IA et mathématiques : un programme de 15 millions
La Simons Foundation, Anthropic et OpenAI mobilisent 15 millions pour accompagner l’IA en mathématiques. Découvrez les enjeux, les usages et les limites.
Mathématiques et IA : 15 millions pour préparer la recherche à un changement de méthode
L'intelligence artificielle ne sert plus seulement à retrouver des articles ou à automatiser des tâches répétitives. En mathématiques, elle commence aussi à toucher deux étapes très concrètes : formuler des preuves et vérifier qu'elles tiennent. L'idée peut sembler prometteuse, mais elle pose une question très pratique : comment évaluer des résultats produits (ou assistés) par des outils que beaucoup d'équipes ne maîtrisent pas encore ?
La Simons Foundation a annoncé un programme doté de 15 millions de dollars, en partenariat avec Anthropic et OpenAI. L'argent et les ressources doivent soutenir des initiatives proposées par la communauté : ateliers, évaluation de résultats assistés par l'IA, formation et échanges collectifs sur les usages. Les deux entreprises doivent aussi fournir des outils d'IA et des ressources de calcul aux chercheurs financés par la fondation, y compris dans d'autres domaines des sciences fondamentales.
Au fond, l'enjeu ne se limite pas à « donner des modèles ». Il s'agit surtout d'organiser des conditions pour tester, comprendre les limites et, autant que possible, décider collectivement ce qu'on accepte comme preuve. Voici ce que dit l'annonce, ce qu'elle pourrait changer, et les questions qui restent en suspens.
Ce que prévoit le programme de 15 millions
La Simons Foundation, Anthropic et OpenAI annoncent un engagement combiné de 15 millions de dollars, à la fois en financement et en ressources. La fondation doit administrer ces fonds et attribuer des subventions, notamment via un appel à projets ouvert. Les initiatives soutenues visent à aider les chercheurs à évaluer des résultats assistés par l'IA, à apprendre à utiliser de nouveaux outils, à partager leurs retours et à faire émerger des normes communes.
Les deux entreprises doivent aussi fournir des outils d'IA et des ressources de calcul à des chercheurs soutenus par la fondation. L'annonce indique que cela concerne les sciences fondamentales au-delà des seules mathématiques. En revanche, elle ne précise ni la répartition financière exacte entre partenaires, ni la durée du programme, ni le volume de calcul ou l'accès aux modèles. Sans ces détails, il est difficile d'évaluer la portée réelle de l'effort.
Un financement destiné à la communauté
Le choix d'un appel ouvert attire l'attention. Plutôt que de financer uniquement des projets déjà identifiés, le programme veut laisser la communauté proposer les besoins auxquels les outils devraient répondre. Cela peut produire des projets assez différents : ateliers de formation, groupes de travail sur l'évaluation, travaux de formalisation, ou échanges entre chercheurs en mathématiques et en apprentissage automatique.
Ce choix part d'un constat assez simple : les besoins ne sont pas identiques d'une équipe à l'autre. Certains domaines se prêtent bien à la formalisation ; d'autres doivent d'abord explorer une conjecture ou parcourir rapidement un grand corpus d'articles. Dans ce contexte, un programme « utile » ne devrait pas imposer un seul modèle d'usage.
La Simons Foundation précise aussi que les initiatives doivent être portées par la communauté. David Spergel, président de la fondation, insiste sur l'idée que les discussions sur l'évaluation, l'adoption et l'usage des outils ne devraient pas dépendre d'une seule entreprise ou d'une seule institution. Ce n'est pas seulement une question de gouvernance : définir ce qu'est une bonne preuve en mathématiques ne peut pas relever uniquement des fournisseurs.
Des fonds et des ressources ne sont pas la même chose
Le chiffre annoncé agrège financement et ressources. Il ne faut donc pas le lire comme « 15 millions de dollars distribués directement » aux chercheurs. Une partie de la valeur peut prendre la forme d'accès aux modèles, de calcul, ou de soutien technique. Ces apports peuvent être précieux, mais ils ne remplacent pas forcément un financement de postes, du temps de recherche, ou une infrastructure indépendante.
Pour juger l'impact, il faudra suivre des éléments précis : nombre et diversité des projets retenus, conditions d'accès aux outils, durée du soutien, règles de publication et possibilité de reproduire les expériences sans dépendre d'un seul fournisseur. Sans cela, le montant donne surtout une indication d'ambition.
L'annonce originale de la fondation est disponible sur son site.
Pourquoi les mathématiques sont concernées
L'IA peut aider à plusieurs étapes du travail mathématique. Mais les promesses sont parfois formulées de façon trop générale. Une démonstration convaincante ne se résume pas à un texte fluide : chaque étape doit être correcte, les hypothèses doivent être respectées, et le raisonnement doit supporter la critique. Un modèle de langage capable d'écrire une explication peut toutefois aussi produire quelque chose de plausible... et faux.
C'est là que les assistants de preuve formelle entrent dans une catégorie à part. Des systèmes comme Lean permettent de transformer des énoncés et des preuves en objets vérifiables par ordinateur. Cette formalisation demande du travail, et une rigueur de représentation, mais elle apporte une propriété utile : le système peut vérifier que les étapes encodées respectent les règles formelles.
De l'intuition à la vérification formelle
Dans une pratique « classique », un mathématicien lit une preuve, suit sa structure et vérifie le raisonnement. Cette vérification peut être pénible, surtout pour les démonstrations longues ou très techniques. Un assistant de preuve ne remplace pas le jugement mathématique, mais il peut systématiser le contrôle de détails formels.
De leur côté, les modèles d'IA peuvent proposer des pistes, rédiger des fragments de code de preuve ou aider à transformer un raisonnement en éléments formalisables. Le schéma paraît simple : le modèle explore ou rédige, puis un vérificateur formel contrôle ce qui a été encodé. Mais il faut rester clair sur ce qui est réellement validé : un vérificateur confirme une preuve formelle telle qu'elle lui est soumise. Il ne garantit pas, à lui seul, que cette formalisation reflète bien l'intuition de départ, ni que l'on a choisi les bonnes hypothèses.
La Simons Foundation indique avoir soutenu tôt l'apprentissage automatique appliqué aux sciences, notamment autour du développement de Lean. Le programme actuel s'inscrit donc dans une continuité : financer des outils et des collaborations, puis aider la communauté à comprendre ce que ça change dans le quotidien.
L'enjeu est aussi collectif
Les mathématiques ne consistent pas uniquement à produire des preuves isolées. Les chercheurs s'appuient sur des conjectures, des discussions, des résultats antérieurs et une compréhension partagée des problèmes. David Spergel insiste justement sur cette dimension collective : au-delà de l'accumulation de théorèmes, c'est aussi un travail de réseau, de validation et de transmission.
L'IA peut accélérer certaines tâches, tout en déplaçant le temps de travail vers d'autres étapes. Une équipe peut recevoir plus de pistes, puis devoir passer plus de temps à les trier, à les reproduire et à vérifier qu'elles correspondent à ce qui est réellement pertinent. Elle peut aussi permettre de rendre plus accessibles certaines méthodes de formalisation à des chercheurs qui n'ont pas une formation informatique approfondie - à condition que l'interface et l'accompagnement suivent.
La question ne se limite donc pas à « le modèle démontre-t-il ? ». Il faut aussi regarder quelles tâches sont accélérées, qui en bénéficie, quelles compétences supplémentaires sont nécessaires, et comment les résultats s'intègrent dans la connaissance existante. C'est à cette échelle que l'on pourra juger l'impact scientifique.
Les usages concrets et leurs limites
L'annonce vise notamment à aider les chercheurs à évaluer des résultats assistés par l'IA, à apprendre à utiliser les outils et à partager leurs points de vue. Ces objectifs correspondent à des besoins assez concrets. Dans un laboratoire, la valeur d'un outil ne se mesure pas uniquement à sa performance sur une démonstration spectaculaire. Elle se mesure aussi à sa place dans un processus de recherche, sans créer plus de vérification qu'elle n'apporte de gain.
Quatre cas d'usage à tester
- Explorer des pistes de preuve. Un modèle peut proposer des stratégies ou des lemmes intermédiaires. Le chercheur doit vérifier que ces propositions sont pertinentes et qu'elles ne reposent pas sur une hypothèse passée sous silence.
- Aider à formaliser une preuve. L'IA peut suggérer du code dans un assistant comme Lean. Le gain potentiel est réel, mais la formalisation reste un travail spécialisé, surtout quand la bibliothèque mathématique nécessaire est incomplète ou difficile à parcourir.
- Rechercher dans la littérature. Des outils peuvent aider à retrouver des résultats, des définitions ou des travaux connexes. Il faut contrôler les références : une réponse bien écrite peut quand même cacher une citation erronée ou une synthèse inexacte.
- Faciliter la formation. Des ateliers peuvent aider les chercheurs à prendre en main les outils et à comprendre leurs limites. L'idée n'est pas de transformer chaque mathématicien en ingénieur en apprentissage automatique, mais de lui donner de quoi juger quand l'outil est utile - et quand il ne l'est pas.
Ces usages n'ont pas tous le même niveau de risque. Une suggestion de recherche peut être traitée comme une hypothèse de travail. Une preuve présentée comme vérifiée implique un contrôle bien plus strict. Les équipes ont intérêt à distinguer clairement les sorties exploratoires et ce qui sera réellement cité, publié ou réutilisé.
Évaluer autre chose que la performance d'un modèle
Dans les démonstrations publiques, on compare souvent des systèmes sur leur capacité à résoudre un ensemble d'exercices. C'est utile, mais ce n'est pas suffisant pour décider de leur valeur en recherche. Un outil peut réussir un test étroit et rester difficile à intégrer : coûteux à utiliser, incapable d'expliquer clairement ses erreurs, ou trop contraignant au quotidien.
Une évaluation sérieuse devrait regarder au moins cinq dimensions :
- La correction : le résultat résiste-t-il à une vérification indépendante ?
- La reproductibilité : une autre équipe obtient-elle le même résultat avec des ressources comparables ?
- Le coût total : combien de temps humain, de calcul et de maintenance l'usage demande-t-il ?
- La robustesse : l'outil marche-t-il au-delà des exemples choisis pour le montrer ?
- La traçabilité : peut-on comprendre quelles étapes ont été produites, modifiées ou validées avec l'IA ?
Cette grille aide à éviter une confusion fréquente : prendre une démonstration impressionnante pour un gain durable. Dans un projet réel, une réponse fausse mais plausible peut coûter plus cher à détecter que le temps gagné au départ. À l'inverse, un outil imparfait peut rester très utile s'il accélère une tâche bien bornée et si ses sorties sont faciles à vérifier.
Le coût caché de l'adoption
Avoir accès à un modèle ou à du calcul ne suffit pas à rendre une équipe opérationnelle. Il faut du temps pour apprendre les outils, ajuster les pratiques, documenter les essais et former les doctorants et ingénieurs. Il faut aussi décider ce qui peut être envoyé à un service externe, comment conserver les journaux d'usage, et quelles ressources seront encore disponibles si les conditions commerciales changent.
Ces coûts sont souvent peu visibles dans les annonces de financement. Pourtant, ils pèsent dans la capacité à transformer l'outil en ressource de recherche, plutôt qu'en expérimentation ponctuelle. Le programme aura plus d'effet s'il soutient aussi les personnes, les méthodes de vérification et les infrastructures communes - pas seulement l'accès temporaire à des interfaces.
Gouvernance, indépendance et règles de confiance
Le partenariat entre une fondation scientifique et deux entreprises majeures de l'IA peut aider, mais il crée aussi un risque de dépendance. Les fournisseurs peuvent apporter des modèles performants, du calcul et une expertise technique. En contrepartie, la communauté doit garder la main : définir ses propres critères, comparer les approches et publier des résultats qui ne correspondent pas forcément aux intérêts commerciaux des partenaires.
Ce n'est pas une raison pour refuser la collaboration. C'est une raison de la structurer. Dans les projets financés, les règles concernant l'accès aux modèles, les données, la publication et la reproductibilité auront autant d'importance que le montant annoncé.
Qui définit les normes d'usage ?
La fondation dit vouloir soutenir des discussions menées par les mathématiciens plutôt que par une seule entreprise ou institution. Pour que ce principe se traduise dans les faits, il faudra que les appels à projets et les ateliers incluent des profils variés : spécialistes de la preuve formelle, chercheurs de plusieurs domaines, jeunes chercheurs, et équipes avec des moyens plus limités.
Une norme utile ne devrait pas imposer une déclaration administrative uniforme qui ignore le contexte. Elle devrait aider à expliquer le rôle de l'IA dans un résultat : génération de code, exploration d'une piste, reformulation, ou vérification. Cette transparence facilite la lecture et la reproduction des méthodes par d'autres équipes.
Accès, dépendance et souveraineté scientifique
Pour des laboratoires européens, la question de l'accès s'ajoute à celle de la conformité et du contrôle des données. Le RGPD n'interdit pas l'usage de services d'IA, mais il impose de traiter les données personnelles selon des règles précises. Dans un projet mathématique, les données ne sont pas toujours personnelles. Elles peuvent toutefois contenir des manuscrits non publiés, des échanges de recherche, ou des éléments sensibles sur le plan contractuel.
Les équipes devront donc vérifier les conditions d'utilisation, la conservation des requêtes, le lieu de traitement, et les options possibles quand il s'agit de données confidentielles. Elles devront aussi anticiper le risque de dépendance : un outil qu'un groupe adopte peut devenir indisponible, changer de prix, ou modifier ses conditions. Un accès financé aujourd'hui ne garantit pas la continuité demain.
La réponse n'est pas forcément « tout héberger soi-même ». Les modèles ouverts, les services commerciaux et certains outils spécialisés offrent des compromis différents en performance, coût, maintenance et contrôle. Le choix devrait partir du besoin scientifique et du niveau de risque, pas d'une préférence générale.
Mesurer le programme dans la durée
Pour juger l'initiative, il faudra regarder au-delà des premières annonces et des premiers exemples. Des indicateurs utiles pourraient inclure le nombre de projets financés, la diversité géographique et disciplinaire des participants, la proportion de résultats reproductibles et la durée pendant laquelle les outils restent réellement accessibles.
Il faudra aussi voir si les pratiques développées dans les ateliers sont documentées et réutilisées, si des méthodes d'évaluation sont publiées, et si les chercheurs peuvent comparer plusieurs systèmes. Enfin, le programme devra rendre visibles les limites rencontrées : un échec bien documenté peut éviter à d'autres de refaire la même erreur ; un bilan uniquement composé de succès donnerait forcément une image incomplète.
Conclusion : financer l'adaptation plutôt que la course aux outils
L'annonce de la Simons Foundation, d'Anthropic et d'OpenAI vise un besoin réel : permettre aux chercheurs d'expérimenter l'IA sans laisser les règles d'usage se décider uniquement dans les entreprises qui développent les modèles. L'enveloppe annoncée doit soutenir des projets portés par la communauté, l'évaluation des résultats, la formation, et l'accès à des outils ainsi qu'à du calcul.
La réussite ne se jugera pas au nombre de modèles utilisés, ni à la démonstration la plus spectaculaire. Elle dépendra surtout de la qualité des vérifications, de la capacité à reproduire les résultats, de l'accès concret aux ressources, et du fait que les chercheurs puissent réellement fixer leurs propres pratiques. L'IA peut devenir un outil efficace pour explorer et formaliser, mais elle ne remplace pas le travail de compréhension de ce qui a été démontré.
Pour les équipes de recherche, le point de départ est assez simple : choisir un cas d'usage limité, définir un protocole de contrôle et documenter le temps réellement économisé. C'est souvent là qu'on distingue une promesse technologique d'un outil qui améliore durablement le travail scientifique.