offrir une contribution fiable.
L’arrivée de modèles comme ChatGPT, Claude ou les systèmes spécialisés de Google et OpenAI facilite la génération de tentatives de preuves à grande échelle. Cela ouvre des possibilités fascinantes pour les chercheurs, mais aussi pour des personnes qui soumettent des résultats bruts sans disposer des compétences nécessaires pour en évaluer la portée.
Ce bruit peut devenir coûteux. Un laboratoire, un enseignant ou un mathématicien reconnu risque de recevoir davantage de sollicitations contenant des preuves supposées révolutionnaires. Or chaque proposition nécessite du temps pour être analysée. Et ce temps est une ressource bien plus rare que les tokens d’un modèle d’IA.
La réponse ne consiste pas à fermer la porte aux contributions amateurs. L’histoire des mathématiques compte de brillantes intuitions venues de profils atypiques. En revanche, les outils de publication et de revue scientifique devront évoluer. Il faudra probablement des systèmes capables de filtrer, classer, formaliser et expliquer les propositions avant qu’elles n’atterrissent sur le bureau d’un spécialiste.
Quand un problème est « résolu » sans être compris
Le paradoxe le plus inquiétant concerne la recherche fondamentale. Lorsqu’une conjecture célèbre est officiellement résolue, l’attention scientifique se déplace souvent ailleurs. Les financements, les thèses et les efforts collectifs suivent naturellement les problèmes encore ouverts.
Mais que se passe-t-il si une IA fournit une démonstration certifiée, alors que personne ne parvient réellement à en extraire une compréhension humaine ? Le problème peut être étiqueté comme résolu, tout en laissant derrière lui un territoire intellectuel encore largement inexploré.
Cette situation pourrait appauvrir la recherche au lieu de l’enrichir. Une preuve apporte habituellement plus qu’un verdict vrai ou faux. Elle révèle des techniques réutilisables, rapproche des branches mathématiques, suggère de nouvelles conjectures et construit une forme de carte mentale collective.
Si l’IA saute directement au résultat, les mathématiciens risquent de perdre une partie de ce chemin. Or le chemin compte énormément. C’est souvent en échouant sur un problème, en inventant des méthodes intermédiaires et en comparant plusieurs approches que les disciplines progressent.
Cela ne signifie pas qu’il faudrait ralentir volontairement les systèmes d’IA capables de faire avancer les maths. Refuser un outil aussi puissant reviendrait à bouder une calculatrice parce qu’elle trouve 17 × 23 plus vite que nous. En revanche, il devient essentiel de concevoir des IA qui ne se contentent pas de produire une preuve finale, mais qui savent aussi en fournir une explication accessible, des étapes intermédiaires et des liens avec les connaissances existantes.
Les assistants de preuve peuvent-ils aider les humains à suivre ?
La bonne nouvelle est que l’IA peut aussi participer à résoudre le problème qu’elle crée. Si des modèles peuvent générer des démonstrations, ils peuvent également aider à les vérifier, les résumer, les traduire dans un langage pédagogique et comparer différentes méthodes.
Les assistants de preuve formelle comme Lean sont particulièrement importants dans cette transformation. Ils offrent un cadre de vérification strict, ce qui réduit le risque de publier des démonstrations séduisantes mais erronées. Toutefois, ils ne remplacent pas l’intuition. Une preuve validée par Lean établit une correction logique, pas nécessairement une compréhension profonde.
L’enjeu sera donc de bâtir une chaîne de travail hybride : l’IA explore rapidement un vaste espace de solutions, les outils formels contrôlent la validité, puis les humains interprètent les résultats et déterminent ce qui compte vraiment.
Cette approche pourrait d’ailleurs améliorer la recherche mathématique. Des chercheurs pourraient demander à un système de proposer plusieurs voies de résolution, d’identifier les lemmes les plus importants ou de reformuler une preuve longue en idées directrices. L’IA deviendrait alors moins une machine à livrer des réponses qu’un partenaire de recherche capable d’accélérer l’exploration sans confisquer le sens.
Une nouvelle définition du travail mathématique
Les progrès d’OpenAI, de Google DeepMind et d’autres laboratoires posent aussi une question de reconnaissance. Si un système résout un problème ouvert, à qui revient le mérite ? À la personne qui formule le bon prompt, à l’équipe qui entraîne le modèle, aux chercheurs qui ont conçu les données et l’infrastructure, ou aux mathématiciens qui interprètent le résultat ?
La question n’est pas qu’un détail symbolique. Elle touche au fonctionnement des carrières scientifiques, des universités, des prix prestigieux et du financement de la recherche. Les institutions ont été construites autour d’une idée simple : une avancée est attribuable à des humains identifiables. L’IA rend cette frontière plus floue.
Le recrutement de grands mathématiciens par les laboratoires d’intelligence artificielle illustre déjà ce basculement. Leur rôle ne consiste pas seulement à rendre les modèles meilleurs en calcul. Ils apportent une expertise précieuse pour évaluer les résultats, définir les bons problèmes et réfléchir à la sécurité de systèmes de plus en plus autonomes.
Dans les années à venir, le métier de mathématicien pourrait évoluer vers davantage de supervision, d’interprétation et de conception d’outils. Ce n’est pas une disparition des mathématiques humaines. C’est potentiellement une mutation de leur pratique.
L’IA résout des problèmes, mais la compréhension reste le vrai défi
La promesse est immense : accélérer la découverte scientifique, améliorer la cryptographie, faire progresser l’informatique théorique et révéler de nouvelles structures mathématiques. Une IA capable de contribuer sérieusement à la recherche fondamentale peut devenir l’un des outils les plus puissants jamais créés.
Mais une science qui avance sans que les humains puissent suivre perdrait quelque chose d’essentiel. Les mathématiques ne sont pas seulement une collection de réponses exactes. Elles sont aussi un langage de compréhension, de transmission et d’idées partageables.
La réussite d’Astra et des futurs modèles d’OpenAI ne se mesurera donc pas uniquement au nombre de problèmes résolus. Elle se mesurera à leur capacité à aider les chercheurs à comprendre davantage, et pas seulement à cocher davantage de cases.
Le défi est vertigineux, mais il est aussi enthousiasmant : apprendre à vivre dans un monde où la rareté des preuves laisse place à l’abondance, sans transformer la connaissance en buffet de carcasses logiques.
Source : OpenAI résout 10 problèmes de maths avec l’IA : pourquoi cette prouesse inquiète déjà les chercheurs
