Terence Tao : une IA qui résout les problèmes trop rapidement pourrait « empoisonner » les mathématiques
Terence Tao est le genre de mathématicien qui a passé des années à essayer tranquillement de nouveaux outils d'IA et à louer ouvertement les bons. Mais après la livraison de GPT-6 Astra, il a écrit quelque chose que peu de gens attendaient de lui : si les réseaux de neurones commencent à fournir des réponses aux grands problèmes ouverts trop rapidement et sans processus transparent, les mathématiques pourraient perdre plus qu'elles ne gagnent. Le déclencheur a été un résultat concret : le nouveau modèle d'OpenAI a revendiqué des progrès sur le problème des jumeaux premiers.
Tout d’abord, les faits. GPT-6 Astra, selon OpenAI, a utilisé des preuves formelles dans Lean pour réduire la limite supérieure de l'écart entre les nombres premiers consécutifs de 246 à 186. Pour l'échelle : en 2013, Yitang Zhang a prouvé qu'il existe une infinité de paires de nombres premiers espacées de pas plus de 70 millions. James Maynard, qui a remporté la médaille Fields en 2022, a ramené cette limite à 600, et la communauté l'a ensuite réduite à 246. Désormais, trois laboratoires ont rapporté de nouveaux chiffres en même temps : OpenAI à 186, Anthropic à 188, Axiom à 212.
En apparence, c’est une raison de se réjouir. Tao a vu autre chose : un signe d’avertissement.
La réponse n'est pas la partie la plus précieuse
Le point central de Tao semble presque paradoxal : un grand problème ouvert a de la valeur non pas pour sa réponse mais pour le chemin qui y mène. Lorsque les mathématiciens luttent contre un problème pendant des années, ils inventent de nouvelles méthodes, concepts et théories entières en cours de route – et ce sont ces « sous-produits » qui font réellement avancer la science. Même les impasses sont utiles : comprendre pourquoi une approche a échoué est souvent plus important que trouver la solution.
Imaginez maintenant que la réponse vienne d'un réseau de neurones. Rapide, une boîte noire, aucune étape intermédiaire affichée. Le problème est formellement résolu, mais le processus qui était censé générer de nouvelles idées n’a jamais eu lieu. Tao appelle cela le problème « polluer » : cela cesse d’être une source de découvertes futures.
L'exemple Navier-Stokes
Tao développe son argumentation sur un cas concret : le problème de régularité globale des équations de Navier-Stokes, l'un des sept problèmes du Prix du Millénaire. Les mathématiciens sont déjà assez sûrs que la réponse est négative : il existe des conditions initiales dans lesquelles la solution « explose » en un temps fini. Un plan en quatre étapes a même été esquissé, depuis la construction d'une solution auto-similaire approximative jusqu'à la vérification de sa stabilité.
Le problème, c'est que chaque étape est extrêmement difficile pour un humain, mais s'intègre parfaitement dans une chaîne de montage composée de « apprentissage automatique + arithmétique rigoureuse + preuves formelles ». Tao admet qu’un tel hybride pourrait véritablement résoudre le problème. Et voici le problème : si la solution s'avère si complexe qu'aucun humain ne peut la comprendre, et que l'entreprise qui gère l'IA cache l'ensemble du processus derrière des portes closes, les mathématiques obtiennent une case à cocher mais n'apprennent presque rien.
Pourquoi cela est important au-delà des mathématiciens
La logique de Tao est plus large qu’il n’y paraît. Cela s'applique à tout domaine où la valeur est créée dans le processus, et non dans la réponse finale. Si l’IA commence instantanément à produire des solutions « correctes » et que les gens cessent de suivre le chemin des essais et des erreurs, nous risquons de perdre non pas la vitesse mais la compréhension. Tao le dit sans ambages : dans le pire des cas, l’influence de l’IA sur les mathématiques pourrait passer du positif au négatif.
Il n’est pas contre l’IA dans la science – loin de là, il en est l’un des utilisateurs les plus actifs. Ce qui l'inquiète, c'est un scénario spécifique : un système autonome qui fait tourner tout le cycle « hypothèse – test – rejet » en lui-même, sur un énorme calcul, et ne distribue que la réponse finale. Aucune trace, aucun brouillon, aucun moyen d'apprendre de ses erreurs.
Ce qui vient ensuite
Pour l’instant, il s’agit d’un avertissement et non d’un verdict. GPT-6 Astra a effectivement réduit la limite à 186, mais la conjecture elle-même des jumeaux premiers – selon laquelle il existe une infinité de telles paires – reste non prouvée. Il s’agit d’un résultat intermédiaire, mais notable. La question soulevée par Tao est plus profonde : comment faire en sorte que l’IA accélère la science sans la vider de son sens. Il n’a pas encore de réponse – et, honnêtement, personne d’autre non plus.
Source: Nom (QbitAI) : code GPT-6.