Terence Tao sonne l'alarme dans le monde mathématique : critique sévère de l'évaluation excessive de l'IA

Récemment, des nouvelles audacieuses annoncent que « l’IA a résolu de manière autonome des problèmes mathématiques que l’humanité n’avait pas réussi à déchiffrer depuis des années ». Alors que l’influence de ces reportages ne cesse de croître, une personne inattendue a exprimé ses réserves : c’est Terence Tao. En tant que chercheur ayant activement utilisé l’IA dans ses travaux mathématiques, il porte un regard critique sur cette hype, soulignant l’importance de ne pas mythifier l’IA.

Pourquoi la illusion de la « révolution mathématique par l’IA » se répand-elle ?

Vous avez peut-être vu des titres sensationnels comme « L’IA résout entièrement un problème mathématique vieux de 50 ans — l’ère du chômage des mathématiciens arrive ». Pour ceux qui rêvent de l’émergence d’une intelligence artificielle générale (AGI), cela apparaît comme une lueur d’espoir, mais pour les chercheurs soucieux de préserver la dignité intellectuelle humaine, c’est source d’inquiétude.

En réalité, derrière ces reportages sensationnels se cache une compréhension partielle de l’information. On confond parfois un succès isolé avec une capacité globale, ou on considère comme acquis des résultats non vérifiés. Ces malentendus alimentent la croyance erronée selon laquelle « l’IA est invincible en mathématiques ».

Ce que Tao a voulu souligner en prenant la parole tard dans la nuit, c’est qu’il faut ramener ces attentes démesurées à la réalité. Sur sa page GitHub « AI contributions to Erdős problems », il explique en détail ce qu’il faut garder à l’esprit lorsqu’on évalue les contributions de l’IA aux problèmes non résolus d’Erdős.

Les pièges dans l’évaluation de l’IA que Tao met en garde

Les points que Tao évoque peuvent sembler, à première vue, remettre en question les succès de l’IA, mais en réalité, ils redéfinissent ce qu’est une véritable réussite.

Une méconnaissance de la variabilité de la difficulté : Les problèmes d’Erdős couvrent un large spectre, allant de questions extrêmement difficiles à des « problèmes à longue traîne » longtemps laissés de côté. L’IA excelle dans ces derniers, mais juger ses performances uniquement par le nombre de problèmes résolus est une erreur, car cela masque la complexité réelle.

L’étiquette « non résolu » est elle-même incertaine : Beaucoup de problèmes listés sur des sites web n’ont pas été vérifiés systématiquement. Certains sont marqués « Ouvert » alors qu’ils ont été résolus dans des publications antérieures. Il arrive fréquemment que l’IA pense avoir résolu un problème alors qu’une solution avait été trouvée il y a des décennies — ce genre de scénario est courant.

Se concentrer uniquement sur les succès : Seules les réussites sont documentées, tandis que les tentatives infructueuses ou les recherches sans progrès restent invisibles. Ce biais de sélection amplifie artificiellement la perception des capacités de l’IA.

Les énoncés eux-mêmes peuvent contenir des erreurs ou ambiguïtés : Certains problèmes d’Erdős manquent de précision ou comportent des erreurs, nécessitant une connaissance approfondie du domaine pour en saisir la véritable portée. Il est même possible de « contourner » ces failles pour prétendre avoir résolu un problème.

La valeur mathématique ne se limite pas à la correction d’une réponse : La preuve doit être valide, certes, mais la véritable valeur d’un résultat réside aussi dans sa connexion avec la théorie existante, ses implications pour d’autres domaines, et la compréhension qu’il apporte. Lorsqu’un chercheur humain rédige un article, il inclut naturellement le contexte, la motivation, la littérature, et les limites de sa méthode. Comme Tao le souligne, les preuves générées par l’IA manquent souvent de cette profondeur contextuelle.

De nombreux problèmes ne peuvent pas faire l’objet d’une publication : Résoudre un problème marginal d’Erdős ne garantit pas une publication dans une revue prestigieuse, surtout si la solution n’apporte qu’une amélioration mineure.

Les pièges de la formalisation : Formaliser une preuve générée par l’IA avec des outils comme Lean peut sembler renforcer la fiabilité, mais cela comporte aussi des risques : introduction d’axiomes non justifiés, mauvaise interprétation du problème, ou utilisation de comportements inattendus du programme. Si #728番と# la preuve formalisée est anormalement courte ou incohérente, il faut rester prudent.

Le vrai rôle de l’IA : du « travail manuel » à la « construction de la connaissance »

En janvier 2026, la résolution complète du problème d’Erdős numéro 729 par l’IA, vérifiée via Lean, a été rapportée. Cela montre que dans certains domaines, l’IA peut générer des structures de preuve exploitables et vérifiables formellement.

Mais concrètement, quel est le rôle de l’IA en recherche mathématique ? Tao distingue plusieurs catégories d’apports :

• La génération de solutions complètes
• La reconnaissance que certains problèmes sont résolus ou non
• La recherche bibliographique assistée par IA
• La formalisation de preuves humaines dans des systèmes comme Lean

Particulièrement, la « revue de littérature pilotée par l’IA » consiste à vérifier si des résultats existent déjà ou si un problème est réellement non résolu, en effectuant une « pré-étude ».

En résumé, Tao insiste sur un point essentiel : l’IA excelle dans les tâches routinières, telles que le remplissage de lacunes, la formalisation, la rédaction ou la correction d’articles, et la recherche bibliographique. Cependant, la véritable créativité mathématique — poser des questions profondes, inventer de nouveaux concepts, intégrer des résultats dans la connaissance globale — reste largement dépendante de l’humain.

L’avenir des mathématiques : la direction humaine et l’exécution par l’IA

L’intention profonde de Tao en lançant cet avertissement tard dans la nuit n’est pas de sous-estimer l’IA, mais d’en comprendre la véritable nature.

L’image du futur mathématicien pourrait évoluer : il ne sera plus un penseur solitaire, mais un commandant dirigeant une armée d’intelligences de silicium. Dans cette nouvelle ère, l’humain trace le chemin, l’IA ouvre la voie et construit des ponts. Cette division du travail pourrait devenir la nouvelle norme en recherche mathématique.

Il faut cesser d’idéaliser à l’excès les résultats de l’IA. Mais il ne faut pas non plus sous-estimer cette force qui transforme en profondeur la méthode de recherche de la vérité. Le message de Tao, entre calme et réalisme, éclaire la voie vers de nouvelles possibilités.