Avertissement de Terence Tao sur les mathématiques et l’IA : la course aux réponses nuit aux mathématiques

Terence Tao a lancé un avertissement inhabituellement direct au sujet des mathématiques et de l’IA, tout en saluant les capacités croissantes de cette technologie pour la recherche. Son inquiétude n’est pas que les machines résolvent des problèmes importants. Elle tient au fait que les entreprises d’IA peuvent produire des réponses plus vite que les mathématiciens ne peuvent les vérifier, les expliquer, en attribuer le mérite et les assimiler.

L’avertissement de Terence Tao sur les mathématiques et l’IA est intervenu après qu’OpenAI a publié, le 8 septembre, une solution revendiquée au problème d’existence et de régularité des équations de Navier-Stokes. Cette question fait partie des sept problèmes du prix du Millénaire en mathématiques. OpenAI affirme qu’un modèle interne a coordonné près de 10 000 agents et achevé sa résolution proposée en environ 88 heures.

Le résultat n’a pas encore suivi le processus traditionnel qui transforme une preuve proposée en mathématiques reconnues. Pourtant, il sert déjà d’argument dans une compétition entre OpenAI, Anthropic et Google DeepMind. C’est ce qui crée le conflit au cœur de la critique de Tao.

Les laboratoires d’IA mesurent leurs progrès à travers des résultats visibles, des problèmes célèbres, des scores de benchmark et des démonstrations des capacités de leurs modèles. Les mathématiciens ont besoin de quelque chose de plus lent : examen minutieux, travail d’explication, attribution, discussion et méthodes que d’autres chercheurs peuvent réutiliser.

Il ne s’agit pas d’un différend entre ceux qui soutiennent l’IA et ceux qui la rejettent. Tao utilise l’IA dans ses propres travaux et s’attend à ce qu’elle fasse partie des mathématiques de recherche. Le différend porte sur ce que la technologie est optimisée pour produire.

Si l’IA crée une abondance de preuves sans augmentation équivalente de la compréhension, les mathématiques héritent d’un nouveau goulot d’étranglement. La ressource rare n’est plus la réponse candidate. C’est l’attention humaine nécessaire pour déterminer ce que signifie cette réponse.

L’avertissement de Terence Tao sur les mathématiques et l’IA a suivi un résultat historique revendiqué

L’annonce d’OpenAI a transformé une inquiétude émergente sur les incitations de la recherche en IA en un test immédiat pour la communauté mathématique.

Les équations de Navier-Stokes décrivent le mouvement des fluides, y compris l’air et l’eau. Le problème ouvert demande si un mouvement fluide tridimensionnel régulier doit rester régulier ou s’il peut développer une singularité en temps fini. Une singularité est un point où la description mathématique produit une vitesse non bornée.

La revendication d’OpenAI sur Navier-Stokes affirme que son système a construit une configuration fluide régulière qui développe une telle singularité. L’entreprise a publié à la fois un argument écrit et une formalisation dans Lean. Lean est un assistant de preuve qui vérifie si les étapes mathématiques découlent de règles explicitement énoncées.

L’entreprise indique que le travail a commencé le 1er septembre, après que des chercheurs ont entendu des rumeurs de progrès sur d’importants problèmes mathématiques. Son système multiagents a attribué différentes formulations du problème à des groupes distincts. Codex a ensuite consolidé les résultats intermédiaires utiles afin que les groupes suivants puissent s’appuyer sur eux.

OpenAI affirme que les agents participants ont généré 2,7 millions de messages et environ 130 milliards de tokens de sortie durant l’effort consacré à Navier-Stokes. GPT-6 Astra aurait nécessité 17 heures supplémentaires pour formaliser et vérifier le résultat dans Lean.

Ces chiffres montrent pourquoi Tao estime que le rythme a changé. Les groupes de recherche humains ne peuvent pas créer, filtrer et présenter ce volume de raisonnements candidats en quatre jours. L’ancienne limite de vitesse de découverte ne s’applique plus lorsque des milliers d’agents effectuent des recherches simultanément.

Toutefois, l’échelle de calcul ne règle pas le statut mathématique du résultat. La vérification formelle peut montrer qu’une preuve est valide dans un système formel donné. Elle n’établit pas automatiquement que l’énoncé formel correspond à toutes les conditions du problème original.

Elle ne détermine pas non plus si la preuve introduit des idées importantes, dépend de travaux antérieurs négligés ou mérite l’interprétation historique qui lui est attribuée. Ces questions exigent des experts qui comprennent à la fois l’argument formel et le domaine plus large auquel il appartient.

OpenAI a présenté ce résultat comme une solution et comme une preuve des progrès rapides de ses modèles. L’entreprise a également déclaré qu’elle ne briguerait pas le prix associé. Cette décision ne supprime pas la nécessité d’un examen indépendant.

Une affirmation mathématique majeure passe normalement par des séminaires, des rapports d’évaluation, des corrections, des présentations alternatives et un examen soutenu par la communauté. Ces processus peuvent prendre des mois ou des années. Ils révèlent souvent qu’une preuve doit être révisée, couvre un énoncé plus restreint ou s’appuie sur un résultat auparavant sous-estimé.

L’avertissement de Tao n’exige donc pas que la preuve soit erronée. En réalité, le problème devient plus urgent si le résultat est correct. Une preuve valide produite en quelques jours peut néanmoins parvenir bien plus vite que le domaine ne peut l’assimiler de manière responsable.

L’événement a déplacé la discussion : il ne s’agit plus de savoir si l’IA peut contribuer aux mathématiques de recherche, mais de déterminer comment les mathématiques doivent traiter les travaux générés par machine à grande échelle. C’est un défi institutionnel plus profond que la victoire sur un seul benchmark.

L’abondance de preuves crée un nouveau goulot d’étranglement pour la recherche

La rareté centrale se déplace : il ne s’agit plus de trouver des preuves, mais de les comprendre, de les examiner et de les intégrer.

Tao a décrit la résolution de problèmes mathématiques comme une chaîne de production plutôt que comme un acte unique. Un résultat doit être généré, vérifié, expliqué, accepté et intégré au domaine. Ce n’est qu’alors que d’autres personnes peuvent en tirer des enseignements fiables et l’utiliser.

Les mathématiques traditionnelles reliaient ces étapes. Les chercheurs qui tentaient de résoudre un problème difficile en apprenaient généralement la structure tout en cherchant une preuve. Les approches infructueuses révélaient des limites, et les résultats partiels créaient des outils qui pouvaient subsister même lorsque l’objectif final restait ouvert.

Ce processus était inefficace si le seul résultat recherché était une réponse par oui ou par non. Il était très productif si l’objectif consistait à mieux comprendre le paysage mathématique.

L’IA sépare la réponse du parcours. Un grand modèle peut explorer des milliers de voies, en écarter la plupart et restituer un argument abouti. La sortie peut masquer quelles tentatives infructueuses ont compté ou quel lien conceptuel a rendu le résultat possible.

Dans une interview sur les mathématiques et l’IA, Tao a comparé cette perte au fait de ne regarder que le début et la fin d’un film. L’intrigue trouve sa résolution, mais une grande partie de l’expérience disparaît.

Son inquiétude n’est pas une nostalgie du calcul lent. Les mathématiciens s’appuient déjà sur le calcul informatique, les expériences numériques, les logiciels symboliques, les bases de données et les assistants de preuve. L’automatisation a maintes fois supprimé du travail routinier sans mettre fin à la discipline.

La différence tient à l’échelle, combinée à une sélection guidée par le prestige. Les laboratoires d’IA ont de fortes incitations à cibler des questions célèbres qui génèrent des titres faciles à comprendre. Chaque résultat réussi devient également une preuve de la capacité de raisonnement plus générale d’un modèle.

Cette incitation oriente d’immenses ressources de calcul vers la réponse finale. Elle ne garantit pas un investissement équivalent dans l’exposé, la recherche historique, l’attribution, l’enseignement ou les travaux de suivi.

L’essai de Tao sur l’ère de l’IA décrit une possible transition de la rareté des preuves vers leur abondance. Dans ces conditions, les signaux professionnels reconnus peuvent cesser de mesurer ce que la communauté valorise réellement.

Un problème célèbre résolu témoignait autrefois d’années de perspicacité, de technique et d’engagement dans un domaine. Lorsque des systèmes automatisés peuvent explorer de nombreux problèmes simultanément, le même signal peut plutôt représenter une importante allocation de ressources de calcul.

Il s’agit d’une version de la loi de Goodhart : lorsqu’une mesure devient une cible, elle peut cesser de fonctionner comme une mesure utile. Résoudre des problèmes prestigieux est un indicateur indirect du progrès mathématique. Ce n’est pas la même chose que le progrès mathématique.

L’avertissement de Terence Tao sur les mathématiques et l’IA demande si les laboratoires optimisent cet indicateur indirect tout en transférant le coûteux travail d’interprétation aux universités et aux chercheurs individuels. Si c’est le cas, la production de preuves augmente tandis que le système d’évaluation reste presque inchangé.

Ce déséquilibre crée une file d’attente. Chaque article généré par machine rivalise pour l’attention avec les travaux humains, l’enseignement, le mentorat et les obligations d’évaluation existantes. Un flot de preuves plausibles peut absorber énormément de temps, même si seul un faible pourcentage devient précieux.

La même dynamique apparaît dans la sécurité logicielle et l’édition scientifique. Générer une vulnérabilité ou une hypothèse proposée peut être peu coûteux. La confirmer, la reproduire et expliquer son importance pratique reste onéreux.

Pour les travailleurs du savoir, l’enseignement plus large est familier. Produire davantage ne crée pas automatiquement davantage de connaissances exploitables. Le défi est le knowledge blending, où les nouveaux contenus doivent se relier à un contexte fiable plutôt que de rester un résultat isolé.

Les mathématiques rendent ce problème particulièrement visible, car l’exactitude peut souvent être énoncée avec précision. Même dans ce domaine, la vérification ne peut à elle seule remplacer l’interprétation.

Les laboratoires d’IA optimisent les capacités, tandis que les mathématiques optimisent la compréhension

Le conflit principal n’oppose pas les humains aux machines, mais les démonstrations de capacités à la création plus lente d’une compréhension partagée.

OpenAI a une raison rationnelle de s’attaquer à des problèmes mathématiques difficiles. Les mathématiques offrent des questions précises, des arguments vérifiables et de longues chaînes de raisonnement. Un résultat qui résiste à l’examen d’experts fournit une preuve plus solide que la confiance déclarée par un modèle lui-même.

L’entreprise soutient également que le raisonnement mathématique se transfère au-delà de la recherche fondamentale. Des systèmes capables de maintenir des arguments cohérents pourraient aider les scientifiques à explorer la physique, la biologie, l’ingénierie, les matériaux et la médecine. Une preuve difficile devient donc à la fois de la recherche et une évaluation de modèle.

Des éléments soutiennent cette vision optimiste. En mai, OpenAI a indiqué qu’un système interne avait réfuté une conjecture ancienne liée au problème des distances unité d’Erdős. Des mathématiciens externes ont examiné cet argument et décrit son recours à la théorie algébrique des nombres comme surprenant et significatif.

Ce cas antérieur est important, car des chercheurs humains ont produit des explications complémentaires et relié le résultat à des domaines voisins. La preuve a fait plus que modifier une réponse vraie ou fausse. Elle a révélé une relation entre des domaines que les mathématiciens pouvaient approfondir.

Google DeepMind présente un modèle collaboratif similaire. Ses travaux sur la découverte scientifique mettent l’accent sur des mathématiciens qui guident les modèles, évaluent leurs sorties et développent les résultats afin d’en faire des recherches exploitables.

Ces exemples montrent que l’impact de l’IA sur les mathématiques n’est pas intrinsèquement extractif. Les systèmes peuvent tester des conjectures, explorer la littérature, formaliser des arguments et suggérer des connexions inattendues. Ils peuvent aussi élargir la participation à de grands projets collaboratifs.

Le conflit apparaît lorsque le résultat qui fait les titres devient le produit principal. Un laboratoire peut annoncer que son modèle a résolu un problème célèbre en quelques jours. La communauté mathématique doit ensuite déterminer si l’énoncé formel est approprié et si la preuve apporte de la compréhension.

Cette division du travail crée des incitations asymétriques. Le laboratoire gagne en visibilité grâce à l’annonce. Les évaluateurs reçoivent davantage de travail non rémunéré ou faiblement récompensé, ainsi qu’une pression pour répondre rapidement.

Tao a employé une métaphore volontairement frappante pour décrire ce déséquilibre, comparant les solutions brutes à des aliments non préparés laissés à une communauté chargée de les transformer. Son propos est que la génération et la vérification initiale ne sont que le début.

Les conséquences institutionnelles vont au-delà de la charge de travail. Les grands problèmes ouverts contribuent à structurer les communautés de recherche. Les doctorants étudient des cas partiels, les chercheurs développent des techniques spécialisées et les séminaires élaborent un langage commun autour d’obstacles non résolus.

Une réponse immédiate peut clore cette question centrale avant que les idées qui l’entourent n’aient mûri. La preuve peut être correcte, mais l’environnement de recherche qui se serait développé autour du problème devient moins fertile.

Cela ne signifie pas que les mathématiciens devraient préserver artificiellement des problèmes non résolus. Cela signifie que les laboratoires doivent reconnaître que la vitesse modifie l’environnement dans lequel les découvertes se produisent.

La réponse la plus solide consisterait à aligner le développement des modèles sur l’ensemble de la chaîne de recherche. Un laboratoire pourrait financer une vérification indépendante, publier les raisonnements intermédiaires, documenter la littérature pertinente et soutenir des travaux d’accompagnement explicatifs avant de formuler de vastes revendications.

Il pourrait également récompenser les modèles capables d’identifier des lemmes utiles, de cartographier les approches ayant échoué ou de générer des simplifications compréhensibles. Ces résultats sont moins spectaculaires que la résolution d’un problème du prix du Millénaire, mais ils correspondent davantage à la manière dont les connaissances progressent.

C’est là que les préoccupations de Terence Tao concernant l’IA diffèrent d’une crainte générale de l’automatisation. Tao ne défend pas une propriété exclusivement humaine des réponses. Il se demande si le système qui les entoure préserve les valeurs qui rendent ces réponses dignes d’être trouvées.

La vitesse soulève des questions de crédit, d’évaluation et de culture de recherche

Plus les systèmes d’IA produisent des résultats rapidement, plus les institutions doivent protéger avec soin l’attribution et l’examen indépendant.

L’annonce concernant Navier-Stokes est intervenue sur fond de désaccord au sujet de travaux menés en parallèle. OpenAI a déclaré que des rumeurs concernant des recherches du mathématicien de NYU Tristan Buckmaster et du chercheur d’Anthropic Levent Alpöge avaient contribué à déclencher ses efforts.

Selon OpenAI, le système de l’entreprise n’avait pas eu accès à leurs travaux privés avant de produire sa preuve. OpenAI a ensuite mis à jour sa version des faits après avoir examiné la possibilité que des interactions antérieures avec des utilisateurs aient pu influencer le modèle.

Buckmaster a publiquement contesté certains aspects du processus environnant, notamment la manière dont OpenAI a abordé la paternité et l’attribution. Le chercheur d’OpenAI Sébastien Bubeck a contesté cette description. Le désaccord reste pertinent même si les preuves concurrentes sont techniquement distinctes.

La recherche en IA complique la question de la priorité, car un modèle peut assimiler une vaste littérature publique, des données privées fournies par des utilisateurs, des instructions de chercheurs et des travaux intermédiaires générés par des machines. Chaque source peut contribuer différemment à un résultat final.

Les pratiques traditionnelles de citation ont été conçues pour des auteurs humains capables de décrire ce qu’ils avaient lu et comment une idée s’était développée. Les grands systèmes multi-agents rendent cette reconstruction plus difficile. Des millions de messages ne peuvent pas être interprétés comme le carnet d’un mathématicien.

OpenAI indique que ses agents Navier-Stokes avaient accès à une version mise en cache d’Internet. L’entreprise affirme également que le modèle interne a été entraîné par apprentissage par renforcement à grande échelle sur un modèle préalablement entraîné. Ces faits n’établissent pas un usage abusif, mais montrent pourquoi la provenance exige une documentation rigoureuse.

Une preuve générée par l’IA peut reconstruire indépendamment une technique connue. Elle peut aussi synthétiser des indices dont l’influence devient difficile à retracer. Sans registres transparents, les chercheurs extérieurs ne peuvent pas facilement distinguer ces cas.

Le risque concerne également les étudiants et les mathématiciens en début de carrière. Ils développent souvent leur expertise en travaillant sur des parties accessibles de problèmes plus vastes. Si des systèmes industriels s’attaquent rapidement aux cibles les plus visibles, les jeunes chercheurs auront besoin d’autres voies pour bâtir leur réputation et leurs compétences.

Un groupe de 25 lauréats de la médaille Fields a estimé que ces incitations sont gravement désalignées des objectifs des mathématiques. Leur avertissement collectif portait sur la compréhension, l’attribution, l’éducation et la transmission humaine des idées.

Le point de vue sceptique doit néanmoins aussi être nuancé. Une controverse très médiatisée ne prouve pas que tous les laboratoires d’IA négligeront l’explication. Elle n’établit pas non plus que les preuves générées par machine nuisent inévitablement à la culture de recherche.

La vérification formelle constitue une véritable amélioration par rapport à la publication de prose non contrôlée. Les articles publics et les fichiers de preuve permettent aux spécialistes d’examiner les affirmations. La concurrence peut également inciter les laboratoires à divulguer des capacités qui, autrement, resteraient privées.

La question ouverte est de savoir si ces garde-fous peuvent suivre le rythme de la production. Dix preuves correctes exigent davantage d’interprétation qu’une seule. Des milliers de preuves plausibles pourraient submerger même une communauté internationale bien organisée.

Une autre incertitude concerne l’autonomie réelle des modèles. OpenAI décrit un modèle interne comme nettement plus capable que GPT-6 Astra. Les chercheurs extérieurs ne peuvent pas évaluer indépendamment ce système, son taux de réussite ou les décisions humaines qui ont façonné sa recherche.

Un résultat spectaculaire ne révèle pas à quelle fréquence le même processus échoue. Il ne montre pas non plus si la méthode se généralise à différents domaines des mathématiques. Une publication sélective peut donner l’impression que les capacités sont plus constantes qu’elles ne le sont réellement.

La réponse appropriée n’est donc ni le rejet ni l’acceptation immédiate. La preuve revendiquée doit faire l’objet d’un examen technique, tandis que le processus de production doit être soumis à un examen institutionnel.

La correction répond à la question de savoir si l’argument fonctionne. La gouvernance répond à celle de savoir si les pratiques environnantes répartissent équitablement le crédit, la responsabilité et le travail. Les mathématiques ont désormais besoin des deux.

Le débat porte sur les raisons pour lesquelles les humains font des mathématiques

Le défi plus profond lancé par Tao consiste à définir la finalité du travail mathématique avant que les systèmes automatisés ne la redéfinissent par leurs productions.

Si les mathématiques n’existent que pour produire des propositions correctes, un système qui en génère davantage et plus vite semble sans ambiguïté bénéfique. Dans cette définition, les préférences humaines concernant le processus paraissent secondaires.

Les mathématiciens en exercice décrivent généralement une finalité plus large. Ils recherchent des explications, des méthodes réutilisables, des connexions surprenantes, de bonnes questions, des structures élégantes et des communautés capables de transmettre ces idées.

Une preuve compte en partie parce qu’elle modifie ce que les gens peuvent voir. Les meilleures preuves condensent la complexité et révèlent pourquoi une affirmation doit être vraie. Elles permettent à d’autres chercheurs d’appliquer l’idée sous-jacente ailleurs.

Cette norme explique pourquoi deux preuves du même théorème peuvent avoir une valeur différente. L’une peut être courte mais opaque. L’autre peut créer une méthode qui transforme tout un domaine.

Les systèmes d’IA peuvent contribuer à l’un ou l’autre résultat. Ils pourraient produire des objets formels obscurs mais corrects, ou mettre au jour un pont conceptuel limpide. La cible choisie par les développeurs influencera le résultat qui deviendra courant.

Le cadre de Tao traite les capacités de l’IA comme une hypothèse de travail plutôt que comme le cœur du débat. Supposons que les machines accomplissent bientôt une part significative des tâches de niveau recherche. La question urgente devient alors de savoir quels objectifs humains ces outils doivent servir.

Cette approche évite un débat stérile sur la question de savoir si un modèle particulier est réellement intelligent. Les mathématiques doivent se préparer à une production accrue, même si les systèmes actuels restent inégaux.

Elle rejette également l’idée que préserver les rôles humains devrait être l’unique objectif. Les outils historiques ont à maintes reprises modifié le travail des mathématiciens. Les calculatrices ont réduit les calculs manuels, tandis que les ordinateurs ont permis des expérimentations à des échelles auparavant impossibles.

La profession a survécu parce qu’elle s’est tournée vers d’autres questions. Les chercheurs ont accordé davantage de valeur à la formulation, à l’abstraction, à l’interprétation et aux connexions. L’IA poussera cette transition plus loin.

Toutefois, l’adaptation exige que les institutions récompensent le travail qui reste. Les revues, les universités et les laboratoires associent actuellement le prestige aux premiers résultats et aux théorèmes éponymes. Ils accordent moins de reconnaissance à la vérification, à l’exposition, à la construction de jeux de données et à la formalisation.

Cette structure de récompense devient instable lorsque les preuves abondent. Si la génération devient bon marché, la valeur de la sélection et de l’explication augmente. Les systèmes de carrière doivent refléter ce changement.

L’évaluation par les pairs nécessite également de nouvelles infrastructures. Les évaluateurs devraient avoir accès aux artefacts formels, aux historiques d’instructions, aux versions des modèles et aux registres de provenance lorsque ces éléments influencent une affirmation. Les publications devraient distinguer la génération par machine de la vérification et de l’interprétation humaines.

Le domaine pourrait aussi avoir besoin d’une divulgation par étapes. Les laboratoires pourraient avertir des experts du domaine, financer une évaluation indépendante et préparer des documents explicatifs avant de présenter un résultat comme établi. Cela ralentirait la communication publique sans empêcher la découverte.

L’éducation est confrontée à un choix parallèle. Donner aux étudiants des solutions immédiates peut réduire une difficulté féconde, mais exclure entièrement l’IA les laisse mal préparés. Les cours devront proposer des devoirs qui évaluent la formulation de questions, la critique et l’explication.

Cette évolution relie le débat à toutes les professions à forte intensité de connaissances. Les ingénieurs logiciels, les scientifiques, les avocats et les analystes font eux aussi face à des systèmes capables de générer des réponses soignées plus vite que les organisations ne peuvent les examiner.

L’impact de l’IA sur les mathématiques offre donc un premier aperçu d’un problème général. Lorsque la production devient abondante, le jugement devient la couche coûteuse. Les organisations qui ignorent cette couche accumulent une production impressionnante et des connaissances incertaines.

L’avertissement de Tao est, au fond, constructif. Il demande à la communauté mathématique d’énoncer ses valeurs avec suffisamment de clarté pour que les systèmes d’IA puissent être orientés vers elles. Sans ce travail, les critères commerciaux combleront le vide.

Trois signaux montreront si les mathématiques assistées par IA peuvent mûrir

La prochaine phase sera jugée selon la validation indépendante, de meilleures pratiques de recherche et des preuves que les modèles produisent de la compréhension plutôt que des titres à sensation.

Le premier signal sera l’accueil réservé à la preuve de Navier-Stokes d’OpenAI. Les spécialistes devront déterminer si l’argument correspond au problème officiel, si sa formalisation Lean couvre toutes les conditions nécessaires et si des corrections sont requises.

Une évaluation indépendante concluante renforcerait l’idée que les systèmes multi-agents peuvent produire des travaux au plus haut niveau des mathématiques. Elle ne résoudrait pas la critique institutionnelle de Tao, mais rendrait cette critique plus urgente.

Une faille majeure affaiblirait les affirmations sur les capacités actuelles. Elle démontrerait également le danger d’annoncer des conclusions avant que le processus normal d’évaluation n’ait suivi son cours.

Le deuxième signal sera la manière dont les laboratoires d’IA traiteront leurs prochains résultats mathématiques. Les lecteurs devront surveiller l’implication précoce d’experts, une attribution claire, des explications accessibles et la divulgation du processus de recherche du système.

Les articles d’accompagnement sont particulièrement importants. Une preuve brute peut clore un problème, tandis qu’une solide analyse d’accompagnement peut identifier de nouvelles méthodes et les relier à la littérature existante.

Les laboratoires devraient également communiquer les taux d’échec et les critères de sélection. Savoir qu’un résultat a réussi dit peu de chose sur l’ensemble de l’évaluation. Les chercheurs doivent comprendre combien de problèmes ont été tentés et quelle quantité d’orientation humaine chaque tentative a reçue.

Le troisième signal sera de savoir si les institutions mathématiques modifient leurs incitations. Les revues et les conférences peuvent créer des politiques plus claires pour les travaux générés par l’IA, la provenance, la paternité, la vérification formelle et l’accès des évaluateurs.

Les universités peuvent accorder davantage de reconnaissance à l’exposition, à la validation et à l’entretien de ressources mathématiques partagées. Les organismes de financement peuvent soutenir le travail humain nécessaire pour assimiler les résultats générés par machine.

Ces réformes renforceraient le point de vue de Tao selon lequel l’abondance de preuves exige de nouvelles institutions. Leur absence laisserait se creuser l’écart entre la production industrielle et l’absorption académique.

Les systèmes d’IA les plus utiles ne se contenteront pas de résoudre des problèmes prestigieux avant leurs concurrents. Ils aideront les personnes à repérer des questions prometteuses, à tester des approches, à révéler les erreurs et à comprendre pourquoi un résultat compte.

Cette exigence ne diminue en rien la réussite technique. Coordonner des milliers d’agents autour d’un objectif mathématique difficile constitue une avancée importante en ingénierie. Produire une preuve valide serait un événement scientifique majeur.

Pourtant, la rapidité seule ne peut définir le progrès. Un résultat ne devient partie intégrante des mathématiques que lorsque les personnes peuvent l’examiner, l’expliquer, l’articuler à d’autres travaux et l’enseigner.

L’avertissement de Terence Tao sur l’IA en mathématiques place cette distinction au cœur de la course à la recherche en IA. Les prochains mois montreront si les laboratoires considèrent la compréhension mathématique comme un résultat fondamental ou comme une tâche de finalisation externalisée.

Les développeurs, chercheurs et travailleurs du savoir devraient poser la même question au sujet de leurs propres flux de travail avec l’IA. Ces systèmes produisent-ils davantage de contenu, ou aident-ils les personnes à construire une compréhension plus fiable ?

Cette distinction déterminera si l’abondance de preuves accroît les connaissances humaines ou ne fait qu’allonger la file d’attente des travaux à examiner.