L’IA Résout les Problèmes d’Erdős. Qu’est-ce qui Arrive Ensuite ?

Il y a seulement quelques mois, la question semblait surtout philosophique: si l’intelligence artificielle peut aider à résoudre les problèmes mathématiques ouverts, que se passe-t-il avec l’idée de génie humain ?

Cette question n’est plus théorique. Deux développements récents impliquant OpenAI et Google DeepMind suggèrent que l’IA passe d’assistant mathématique à participant mathématique. Non pas en remplaçant les mathématiciens en bloc, mais dans le sens plus précis et plus important de générer, de rechercher, de vérifier et parfois de découvrir des arguments qui peuvent résister à l’examen expert.

Le premier développement est venu d’OpenAI, qui a annoncé qu’un modèle de raisonnement général interne avait fait une percée sur le problème de la distance unitaire plane, une question célèbre posée par Paul Erdős en 1946. Le problème demande combien de paires de points dans un plan peuvent être exactement à une unité les uns des autres. Pendant des décennies, la croyance dominante était que les constructions en grille carrée étaient essentiellement optimales. Le modèle d’OpenAI a trouvé une nouvelle famille de constructions qui a réfuté cette croyance.

Le deuxième développement est venu des chercheurs de Google DeepMind, qui ont publié un article intitulé Advancing Mathematics Research with AI-Driven Formal Proof Search. Leur système, AlphaProof Nexus, a évalué la génération de preuves par l’IA sur des problèmes de recherche de niveau ouvert et a rapporté que son agent le plus fort a résolu de manière autonome 9 des 353 problèmes ouverts d’Erdős. Il a également prouvé 44 des 492 conjectures ouvertes de l’Encyclopédie en ligne des suites entières.

Ensemble, ces résultats marquent un changement. L’histoire importante n’est pas que l’IA ait soudainement résolu les mathématiques. Elle ne l’a pas. L’histoire importante est que les systèmes d’IA commencent à opérer à l’intérieur de la boucle de recherche elle-même.

Pourquoi les Problèmes d’Erdős Sont un Test Sérieux pour l’IA

Paul Erdős était l’un des mathématiciens les plus prolifiques de l’histoire, et les problèmes associés à son travail occupent une place spéciale dans les mathématiques. Beaucoup sont faciles à énoncer, difficiles à résoudre et liés à des domaines profonds tels que la combinatoire, la théorie des nombres, la théorie des graphes et la géométrie discrète.

Cela les rend particulièrement utiles comme référence pour la raisonnement de l’IA. Ils ne sont pas des exercices scolaires. Ils ne sont pas non plus toujours de grandes conjectures théoriques telles que l’hypothèse de Riemann. Au lieu de cela, de nombreux problèmes d’Erdős se situent dans un terrain intermédiaire où les progrès dépendent de la découverte de la bonne connexion, de la bonne construction ou de la bonne lemme oubliée.

C’est exactement là où l’IA peut être la plus utile au début. Les systèmes de raisonnement modernes ne sont pas seulement des calculateurs. Ils peuvent explorer de nombreuses voies de preuve possibles, comparer des stratégies partielles, récupérer des idées éloignées de domaines adjacents et tester si un argument peut être rendu rigoureux.

Le résultat d’OpenAI est frappant car le modèle n’a pas simplement poli une route connue. Il a trouvé un pont inattendu entre la géométrie discrète et la théorie des nombres algébriques. C’est le type de saut conceptuel que les mathématiciens associent généralement à la créativité réelle.

OpenAI et la Percée de la Distance Unitaire

Le problème de la distance unitaire plane est simple à décrire. Placez n points dans le plan. Comptez combien de paires de points sont exactement à une unité les uns des autres. L’objectif est de comprendre à quel point ce décompte peut être grand lorsque n augmente.

Pendant près de 80 ans, les mathématiciens soupçonnaient que les meilleures constructions ne dépasseraient pas de manière spectaculaire les dispositions en grille carrée. Le modèle d’OpenAI a remis en question cette hypothèse en produisant une famille infinie d’exemples qui battent la limite attendue par une amélioration polynomiale.

Cela compte pour deux raisons. Premièrement, cela change l’image mathématique. Cela suggère que les constructions théoriques des nombres peuvent avoir plus à contribuer à la géométrie discrète que de nombreux chercheurs ne l’avaient supposé. Deuxièmement, cela change l’image de l’IA. Le modèle impliqué était décrit comme un modèle de raisonnement général, et non comme un système construit uniquement pour ce problème spécifique.

En d’autres termes, le système semble avoir transféré le pouvoir de raisonnement dans un cadre de recherche inconnu. Il n’a pas simplement mémorisé une preuve connue. Il a généré un résultat que des mathématiciens externes ont traité comme une contribution majeure.

Google DeepMind et la Recherche de Preuve Formelle

L’article de Google DeepMind aborde une question différente mais tout aussi importante : comment la mathématique générée par l’IA peut-elle être rendue fiable ?

Les modèles de langage peuvent produire des arguments qui semblent élégants mais qui contiennent des erreurs subtiles. Dans la prose normale, ces erreurs peuvent être difficiles à détecter. En mathématiques, une fausse étape peut invalider toute la preuve. C’est pourquoi les systèmes de preuve formels tels que Lean sont importants. Lean ne se soucie pas de savoir si un argument sonne persuasif. Chaque étape logique doit être vérifiée.

AlphaProof Nexus utilise cette contrainte comme partie du flux de travail. Les agents IA génèrent des tentatives de preuve en Lean, reçoivent des commentaires du compilateur, révisent leur approche et continuent la recherche. La version la plus forte coordonne les sous-agents et utilise des outils de preuve plus avancés pour focaliser la recherche.

Le résultat de DeepMind est particulièrement important car il relie la raisonnement de l’IA à la vérification. Le système n’a pas besoin d’être confié de la même manière qu’un chatbot de langage naturel doit être confié. Sa preuve compile ou ne compile pas.

Ce que Cela Signifie pour la Recherche Mathématique

La leçon actuelle n’est pas que les mathématiciens sont obsolètes. C’est que le goulet d’étranglement en mathématiques peut changer.

Historiquement, un chercheur devait faire presque tout : formuler le problème, étudier la littérature, tester des idées, construire la preuve, vérifier chaque étape et communiquer le résultat. L’IA menace maintenant de redistribuer ce travail. Certaines parties du flux de travail peuvent devenir plus rapides, moins chères et plus automatisées.

• L’IA peut explorer de nombreuses routes de preuve avant qu’un humain n’y consacre du temps.
• Les systèmes formels peuvent vérifier des étapes qui nécessiteraient autrement une vérification experte lente.
• Les chercheurs peuvent utiliser l’IA pour rechercher à travers des sous-domaines mathématiques éloignés.

Cela pourrait produire un nouveau style de recherche. Au lieu de demander à l’IA une réponse, les mathématiciens peuvent de plus en plus souvent superviser des flottes d’agents de preuve. Le rôle humain devient moins comme un calculateur et plus comme un directeur de recherche : choisir les bons problèmes, interpréter les résultats, détecter la signification conceptuelle et décider quels chemins méritent une attention plus approfondie.

Les Limites Sont Toujours Réelles

Il est important de ne pas exagérer le moment. Le système de Google DeepMind a résolu 9 des 353 problèmes d’Erdős tentés. C’est impressionnant, mais cela signifie également que la plupart sont restés non résolus. La percée de la distance unitaire d’OpenAI est un jalon, mais elle n’implique pas que chaque conjecture célèbre est maintenant à portée de main.

Les systèmes d’IA ont encore des difficultés lorsqu’un problème nécessite un nouveau cadre conceptuel, lorsque les mathématiques pertinentes sont mal formalisées ou lorsqu’une preuve dépend de longues chaînes d’insights qui ne peuvent pas être facilement décomposées en étapes de recherche. Les bibliothèques de preuves formelles sont également inégales. Les domaines avec une couverture Lean mature sont plus accessibles aux agents d’IA que les domaines où le matériel fondamental doit encore être encodé.

• Les systèmes restent dépendants de la sélection et de l’interprétation des problèmes par les humains.
• La formalisation peut être difficile lorsque les définitions sont ambiguës ou sous-développées.
• Les tentatives de preuve générées par l’IA peuvent encore cacher un travail acharné à l’intérieur d’affirmations d’aide non prouvées.

Ces limites ne sont pas des échecs. Elles clarifient où les prochains progrès doivent se produire. De meilleurs agents de preuve, des bibliothèques formelles plus riches, des flux de travail de vérification plus solides et des interfaces humain-IA plus efficaces importeront tous.

Qu’est-ce qui Arrive Ensuite Après que l’IA Ait Résolu les Problèmes d’Erdős ?

Le futur le plus probable à court terme n’est pas un moment dramatique où l’IA résout toutes les mathématiques. C’est une expansion progressive de la recherche assistée par l’IA dans des domaines avec des énoncés de problèmes clairs, des bibliothèques formelles solides et de grandes quantités de travail antérieur fragmenté.

La combinatoire, la théorie des graphes, la théorie des nombres, l’optimisation et la géométrie discrète sont des cibles naturelles pour les premiers développements. Ces domaines contiennent souvent des problèmes où la question est concise, mais la solution dépend de la couture d’idées provenant de lieux éloignés. L’IA est bien adaptée à ce type de recherche.

Au fil du temps, le même modèle pourrait s’étendre au-delà des mathématiques. Si un modèle peut tenir un argument difficile ensemble, tester des affirmations intermédiaires et relier des idées à travers les domaines, ces capacités comptent en physique, en biologie, en science des matériaux, en cryptographie et dans la recherche en IA elle-même.

La conséquence plus profonde est culturelle. Les mathématiques ont toujours valorisé la preuve, mais elles ont également valorisé le goût : la capacité de savoir quelle question compte, quelle abstraction vaut la peine d’être inventée et quel résultat change la forme d’un domaine. À mesure que la recherche de preuve devient plus automatisée, le goût peut devenir plus important, et non moins.

Conclusion : Le Génie Monte dans la Hiérarchie

La suite de la question précédente est maintenant plus claire. Si l’IA peut résoudre les problèmes mathématiques ouverts, le génie humain ne disparaît pas. Il monte dans la hiérarchie.

La compétence rare ne sera pas la capacité de passer par toutes les étapes techniques seules. Elle sera la capacité de poser les bonnes questions, de formuler les bonnes abstractions, de juger la signification des résultats découverts par la machine et de guider les systèmes d’IA vers les problèmes qui comptent.

La percée de la distance unitaire d’OpenAI et les résultats de la recherche de preuve formelle de Google DeepMind ne ferment pas le livre sur la créativité mathématique humaine. Ils ouvrent un nouveau chapitre dans lequel les mathématiciens peuvent travailler avec des systèmes qui peuvent explorer le terrain plus rapidement que n’importe quel esprit individuel.

Le futur des mathématiques n’appartient peut-être pas aux humains ou aux machines seuls. Il peut appartenir aux chercheurs qui apprennent à faire réfléchir les deux ensemble.