L'IA va-t-elle tuer les mathématiques à force d'en produire trop ?

Introduction

Le prix Fields 2026 a été annoncé à un moment exceptionnellement tumultueux pour le monde mathématique.

L'Union mathématique internationale a décerné les médailles à Deng Yu, John Patton, Jacob Zimmermann et Hong Wang. Presque instantanément, l'attention s'est détournée des réalisations des lauréats pour se concentrer sur ce que l'un d'eux pensait être sur le point de se produire.

Zimmermann a annoncé son intention de rejoindre OpenAI et de se concentrer sur la sécurité de l'IA. Dans une interview publiée avant et après l'annonce des prix, il a prédit que l'IA pourrait, d'ici deux ans, devenir meilleure que les mathématiciens humains pour faire des mathématiques.

C'est une prédiction, pas un calendrier définitif. Néanmoins, venant d'un mathématicien de premier plan, cette prédiction a un poids exceptionnel.

Lors du Congrès international des mathématiciens à Philadelphie, Terence Tao a délivré un message tout aussi sérieux, mais plus prudent. Il estime que les mathématiques pourraient entrer dans une période de turbulence, où les fondements de leurs valeurs et de leurs pratiques doivent être examinés et reconstruits.

Un autre médaillé Fields, Timothy Gowers, réfléchit également à cette même transition sous un angle différent.

Son inquiétude ne concerne pas seulement le fait que l'IA résoudra les problèmes plus rapidement que les mathématiciens, qu'elle leur prendra leurs postes académiques, ou qu'elle rendra les méthodes traditionnelles de découverte des preuves obsolètes. Sa crainte plus profonde est que les mathématiques pourraient continuer à produire une quantité massive de résultats corrects, tout en perdant la communauté humaine capable de les comprendre, de les organiser, de les enseigner et de les évaluer.

Dans ce scénario, les mathématiques ne disparaîtront pas par manque de connaissances.

Elles seront submergées par l'abondance.

L'IA ne risque pas d'"affamer" les mathématiques – mais de les "suralimenter"

La partie la plus frappante de l'argumentation de Gowers est qu'il ne pense pas que l'IA conduira à un arrêt des progrès mathématiques.

Il imagine le contraire.

Supposons que des systèmes de plus en plus autonomes puissent :

• Lire la littérature existante
• Choisir des problèmes non résolus
• Générer de nouvelles conjectures
• Produire des preuves formelles
• Vérifier automatiquement ces preuves
• Expliquer les résultats à n'importe quel niveau de détail requis
• Effectuer ces opérations en continu à la vitesse des machines

Du point de vue de la production de théorèmes, cela ressemblerait à un succès extraordinaire.

La littérature croîtrait à un rythme jamais vu dans l'histoire des mathématiques. Des conjectures de longue date pourraient être résolues rapidement. Des sous-domaines entiers pourraient être explorés en parallèle. Des résultats qui prendraient des années à une équipe de recherche humaine pourraient apparaître en quelques heures.

Cependant, Gowers remet en question l'idée que cette expansion enrichirait la discipline plutôt que de la vider.

Les mathématiques ne sont pas simplement un ensemble de propositions vraies stockées dans des articles et des bases de données. Elles existent simultanément en tant que réseau vivant d'intuitions, d'exemples, d'explications, d'habitudes, de problèmes ouverts, de jugements et de normes partagées au sein de la communauté des mathématiciens.

Un théorème peut être correct sans être nécessairement –

Compris.

Une preuve peut être vérifiée sans faire partie des connaissances de travail de quiconque.

Un domaine peut contenir des millions de résultats tout en perdant progressivement ceux qui comprennent pourquoi ces résultats sont importants.

C'est le paradoxe central : l'IA pourrait faire prospérer la production mathématique tout en affaiblissant sa culture.

La Déclaration de Leyde trace une ligne pour les valeurs humaines en mathématiques

Le 2 juin 2026, une équipe de recherche internationale a publié la Déclaration de Leyde sur l'IA et les mathématiques.

Cette déclaration est issue d'un atelier tenu au Lorentz Center de Leyde en 2025, réunissant mathématiciens, informaticiens, philosophes, historiens et chercheurs en intelligence artificielle pour discuter de l'évolution de la relation entre l'IA et la recherche mathématique.

L'Union mathématique internationale a officiellement approuvé cette déclaration. Au 29 juillet, le site web public comptait déjà plus de 3 200 signataires.

La déclaration identifie plusieurs valeurs que ses auteurs estiment devoir être protégées :

1. Les preuves doivent fournir à la fois certitude et compréhension.
2. Les résultats doivent être attribués à des auteurs responsables.
3. Les arguments mathématiques doivent être transparents et vérifiables de manière indépendante.
4. La recherche doit être évaluée selon des normes communes de profondeur, de difficulté et d'importance.
5. Les mathématiques doivent continuer à produire la compréhension, le jugement et l'expertise humains, et pas seulement une liste croissante de résultats.
6. La communauté de recherche doit conserver un contrôle substantiel sur sa propre orientation et ses méthodes.

Ses recommandations incluent la divulgation de l'assistance de l'IA, la protection des systèmes d'évaluation contre les sorties automatiques de faible qualité, le soutien aux infrastructures de recherche publique, la préservation de l'éducation et du mentorat humains, et la prévention de la concentration des connaissances mathématiques entre les mains de quelques entreprises privées.

La déclaration a reçu le soutien public de mathématiciens de renom tels que Terence Tao, Peter Scholze, Jeremy Avigad, Kevin Buzzard et Steven Strogatz.

Le soutien de Scholze est particulièrement direct. Il estime que le but de la recherche mathématique est la compréhension humaine et que les mathématiques ne peuvent prospérer qu'à travers la communauté des mathématiciens humains. Il déclare également qu'il évite généralement de lire des textes mathématiques générés par l'IA et qu'il n'utilise pas l'IA pour former ses propres idées.

Tao a décrit la déclaration comme le résultat de mois de discussions au sein de la communauté et a déclaré soutenir pleinement ses recommandations.

Gowers ne l'a pas signée.

Ce choix ne signifie pas qu'il rejette les objectifs de la déclaration. Il a participé à l'atelier initial de Leyde et a qualifié la déclaration de contribution importante. Son hésitation vient de certaines déclarations et recommandations qui, selon lui, nécessitent davantage de précisions.

L'expérience de pensée de Gowers : une bibliothèque sans lecteurs

Gowers part d'un scénario délibérément extrême.

Imaginez que l'IA n'ait jamais existé. Imaginez ensuite une pandémie qui, pour une raison quelconque, tue tous les mathématiciens, mais n'affecte personne d'autre.

Tous les articles, livres, bases de données et archives mathématiques resteraient intacts.

Aucune information ne serait physiquement détruite.

Pourtant, la tradition mathématique serait gravement compromise.

La seule littérature ne pourrait pas dire à la nouvelle génération quelles idées sont centrales, quelles techniques appartiennent au même système, quelles définitions sont naturelles, où se trouvent les difficultés, ou quel résultat oublié mérite une attention renouvelée.

Reconstruire cette culture pourrait prendre des décennies.

La raison en est que la connaissance mathématique n'est pas seulement stockée dans des textes formels. Une grande partie réside dans l'esprit des chercheurs :

• La connaissance tacite des méthodes prometteuses
• L'intuition des exemples représentatifs
• La familiarité avec l'histoire des problèmes
• La connaissance des approches qui ont échoué et qui ne figurent jamais dans les articles
• Le jugement de ce qui est profond, routinier, surprenant ou important
• Le langage partagé développé à travers les séminaires et la collaboration
• La capacité de replacer les nouveaux résultats dans un paysage conceptuel plus large

Ainsi, un article écrit ressemble davantage à un fichier compressé qu'à un monde intellectuel complet. La communauté mathématique fournit le décodeur.

Changeons maintenant cette expérience de pensée.

Cette fois, l’intelligence artificielle existe et peut expliquer n’importe quelle preuve avec plus ou moins de détails, en fonction des besoins de l’utilisateur.

Comme la machine peut résoudre les problèmes et les expliquer aussi facilement, de moins en moins de personnes sont prêtes à passer des années à devenir mathématiciens chercheurs. Les étudiants apprendront peut-être encore un peu de mathématiques, mais la motivation à développer une expertise approfondie diminue.

Dix ou vingt ans plus tard, le volume de la littérature explose. Les systèmes d’IA produisent d’innombrables résultats corrects. Parallèlement, le nombre d’experts capables de comprendre ces domaines chute radicalement.

Les archives sont pleines.

Les séminaires sont vides.

Les résultats existent, mais rares sont ceux qui prennent la peine de les lire.

C’est la version de la mort des mathématiques que craint Gowers.

Dans le premier scénario pandémique, les mathématiques meurent par pénurie : la communauté disparaît, aucune nouvelle connaissance n’est produite.

Dans le scénario de l’IA, les mathématiques meurent par surproduction : le volume de matériel devient immense, tandis que la culture humaine qui lui donne son sens s’évanouit.

L’analogie de l’eutrophisation

L’article source compare cette possibilité à l’eutrophisation d’un lac.

Un lac ne meurt pas toujours par manque de nutriments. Il peut aussi mourir par excès.

Un excès d’azote et de phosphore provoque une croissance rapide des algues. Au départ, l’écosystème semble exceptionnellement productif. L’eau est pleine d’activité biologique.

Finalement, cette croissance épuise l’oxygène disponible. Les poissons et autres organismes meurent, et un écosystème autrefois florissant se transforme en eau stagnante.

L’analogie n’est pas parfaitement exacte, mais elle capture l’essence des craintes de Gowers.

Si la communauté mathématique est incapable d’absorber, d’organiser, d’enseigner et de discuter les résultats mathématiques, une production mathématique illimitée ne rendra pas forcément les mathématiques plus fortes.

La ressource rare pourrait ne plus être la génération de preuves.

Elle pourrait devenir l’attention humaine et la compréhension collective.

Qu’est-ce qui compte comme progrès mathématique ?

Ce changement soulève une question difficile : que cherche à maximiser exactement la mathématique ?

Si la réponse est simplement « le nombre de problèmes résolus », alors une IA hautement autonome pourrait représenter un succès presque inconditionnel.

Mais la pratique mathématique n’a jamais été un simple quota de production de théorèmes.

Un résultat ne peut contribuer au domaine que si d’autres mathématiciens sont capables de :

• le vérifier
• en comprendre les idées fondamentales
• le relier aux théories existantes
• réutiliser ses méthodes
• l’enseigner
• reconnaître son importance
• poser d’autres questions à partir de lui

Dans son rapport au Congrès international des mathématiciens, Tao a fait une distinction similaire.

La correction est nécessaire, mais insuffisante. Une preuve doit aussi être communiquée, digérée, acceptée et intégrée à la compréhension commune de la communauté mathématique.

Sa recommandation finale met l’accent sur l’éducation humaine, la transparence de l’utilisation de l’IA, des mécanismes de vérification renforcés, de nouvelles infrastructures mathématiques, et un débat public sur les capacités et les valeurs.

Ainsi, le goulot d’étranglement futur pourrait passer par plusieurs étapes :

Étape	Question principale
Génération de preuves	Peut-on générer une solution ?
Vérification	Cette solution est-elle correcte ?
Élaboration	Peut-on l’expliquer clairement ?
Digestion	Les experts peuvent-ils la comprendre et la réutiliser ?
Acceptation par la communauté	Ce résultat peut-il devenir partie intégrante des mathématiques partagées ?
Canonisation	Peut-il entrer dans les manuels, l’enseignement et la structure à long terme du domaine ?

L’IA pourrait, à terme, exceller à chaque étape.

Pour l’instant, cependant, les trois dernières étapes restent des processus profondément sociaux. Un domaine ne se maintient pas seulement par ses réponses. Il se maintient par un groupe de personnes qui se soucient des mêmes idées et peuvent penser ensemble.

Gowers avait misé sur la démonstration automatique traditionnelle

Gowers est particulièrement intéressant parce qu’il travaille sur la démonstration automatique depuis des années.

En 2022, il a annoncé un projet adoptant une approche d’IA plus traditionnelle. Ce projet ne reposait pas principalement sur de grands modèles de langage, mais visait à comprendre comment les mathématiciens humains découvrent des preuves et à coder ces méthodes dans un système plus explicite.

Le projet était guidé par l’idée de preuve motivée.

Une preuve motivée ne se contente pas de confirmer la conclusion. Elle rend le chemin vers la conclusion naturel.

Elle explique :

• pourquoi une définition est introduite
• quel obstacle un lemme élimine
• pourquoi cette construction est choisie plutôt qu’une autre
• quelles tentatives infructueuses ont façonné l’argument final
• comment une preuve pourrait être découverte, et pas seulement vérifiée

Gowers pensait qu’un système automatisé construit autour de cette structure pourrait générer des preuves adaptées à l’apprentissage humain, voire à l’enseignement de premier cycle.

Il a ensuite plaidé pour la création d’une base de données de preuves motivées, car les articles publiés ne montrent généralement que le résultat final poli d’un long processus. Ils omettent les fausses pistes, les intuitions intermédiaires, les changements de notation, et les raisons pour lesquelles un chercheur a choisi une voie plutôt qu’une autre.

Les progrès rapides des grands modèles de langage ont perturbé ce plan.

Gowers estime toujours que les systèmes de preuve transparents et motivés ont de la valeur. Ce qui a changé, c’est sa conviction que cette méthode définirait les limites des capacités mathématiques des machines.

Les modèles de langage ont progressé trop rapidement.

ChatGPT 5.5 Pro a modifié ses estimations

En mai 2026, Gowers a publié un rapport détaillé sur une expérience avec ChatGPT 5.5 Pro.

Il a posé au modèle un problème combinatoire nécessitant une véritable construction de niveau recherche. Selon son rapport, il n’a fourni pratiquement aucune indication mathématique substantielle.

Le système a fonctionné pendant environ une heure et a produit un résultat que Gowers a qualifié de recherche de niveau doctoral.

L’argument utilisait des ensembles hautement disjoints pour contrôler les relations additives. Gowers a écrit qu’après coup, il pouvait comprendre et motiver cette construction, mais que la décision du modèle d’utiliser cette technique lui a semblé ingénieuse et, à sa connaissance, originale.

Cette distinction est cruciale.

Une idée peut devenir compréhensible une fois présentée à un mathématicien, mais cela ne signifie pas qu’elle était évidente avant son apparition. Les chercheurs humains évaluent les nouveaux travaux de cette manière.

Cet événement n’a pas prouvé que l’IA avait atteint une autonomie mathématique universelle. Mais il a modifié l’estimation de Gowers des capacités actuelles des modèles de langage.

Le seuil d’un problème de recherche utile pour un débutant a bougé.

Un problème n’est plus nécessairement accessible et sûr pour un étudiant simplement parce qu’il reste officiellement non résolu. Il doit aussi être suffisamment difficile pour qu’un modèle de pointe ne puisse pas le résoudre rapidement.

Il s’agit d’un changement majeur pour la formation des doctorants.

La formation à la recherche reposait traditionnellement sur la recherche de problèmes véritablement ouverts, mais encore maîtrisables pour ceux qui acquièrent de l’expérience. Si les machines peuvent rapidement traiter une grande partie de ces problèmes, les départements devront peut-être trouver de nouvelles façons d’enseigner la découverte, le jugement, la formulation et l’indépendance en recherche.

Distance unitaire

Une avancée majeure élève la difficulté du défi

La prochaine étape est encore plus importante.

Le 20 mai, OpenAI a annoncé que son modèle interne avait réfuté une conjecture centrale sur le problème de la distance unitaire dans le plan, un célèbre problème posé par Paul Erdős.

Le modèle a découvert une infinité de configurations de points qui surpassent, en termes polynomiaux, les constructions basées sur une grille que l’on croyait depuis longtemps proches de l’optimalité. OpenAI a publié cette preuve, accompagnée d’un article collectif coécrit par plusieurs grands mathématiciens, dont Noga Alon, Timothy Gowers, Arul Shankar, Jacob Tsimerman et d’autres. Cet article collectif présente une formulation plus concise et vérifiée par des humains, et discute de la portée de ce résultat.

Ce résultat est significatif pour plusieurs raisons.

Premièrement, le modèle n’a pas simplement retrouvé une preuve existante, ni assemblé quelques étapes issues de manuels. Il a utilisé des idées liées à la théorie algébrique profonde des nombres pour trouver un contre-exemple à une conjecture largement admise.

Deuxièmement, des mathématiciens extérieurs ont examiné et digéré la preuve, sans faire aveuglément confiance au résultat du modèle.

Troisièmement, cet événement révèle un nouveau mode de division du travail.

Le système d’intelligence artificielle a produit la construction clé. Les mathématiciens humains l’ont vérifiée, simplifiée, replacée dans son contexte académique, expliqué pourquoi elle fonctionne, et évalué dans quelle mesure elle modifie le paysage du domaine.

Gowers estime que, dans un environnement futur où les résultats produits par machine seront abondants, ce travail de « digestion » mériterait sans doute plus de reconnaissance que le simple fait d’avoir posé la question au modèle.

Si une personne obtient une solution clé en main, et qu’une autre passe des mois à la transformer en mathématiques compréhensibles, la contribution de la seconde à la pérennité de la discipline pourrait être plus grande.

La formalisation devient aussi plus facile

Un moyen de se prémunir contre des résultats mathématiques peu fiables générés par l’IA est la vérification formelle des preuves.

Une preuve écrite en langage Lean peut être vérifiée par un petit noyau de confiance. Si la compilation ne révèle ni axiome non pris en charge ni faille, le système offre des garanties de correction bien supérieures à celles d’un simple texte informel.

Historiquement, formaliser un article de recherche exigeait de l’utilisateur une expertise approfondie des assistants de preuve et un important travail manuel.

Cet obstacle est en train de disparaître.

Gowers rapporte avoir utilisé le système Aristotle de la société Harmonic pour formaliser en Lean un article complexe, alors qu’il ne connaissait pas lui-même Lean. Il a téléchargé l’article, demandé au système de progresser section par section, et l’ensemble a pris environ une semaine et demie, pour seulement un faible investissement de son temps en requêtes actives.

Aristote combine le raisonnement informel avec la recherche de preuves en Lean et la vérification formelle. Harmonic le décrit comme un agent capable de prouver ou de formaliser des contenus mathématiques lors de sessions longues.

Cette avancée affaiblit une objection courante aux preuves générées par machine : que leurs résultats seraient toujours trop peu fiables pour être acceptés.

La vérification formelle ne résout pas tout.

Un théorème formalisé peut encoder un énoncé erroné. Les définitions peuvent ne pas capturer le concept souhaité. Une preuve vérifiée peut encore manquer d’intuition. La transformation des mathématiques informelles en énoncés formels exige toujours du jugement.

Mais à mesure que la formalisation automatique progresse, il devient de plus en plus plausible que l’IA puisse générer à la fois des résultats candidats et des preuves vérifiables par machine.

Le goulot d’étranglement se déplace alors à nouveau — de la correction vers l’importance, la capacité d’explication et la culture.

La position de Gowers est plus complexe que « l’IA tuera les mathématiques »

Le titre simplifié du débat peut être trompeur.

Gowers ne soutient pas que les mathématiques devraient être rejetées simplement parce qu’elles sont générées par machine.

Il remet en question certaines parties de la Déclaration de Leiden, précisément parce qu’il n’est pas sûr que les conceptions traditionnelles d’auteur et de propriété puissent survivre.

Si un système d’IA découvre de manière autonome un théorème correct, il ne pense pas que l’humain qui en a manié l’interface doive en recevoir le crédit.

Il doute également que les revues à comité de lecture actuelles soient nécessairement l’institution appropriée pour protéger la culture mathématique du flot des résultats générés par l’IA. Le système de publication actuel est déjà gravement défaillant, et un nouvel environnement pourrait exiger de nouvelles formes de sélection, d’explication et d’évaluation collective.

Ainsi, sa position n’est ni un simple refus ni un enthousiasme aveugle.

Il s’attend à ce que l’IA dépasse les humains dans davantage de domaines du travail mathématique. Il pense que cela pourrait arriver dans les prochaines années, bien qu’il n’exclue pas la possibilité d’une collaboration fructueuse plus longue entre humains et machines.

Il trouve également cette évolution perturbante sur le plan personnel.

Dans son article de juillet, Gowers écrit que GPT-5.6 Pro lui a fourni à deux reprises des solutions « clés en main » à des problèmes qui l’intéressaient et auxquels il avait sérieusement réfléchi. De jeunes collaborateurs de recherche, avec sa permission, ont soumis les requêtes au modèle.

Il est heureux que les problèmes aient été résolus.

Il décrit aussi l’expérience comme étrange et désagréable — comme si le sol se dérobait sous ses pieds.

Ces deux sentiments peuvent coexister.

Requiem pour un domaine ?

Le même jour où Gowers publiait son article sur la Déclaration de Leiden, le mathématicien et physicien de l’Université Columbia Peter Woit publiait un billet intitulé « Requiem pour un domaine ? ».

Ce billet établissait un lien entre l’obtention de la médaille Fields par Tsimerman, son passage chez OpenAI et le rôle croissant des agents d’IA en mathématiques.

Woit souligne que les mathématiques diffèrent de jeux comme les échecs.

Lorsque les ordinateurs ont surpassé les joueurs humains, les tournois humains ont conservé leur sens. Les joueurs continuent de concourir sous les mêmes règles, et le public considère toujours l’activité comme une démonstration des capacités humaines.

Mais les limites des mathématiques sont plus floues.

Les chercheurs utilisent déjà couramment des logiciels, des systèmes symboliques, des bases de données, des assistants de preuve et aujourd’hui des agents LLM. Si presque tout le monde utilise un système aussi puissant, il pourrait ne pas exister de catégorie de « mathématiques professionnelles purement humaines » comparable aux « échecs purement humains ».

Les questions d’attribution pourraient également évoluer.

Le monde académique récompense actuellement la priorité : qui a découvert le premier un théorème, une méthode ou une définition. Un agent autonome n’a aucun intérêt personnel à ce qu’un théorème porte son nom.

Si la découverte devient bon marché et abondante, le centre de gravité culturel pourrait se déplacer de la propriété vers :

• la sélection
• la vérification
• l’explication
• la synthèse
• l’enseignement
• le traçage historique
• la connexion de résultats isolés
• le choix de problèmes ayant une valeur humaine ou scientifique

Mais Gowers pose immédiatement une question plus profonde : pourquoi supposer que l’IA ne pourra pas, à terme, assumer ces rôles ?

Un tuteur IA pourrait personnaliser des explications, un éditeur IA trier les résultats, un historien IA retracer les influences, un générateur de manuels IA adapter un domaine entier au niveau de connaissances d’un lecteur.

Énumérer les tâches que la machine ne maîtrise pas encore ne suffit pas à protéger le rôle restant des humains.

L’argument le plus fort est d’ordre culturel : les mathématiques sont importantes, en partie, parce qu’il s’agit d’une activité menée collectivement par des humains.

Que peuvent faire les mathématiciens humains à l’ère des découvertes par machine ?

Personne n’a encore de réponse complète.

Mais plusieurs rôles possibles émergent.

1. Fixer des objectifs et choisir des problèmes

Les mathématiciens peuvent décider quels problèmes sont pertinents pour la science, la société, l’éducation ou une compréhension conceptuelle plus profonde.

Ce rôle reste important, même si Gowers pense que l’IA pourrait aussi, à terme, être capable de proposer des questions et des théories de valeur.

2. Vérifier et formaliser les résultats

Les assistants de preuve peuvent établir la correction. Les experts humains doivent encore s’assurer que l’énoncé formalisé capture bien le théorème souhaité et que les hypothèses implicites n’altèrent pas la nature du problème.

3. Digérer et organiser les productions des machines

Les futurs mathématiciens pourraient explorer un vaste ensemble de résultats générés par l’intelligence artificielle, identifier les quelques découvertes dignes d’intérêt et construire autour d’elles une théorie cohérente.

Cela ressemble davantage à la rédaction d’un manuel de qualité qu’à une course à la priorité de démonstration.

4. Préserver l’histoire des idées et la paternité

Même si un modèle génère de nouveaux résultats, il peut reposer sur des concepts élaborés par des chercheurs de générations antérieures. Retracer ces liens est essentiel pour comprendre ce qui constitue une véritable innovation.

5. Transmettre le jugement mathématique

Les étudiants n’ont pas seulement besoin de réponses. Ils doivent comprendre la signification d’un problème, comment les hypothèses interagissent, pourquoi une notion abstraite est utile, et comment repérer un raisonnement trompeur.

L’intelligence artificielle peut faciliter ce travail, mais l’éducation reste un domaine nécessitant une implication humaine profonde.

Selon Terence Tao, la dimension humaine doit être fermement protégée.

6. Maintenir la communauté

Séminaires, collaborations, transmission maître-élève, débats académiques et normes partagées transforment des informations isolées en un champ disciplinaire.

Un tuteur AI personnalisé peut expliquer un théorème à un utilisateur, mais il ne peut pas créer automatiquement une communauté académique partageant une responsabilité collective envers le savoir.

Le véritable risque n’est pas la fin de la recherche mathématique

L’affirmation « l’IA tuera les mathématiques » suggère que la découverte de théorèmes cessera.

Or, Timothy Gowers avance exactement l’inverse.

La littérature générée par machine pourrait être plus riche que tout ce que l’humanité a produit seule.

Ce qui risque véritablement de disparaître, c’est le lien entre cette littérature et la tradition académique humaine vivante.

Ce risque n’est pas inévitable.

La déclaration de Leyde, les recommandations de Terence Tao au Congrès international des mathématiciens, les projets de vérification formelle, les infrastructures mathématiques publiques et les critiques de Gowers lui-même esquissent des solutions pragmatiques :

• Exiger une transparence sur l’utilisation de l’IA
• Maintenir des mécanismes de preuve rigoureuse et de vérification indépendante
• Investir dans des outils d’IA publics et académiques
• Récompenser les travaux de synthèse et d’explication
• Développer de meilleurs filtres pour le contenu généré par machine
• Protéger l’éducation et la transmission
• Préserver la capacité humaine à comprendre ses propres domaines de recherche
• Construire des infrastructures favorisant l’exploration collective plutôt que purement privée
• Évaluer les travaux mathématiques sur la base de leur pertinence et de leur contribution, non du simple volume de production

Le défi est de mettre en place ces systèmes avant que la vitesse de production des théorèmes ne dépasse la capacité des institutions existantes à les gérer.

Questions fréquentes

Un lauréat de la médaille Fields a-t-il vraiment dit que l’IA surpasserait les mathématiciens en deux ans ?

Oui. Jacob Zimmermann a déclaré au magazine Quanta qu’il croyait que l’IA dépasserait les mathématiciens humains en mathématiques en deux ans. Il s’agit d’une prédiction personnelle, non d’un calendrier de développement vérifié.

Timothy Gowers est-il opposé à l’utilisation de l’IA en mathématiques ?

Non. Gowers lui-même utilise des systèmes d’IA avancés et a publiquement discuté des résultats impressionnants de ChatGPT et d’Aristotle. Son inquiétude porte sur le fait qu’une automatisation rapide, tout en produisant des résultats de valeur, pourrait nuire à la culture mathématique, à l’expertise, aux systèmes éducatifs et à la compréhension collective.

Qu’est-ce que la Déclaration de Leyde sur l’IA et les mathématiques ?

C’est une déclaration académique publiée le 2 juin 2026, exposant l’impact de l’IA sur la recherche, l’éducation, la publication, l’attribution, les infrastructures et l’éthique en mathématiques. Approuvée par l’Union mathématique internationale, elle comptait plus de 3 200 signataires au 29 juillet 2026.

Quel problème OpenAI a-t-il résolu concernant la distance unitaire ?

Un modèle interne d’OpenAI a réfuté une conjecture largement acceptée sur le nombre maximal de paires à distance unitaire dans un ensemble de points du plan. Le modèle a généré une infinité de configurations surpassant en complexité polynomiale les configurations basées sur une grille auparavant privilégiées.

La preuve d’OpenAI sur la distance unitaire a-t-elle été vérifiée par des humains ?

Oui. OpenAI a publié la preuve originale ainsi qu’un article compagnon indépendant contenant une formulation plus courte, vérifiée par des humains, avec des commentaires de mathématiciens de premier plan.

Qu’est-ce que la formalisation automatisée des preuves ?

La formalisation consiste à traduire une preuve mathématique dans un format précis vérifiable par ordinateur.

Convertir des énoncés et preuves mathématiques dans des langages comme Lean, dont le noyau de vérification de petites preuves peut valider chaque étape logique. Des systèmes d’IA comme Aristotle peuvent de plus en plus aider à transformer la recherche mathématique informelle en une forme vérifiable par machine.

Les mathématiques peuvent-elles survivre si l’IA produit la majorité des nouvelles preuves ?

La littérature peut bien sûr continuer à croître. La question en suspens est de savoir si une communauté académique humaine forte peut continuer à comprendre, enseigner, organiser et valoriser ces matériaux, plutôt que de devenir un consommateur passif de sorties machine.

Quelles compétences seront les plus nécessaires pour les futurs mathématiciens ?

La vérification, le choix des sujets, l’explication, la synthèse, la formalisation, l’attribution historique et l’enseignement pourraient gagner en importance. Cependant, l’IA pourrait également progresser dans ces tâches, ce qui fait que le maintien des mathématiques en tant que communauté humaine significative nécessite des choix institutionnels et culturels, et non seulement de nouvelles compétences techniques.

Outils connexes

• Lean : Assistant de preuve interactif et langage de programmation pour créer des preuves mathématiques vérifiables par machine.
• Mathlib : Bibliothèque mathématique formelle maintenue par une grande communauté pour Lean.
• Aristotle : Agent développé par Harmonic capable de prouver et formaliser des mathématiques dans Lean sur de longues périodes.
• Erdős Problems : Base de données communautaire suivant plus de mille problèmes liés à Paul Erdős.
• arXiv : Plateforme de prépublication ouverte principale pour la diffusion actuelle de la recherche mathématique.

Liens connexes

• Timothy Gowers : Réflexions sur la déclaration de Leyde : Exposé complet de Gowers sur la culture mathématique, la paternité, la production d’IA et la déclaration.
• Déclaration de Leyde sur l’IA et les mathématiques : Déclaration officielle, recommandations, soutiens et liste des signataires.
• Terence Tao : Les mathématiques à l’ère de l’IA : Présentation de Terence Tao au Congrès international des mathématiciens 2026, couvrant la vérification, l’explication, l’acceptation communautaire, l’éducation et les valeurs mathématiques.
• Annonce d’OpenAI sur le problème de la distance unitaire : Reportage officiel d’OpenAI sur la percée de son modèle en géométrie discrète.
• Commentaire de vérification humaine du résultat sur la distance unitaire : Article compagnon expliquant et évaluant la preuve générée par IA.
• Timothy Gowers : Expérience d’utilisation de ChatGPT 5.5 Pro : Récit technique de Gowers sur la génération de résultats combinatoires par IA.
• Peter Woit : Élégie pour un domaine ? : Commentaires sur Zimmermann, OpenAI et les changements culturels dans la recherche mathématique.

Résumé

L’intelligence artificielle affecte simultanément la recherche mathématique à plusieurs niveaux : résolution de problèmes, génération de preuves, vérification formelle, explication, formation, attribution et carrières académiques.

L’avertissement central de Gowers n’est pas que la machine entravera le développement mathématique, mais qu’elle pourrait produire une telle quantité de résultats corrects que la communauté humaine perdrait la volonté et la capacité de les comprendre collectivement.

La déclaration de Leyde, la présentation de Terence Tao au Congrès international des mathématiciens, la percée d’OpenAI sur le problème de la distance unitaire et l’essor de la formalisation automatisée montrent que les mathématiques ont un besoin urgent de nouveaux systèmes de vérification, d’explication, d’éducation et d’évaluation communautaire.

L’avenir des mathématiques ne dépend pas seulement du nombre de théorèmes que l’IA peut prouver, mais surtout de la capacité des humains à transformer ces théorèmes en savoir partagé.