Quand l'IA résout les problèmes mathématiques ouverts, que reste-t-il au génie ?

Les mathématiques ont longtemps été considérées comme la plus pure expression de l'intelligence. Contrairement à la plupart des sciences, elles ne dépendent ni du matériel de laboratoire, ni des interférences expérimentales, ni des instruments de mesure. Une démonstration est soit correcte, soit incorrecte. C'est cette clarté qui explique pourquoi les grands problèmes non résolus – des conjectures qui résistent à toutes les techniques connues – sont devenus une sorte d'Everest intellectuel.

L'histoire a tendance à raconter la même chose : une question reste en suspens pendant des décennies, voire des siècles, jusqu'à ce qu'un esprit exceptionnel se manifeste – quelqu'un doté d'une combinaison rare de patience, de créativité et de compétences techniques – pour entrevoir une voie que personne d'autre n'avait envisagée. Nous célébrons le « génie solitaire » car, en mathématiques, ce récit s'applique souvent.

Mais une nouvelle tendance commence à se dessiner. Fin 2025 et début 2026, des discussions en ligne autour de plusieurs problèmes d'Erdős (un ensemble bien connu de problèmes ouverts recensés par Paul Erdős) ont suggéré que les preuves assistées par l'IA pourraient avoir permis de résoudre plusieurs problèmes en un temps exceptionnellement court. Certaines de ces ébauches de preuves auraient été examinées par d'éminents mathématiciens, notamment Terence taoqui s'est exprimé publiquement sur le rôle croissant de l'IA en tant que collaboratrice en mathématiques. Toutefois, une mise en garde essentielle demeure : les mathématiques ne se construisent pas au gré des gros titres. Une large acceptation exige généralement du temps : vérification indépendante, rédaction rigoureuse des articles et, parfois, formalisation dans des systèmes de vérification de preuves.

Malgré cette mise en garde, le constat général demeure : le monde découvre pour la première fois ce qui se produit lorsque l'IA ne se contente plus de calculer, de résumer ou de reconnaître des schémas, mais participe activement au raisonnement. Si l'IA peut contribuer de manière fiable à résoudre des problèmes auxquels les humains sont confrontés depuis des générations, cela soulève une question plus fondamentale :
Que fera ensuite le génie humain, lorsque la machine pourra atteindre le sommet avant lui ?

Les mécanismes du « raisonnement sur silicium »

Pour comprendre pourquoi ce moment semble différent, il est utile de distinguer deux versions de l'IA que l'on confond souvent.

Les générations précédentes de modèles de langage étaient souvent décrites (à juste titre) comme des systèmes prédisant le mot suivant le plus probable. Elles pouvaient paraître impressionnantes, mais elles étaient aussi sujettes à des « absurdités assurées » car leur capacité à ralentir, à tester des idées ou à s'autocorriger était limitée.

Les systèmes plus récents s'appuient de plus en plus sur une approche différente : le raisonnement en temps réel (parfois appelé « calcul en temps réel »). Au lieu de fournir une réponse immédiatement, le modèle peut consacrer plus de temps à un seul problème : générer des solutions potentielles, vérifier la cohérence logique des étapes, revenir en arrière en cas de contradiction et explorer des pistes alternatives. En termes simples, cela ressemble à la démarche d'un mathématicien devant un tableau blanc : essayer, corriger, et recommencer.

Ceci est important en mathématiques car le progrès est rarement linéaire. La plupart des idées prometteuses échouent. La capacité de revenir en arrière — sans ego, sans fatigue ni découragement — peut transformer une recherche impossible en une recherche réalisable.

Les systèmes d'IA modernes ne se contentent plus de simples calculs ; ils offrent quatre capacités pratiques qui les transforment en véritables collaborateurs. Ils excellent dans la synthèse à grande échelle, reliant des idées issues de vastes corpus de littérature et de sous-domaines de niche où les lemmes clés sont rarement cités. Ils permettent également une itération rapide, testant rapidement de nombreuses pistes de démonstration et éliminant les impasses tout en préservant les sous-structures prometteuses. De plus, ces machines proposent parfois des heuristiques inhabituelles : des constructions intermédiaires qui semblent déconnectées de l'intuition humaine, mais qui restent logiquement valides. Enfin, elles produisent des résultats faciles à vérifier, pouvant être intégrés à des assistants de preuve formels comme Lean ou Coq, offrant ainsi à la communauté une voie vers une plus grande confiance dans la démonstration.

Il est important de préciser que cela ne signifie pas que l'IA « comprend » les mathématiques comme les humains. Cela signifie quelque chose de plus précis : sous certaines conditions, elle peut générer des raisonnements qui résistent à l'analyse. En mathématiques, c'est là l'essentiel.

Pourquoi les problèmes de type Erdős constituent des cibles précoces pertinentes

Toutes les frontières des mathématiques ne sont pas également « vulnérables » à l'accélération de l'IA. Certains problèmes exigent des théories entièrement nouvelles, de nouvelles définitions ou des sauts conceptuels profonds qui ne trouvent que peu d'appuis dans la littérature existante. Mais d'autres problèmes — notamment ceux de la combinatoire, de la théorie des nombres et des mathématiques discrètes — présentent souvent une forme différente :

• Cette affirmation est suffisamment simple pour être expliquée à des non-spécialistes.
• Les outils connus sont nombreux, dispersés dans divers articles et faciles à manquer.
• Le progrès résulte souvent de la combinaison astucieuse de résultats existants.

Les problèmes d'Erdős correspondent souvent à ce profil. Ils sont réputés pour être faciles à énoncer et difficiles à résoudre, et ils relèvent de domaines où les démonstrations peuvent faire appel à un ensemble de techniques : méthodes probabilistes, combinatoire extrémale, théorie ergodique, analyse harmonique, etc.

Cela les rend utiles comme « test de résistance » pour l'IA. Si un système peut proposer une stratégie de démonstration crédible pour un problème qui a résisté à de nombreux efforts humains, cela est significatif – même s'il s'avère (comme cela arrive parfois) que l'idée clé était déjà implicite dans des travaux antérieurs, ou que la démonstration nécessite d'être peaufinée avant de devenir une référence.

Autrement dit : l’enjeu n’est pas que « l’IA remplace les mathématiciens ». L’enjeu est que l’IA pourrait réduire l’écart entre le moment où « le résultat existe quelque part » et celui où « la communauté peut réellement le constater ».

Quand l'IA redécouvre ce que les humains ont oublié

L'un des phénomènes les plus intéressants de la science moderne n'est pas que les humains manquent de connaissances, mais qu'ils peinent à les acquérir. récupérer connaissance.

Les mathématiques sont un domaine immense. Leurs résultats sont disséminés sur des décennies dans des revues, des actes de colloques et des sous-domaines spécialisés, chacun avec son propre langage et ses conventions. Même d'excellents mathématiciens peuvent négliger un théorème pourtant « évident » dans un domaine de niche. Avec le temps, des raisonnements entiers peuvent tomber dans l'oubli, non pas parce qu'ils étaient erronés, mais parce que l'attention s'est portée ailleurs.

L'IA modifie cette dynamique en explorant les recoins délaissés, délaissés par l'humain car ce dernier privilégie les quartiers branchés. Elle permet également de décloisonner les disciplines, en traduisant entre les différents domaines et en harmonisant des idées que l'humain a traditionnellement tendance à dissocier.

C’est là que beaucoup voient le plus grand potentiel. Même lorsque l’IA n’invente pas de nouvelles mathématiques à partir de rien, elle peut fonctionner comme un « excavateur de connaissances » ultra-puissant, faisant ressurgir des structures oubliées et les recombinant de manière inédite.

Le grand tournant des mathématiques : de correcteur d'épreuves à chef d'orchestre

Si l'IA continue de progresser, le changement le plus important ne résidera peut-être pas dans le fait que les machines résolvent davantage de théorèmes, mais plutôt dans la transformation du rôle du mathématicien.

Pendant des siècles, faire des mathématiques impliquait de consacrer des efforts considérables à la démonstration elle-même : trouver une méthode, vérifier chaque étape et la rédiger de manière à ce que d’autres experts puissent la contrôler. Ce travail fait partie intégrante de la discipline. Mais il constitue aussi un goulot d’étranglement. Nombre d’idées prometteuses échouent simplement parce que le temps humain nécessaire à leur mise en œuvre et à leur formalisation complètes est trop important.

Dans un monde où l'IA accélère la tâche, les preuves deviennent moins rares. Cela ne rend pas les mathématiques triviales pour autant. Cela change simplement la nature des efforts.

Le mathématicien comme cartographe, et non comme calculateur

Si la démonstration n'est plus le principal obstacle, le génie se tourne vers des tâches de plus haut niveau. La sélection des questions les plus importantes à résoudre devient une responsabilité humaine fondamentale, tout comme la conception de nouvelles abstractions telles que les invariants et les définitions transversales. De plus, les esprits brillants s'attacheront à élaborer des programmes de recherche en cartographiant l'ensemble des conjectures et en orchestrant les découvertes, tout en traduisant les résultats abstraits en outils fonctionnels pour d'autres domaines.
Imaginez la transformation du jeu d'échecs après l'arrivée des ordinateurs. Le jeu d'échecs humain n'a pas disparu avec l'avènement des moteurs informatiques. Au contraire, le jeu d'élite a évolué. Les humains ont appris à mieux interroger la machine, à interpréter ses recommandations et à développer des stratégies alliant intuition et calcul.

Les mathématiques pourraient connaître une transformation similaire, mais avec des enjeux bien plus vastes. De nouveaux outils mathématiques peuvent bouleverser la cryptographie, l'optimisation, l'apprentissage automatique, la physique et l'économie. Si l'IA réduit le coût de la découverte, les répercussions pourraient être considérables.

S’agit-il de « pensée libre » ou simplement d’une recherche extrêmement rapide ?

Un sceptique raisonnable pourrait dire : ce n’est pas de l’intelligence, c’est simplement de la force brute. Donnez à une machine suffisamment de puissance de calcul et elle finira par trouver une solution qui fonctionne.

Il y a là un point essentiel. L'IA apporte certes un gain d'échelle. Elle peut explorer de nombreuses pistes. Mais les cas les plus intéressants ne relèvent pas de la simple tâtonnement ; ils impliquent une synthèse structurée : relier des concepts, réutiliser des lemmes dans des contextes inhabituels et construire un raisonnement suffisamment cohérent pour être validé par des experts.

En pratique, la frontière entre « recherche » et « réflexion » devient floue. Les mathématiciens humains cherchent eux aussi : par le biais d’idées, d’analogies, de résultats partiels. L’important est que ce processus produise de manière fiable une vérité nouvelle et vérifiable.

Si l'IA devient capable de cela de manière constante, alors l'étiquette importe moins que le résultat. La frontière se déplace dans les deux sens.

Quelles frontières pourraient tomber ensuite ?

Si l'IA continue de progresser, il faut s'attendre à une tendance : les problèmes qui seront résolus en premier seront souvent ceux où les connaissances existent déjà mais sont fragmentées, où les techniques existantes peuvent être recombinées et où la vérification formelle peut rapidement renforcer la confiance.

Les cibles probables à court terme comprennent :

• Combinatoire extrémale et théorie des graphes : des boîtes à outils riches, de nombreux lemmes connus et de nombreux problèmes définis en termes clairs et discrets.
• Théorie additive des nombres : terrain fertile pour les preuves intertechniques et les arguments « de pont » qui relient différents domaines.
• Questions d'optimisation et de complexité connexes : Pas tout d'abord le niveau le plus profond « P vs NP », mais de nombreux résultats structurels plus modestes concernant les algorithmes et les bornes.
• Sous-domaines formalisables : des domaines déjà partiellement encodés dans des assistants de preuve, où l'IA peut accélérer la traduction de l'idée au théorème vérifié.

Les grands problèmes célèbres, comme ceux du Prix du Millénaire, exigeront sans doute encore des innovations conceptuelles majeures. Mais même dans ce cas, l'IA pourrait progresser petit à petit : démontrer des lemmes, explorer des cas particuliers et construire une infrastructure qui rende plus probable une avancée humaine (ou hybride) décisive.

Le pivot philosophique : le retour du questionneur

En automatisant les mécanismes de la démonstration, nous sommes contraints de nous confronter à une réalité qui existe depuis les origines de la discipline : les mathématiques sont, et ont toujours été, une branche de la philosophie. Historiquement, les esprits les plus admirés de notre espèce étaient ceux qui savaient se confronter aux questions les plus profondes de l’existence. Les Grecs ne dissociaient pas l’étude des nombres de celle de l’existence ; pour eux, l’« irrationalité » d’un nombre était une crise de l’âme autant qu’une crise de la logique.

À l'ère moderne, nous avons déplacé notre conception du « génie » humain vers le maître du calcul – l'esprit capable de venir à bout de la tâche ardue et manuelle d'une démonstration de trois cents pages. Nous avons assimilé l'intelligence à la capacité de fonctionner comme un processeur biologique. Mais à mesure que l'IA s'empare du sommet de ces démonstrations, ce goulot d'étranglement technique disparaît. Cela ne diminue en rien l'intellect humain ; cela le pousse simplement à évoluer vers des niveaux supérieurs.

Les esprits les plus précieux de demain ne seront pas ceux qui maîtrisent l'exécution d'un processus connu avec une efficacité redoutable, mais les philosophes capables de définir ce qui mérite d'être découvert. Lorsque le « comment » devient une marchandise fournie par le silicium, le « pourquoi » devient la seule rareté qui subsiste. Nous revenons à l'ère du polymathe, où la capacité à poser une question qui bouleverse l'existence – à concevoir une nouvelle frontière du sens – est la compétence suprême. À l'instar du passage de la pelle à la pelleteuse, nous ne sommes plus valorisés pour notre capacité à creuser de nos mains, mais pour notre vision, pour notre aptitude à décider où innover.

Conclusion : Un avenir où le génie gravit les échelons

Si l'IA peut contribuer à résoudre des problèmes qui exigeaient autrefois un esprit exceptionnel, cela ne signifie pas que les mathématiques sont à court de ressources. Cela signifie simplement que nous changeons notre façon de les aborder.

Dans un monde où les démonstrations deviennent moins coûteuses, la ressource rare se transforme en autre chose : de bonnes questions, des abstractions utiles et la capacité d'interpréter la signification des mathématiques.

L’« intellect unique » de demain ressemblera peut-être moins à une figure solitaire travaillant d’arrache-pied sur une démonstration pendant des décennies qu’à un cartographe des idées – quelqu’un capable de voir quelles montagnes valent la peine d’être gravies et comment coordonner un nouveau type d’expédition où humains et machines escaladent ensemble.