Pourquoi les mathématiciens de premier plan sont-ils si furieux lorsque l’IA résout des problèmes mathématiques centenaires en un clin d’œil ?
Bonjour à tous, je suis votre journaliste financier et économiste. Aujourd’hui, nous allons parler d’un événement qui peut sembler sorti de science-fiction, mais qui se produit réellement : l’IA a résolu des problèmes mathématiques qui ont préoccupé l’humanité pendant près d’un siècle, mais les mathématiciens ne sont pas contents et ont même protesté collectivement, affirmant que l’IA “cause des dégâts”.
Cela peut sembler contre-intuitif, n’est-ce pas ? Nous pensions toujours que l’IA était là pour améliorer l’efficacité et résoudre les problèmes. Si elle résout les problèmes, n’est-ce pas une bonne chose ?
Ne vous inquiétez pas, laissez-nous analyser cela en détail pour que vous compreniez mieux. Derrière cela, il y a non seulement la question des mathématiques, mais aussi celle de notre emploi, de notre façon d’apprendre, et même de l’avenir de la civilisation humaine.
---
Résumé du contenu principal : Une guerre sur “les réponses” et “la compréhension”
En bref, le 8 septembre, OpenAI a annoncé qu’il avait utilisé des outils d’IA pour résoudre en 88 heures la démonstration formelle de l’équation de Navier-Stokes. C’est l’un des sept problèmes les plus difficiles en mathématiques, pour lequel le Clay Mathematics Institute avait offert une récompense de 1 million de dollars et qui préoccupait le monde mathématique depuis près d’un siècle.
En principe, c’était une victoire majeure pour l’IA. Mais trois jours plus tard, 25 lauréats du prix Fields (l’équivalent du Nobel en mathématiques), dont Terry Tao et Deng Yu, ont publié une lettre ouverte très sévère intitulée “La grave dislocation de l’intelligence artificielle en mathématiques”.
Leur argument principal est le suivant : bien que l’IA ait donné la “réponse correcte”, elle a sauté le “processus de compréhension”. En mathématiques (et dans tous les travaux nécessitant de la connaissance), la façon dont les choses sont faites est plus importante que le résultat obtenu. L’IA nous jette les réponses comme si elle les larguait d’un hélicoptère, mais elle efface la sagesse, les outils et les intuitions accumulés par les humains au cours de l’exploration. Ce modèle, qui ne se concentre que sur le résultat et non sur le processus, détruit les fondements de la recherche mathématique et pourrait même empêcher les jeunes chercheurs de grandir.
---
Analyse approfondie : Pourquoi les mathématiciens sont-ils si anxieux ?
Pour que vous compreniez pleinement cette controverse, je vais l’expliquer en détail à partir de cinq aspects :
1. La “trahison” de Terry Tao : Même les plus partisans de l’IA ne peuvent plus rester calmes
Parmi les signataires de la lettre, le nom le plus remarquable est Terry Tao.
Beaucoup ne savent peut-être pas que Tao est un grand partisan de l’IA. Il utilise déjà GPT-4 pour écrire du code, créer des graphiques et même pour aider à prouver des théorèmes. Il a déclaré ouvertement : “GPT-4 m’a vraiment épargné beaucoup de travail fastidieux.” Il a même prédit que d’ici 2026, l’IA pourrait devenir un “co-auteur” fiable dans la recherche mathématique.
Alors pourquoi est-il à l’avant-garde de la protestation ?
Parce que le problème réside dans le degré et la méthode. Tao a découvert que lorsque l’IA peut produire directement des démonstrations complètes et apparemment irréprochables, elle n’est plus un “assistant”, mais devient une “boîte noire”.
Il a fait une comparaison : avant, les mathématiciens étudiaient les problèmes comme des randonneurs cherchant des chutes d’eau dans des montagnes escarpées. Vous pouvez vous perdre, découvrir d’autres ruisseaux et des rochers intéressants en chemin, et noter ces découvertes sur une carte, qui serviront de guide pour d’autres explorateurs.
Mais maintenant, l’IA est comme un hélicoptère qui vous dépose directement devant la chute d’eau, puis vous ramène. Vous voyez la chute d’eau (la réponse), mais vous n’avez pas parcouru le chemin, vous ne connaissez pas le terrain en chemin, et vous n’avez pas laissé de carte.
Pour les mathématiciens, cette “carte” (les nouvelles idées et outils utilisés dans le processus de résolution du problème) est plus précieuse que la chute d’eau elle-même. Car la carte peut être réutilisée par les générations futures, tandis que la chute d’eau ne peut être vue qu’une seule fois.
2. La théorie du “acier de basse teneur en impuretés” : Les bons problèmes sont des ressources non renouvelables
Les mathématiciens ont également une inquiétude plus profonde : l’IA gaspille des ressources précieuses du monde mathématique : les problèmes ouverts.
Tao compare ces problèmes mathématiques, qui ont été sélectionnés après des décennies de recherche, à de l’“acier de basse teneur en impuretés”.
Qu’est-ce que l’acier de basse teneur en impuretés ? C’est l’acier produit avant le premier essai nucléaire en 1945. Comme il n’a pas été contaminé par la poussière radioactive, sa radiation de fond est très faible, ce qui en fait un matériau idéal pour fabriquer des instruments précis (comme des détecteurs nucléaires). De plus, cet acier est non renouvelable ; en en utilisant un peu, il en reste moins.
Il en va de même pour les problèmes mathématiques :
- Les problèmes peuvent être générés à volonté : vous pouvez utiliser l’IA pour créer des milliers de problèmes mathématiques en un instant.
- Mais les bons problèmes sont difficiles à trouver : pour déterminer si un problème vaut la peine d’être résolu, il faut compter sur l’intuition et l’expérience accumulées par plusieurs générations de mathématiciens. Ces problèmes “bons”, sélectionnés avec soin, sont comme de l’acier de basse teneur en impuretés : ils sont des ressources non renouvelables.
Aujourd’hui, les entreprises d’IA utilisent ces problèmes précieux comme des “listes de notation” pour effectuer des calculs massifs. Dès que la réponse est publiée, la valeur de ce problème en tant que “ensemble de test non contaminé” diminue définitivement.
Pire encore, cela décourage les jeunes chercheurs de s’attaquer à des problèmes difficiles. Avant, un doctorant pouvait passer trois ans à résoudre un petit problème difficile, un processus qui lui permettait de grandir. Maintenant, si l’IA donne la réponse en 11 minutes, pourquoi un jeune chercheur voudrait-il encore passer trois ans à le résoudre “manuellement” ? Si personne n’est prêt à entreprendre des recherches fondamentales, qui prendra le relais pour l’avenir de la mathématique ?
3. “Intolérance aux démonstrations” : Les réponses de l’IA ne peuvent pas être assimilées par les humains
Vous pourriez vous demander : la réponse est correcte et la logique est sans faille (elle a été vérifiée par des programmes de vérification), alors pourquoi les mathématiciens ne la reconnaissent-ils pas ?
Tao a introduit le concept d’“intolérance aux démonstrations”.
Les articles mathématiques générés par l’IA, qu’ils soient corrects ou non, semblent très convaincants. Ils sont bien structurés et écrits de manière fluide, mais ils manquent souvent du sens naturel du raisonnement humain.
- Une démonstration humaine est comme un essai : elle a une introduction, un développement, une transition et une conclusion, ainsi que des explications sur “pourquoi j’ai fait ceci” et des explications sur les difficultés rencontrées en cours. Le lecteur peut suivre le raisonnement de l’auteur et ainsi apprendre de nouvelles manières de penser.
- Une démonstration par l’IA est comme un rapport de code : elle contient seulement “étape 1, étape 2, étape 3”, chaque étape est correcte, mais elle manque de “pourquoi”.
Les mathématiciens ont découvert que lire une démonstration écrite par l’IA, c’est comme manger un biscuit compressé : vous êtes rassasié (vous obtenez la conclusion), mais votre corps (votre cerveau) ne peut pas absorber les nutriments (les méthodes de pensée).
4. De Euclide à GPS : Le processus est la source de l’innovation
Si vous trouvez que l’idée que “le processus est important” est trop abstraite, laissez-moi vous raconter une histoire de la Grèce antique et du GPS.
En 300 avant J.-C., Euclide a écrit les “Elements”, qui ont établi le système de géométrie plane. La cinquième proposition (l’axiome des parallèles) était particulièrement complexe et Euclide lui-même l’utilisait rarement.
Pendant deux mille ans, d’innombrables mathématiciens ont essayé de prouver la cinquième proposition, sans succès. Jusqu’au XIXe siècle, le mathématicien russe Lobatchevski a pris une approche différente : il a supposé que la cinquième proposition était fausse pour voir ce qui se passerait.
Résultat : il a construit un nouveau système géométrique, la géométrie non euclidienne. Ce système allait à l’encontre de l’intuition (par exemple, la somme des angles intérieurs d’un triangle est inférieure à 180 degrés), mais il était logiquement cohérent.
À l’époque, personne ne pensait que cela avait de l’utilité, jusqu’à l’apparition d’Einstein.
Einstein a découvert que la théorie de la relativité générale nécessitait de décrire l’espace-temps courbé, et la géométrie non euclidienne développée par Lobatchevski fournissait l’outil mathématique parfait. Sans les “échecs” et les “explorations” des mathématiciens dans le processus de prouvement de la cinquième proposition, il n’y aurait pas eu de théorie de la relativité générale, et donc pas de GPS sur nos téléphones (le GPS doit corriger les déviations causées par la gravité, sinon il y aurait une erreur de 11 kilomètres par jour).
Voilà l’importance du processus :
- Dans le passé, obtenir la bonne réponse et comprendre étaient la même chose, car il fallait comprendre beaucoup de choses pour arriver à la réponse.
- Aujourd’hui, pour la première fois, l’IA pourrait séparer ces deux choses : la vitesse à laquelle les réponses sont obtenues dépasse de loin la vitesse à laquelle nous pouvons les comprendre.
Si l’IA donnait directement les formules de l’espace-temps courbé sans passer par les deux cents ans d’exploration géométrique, Einstein n’aurait peut-être jamais pensé à utiliser la géométrie pour décrire la gravité. L’innovation naît souvent dans le processus de “perte”, et non à la destination.
5. Des mathématiques au monde du travail : L’IA élimine les voies de progression “de base”
Ce problème ne se limite pas au monde des mathématiques. Bill Gates a averti dans un article de août 2026 : l’IA élimine les emplois de “niveau débutant”.
- Le développement professionnel dans le passé : Un jeune homme entrait dans un cabinet d’avocats, un hôpital ou une entreprise de logiciels, commençait par des tâches simples. Bien que le travail soit facile, il accumulait de l’expérience en observant, en imitant et en faisant des erreurs, et développait des relations professionnelles, pour devenir un expert.
- Le développement professionnel aujourd’hui : L’IA peut effectuer ces tâches simples en un instant. Un avocat expérimenté accompagné de l’IA peut remplacer le travail d’une équipe entière d’avocats.
Le problème est le suivant : si les jeunes n’ont même plus l’occasion de faire des tâches simples, comment peuvent-ils accumuler de l’expérience ? Comment peuvent-ils développer une intuition professionnelle ?
Gates a dit : “Le cycle de formation pour les nouveaux emplois diminue beaucoup plus rapidement que la disparition des anciens emplois. Alors, qui les soutiendra pendant cette période ?”
Les inquiétudes des mathématiciens, les lamentations des joueurs de go (comme Ke Jie) et les préoccupations de Gates sont essentiellement les mêmes : lorsque les outils d’IA peuvent donner directement des résultats, en sautant le processus d’apprentissage humain, “répondre correctement” et “comprendre” sont séparés.
Cette fissure s’étend des mathématiques à tous les domaines du travail intellectuel.
---
Conclusion : Que devrions-nous faire ?
Bien sûr, il y a aussi des voix optimistes. Le professeur Wang Zhenghan de l’Université de Californie à Santa Barbara pense que les mathématiques ne disparaîtront pas, tout comme les courses de voiture n’ont pas disparu avec l’apparition des avions, elles sont devenues juste un autre type de compétition. Les mathématiciens de l’avenir pourraient utiliser l’IA comme un “super moteur” pour explorer des domaines plus profonds.
L’auteur de science-fiction Liu Cixin a prévu cette situation dans son roman “Sustaining God” : une civilisation extraterrestre transmet toutes ses données technologiques à l’humanité, mais l’humanité ne peut pas les comprendre, car ces connaissances manquent de “processus” et de “contexte”. Finalement, cette civilisation s’est dégradée au point de devoir réapprendre les équations du premier degré et du deuxième degré.
L’impact de l’IA actuel n’est peut-être pas aussi exagéré que dans la science-fiction, mais il sonne une alarme :
1. Pour les individus : Ne vous fiez pas uniquement aux réponses fournies par l’IA. Accordez de l’importance au “processus”. Utilisez l’IA comme un outil, et non comme un substitut. Il faut savoir pourquoi l’IA agit de cette façon, et non seulement ce qu’elle fait.
2. Pour l’éducation : Nous devons réfléchir à nouveau à l’objectif de l’éducation. Si les examens ne testent que les réponses, alors l’IA sera le meilleur élève. L’éducation de l’avenir doit mettre davantage l’accent sur la pensée critique, la créativité et le contrôle du processus.
3. Pour la société : Nous devons élaborer des “plans” pour protéger les voies de progression des jeunes, afin que l’IA renforce les capacités humaines et non remplacer le processus d’apprentissage humain.
Rappelez-vous : les réponses peuvent être reproduites, mais la sagesse ne peut être transmise que par le processus.