Le coup 37 d’AlphaGo résonne dans la découverte mathématique portée par l’IA

En 2016, AlphaGo a joué le coup 37, défiant des siècles d’intuition au go avant de battre Lee Sedol quatre parties à une. Cette analyse façon techmeme se demande si les mathématiques approchent désormais leur propre moment « coup 37 ».

La comparaison gagne en force, car les systèmes récents font davantage que reproduire des solutions connues. Ils explorent de vastes espaces, génèrent des candidats inattendus et transmettent les meilleurs résultats à des évaluateurs formels ou à des experts humains. Certains ont amélioré des bornes mathématiques ou trouvé des algorithmes qui surpassent les méthodes établies.

Cela modifie le débat central sur le raisonnement de l’IA. L’enjeu majeur n’est plus l’IA face à un champion dans un jeu de plateau aux règles closes. Il oppose la nouveauté générée par les machines aux critères qu’emploient les mathématiques pour reconnaître le savoir.

AlphaGo a fourni l’image durable : un coup que les experts ont d’abord eu du mal à expliquer, mais qui s’est révélé stratégiquement judicieux. Les mathématiques imposent une exigence plus difficile. Une réponse surprenante ne compte que si les chercheurs peuvent la vérifier, en comprendre la portée et distinguer une découverte d’une redécouverte.

Le coup 37 a transformé un choix inhabituel en coup gagnant

Le coup 37 a compté parce que l’étrange décision d’AlphaGo a résisté à l’épreuve d’un résultat implacable.

Google DeepMind’s AlphaGo a affronté Lee Sedol à Séoul en mars 2016. Sedol avait remporté 18 titres mondiaux de go et figurait parmi les joueurs les plus forts de sa génération. Plus de 200 millions de personnes ont suivi les cinq parties, selon DeepMind.

AlphaGo a joué le célèbre coup lors de la deuxième partie. Il a posé une pierre sur la cinquième ligne, loin des schémas conventionnels qui structuraient le jugement professionnel. Les commentateurs ont d’abord considéré ce choix comme une erreur possible.

DeepMind a ensuite indiqué que la probabilité qu’un joueur humain sélectionne le coup 37 était d’environ une sur 10 000. Ce coup a aidé AlphaGo à contrôler le plateau et, finalement, à remporter la partie. Son importance tenait à l’alliance de la surprise et d’un succès mesurable.

Sedol a reconnu cette différence. Il s’attendait à une machine guidée par le calcul, mais le coup 37 l’a conduit à décrire AlphaGo comme créatif. Cette réaction a saisi ce que les scores de référence communiquent rarement : le système avait introduit une idée utile en dehors des pratiques humaines familières.

Le match s’est terminé par une victoire 4-1 d’AlphaGo. Sedol a remporté la quatrième partie après avoir joué son propre coup 78, très improbable, parfois appelé « God’s Touch ». Cet échange a empêché que l’histoire ne devienne un simple récit de suprématie de la machine.

AlphaGo utilisait des réseaux neuronaux pour évaluer les positions sur le plateau et la recherche arborescente Monte Carlo pour examiner les continuations prometteuses. La recherche arborescente Monte Carlo estime les bonnes actions en simulant à répétition des branches sélectionnées d’un arbre de décision. L’apprentissage par renforcement a ensuite amélioré le système grâce à l’expérience et à l’autojeu.

Le système ne raisonnait pas sur le go par le langage humain. Il attribuait des valeurs aux positions, explorait des futurs possibles et choisissait le coup dont l’issue estimée était la meilleure. Ce mécanisme lui a permis d’échapper à certaines conventions ancrées dans les exemples d’experts.

Le récit de DeepMind sur les matchs AlphaGo affirme que le coup 37 a bouleversé des siècles de sagesse reçue au go. Le résultat n’était pas seulement un meilleur score. Des joueurs professionnels ont étudié ce coup et ajusté leur compréhension du plateau.

C’est pourquoi cet épisode reste utile dix ans plus tard. Ce coup a donné aux observateurs un exemple compact de nouveauté générée par une machine que les humains pouvaient tester, rejouer et, finalement, intégrer.

Les mathématiques n’offrent aucun tableau de score aussi immédiat qu’une partie de go terminée. Leur question décisive est de savoir si une construction, un algorithme ou une conjecture inhabituels restent corrects sous analyse formelle. Cette différence rend les découvertes actuelles plus importantes, mais aussi plus difficiles à évaluer.

Pourquoi cette analyse façon techmeme va au-delà du go

La question moderne du coup 37 porte sur la capacité de l’IA à produire des connaissances vérifiables, non sur sa capacité à surprendre un public.

Le go offrait à AlphaGo des règles fixes, une information complète et un objectif clair. Chaque position légale sur le plateau pouvait être évaluée à l’aune des victoires et des défaites finales. Les mathématiques comportent des espaces plus vastes, où la définition même d’une cible utile exige le jugement d’experts.

Un système mathématique doit également composer avec le contexte manquant. Les chercheurs s’intéressent à la raison pour laquelle une construction fonctionne, aux hypothèses qui l’étayent et à sa capacité de généralisation. Une amélioration numérique peut être précieuse sans répondre à ces questions plus profondes.

Le domaine a néanmoins franchi plusieurs seuils importants. Les systèmes d’IA génèrent désormais des constructions candidates, recherchent des algorithmes, résolvent des problèmes difficiles de concours et assistent des mathématiciens qui étudient des questions ouvertes. Leurs résultats les plus solides reposent sur des boucles de vérification, et non sur la seule fluidité de leurs réponses.

Cette distinction sépare les systèmes de découverte des chatbots ordinaires. Un modèle de langage peut produire une prose mathématique assurée qui contient une erreur cachée. Un évaluateur peut au contraire exécuter du code, tester une construction ou vérifier qu’une preuve respecte les règles autorisées.

Google DeepMind’s FunSearch a associé un modèle de langage à un évaluateur automatisé et à un processus de recherche évolutionnaire. Le modèle de langage proposait des programmes, tandis que l’évaluateur les notait et rejetait les candidats inadéquats. Les meilleurs programmes retournaient dans le pool de prompts, créant un cycle de recherche itératif.

La recherche évaluée par les pairs sur FunSearch a signalé de nouvelles constructions pour le problème des cap sets, un problème établi de combinatoire extrémale. Les chercheurs ont également trouvé des heuristiques de bin packing en ligne qui amélioraient des références largement utilisées dans les distributions étudiées.

Ces résultats comptent parce que l’évaluateur créait une norme externe. Le modèle ne pouvait pas obtenir l’acceptation grâce à un langage convaincant. Son programme devait produire un résultat dépassant une référence existante.

FunSearch produisait aussi des programmes plutôt que des listes isolées de réponses. Un programme peut révéler un motif réutilisable et aider les chercheurs à examiner comment le résultat a été généré. Cela le rend plus interprétable qu’une collection brute d’objets ayant réussi.

L’interprétabilité reste toutefois relative. Un code lisible ne garantit pas une explication mathématique concise. Les chercheurs peuvent devoir fournir un travail considérable pour convertir un résultat computationnel en théorème, en preuve ou en principe général.

C’est là que la comparaison avec le coup 37 devient précise. AlphaGo a sélectionné un coup dont la valeur est devenue visible au cours du reste d’une partie. Un candidat mathématique peut nécessiter des mois de vérification, de perfectionnement et de traduction dans une théorie établie.

La pression s’exerce à la fois sur les développeurs d’IA et sur les mathématiciens. Les développeurs doivent construire des systèmes dont les sorties peuvent être auditées. Les mathématiciens doivent déterminer quelle part de preuve computationnelle est recevable, à qui revient le mérite et quelles sorties méritent une attention experte rare.

Un système de gestion des connaissances personnelles utile peut aider les chercheurs à conserver ces traces d’hypothèses, de vérifications échouées et d’articles de référence. Toutefois, organiser les éléments de preuve ne remplace pas la vérification mathématique.

Une analyse façon techmeme de cette évolution ne peut donc pas s’arrêter à l’image d’une machine créative. Elle doit examiner le mécanisme qui transforme la variation produite par la machine en savoir digne de confiance.

Les évaluateurs sont le mécanisme de la découverte par l’IA

L’avancée décisive réside dans une boucle d’exploration et d’évaluation qui génère de nombreuses idées tout en soumettant chaque candidate survivante à un test strict.

AlphaEvolve étend cette approche, passant de fonctions individuelles à de plus vastes bases de code algorithmique. Google DeepMind a présenté le système en mai 2025 comme un agent de codage évolutionnaire propulsé par les modèles Gemini. Il associe génération de programmes, évaluation automatisée et sélection répétée.

Les modèles plus rapides peuvent générer un large éventail de programmes candidats. Les modèles plus capables apportent des révisions plus profondes aux candidats prometteurs. Les évaluateurs exécutent les programmes, mesurent leurs performances et conservent les variations utiles dans une base de données partagée.

Le processus rappelle la sélection naturelle, mais son environnement est conçu par les chercheurs. Les humains définissent la tâche, le cadre exécutable et la métrique utilisée pour évaluer les candidats. Le système explore ensuite davantage de variations qu’une petite équipe ne pourrait en examiner manuellement.

Selon les résultats d’AlphaEvolve de DeepMind, le système a été appliqué à plus de 50 problèmes ouverts. Il aurait redécouvert des solutions de premier plan dans environ 75 % des expériences et les aurait améliorées dans 20 % des cas.

Un résultat concernait la multiplication de matrices 4 par 4 à coefficients complexes au moyen de 48 multiplications scalaires. DeepMind a indiqué que cela améliorait la meilleure méthode connue pour ce cadre particulier, remontant aux travaux de Strassen en 1969.

Une autre expérience a porté sur le problème du nombre de contacts. Ce problème demande combien de sphères unitaires non chevauchantes peuvent toucher une sphère unitaire centrale dans une dimension donnée. AlphaEvolve a trouvé une configuration de 593 sphères extérieures en 11 dimensions, améliorant une borne inférieure connue.

Ces exemples montrent pourquoi les mathématiques se prêtent à une IA fondée sur des évaluateurs. Une configuration candidate peut souvent être vérifiée mécaniquement. Le nombre d’opérations d’un algorithme peut être mesuré, tandis que sa correction peut être examinée indépendamment.

L’évaluateur resserre également le sens du terme « créativité ». Il n’exige pas qu’une machine possède des motivations humaines ou un jugement esthétique. Il exige que le système génère un candidat efficace qui n’a pas été simplement fourni par ses concepteurs.

L’évaluateur crée toutefois sa propre frontière. AlphaEvolve fonctionne au mieux lorsque la réussite peut s’exprimer par du code et un objectif mesurable. De nombreuses questions mathématiques importantes résistent à ce traitement.

Les chercheurs peuvent aussi optimiser le mauvais indicateur indirect. Un système peut obtenir un score élevé tout en exploitant des lacunes de l’évaluateur ou en négligeant des qualités valorisées par les experts. Cela ressemble au piratage de récompense, lorsqu’un agent satisfait la métrique énoncée sans remplir l’objectif visé.

Les choix humains restent présents tout au long du pipeline. Les experts formulent le problème, encodent les contraintes, choisissent les références, inspectent les sorties et décident si une amélioration numérique a une signification mathématique. L’IA étend la recherche sans éliminer le jugement scientifique.

Cette division du travail ressemble davantage à AlphaGo que ne le suggèrent les récits populaires. Les humains ont conçu l’architecture et le processus d’entraînement d’AlphaGo, tandis que le système explorait au-delà des schémas de jeu courants. Les joueurs ont ensuite interprété les stratégies obtenues et intégré les enseignements utiles.

Les systèmes plus récents reproduisent ce cycle dans des domaines moins contrôlés. Ils génèrent des candidats inhabituels, les soumettent à des évaluateurs et invitent les experts à expliquer ce qui résiste à l’examen. La boucle est le véritable successeur du coup 37.

Le principal enjeu oppose la nouveauté à la vérification

Une sortie surprenante ne devient une découverte qu’après que des vérifications indépendantes ont établi qu’elle est correcte, nouvelle et significative.

La nouveauté est difficile à prouver pour un modèle entraîné sur de vastes collections de travaux humains. Un système peut reproduire une construction obscure sans révéler où il a rencontré cette idée. Les chercheurs ont donc besoin de preuves plus solides que l’explication fournie par le modèle lui-même.

Améliorer un résultat documenté de l’état de l’art fournit un test utile. Si un candidat dépasse une référence publiée dans les mêmes conditions, la simple mémorisation devient une explication moins convaincante. Cela n’établit toutefois pas encore une large importance scientifique.

Les preuves formelles offrent une voie plus rigoureuse. Un assistant de preuve peut vérifier chaque étape logique à partir de règles explicites. Cependant, convertir une idée mathématique informelle en langage formel exige souvent un effort humain considérable.

AlphaGeometry illustre une approche hybride. Il associe un modèle de langage neuronal à un moteur de déduction symbolique, qui applique des règles géométriques formelles. Le modèle propose des constructions utiles lorsque la recherche symbolique atteint des points de branchement difficiles.

Lors d’un test portant sur 30 problèmes de géométrie de niveau olympiade, AlphaGeometry en a résolu 25. La méthode précédente la plus performante en avait résolu dix, tandis que le système s’est rapproché des performances d’un médaillé d’or moyen. Ses sorties comprenaient des démonstrations lisibles par des humains, évaluées par des experts.

L’étude AlphaGeometry publiée a également présenté une version généralisée d’un théorème de l’Olympiade internationale de mathématiques de 2004 traduit. Ce résultat suggère que la recherche peut révéler des structures allant au-delà de la résolution d’un examen donné.

Les problèmes d’olympiade diffèrent néanmoins de la recherche ouverte. Ils sont conçus pour avoir des solutions concises, et les évaluateurs savent déjà qu’une solution existe. Les problèmes de recherche peuvent être mal définis ou résister aux méthodes de démonstration disponibles.

Les performances en compétition mesurent donc une capacité utile sans trancher la question de la découverte. Un système peut maîtriser des styles de problèmes connus tout en contribuant peu aux mathématiques en dehors de ces styles. À l’inverse, un optimiseur spécialisé peut produire un résultat précieux sans démontrer une capacité de raisonnement générale.

L’argument sceptique se renforce lorsque des entreprises relient des réussites individuelles à l’intelligence artificielle générale. La rétrospective de DeepMind à l’occasion de l’anniversaire d’AlphaGo présente le coup 37 comme une étape sur la voie menant des jeux à la découverte scientifique et à l’AGI.

Il s’agit d’une interprétation de l’entreprise, et non d’une conclusion établie de manière indépendante. Les progrès dans la recherche algorithmique limitée ne prouvent pas qu’un système peut choisir de façon autonome des questions de recherche importantes. Ils ne montrent pas non plus qu’il comprend une découverte comme le ferait un mathématicien.

Il existe aussi des coûts pratiques de vérification. Les systèmes automatisés peuvent générer des candidats plus vite que les experts ne peuvent les examiner. Si le coût de validation reste élevé, les chercheurs font face à un goulot d’étranglement de l’attention plutôt qu’à une pénurie d’idées.

Ce goulot d’étranglement modifie la valeur des productions de l’IA. Le système le plus utile n’est peut-être pas celui qui propose le plus grand nombre de conjectures. Il peut être celui qui fournit de courts certificats, du code reproductible et des liens clairs vers les travaux antérieurs.

L’attribution du crédit pose une autre question non résolue. Un résultat peut impliquer des développeurs de modèles, des équipes d’infrastructure, des mathématiciens ayant formalisé le problème et des experts ayant démontré le théorème final. Les conventions d’attribution existantes n’ont pas été conçues pour cette chaîne.

La bonne réponse n’est pas de rejeter les résultats générés par des machines. Elle consiste à exiger des preuves adaptées à l’affirmation. « A trouvé un meilleur candidat » exige une comparaison reproductible, tandis que « a découvert un théorème » exige un énoncé et une démonstration vérifiés.

Le coup 37 a passé un test transparent, car chacun pouvait voir la partie se dérouler. Les mathématiques ont besoin de tests tout aussi lisibles avant que leurs propres coups surprenants méritent un statut comparable.

L’IA met sous pression les méthodes de recherche, sans remplacer les mathématiciens

L’effet immédiat est une évolution de la manière dont les chercheurs explorent, testent et hiérarchisent les idées, plutôt que l’éviction des mathématiciens humains.

Traditionnellement, un mathématicien équilibre intuition et calcul ciblé. Les systèmes de découverte par IA modifient cet équilibre en rendant l’exploration computationnelle à grande échelle moins coûteuse. Les chercheurs peuvent tester davantage d’inégalités, de constructions ou d’algorithmes candidats avant de s’engager dans une stratégie de démonstration.

Terence Tao a décrit une version pratique de ce flux de travail dans la mise à jour 2026 de DeepMind sur AlphaEvolve. Il a déclaré que ces outils aident les mathématiciens à tester d’éventuelles inégalités à la recherche de contre-exemples et à étudier les extremiseurs probables. Un extremiseur est un objet qui atteint la plus grande ou la plus petite valeur possible.

Ce soutien peut affiner l’intuition. Un chercheur peut arriver avec une conjecture, demander au système de chercher des contre-exemples, puis réviser l’énoncé lorsqu’il en trouve un. Le théorème final devient plus précis avant que la démonstration formelle ne commence.

Le même flux de travail peut aussi révéler une confiance infondée. Les mathématiques comportent des motifs plausibles qui échouent dans un cas limite éloigné. De vastes recherches computationnelles peuvent repérer ces échecs plus tôt que l’analyse manuelle.

DeepMind affirme qu’AlphaEvolve a contribué à des travaux sur des problèmes d’Erdős et amélioré des bornes inférieures liées au problème du voyageur de commerce et aux nombres de Ramsey. Ses applications élargies incluent également des travaux d’optimisation dans l’informatique et les domaines scientifiques.

Ces affirmations exigent un examen résultat par résultat. Une borne inférieure peut s’améliorer sans résoudre le problème associé. Une observation computationnelle utile peut orienter une démonstration sans devenir à elle seule un théorème.

La pression dépasse aussi les mathématiques pures. De meilleures méthodes de multiplication de matrices peuvent influencer les bibliothèques logicielles, le matériel spécialisé et l’entraînement de l’IA. Même une amélioration limitée peut compter lorsque l’opération concernée s’exécute à une échelle énorme.

Cela incite Google et d’autres entreprises d’IA à investir dans des systèmes de découverte. Les gains algorithmiques peuvent améliorer l’infrastructure interne tout en fournissant des indices d’une capacité de raisonnement plus large. Le prestige scientifique et l’efficacité opérationnelle se renforcent mutuellement.

D’autres laboratoires sont poussés à offrir davantage que des réponses soignées à des questions connues. Ils ont besoin de systèmes qui produisent un travail auditable, interagissent avec des outils formels et résistent à l’examen d’experts. Les scores de benchmark à eux seuls révèlent peu de chose sur la capacité d’un modèle à étendre les connaissances.

Les universités font face à une pression différente. Les chercheurs ont besoin d’accéder à des capacités de calcul, à une infrastructure d’évaluation et à des modèles pouvant être étudiés ouvertement. Si les principaux systèmes de découverte restent difficiles à reproduire, les experts extérieurs risquent de peiner à évaluer les affirmations des entreprises.

Les étudiants devront eux aussi adopter un autre ensemble d’habitudes. Produire une ébauche de démonstration plausible devient moins rare. Vérifier les hypothèses, retracer les travaux antérieurs, formaliser les arguments et reconnaître les questions importantes deviennent plus essentiels.

Rien de tout cela ne rend le jugement mathématique obsolète. Les évaluateurs récompensent ce que les chercheurs encodent. Choisir un problème fécond et reconnaître un motif éclairant exigent toujours un jugement contextuel que les systèmes actuels ne fournissent pas de manière fiable.

Le modèle le plus solide à court terme est collaboratif. L’IA effectue une recherche étendue et des tests mécaniques. Les humains définissent des objectifs précieux, étudient pourquoi un résultat fonctionne et le relient au paysage mathématique plus vaste.

Cette organisation peut tout de même redistribuer l’influence. Les chercheurs qui construisent des évaluateurs efficaces gagnent en pouvoir, tandis que les équipes dépourvues de ressources computationnelles risquent de prendre du retard. Le travail mathématique devient plus étroitement lié à l’ingénierie logicielle et aux infrastructures.

Cette analyse techmeme concerne donc autant le changement institutionnel que l’intelligence des machines. Le coup 37 a acquis de la valeur lorsque des joueurs humains l’ont étudié. L’IA mathématique comptera lorsque les chercheurs pourront convertir de façon fiable des sorties inconnues en compréhension partagée.

Ce qui pourrait compter comme le coup 37 des mathématiques

Le prochain moment décisif devra réunir vérification indépendante, nouveauté réelle et une leçon qui transforme la manière dont les mathématiciens travaillent.

Le premier signal à surveiller est un résultat entièrement vérifié sur un problème ouvert que des spécialistes extérieurs reconnaissent comme important. Du code reproductible et une démonstration formelle renforceraient l’affirmation. La dépendance à un évaluateur privé l’affaiblirait.

Le deuxième signal est une adoption humaine durable. Une construction surprenante isolée peut attirer l’attention, mais un véritable changement de flux de travail apparaît lorsque des chercheurs indépendants utilisent à plusieurs reprises des idées générées par l’IA. Les citations, les démonstrations ultérieures et les méthodes améliorées offrent de meilleurs éléments de preuve que les démonstrations.

Le troisième signal est le transfert entre classes de problèmes. AlphaGo a maîtrisé un jeu avant que ses techniques sous-jacentes n’influencent des systèmes ultérieurs. Un moteur de découverte mathématique devient plus conséquent lorsque la même approche réussit dans des domaines non liés sans reconstruction approfondie spécifique à chaque tâche.

Ces tests empêchent la comparaison de devenir un raccourci marketing. Le coup 37 n’a pas compté seulement parce qu’il semblait étrange. Il a compté parce qu’il a contribué à la victoire et a ensuite remodelé l’intuition des experts.

Les mathématiques exigent un niveau encore plus élevé. Un résultat produit par une machine doit rester correct sous un examen hostile. Les chercheurs doivent également établir que ce résultat était inconnu et important au-delà de la métrique choisie.

La voie la plus crédible passe par une évaluation transparente. Les systèmes devraient divulguer les définitions des problèmes, les références comparatives, les procédures de vérification et les contributions humaines entourant chaque résultat. Des équipes indépendantes devraient pouvoir reproduire les affirmations centrales.

Cette approche donnera parfois l’impression que les progrès sont plus lents. Elle créera aussi des connaissances capables de survivre au-delà d’un cycle de produit. Les mathématiques récompensent les résultats qui restent valides après que le modèle, l’entreprise et le benchmark ont changé.

L’expression « découverte par IA » devrait donc couvrir plusieurs niveaux. Un système peut trouver un meilleur candidat numérique, suggérer une conjecture utile, générer une démonstration ou aider des humains à élaborer une nouvelle théorie. Ces réussites ne devraient pas être considérées comme interchangeables.

Dix ans après AlphaGo, le développement important n’est pas que les machines puissent encore surprendre les gens. C’est que les chercheurs construisent des processus qui filtrent la surprise par des tests objectifs.

L’analyse techmeme du coup 37 mène à une question pratique pour chaque développeur, chercheur et travailleur du savoir : pouvez-vous examiner comment un résultat d’IA a gagné votre confiance ? Suivez la trace de la démonstration, testez le code et conservez les tentatives échouées aux côtés de la gagnante.

Le prochain coup 37 n’arrivera peut-être pas devant une audience mondiale. Il pourrait apparaître discrètement au sein d’un programme, suivi de mois de vérifications. Lorsque les mathématiciens adopteront son idée sous-jacente, la véritable percée deviendra visible.