La preuve assistée par IA de la conjecture de Sendov par Lech Mazur redéfinit ce qui compte comme preuve

Lech Mazur a annoncé une preuve assistée par IA et vérifiée par Lean de la conjecture de Sendov, un problème vieux de 67 ans qui avait résisté à tout argument complet jusqu’en août 2026. Cette affirmation s’accompagne d’une tension inhabituelle. Une preuve vérifiée par machine offre une assurance logique plus forte qu’un brouillon ordinaire, mais les mathématiciens doivent encore examiner ce que la machine a réellement vérifié.

Terence Tao a ensuite publié une analyse mathématique détaillée de l’argument. C’est important, car Tao avait déjà démontré la conjecture pour tous les degrés de polynômes suffisamment grands en 2020. Sa nouvelle présentation ne fait pas de lui l’auteur de la résolution initiale et n’élimine pas toutes les questions d’examen. Elle montre toutefois qu’un expert majeur a trouvé un mécanisme mathématique cohérent qui mérite d’être reconstruit pour des lecteurs humains.

La véritable histoire dépasse donc celle d’un nouveau problème difficile résolu par l’IA. Le résultat de Mazur met à l’épreuve une nouvelle répartition du travail entre la sélection de conjectures, la recherche guidée par IA, la vérification formelle et l’explication par des experts. Si la preuve complète résiste à un examen continu, ces quatre étapes compteront davantage que la simple étiquette « l’IA l’a résolue ».

Ce qui a changé dans la conjecture de Sendov

La nouvelle affirmation comble le vide des degrés finis laissé après des décennies de résultats partiels, tout en associant à la preuve proposée un certificat vérifiable par machine.

La conjecture de Sendov porte sur la relation entre les zéros d’un polynôme et ses points critiques. Un point critique est un zéro de la dérivée ; il indique donc un endroit où le comportement local du polynôme change.

Supposons que tous les zéros d’un polynôme complexe se situent à l’intérieur ou sur le disque unité. La conjecture affirme que chaque zéro doit avoir un point critique à une distance inférieure ou égale à un. L’énoncé est assez élémentaire pour être représenté graphiquement, mais une preuve générale est longtemps restée insaisissable.

Blagovest Sendov a proposé ce problème en 1958, selon le récit historique de l’article sur les grands degrés de Tao. Les premiers travaux l’attribuaient parfois à Lubomir Ilieff, ce qui explique l’ancienne appellation de conjecture d’Ilieff-Sendov.

Les chercheurs ont progressivement établi l’assertion dans des cadres restreints. La conjecture était connue pour les degrés inférieurs à neuf, pour certaines positions particulières des zéros et pour plusieurs régions dépendant du degré. Ces résultats couvraient un territoire important sans relier tous les cas.

Tao a changé la donne en décembre 2020. Il a démontré qu’il existe un seuil absolu au-delà duquel tout polynôme satisfait la conjecture. Le résultat a paru dans le volume 2022 d’Acta Mathematica.

Ce théorème réglait tous les degrés suffisamment élevés, mais ne fournissait pas de seuil numérique utilisable en pratique. Ses arguments de compacité établissaient l’existence sans produire de borne gérable. La conjecture complète ne pouvait donc pas être déduite en vérifiant une liste clairement bornée des degrés restants.

L’annonce de Mazur, en août 2026, affirme combler ce vide grâce à un argument formalisé dans Lean. Lean est un assistant de preuve qui ramène une démonstration à des définitions et à des étapes logiques vérifiées par un petit noyau de vérification.

Cette distinction compte. Un manuscrit classique demande aux rapporteurs de suivre une argumentation en prose, de combler de petites omissions et de vérifier les calculs. Une preuve Lean demande à un logiciel de rejeter toute étape qui ne découle pas des hypothèses encodées et des résultats précédemment acceptés.

La vérification par machine ne transforme pas un théorème en fait incontestable. Elle modifie toutefois de façon substantielle la première question de vérification. Les critiques doivent identifier une erreur dans l’énoncé formel, ses définitions, ses dépendances de confiance ou le lien entre le théorème formel et l’assertion originelle de Sendov.

L’analyse ultérieure de Tao apporte une deuxième forme de preuve. Son analyse de Sendov reconstruit le résultat formel sous la forme de mathématiques reconnaissables et examine les idées centrales de la démonstration.

Tao décrit la preuve comme remarquablement élémentaire. Selon son récit, elle ne requiert aucune analyse complexe substantielle au-delà du théorème fondamental de l’algèbre et de faits élémentaires sur les transformations de Möbius.

L’inégalité nommée la plus profonde est l’inégalité de Maclaurin, qui compare les moyennes symétriques de nombres non négatifs. C’est inattendu, car les avancées antérieures employaient des méthodes analytiques, géométriques et asymptotiques sophistiquées.

Il vaut mieux dater l’événement d’août 2026, plutôt que du résultat de Tao en 2020. Tao a établi le théorème des grands degrés en décembre 2020. Mazur a annoncé la preuve formelle complète revendiquée, assistée par IA, en août 2026, suivie de l’analyse publique de Tao.

Pourquoi un énoncé simple a résisté pendant 67 ans

Le problème de Sendov est resté ouvert parce que la géométrie locale autour d’un zéro doit être contrôlée à l’aide d’informations réparties entre tous les zéros et tous les points critiques.

La conjecture ressemble à une affirmation de plus proche voisin. Choisissez un zéro, tracez un disque de rayon un, puis trouvez un point critique à l’intérieur. Or, la dérivée d’un polynôme dépend de toute la configuration de ses zéros.

Le théorème de Gauss-Lucas fournit la contrainte géométrique la plus générale. Il affirme que chaque point critique se trouve à l’intérieur de l’enveloppe convexe des zéros du polynôme. Lorsque tous les zéros occupent le disque unité, tous les points critiques y restent également.

Cela ne suffit pas pour l’assertion de Sendov. Un point critique peut se trouver dans l’enveloppe convexe globale tout en restant à plus d’une unité d’un zéro particulier. Sendov exige une garantie locale distincte pour chaque zéro.

La difficulté apparaît le plus clairement près du bord. Un zéro choisi peut se situer près du cercle unité, tandis que la plupart des points critiques se regroupent ailleurs. Une preuve doit exclure les configurations qui violent presque la distance recherchée.

Les travaux de Tao en 2020 expliquent pourquoi ces quasi-contre-exemples comptent. Son analyse a divisé le problème des grands degrés selon la position du zéro sélectionné, puis a utilisé des outils différents près de l’origine et du bord.

Pour les zéros proches du bord, Tao a affiné des arguments perturbatifs développés par des chercheurs antérieurs. Près de l’origine, il a utilisé la compacité, le balayage et le principe de l’argument. Le balayage est une méthode qui remplace une distribution par des données au bord tout en préservant son potentiel extérieur.

Ces méthodes ont démontré que les contre-exemples ne peuvent pas persister lorsque le degré devient grand. Elles n’ont toutefois pas produit de seuil explicite permettant d’achever les cas restants par calcul.

La nouvelle preuve suivrait une autre voie. La reconstruction de Tao reformule un contre-exemple supposé et en extrait des inégalités algébriques que ses zéros et ses points critiques doivent satisfaire. La contradiction surgit alors par des transformations élémentaires et des inégalités symétriques.

Ce mécanisme compte davantage que l’ancienneté du problème. Les systèmes d’IA donnent souvent le meilleur d’eux-mêmes lorsqu’ils peuvent explorer de nombreuses reformulations algébriques, tester des lemmes intermédiaires et recevoir un retour exact d’un vérificateur.

Un mathématicien humain peut également explorer ces pistes. La différence tient à l’échelle et à la rapidité de l’itération. Un agent formel peut proposer une étape, la compiler, étudier l’échec et tenter une autre formulation de manière répétée.

Ce processus convient particulièrement bien au problème de Sendov. L’énoncé est compact, de nombreuses normalisations équivalentes existent et l’objectif peut être exprimé précisément. Chaque inégalité candidate impose au vérificateur une obligation claire : réussite ou échec.

Le caractère élémentaire de la preuve ne doit pas être confondu avec une découverte facile. De nombreux arguments célèbres paraissent simples une fois trouvée la bonne représentation. Le travail difficile consiste souvent à trouver la représentation qui rend la contradiction visible.

C’est aussi pourquoi « l’IA a cherché plus intensément » est une explication incomplète. La recherche ne devient utile que lorsque le système dispose d’un langage formel productif, d’une cible traitable et d’un retour capable de rejeter les faux pas.

Lean fournit ce retour après la formalisation. Mazur assure la sélection du problème, l’orientation, l’interprétation et la responsabilité de l’affirmation. L’exposé de Tao offre un parcours intelligible pour les humains à travers l’artefact obtenu.

Ces rôles ne se réduisent pas à un unique événement de machine sans auteur. Ils forment une chaîne de travail, et chaque étape répond à une source d’incertitude différente.

La véritable confrontation oppose la génération par IA à la vérification formelle

Le conflit principal n’oppose pas l’IA aux mathématiciens, mais un raisonnement généré à des éléments de preuve que des systèmes et des experts indépendants peuvent auditer.

Un modèle de langage peut produire une preuve élégante qui contient une lacune fatale. La prose mathématique est particulièrement vulnérable, car une transition fausse peut ressembler à des milliers d’arguments valides présents dans ses données d’entraînement.

Demander à un autre modèle de langage d’examiner la même preuve ne résout pas entièrement le problème. Les modèles peuvent partager des sources d’entraînement, des habitudes de raisonnement et des angles morts. Leur accord peut refléter une erreur corrélée plutôt qu’une confirmation indépendante.

La vérification formelle modifie la structure de cette évaluation. Lean n’accepte pas un argument parce qu’il semble familier. Son noyau vérifie si chaque terme possède le type requis au regard des définitions et axiomes énoncés.

Cela donne à la preuve formelle une base probatoire plus solide qu’une transcription de discussion non auditée. Cela ne signifie pas que Lean comprend l’importance mathématique, la priorité historique ou la question de savoir si l’énoncé formel choisi correspond aux intentions des chercheurs.

Cette limite est essentielle. Un assistant de preuve peut vérifier parfaitement le mauvais théorème. Une traduction subtilement erronée peut affaiblir une hypothèse, modifier une convention de distance ou restreindre la classe de polynômes sans faire échouer le fichier formel.

La formalisation crée donc deux niveaux de vérification. Le premier demande si le code Lean se compile dans son environnement de confiance. Le second demande si le théorème encodé représente fidèlement la conjecture de Sendov.

Le second niveau requiert toujours des mathématiciens. Les experts doivent examiner les définitions, les énoncés de théorèmes, les résultats importés et les hypothèses éventuellement cachées derrière des abstractions. Ils doivent aussi comparer l’artefact à la formulation conventionnelle.

L’analyse de Tao est importante précisément à cette frontière. Il retranscrit la preuve en mathématiques ordinaires, en identifie le mécanisme et la relie à la littérature établie.

Cela diffère du simple fait d’accorder une approbation de célébrité à un titre. Une analyse mathématique expose une structure que d’autres spécialistes peuvent contester. Elle permet aux lecteurs de demander où intervient chaque inégalité et si un cas a disparu pendant la traduction.

Le rôle public de Mazur compte également. L’expression « assistée par IA » couvre une large gamme de méthodes de travail, allant du remue-méninges à la recherche formelle autonome. Un compte rendu responsable devrait préciser quelles étapes proviennent de l’IA, lesquelles viennent des humains et lesquelles ont été vérifiées mécaniquement.

Les éléments actuels justifient une formulation prudente. Mazur a annoncé une preuve complète, l’artefact associé a été présenté comme vérifié par Lean, et Tao a produit un exposé mathématique sérieux. Ces faits justifient l’attention sans rendre l’évaluation par les pairs superflue.

L’affirmation la plus solide n’est pas qu’une IA s’est réveillée de façon indépendante et a résolu une célèbre conjecture. La conclusion plus forte et mieux étayée est qu’un flux de travail activé par l’IA a produit un résultat formel qu’un spécialiste de premier plan pouvait analyser de manière significative.

C’est déjà un changement important. Les démonstrations antérieures de mathématiques par IA dépendaient souvent de problèmes de référence dont les réponses étaient connues ou d’énoncés formels soigneusement préparés. Sendov était une conjecture ouverte reconnaissable, accompagnée d’une vaste littérature spécialisée.

De récents projets d’IA mathématique présentent le même schéma centré sur la vérification. Aristotle, développé par Harmonic, a été utilisé pour rechercher et formaliser des preuves dans Lean. Une résolution d’Erdős de janvier 2026 mentionnait GPT-5.2 Pro, Aristotle et l’opérateur humain Kevin Barreto comme contributeurs distincts.

Le cas de Sendov étend ce modèle à un problème d’analyse plus emblématique. Il rend également la chaîne de collaboration inhabituellement visible : conjecture, opérateur, recherche par IA, assistant de preuve et exposé d’expert.

Cette répartition du crédit deviendra source de controverses. Traditionnellement, la paternité mathématique combine la génération d’idées, la construction de preuves, la vérification des erreurs, l’exposition et la mise en perspective historique. Les travaux formels assistés par IA peuvent répartir ces fonctions entre différentes personnes et différents systèmes.

Les lecteurs devraient éviter deux récits tout aussi fragiles. Le premier considère le résultat comme sans valeur parce qu’une IA a participé. Le second estime qu’une compilation formelle prouve que le jugement mathématique humain n’a plus d’importance.

Les éléments disponibles étayent une conclusion plus nuancée. Les preuves générées deviennent bien plus crédibles lorsqu’elles passent par un vérificateur, mais leur signification dépend toujours d’une spécification fidèle et d’une interprétation experte.

Ce que le certificat Lean ne permet pas de trancher

Un artefact vérifié peut établir la validité logique tout en laissant ouvertes à l’examen la spécification, la provenance, la nouveauté et l’acceptation académique.

La première incertitude concerne l’énoncé exact du théorème. Des utilisateurs indépendants de Lean devraient compiler l’artefact, examiner ses hypothèses et confirmer que ses définitions correspondent à la formulation standard dans le disque unité fermé.

Il ne s’agit pas d’une simple formalité procédurale. Les preuves formelles tirent leur force de leur exactitude. Une modification d’un seul caractère dans une inégalité peut séparer l’assertion complète de Sendov d’un énoncé voisin déjà connu.

La deuxième incertitude concerne les dépendances. Les preuves Lean importent couramment des bibliothèques établies contenant de l’algèbre, de la topologie, de l’analyse et des constructions finies. Les évaluateurs devraient identifier tout axiome personnalisé, espace réservé ou déclaration non prouvée.

Une vérification propre par le noyau ne constitue une preuve solide qu’au sein de la base informatique de confiance. Cette base comprend le noyau de Lean, la source formelle ainsi que le matériel et les logiciels qui l’exécutent. Elle est réduite par rapport à la confiance mathématique ordinaire, mais elle n’est pas inexistante.

Le troisième enjeu est la provenance. « Assisté par IA » devrait décrire le flux de travail plutôt que servir de catégorie promotionnelle. Les chercheurs ont besoin de suffisamment de détails pour déterminer si l’IA a trouvé l’idée centrale, comblé des lacunes formelles, traduit de la prose ou exploré des alternatives.

Cette information influe sur l’interprétation scientifique. Un système qui trouve de manière autonome un lemme décisif démontre une capacité différente d’un système qui formalise un argument rédigé par un humain.

Les deux usages restent précieux. Ils répondent simplement à des questions différentes sur la capacité de recherche de l’IA.

Le quatrième enjeu est la nouveauté. Les systèmes d’IA peuvent redécouvrir des résultats oubliés ou reproduire des idées enfouies dans une littérature peu accessible. Tao a souligné à plusieurs reprises l’importance de la recherche bibliographique lors de l’évaluation des mathématiques générées par machine.

La conjecture de Sendov a accumulé des décennies de preuves partielles, de preuves revendiquées et de variantes techniques. Les spécialistes doivent comparer l’approche de Mazur aux travaux antérieurs avant d’attribuer un crédit historique à chacun de ses composants.

Le cinquième enjeu est l’exposition. Une preuve formelle peut être correcte tout en restant difficile à comprendre. Les mathématiques progressent grâce à des concepts réutilisables, et non à de simples certificats attestant qu’un énoncé découle d’axiomes.

La digestion de Tao répond à ce problème en condensant la chaîne formelle en un argument humain. D’autres mathématiciens doivent désormais vérifier si ce récit peut être simplifié, généralisé et enseigné sans dépendre du processus de recherche initial.

Le sixième enjeu est l’évaluation par les pairs conventionnelle. Un rapporteur de revue ne se contente pas de vérifier la validité logique. Il évalue l’originalité, la clarté, les citations, la portée et la relation entre les affirmations et les éléments de preuve.

Une reconstruction publique par un expert peut accélérer ce processus, mais ne le remplace pas. Ni l’enthousiasme sur les réseaux sociaux ni le scepticisme ne doivent être confondus avec une évaluation académique achevée.

La position sceptique la plus solide n’est donc pas « la preuve est probablement fausse ». Les éléments disponibles sont plus substantiels qu’une affirmation de preuve typique publiée en ligne. Le scepticisme responsable porte sur la correspondance et l’exhaustivité autour de l’artefact formel.

Le théorème Lean encode-t-il exactement la conjecture de Sendov ? Le fichier compile-t-il de manière indépendante ? Tous les imports et toutes les hypothèses sont-ils acceptables ? L’explication informelle couvre-t-elle le même périmètre ?

Ce sont des questions auxquelles il est possible de répondre. C’est une amélioration par rapport aux débats sur de longues preuves en prose, où les désaccords peuvent persister autour d’étapes implicites et d’interprétations concurrentes.

Un artefact formel donne aux critiques une cible précise. Si une erreur existe, ils peuvent identifier une définition, une hypothèse, un import ou une traduction. Si des audits répétés n’en trouvent aucune, la confiance devrait augmenter en conséquence.

Le rôle de Terence Tao relève de la validation, pas de la copropriété

Tao a fourni une interprétation experte cruciale, mais les archives publiques distinguent son théorème partiel antérieur de la preuve complète revendiquée par Mazur.

Les titres affirmant que « l’IA, Lech Mazur et Terence Tao ont résolu Sendov ensemble » brouillent trois contributions distinctes. Cette formulation est compréhensible, mais mathématiquement inexacte.

Le théorème de Tao de 2020 a établi la conjecture pour des degrés suffisamment grands. Il s’agissait d’un résultat partiel majeur, qui a transformé le problème restant en une question finie en principe.

Cependant, la preuve de Tao ne résolvait pas tous les degrés. Son seuil était existentiel plutôt qu’explicite ; les chercheurs ne pouvaient donc pas simplement énumérer les cas restants.

La preuve annoncée par Mazur vise la conjecture dans son intégralité. La recherche assistée par IA et la vérification Lean sont au cœur de cette nouvelle affirmation. Tao est intervenu ensuite comme lecteur expert et vulgarisateur.

Cette chronologie ne diminue pas le rôle de Tao. Sa connaissance du problème rend sa réaction particulièrement instructive. Il sait pourquoi les approches antérieures ont échoué et quelles caractéristiques d’un nouvel argument méritent attention.

Sa digestion protège également contre une défaillance fréquente des mathématiques par IA. Un certificat formel peut circuler plus vite que n’importe quel spécialiste ne peut comprendre l’idée qui le sous-tend. Tao ralentit ce processus en reconstruisant la preuve dans un langage conventionnel.

Cette reconstruction crée un test intellectuel indépendant. Si la preuve peut être réorganisée en un argument humain élémentaire, sa valeur dépasse la seule réussite de la compilation.

Elle révèle aussi un rôle possible à l’avenir pour les mathématiciens chevronnés. Ils pourront consacrer davantage de temps à sélectionner les productions des machines, à en identifier le noyau conceptuel, à les relier à la littérature et à les transformer en théorie réutilisable.

Ce travail n’est pas administratif. Choisir la bonne abstraction peut exiger autant de sens mathématique que découvrir une voie de preuve. Cela détermine si un résultat devient du savoir ou demeure un certificat isolé.

La pression s’exerce le plus directement sur les flux de travail qui considèrent la plausibilité en langage naturel comme suffisante. Les transcriptions de conversations, le consensus des modèles et les explications assurées paraissent moins solides lorsque des artefacts formels vérifiés deviennent disponibles.

L’édition traditionnelle subit elle aussi une pression. Une preuve formelle peut être vérifiée publiquement avant qu’une revue n’achève son évaluation. Les commentaires d’experts peuvent arriver en quelques jours, tandis qu’une publication conventionnelle peut prendre des mois.

Les revues resteront importantes pour la priorité, le contrôle qualité, la stabilité archivistique et l’exposition. Elles pourraient exiger de plus en plus souvent des artefacts formels pour les résultats issus de la démonstration automatique de théorèmes.

Les laboratoires d’IA subissent une autre pression. Les scores de benchmark ne peuvent pas démontrer pleinement l’utilité pour la recherche. Un résultat crédible sur un problème ouvert doit révéler la source du problème, le processus de recherche, l’énoncé formel, la sortie du vérificateur et l’audit expert.

Les mathématiciens subissent eux aussi une pression, mais pas simplement sous la forme d’un remplacement de leurs emplois. Ils doivent apprendre à formuler des cibles utiles, à examiner des définitions générées par machine et à reconnaître quand une preuve vérifiée contient une idée précieuse.

L’épisode Sendov remet donc en cause à la fois le triomphalisme autour de l’IA et la défense corporatiste. La contribution de la machine devient crédible parce que des humains l’ont spécifiée, examinée et expliquée. Le jugement humain devient plus efficace parce que les machines ont élargi et vérifié la recherche.

Cette interdépendance constitue le renversement central. Une meilleure vérification n’écarte pas les mathématiciens du processus. Elle modifie l’endroit où leur attention rare produit le plus de valeur.

Trois signaux détermineront ce que signifie ce résultat

La reproduction indépendante, une preuve humaine stable et la réutilisation de la méthode détermineront si Sendov devient un jalon ou un succès isolé.

Le premier signal est la reproduction formelle indépendante. Des spécialistes de Lean devraient obtenir la source, la compiler dans un environnement documenté et examiner chaque hypothèse non standard.

Une compilation indépendante réussie renforcerait l’affirmation selon laquelle le certificat est portable plutôt que lié à une configuration privée. La découverte d’une divergence de spécification l’affaiblirait immédiatement.

L’évaluation devrait publier l’énoncé exact du théorème et la liste des dépendances. Cela permettrait aux spécialistes de comparer directement le résultat formel à la formulation classique, au lieu de se fier à des résumés.

Le deuxième signal est un manuscrit mathématique stable et citable. La digestion de Tao constitue un pont important, mais le domaine a encore besoin d’un compte rendu complet comportant définitions, lemmes, références et attribution.

Si les spécialistes peuvent enseigner l’argument et en reproduire les étapes clés sans la session d’IA d’origine, le résultat devient partie intégrante des mathématiques ordinaires. Si la preuve ne demeure compréhensible qu’à travers un vaste fichier formel, son influence académique sera plus limitée.

Un manuscrit conventionnel clarifierait également les limites des contributions. Il devrait indiquer ce que Mazur a apporté, ce que les systèmes d’IA ont généré, ce que Lean a vérifié et ce que l’exposition ultérieure de Tao a ajouté.

Le troisième signal est la réutilisation méthodologique. Les chercheurs devraient vérifier si la même architecture de preuve peut établir des variantes plus fortes, simplifier des résultats antérieurs spécifiques à certains degrés ou faire émerger de nouvelles inégalités pour les points critiques des polynômes.

Le renforcement de Phelps-Rodriguez constitue un test évident, car il affine la relation géométrique au cœur de l’énoncé de Sendov. Des progrès sur ce point montreraient que la méthode saisit une structure plutôt qu’une contradiction fortuite.

La réutilisation répondrait également à une question importante sur l’IA. Le flux de travail a-t-il découvert une idée mathématique transférable, ou a-t-il simplement parcouru avec succès un espace de recherche formel unique ?

Une méthode transférable renforcerait l’argument en faveur de l’IA comme collaboratrice de recherche. Un certificat isolé resterait précieux, mais fournirait des éléments plus faibles quant au raisonnement mathématique général.

Pour les développeurs, la leçon est que les sorties étayées par un vérificateur méritent une catégorie distincte des réponses ordinaires des modèles. Les systèmes devraient exposer les hypothèses, les dépendances, les branches abandonnées et les artefacts reproductibles plutôt que de ne fournir que des réponses soignées.

Pour les chercheurs, la leçon est de préserver toute la chaîne de preuves. La formulation d’une conjecture, son encodage formel, la preuve générée, le certificat compilé et l’exposition humaine devraient rester liés.

Pour les travailleurs du savoir, le schéma plus large est tout aussi pertinent. Une production d’IA devient plus digne de confiance lorsqu’un système externe peut la tester selon des règles explicites. Les mathématiques offrent une version particulièrement nette de ce principe.

La conjecture de Sendov se trouve désormais au centre de cette transition. La meilleure description actuelle est celle d’une preuve assistée par IA et vérifiée par Lean, annoncée par Lech Mazur et analysée sérieusement par Terence Tao.

Dire que « l’IA a résolu les mathématiques » fait perdre la partie la plus instructive de l’événement. Le résultat compte parce que la génération, la vérification et la compréhension humaine ont été séparées, puis reliées par des artefacts auditables.

La prochaine étape est concrète : surveiller l’apparition de développements Lean indépendants, d’un manuscrit scientifique pérenne et de nouveaux théorèmes recourant au même mécanisme. Si ces trois éléments se concrétisent, cette preuve marquera davantage que la fin d’un problème vieux de 67 ans.