IA et mathématiques : protéger la recherche
L’IA accélère les preuves mathématiques, mais bouleverse le crédit, la confidentialité et l’accès. Découvrez les enjeux et les garde-fous à construire.
Quand l'IA transforme les mathématiques : qui protège les chercheurs ?
Une intelligence artificielle capable de contribuer à une preuve mathématique importante ne change pas seulement la manière de faire des mathématiques. Elle bouscule aussi la façon dont la communauté juge les chercheurs, attribue le mérite et protège les idées qui ne sont pas encore publiées.
C'est le point de départ d'un billet de Tristan Buckmaster, publié sur le blog de Terence Tao après une période marquée par plusieurs annonces autour de l'IA et des preuves. Son argument mérite d'être pris au sérieux, à condition de ne pas confondre démonstration automatisée et compréhension : une machine peut aider à établir qu'un résultat est vrai, sans en expliquer les raisons et sans forcément rendre le raisonnement accessible à la communauté.
Le sujet dépasse les laboratoires. Les outils commerciaux sont déjà utilisés pour explorer des pistes, reformuler des arguments et tester des conjectures. Mais ces échanges peuvent aussi exposer des notes privées ou des résultats non publiés. Il faut donc regarder trois choses en même temps : ce que les systèmes savent faire, les règles d'utilisation des données, et la façon dont le travail est reconnu. C'est à ce prix que l'IA pourra élargir l'accès à la recherche, plutôt que de concentrer ses bénéfices entre quelques mains.
De la preuve rare à la preuve abondante
Pendant longtemps, une avancée majeure en mathématiques reposait sur une chaîne de travail largement humaine : formuler une question, développer des outils, explorer des pistes, puis produire une preuve vérifiable par d'autres spécialistes. Les ressources comptaient, bien sûr, mais la vitesse de calcul et la taille des équipes ne permettaient pas de contourner facilement le temps nécessaire à la découverte.
Avec des outils d'IA capables d'aider la recherche, l'équilibre bouge. Dans son billet, Buckmaster compare le moment actuel à celui où Deep Blue a battu Garry Kasparov en 1997. La comparaison ne veut pas dire que les mathématiques deviendraient un jeu, ni que l'histoire va se répéter à l'identique. Elle met plutôt en avant une distinction utile : au début, un système puissant reste réservé à quelques organisations ; ensuite, il peut devenir accessible à un public plus large.
Deep Blue était un superordinateur conçu pour jouer aux échecs. Aujourd'hui, des programmes tournent sur des téléphones et dépassent ses performances sur certains aspects. Reste la question : est-ce que la recherche mathématique, aujourd'hui coûteuse et concentrée, pourrait être diffusée à plus grande échelle ? La réponse dépendra autant des modèles que du prix du calcul, des interfaces et de l'accès aux infrastructures.
Le coût change la portée de l'innovation
Le billet évoque une annonce autour d'un problème mathématique résolu avec, selon les informations rapportées, des milliers d'agents sur plusieurs dizaines d'heures, pour un coût estimé à plusieurs millions de dollars. Ces chiffres doivent être lus comme des éléments versés au débat, pas comme une mesure indépendante de la valeur de la preuve ou de la reproductibilité de l'expérience.
Ce qui compte, en revanche, est assez concret : une capacité peut exister sans être réellement accessible. Si seuls quelques acteurs ont les modèles, les données, les compétences et les budgets nécessaires, l'innovation risque de creuser les écarts entre laboratoires. Pour une équipe universitaire en Europe, la question n'est pas seulement « est-ce que ça peut marcher ? ». C'est aussi « combien coûte une tentative ? », « le résultat peut-il être reproduit ? » et « qui peut utiliser l'outil dans des conditions comparables ? ».
Il y a là une différence entre performance et progrès collectif. Un résultat obtenu grâce à une infrastructure inaccessible peut faire avancer un domaine, mais il ne garantit pas que la communauté pourra en examiner les étapes, apprendre la méthode ou poursuivre le travail. En pratique, l'accès aux moyens de calcul devient une question de politique scientifique, au même titre que le financement des équipes ou la mise à disposition de données.
La course au premier résultat ne suffit plus
Pendant longtemps, publier un résultat important a servi de repère. Être le premier à démontrer un théorème connu suggérait souvent une maîtrise réelle des outils nécessaires pour y parvenir. Si des systèmes automatisés peuvent produire des preuves plus vite, cette équivalence devient moins solide.
Cela ne rend pas la priorité chronologique inutile. Elle peut toujours aider à retracer les contributions et à établir un ordre. Mais elle ne peut plus être la seule boussole. Il faut distinguer plusieurs contributions : formuler un problème, créer une méthode, construire un outil, vérifier une preuve, expliquer un résultat, puis le transmettre à d'autres chercheurs.
Ce changement est déjà familier ailleurs. Les grandes expériences reposent sur des équipes nombreuses, des infrastructures partagées et des apports techniques qui ne se résument pas à la signature d'un article. Les mathématiques peuvent s'inspirer de ces pratiques, à condition de les adapter à leurs exigences de rigueur et de traçabilité.
La compréhension reste le cœur des mathématiques
Une preuve certifiée répond à une question précise : le résultat découle-t-il des hypothèses, en respectant les règles admises ? Elle ne répond pas forcément à une autre question, souvent plus riche : pourquoi ce résultat est-il vrai ? C'est ce décalage qui empêche de réduire les mathématiques à une suite de propositions à valider.
Prenons l'exemple de l'hypothèse de Riemann. Si, demain, un système produisait une démonstration formellement vérifiée, les mathématiciens pourraient en tirer des conséquences et établir des résultats jusque-là conditionnels. Ce serait déjà une avancée majeure. Mais il resterait à comprendre ce qui, dans l'hypothèse, rend l'assertion vraie ; à clarifier les liens avec d'autres domaines ; et à identifier des méthodes réutilisables pour résoudre de nouveaux problèmes.
Buckmaster reprend une image de The Hitchhiker's Guide to the Galaxy : l'ordinateur Deep Thought calcule pendant des millions d'années avant de répondre « 42 » à la question du sens de la vie. On obtient bien une réponse, pas nécessairement l'explication cherchée. En mathématiques, c'est pareil : une preuve qui ne fait pas ressortir les idées structurantes peut clore une question sans faire progresser la compréhension autant que nécessaire.
Certification, explication et vérification : trois choses différentes
Il vaut la peine de distinguer trois niveaux souvent confondus dans les annonces autour de l'IA :
- La production d'une preuve : le système propose un raisonnement, complet ou partiel.
- La vérification formelle : un outil indépendant vérifie que chaque étape suit un système logique donné.
- La compréhension mathématique : des chercheurs identifient les idées, les stratégies et les connexions qui rendent le résultat intelligible et réutilisable.
Un fichier Lean, par exemple, peut rendre la vérification formelle particulièrement robuste. Mais la vérification ne transforme pas automatiquement le contenu en une explication claire pour un humain. À l'inverse, un texte convaincant pour un lecteur n'est pas forcément exempt d'erreurs. Les deux approches se complètent : la preuve formelle contrôle la validité, quand l'analyse mathématique cherche à rendre le raisonnement compréhensible.
Pour les équipes de recherche, cela implique de ne pas juger un système uniquement au nombre de théorèmes qu'il produit. Il faut aussi regarder la qualité des explications, la capacité à isoler les étapes décisives, la reproductibilité, et l'effort nécessaire à un spécialiste pour contrôler le résultat.
Un terrain prometteur : liens entre mathématiques et physique
Buckmaster voit un potentiel particulier à l'intersection des mathématiques et de la physique. Les deux disciplines se sont longtemps nourries : le calcul différentiel a contribué à formaliser la mécanique classique, l'analyse de Fourier a pris de l'ampleur à partir de problèmes de diffusion de la chaleur, et la géométrie riemannienne a apporté un langage essentiel à la relativité générale.
La physique mobilise aussi des raisonnements heuristiques, parfois très efficaces, sans être rigoureusement établis au sens mathématique. La théorie quantique des champs en donne un exemple bien connu : certaines méthodes produisent des prédictions très précises, alors que leur fondement mathématique complet reste difficile à stabiliser. Formaliser ces raisonnements ne se limite pas à « vérifier ». Cela peut préciser le cadre où l'approximation reste valable, exposer une limite du modèle ou signaler les ingrédients nécessaires pour une théorie plus générale.
Le billet mentionne des travaux de Deng et Hani, puis des résultats menés avec Ma, sur la dérivation d'équations effectives à partir de modèles décrivant des systèmes de particules ou d'ondes. Ces résultats reposent sur une analyse combinatoire exigeante et un travail au long cours. Des outils d'IA peuvent aider à explorer des preuves de complexité comparable dans d'autres contextes, sans pour autant remplacer le travail de formulation, de contrôle et d'interprétation.
C'est là que l'IA peut avoir un effet plus profond qu'une simple accélération. Elle pourrait aider à relier des modèles physiques efficaces à des fondements rigoureux, rendant certaines méthodes plus précises et plus faciles à transférer. Mais la promesse ne se réalisera que si les résultats restent vérifiables et si les chercheurs gardent la main sur les données et les outils utilisés.
Protéger les idées et ouvrir l'accès aux outils
La recherche ne commence pas au moment où un article est soumis. Elle avance aussi dans des carnets, des brouillons, des demandes de financement et des échanges avec des collègues. Quand un chercheur confie une idée incomplète à un modèle commercial, il envoie parfois plus qu'une simple question : il peut y transmettre une stratégie, une piste prometteuse, ou des éléments d'un travail encore confidentiel.
Le problème est donc structurel. Les entreprises qui fournissent ces modèles peuvent, selon les conditions de service, traiter des données utilisateur et disposent de moyens de calcul bien supérieurs à ceux de la plupart des laboratoires. Si elles développent en parallèle des outils de recherche concurrents, un déséquilibre apparaît : les chercheurs alimentent potentiellement les systèmes qu'ils utilisent, sans nécessairement contrôler ce qui devient leurs échanges.
Dans son texte, Buckmaster critique la publication par OpenAI de nombreux manuscrits de preuves, qu'il juge en grande partie difficiles à lire et parfois erronés. Il conteste aussi la façon dont le temps de calcul aurait été présenté, en notant que les tentatives échouées et certains travaux antérieurs n'auraient pas été inclus dans l'estimation annoncée. Ces critiques doivent être attribuées à leur auteur et replacées dans le débat public ; elles illustrent surtout une exigence plus générale : quand une annonce scientifique est faite, elle doit préciser sa méthode, son périmètre et les limites de ce qui est revendiqué.
Des protections adaptées au travail académique
Les conditions d'un abonnement grand public ne sont pas forcément adaptées à un laboratoire ou à une université. Les établissements devraient négocier des accords institutionnels qui précisent clairement les usages des données, les durées de conservation, les personnes autorisées à y accéder et les modalités de contrôle.
Un cadre opérationnel peut prévoir :
- une clause de non-conservation des données au-delà de ce qui est nécessaire au service ;
- une interdiction explicite d'utiliser les échanges pour entraîner des modèles sans autorisation distincte ;
- des mécanismes d'audit pour vérifier le respect des engagements ;
- une procédure claire pour traiter les données confidentielles ou les résultats non publiés ;
- une information compréhensible sur les effets d'un signalement ou d'un retour utilisateur.
Ces mesures doivent tenir dans les usages quotidiens. Un contrat institutionnel ne protège pas un chercheur qui utilise, pour son travail, un compte personnel soumis à des conditions différentes. Les universités doivent donc proposer des outils approuvés et dire clairement lesquels conviennent aux données sensibles.
Le cadre européen fournit déjà des points d'appui, sans régler tout seul la question. Les équipes peuvent consulter les ressources de la CNIL sur l'intelligence artificielle et les informations officielles sur le règlement européen sur l'IA. Il faut toutefois distinguer la conformité réglementaire et la protection réelle d'un travail de recherche : même une organisation « conforme » doit encore relire ses contrats, examiner ses pratiques et évaluer son niveau de risque.
Une infrastructure ouverte pour limiter la dépendance
Accéder à des modèles ouverts peut réduire certaines dépendances, surtout si les établissements peuvent les exécuter sur leurs propres infrastructures. Attention toutefois : tous les modèles ouverts ne sont pas automatiquement sûrs, efficaces ou peu coûteux. Il faut aussi financer le calcul, la maintenance, la sécurité et l'évaluation. Mais maîtriser l'environnement d'exécution facilite le contrôle des données et permet à plusieurs équipes de reproduire des expériences.
L'analogie avec les échecs est parlante : les moteurs ont rendu l'analyse de haut niveau accessible à davantage de joueurs. Pour les mathématiques, une infrastructure partagée, financée sans prioriser les intérêts commerciaux immédiats, pourrait réduire la barrière d'accès aux outils avancés.
La décision ne se limite donc pas à « choisir l'un contre l'autre ». Une université peut utiliser un service propriétaire pour des tâches non sensibles, héberger un modèle ouvert pour des travaux confidentiels, et interdire certains usages dans des contextes à risque. Le bon cadre, c'est celui qui associe chaque outil au niveau de confidentialité, au coût et au degré de contrôle requis.
Réviser les règles du mérite scientifique
Si produire une preuve devient plus rapide pour certains acteurs, le système de reconnaissance fondé surtout sur la priorité et le nombre de publications perd en pertinence. La réponse ne doit pas être de dévaloriser toutes les contributions assistées par l'IA. Elle doit surtout décrire plus précisément ce qui a été fait, par qui, avec quels outils, et avec quel niveau de vérification.
L'évaluation des chercheurs est déjà délicate. Compter les articles dans les revues les plus prestigieuses est une méthode facile à administrer, mais elle réduit la recherche à des indicateurs indirects. Quand l'IA accélère la production de textes ou de résultats, la faiblesse de cette approche devient plus visible : un volume plus élevé ne veut pas forcément dire une contribution plus forte.
Mieux reconnaître méthodes, outils et explication
Il y a plusieurs façons de contribuer qu'on devrait identifier plus clairement :
- L'exposition : expliquer clairement un résultat important permet à d'autres chercheurs de l'utiliser et d'en vérifier les implications.
- Les méthodes : une technique réutilisable peut avoir plus d'impact à long terme qu'une preuve isolée.
- Les outils partagés : logiciels, bibliothèques, corpus vérifiés, infrastructures - tout ce qui rend possibles des travaux collectifs.
- La collaboration : sur un projet de grande ampleur, la contribution ne doit pas se dissoudre derrière une liste d'auteurs difficile à interpréter.
- La vérification : examiner une preuve produite par un humain ou par une machine constitue un travail scientifique à part entière.
Cette évolution demande des pratiques de déclaration plus solides. Dire comment l'IA a été utilisée ne devrait pas être une confession de faiblesse, ni une promesse automatique de qualité. L'idée, c'est d'aider à comprendre quelles tâches ont été confiées au modèle, quels résultats ont été vérifiés et quelles décisions restent entre les mains des auteurs.
Une déclaration utile pourrait indiquer le modèle ou la catégorie d'outil, les étapes concernées, l'existence d'une vérification formelle et les limites connues. Il ne s'agit pas de documenter chaque requête au détail : cela créerait une bureaucratie ingérable. L'objectif est de donner assez d'informations pour que les lecteurs puissent juger le processus et reproduire ce qui doit l'être.
Changer sans remplacer un biais par un autre
Modifier les critères comporte un risque réel. Si l'on abandonne les indicateurs simples sans créer une méthode transparente, l'évaluation peut devenir davantage dépendante de la réputation, des réseaux personnels et de la visibilité. On remplacerait alors un raccourci imparfait par un système moins lisible et potentiellement plus fermé.
Une approche plus robuste consiste à évaluer les contributions sur plusieurs dimensions explicitement définies : originalité de l'idée, solidité de la preuve, qualité de l'explication, utilité des outils produits, capacité à faire avancer un programme de recherche, et apport au collectif. Toutes les disciplines ne donneront pas le même poids à chaque dimension. Le point important est que les critères soient annoncés, discutables et appliqués de manière cohérente.
Pour une institution, cela peut passer par des dossiers d'évaluation qui demandent quelques contributions significatives plutôt qu'une accumulation de publications. Les comités doivent aussi avoir le temps et les compétences pour les examiner. Aucun indicateur ne supprimera le jugement humain : l'objectif est de le rendre plus informé, et moins dépendant de raccourcis.
Conclusion : construire les garde-fous avant la banalisation
Les capacités de l'IA en mathématiques ne vont pas abolir la discipline. Elles vont probablement transformer les pratiques, les infrastructures et la manière de reconnaître le travail. La vraie question n'est donc pas de savoir si les chercheurs doivent utiliser ces outils, mais dans quelles conditions ils peuvent le faire sans perdre le contrôle de leurs idées, ni confondre résultat, preuve vérifiée et compréhension.
Pour les universités et les équipes de recherche, une première étape pragmatique consiste à cartographier les usages : quelles données sont envoyées, quels services sont utilisés, quels contrats s'appliquent, et quelles contributions doivent être documentées. Ensuite, il devient possible de définir des outils autorisés, négocier des protections adaptées et revoir les critères d'évaluation.
L'IA peut accélérer certaines recherches et ouvrir de nouvelles passerelles entre mathématiques et sciences physiques. Mais l'effet dépendra de choix collectifs : confidentialité par défaut, accès plus équitable aux ressources, transparence sur les méthodes, et reconnaissance de la compréhension. Avant d'adopter un nouvel outil, vérifiez donc trois éléments : la maîtrise des données, la vérifiabilité des résultats et la valeur durable de la contribution.