Un mathématicien anthropique utilisant Claude prétend avoir prouvé le problème le plus célèbre en mathématiques – l’hypothèse de Riemann – dans l’exemple le plus récent, mais potentiellement le plus conséquent, d’intelligence artificielle (IA) produisant des résultats mathématiques époustouflants.
L’IA s’est imposée dans la communauté mathématique. Les preuves d’Anthropic seront certainement et à juste titre examinées, mais plutôt que de trier chaque résultat produit par ces modèles, nous devrions réagir en changeant la façon dont nous évaluons et récompensons l’expertise – en accordant moins de poids au volume des résultats et davantage au jugement humain requis pour décider quelles questions et réponses sont importantes.
Sans ce changement, nous risquons de noyer les connaissances véritables dans un flot de mathématiques plausibles mais mal comprises.
Il s’agit d’un article Live Science Pro que nous publions gratuitement. Si vous avez aimé cette histoire, pensez à vous abonner.
Le jugement mathématique est la capacité de distinguer un résultat correct, mais ennuyeux, de celui qui pourrait fondamentalement changer notre façon de penser le problème ou même tout le domaine mathématique entourant le problème.
L’IA pourrait générer des centaines de milliers de variations complexes sur un théorème, mais ces variations pourraient n’ajouter que très peu de choses aux connaissances mathématiques, chacune d’entre elles se révélant finalement dans une impasse. Un résultat véritablement conséquent pourrait régler un problème non résolu de longue date ou toucher à des domaines apparemment sans rapport. C’est le jugement mathématique qui nous permet de faire la différence entre les deux.
Plus tôt cette année, un système OpenAI a produit un contre-exemple au problème de longue date de distance unitaire planaire, renversant une conjecture de Paul Erdős qui avait résisté aux mathématiciens pendant des décennies. Plus récemment, OpenAI a annoncé un solution apparente au problème Navier-Stokesune question célèbre de savoir si les équations décrivant l’écoulement d’un fluide peuvent développer des singularités ou des valeurs infinies. C’est l’un des Problèmes du prix du millénaire du Clay Mathematics Institute – un ensemble de sept problèmes mathématiques bien connus et complexes, chacun doté d’un prix d’un million de dollars.
Le résultat d’OpenAI résiste-t-il finalement à un examen minutieux ? reste à voir. Mais ce qui est clair, c’est que les systèmes d’IA fonctionnent désormais à un niveau que de nombreux mathématiciens je ne m’attendais pas à en être témoin avant des années, voire des décennies. OpenAI a depuis publié des centaines d’autres résultats mathématiqueslaissant les mathématiciens se démener pour évaluer leur exactitude et leur signification.
Cela ne veut pas dire que les mathématiciens sont sur le point de devenir obsolètes. Mais cela signifie que nous devons reconsidérer soigneusement leur objectif précis.
Traditionnellement, l’expertise est étroitement associée à la production : les experts résolvent des problèmes difficiles, prouvent des théorèmes, construisent des modèles et rédigent des articles. Si l’IA peut générer des preuves, des conjectures et explorer des domaines de recherche à une vitesse et à une échelle sans précédent, la production mathématique n’est plus nécessairement le goulot d’étranglement. Au lieu de cela, de nombreux mathématiciens purs affirmeraient que c’est le jugement mathématique qui deviendra la ressource la plus rare.
Le jugement humain reste nécessaire car les preuves générées par l’IA ne sont pas forcément éclairantes, compréhensibles ni même fiables. Certaines preuves peuvent être si longues ou opaques que leur vérification nécessite un travail substantiel de la part de spécialistes et encore plus de travail pour les réinterpréter d’une manière qui ait du sens pour les mathématiciens humains.
Une preuve peut être valide sans donner une idée de la raison pour laquelle elle est vraie ou de la manière dont ses idées pourraient être utilisées ailleurs. Le travail des mathématiciens humains sera de devenir les arbitres de l’exactitude des preuves, mais aussi d’examiner le raisonnement et d’en extraire les idées sous-jacentes, en déterminant si le résultat dit quelque chose qui fait progresser le domaine de manière significative.
Importance par rapport au résultat
Les mathématiques, en tant que communauté de recherche, doivent réagir rapidement à ce changement. Les mathématiciens et les revues doivent donner la priorité à l’importance plutôt qu’au résultat. Les mathématiques impliquent de décider quels résultats sont importants et de les générer. Une preuve peut être correcte sans être perspicace. Pour donner un exemple simplifié, l’IA pourrait « prouver » que le carré d’un nombre divisible par deux est divisible par quatre, puis prouver que le carré d’un nombre divisible par trois est divisible par neuf, et ainsi de suite avec des nombres entiers toujours plus grands. Cependant, chaque nouvelle « preuve » n’est pas un exemple de mathématiques perspicaces, mais simplement une variation de la même idée élémentaire.
L’IA peut créer des arguments plus rapidement que la communauté ne peut les vérifier, les interpréter ou les absorber. Les sauvegardes existantes n’étaient pas conçues pour tenir compte de ce déséquilibre.
En revanche, une preuve significative pourrait résoudre une question de longue date, révéler un lien inattendu entre des domaines disparates ou développer une technique utile pour résoudre de nombreux autres problèmes.
Les revues devraient donc exiger des auteurs qu’ils expliquent clairement ce qui est véritablement nouveau, pourquoi c’est important et quel rôle l’IA a joué. Les évaluateurs devraient juger si un résultat approfondit la compréhension, plutôt que de simplement vérifier que l’argument fonctionne. Cela ne signifie pas rejeter des travaux dont l’importance éventuelle est incertaine. L’histoire des mathématiques regorge d’idées dont l’importance n’est devenue évidente que des décennies plus tard. Les revues doivent donc continuer à faire de la place à la recherche fondamentale, exploratoire et motivée par la curiosité.
Mais il y a une différence entre un résultat dont les implications sont encore inconnues et un résultat dont il est peu probable qu’il soit un jour révélateur. Le jugement mathématique ne peut garantir que rien de précieux ne soit jamais négligé. Il peut cependant distinguer un travail contenant des idées ou des possibilités véritablement nouvelles de la production automatisée d’impasses sans intérêt.
Les universités et les bailleurs de fonds devraient également cesser de considérer le nombre de publications comme un indicateur pratique de la qualité. Les carrières se construisent autour d’articles, de citations, de subventions et de prix, mais ces mesures ont été développées alors que la production de mathématiques sophistiquées exigeait beaucoup de temps et d’efforts humains. À l’ère de l’IA, un travail qui aurait pu auparavant nécessiter des années de réflexion pourrait désormais être réalisé en quelques semaines, voire quelques jours.
Par conséquent, à mesure que le coût de production des résultats mathématiques diminue considérablement, ces mesures de qualité deviennent moins utiles. Une dépendance réduite aux mesures traditionnelles ce n’est peut-être pas une mauvaise chosemais les institutions ont besoin d’alternatives crédibles : des évaluations des contributions les plus importantes d’un chercheur, des preuves de son leadership intellectuel et des explications sur la façon dont son travail a changé la compréhension. C’est urgent car les mathématiciens ont déjà du mal à évaluer le volume considérable de matériaux produits.
Enfin, la formation mathématique doit continuer à récompenser la compréhension. Le travail écrit seul deviendra un guide moins fiable des capacités individuelles lorsque les articles, rapports et candidatures pourront être rédigés principalement à l’aide de l’IA. Les séminaires, discussions et collaborations peuvent révéler si quelqu’un comprend un argument, peut le défendre et peut le relier à d’autres idées. Faire preuve de compréhension a toujours été une qualité plus importante chez les étudiants universitaires que la simple présentation de la réponse ; l’éducation et le recrutement devraient désormais refléter ce principe de manière plus explicite.
- L’IA résout des problèmes mathématiques « impossibles ». Peut-il battre les meilleurs mathématiciens du monde ?
- « Tout ce que nous savons sur les voyages spatiaux va changer d’ici une décennie » : la percée de la fusion qui pourrait ouvrir la voie vers les étoiles
- « Pourquoi ruineriez-vous votre carrière ? » : OpenAI prétend avoir résolu l’un des plus grands problèmes non résolus des mathématiques, mais les mathématiciens affirment que cela a mal joué
Les critiques diront peut-être qu’il s’agit d’une réaction excessive. Les affirmations mathématiques nécessitent toujours des preuves, l’examen par les pairs évalue déjà leur signification et l’IA n’est qu’un autre outil, comme une calculatrice ou un système de calcul formel. Il y a un certain degré de vérité dans chaque objection. Pourtant, l’explosion du nombre d’articles publiés change la nature du jeu. Une calculatrice ne génère pas des centaines d’affirmations de recherche que les spécialistes doivent consacrer un temps précieux à vérifier. L’IA peut créer des arguments plus rapidement que la communauté ne peut les vérifier, les interpréter ou les absorber. Les sauvegardes existantes n’étaient pas conçues pour tenir compte de ce déséquilibre.
Les progrès récents ont naturellement généré à la fois excitation et anxiété. La bonne réponse n’est ni de rejeter l’IA, ni de célébrer sans réserve chaque découverte qu’elle produit. Les revues, les universités et les bailleurs de fonds devraient adapter leurs incitations dès maintenant, avant que la quantité ne l’emporte complètement sur leur jugement.
Dans un environnement de plus en plus capable de générer automatiquement des mathématiques de niveau recherche, les experts les plus précieux seront ceux qui savent quelles questions méritent d’être posées, quels résultats méritent confiance et quelles idées méritent notre attention.
Avis on Live Science vous donne un aperçu des questions scientifiques les plus importantes qui vous affectent ainsi que le monde qui vous entoure aujourd’hui, rédigé par des experts et des scientifiques de premier plan dans leur domaine.
Aidez-nous à améliorer Live Science Pro : Nous essayons toujours d’améliorer notre contenu. Laissez-nous vos commentaires sur Pro ici.

