Il y a des annonces qu'on lit en diagonale, et d'autres qui coupent le souffle. Mardi 6 octobre, OpenAI a publié sur GitHub 722 manuscrits mathématiques. Pas un article, pas une démonstration spectaculaire bien emballée : un stock entier, livré en vrac, signé par une machine.

Certains de ces textes s'attaquent à des problèmes ouverts sur lesquels des chercheurs travaillent depuis des années. D'autres ne tiendront pas. Mais l'essentiel n'est pas là. Pour la première fois, les mathématiques découvrent ce que d'autres métiers connaissent déjà : la production en série.

Un stock, pas une découverte

Les chiffres donnent le vertige. Le modèle interne d'OpenAI, ni nommé ni accessible, s'est vu soumettre environ 4 000 problèmes ouverts. L'entreprise a conservé ceux dont elle jugeait le résultat significatif : 722 manuscrits, regroupés en 372 familles et répartis sur 17 domaines.

Chaque résultat aurait demandé en moyenne trois heures de calcul. Selon un porte-parole, presque tous viennent d'une seule requête adressée à un seul agent. Le tout est déposé en licence libre sur le dépôt GitHub openai/math.

Dans le lot figurent des avancées revendiquées sur des questions célèbres : régions sans zéros de la fonction zêta, conjectures de Kaplansky, un cas de la conjecture de Hodge. Une partie des preuves, de l'ordre de 40 % selon les décomptes, a été formalisée dans Lean, un assistant de preuve qui vérifie mécaniquement chaque étape. Le reste attend encore une relecture humaine, et OpenAI reconnaît qu'environ la moitié des résultats a été publiée sans confirmation.

Une erreur de signe, et des larmes

La réaction a été immédiate. Dès le 7 octobre, OpenAI a retiré trois manuscrits : une erreur de signe dans une preuve de géométrie algébrique invalidait aussi deux textes qui s'appuyaient dessus. Quatorze autres ont été corrigés le même jour. Le catalogue est redescendu à 719 manuscrits.

Les sceptiques ont trouvé là leur argument. Une seule faute, et c'est tout un échafaudage qui tombe. Mais l'épisode dit autre chose : avec 722 textes d'un coup, l'erreur n'est plus un accident isolé, c'est une statistique.

En parallèle, des mathématiciens de premier plan reconnaissent que certains résultats sont sérieux. Hugo Duminil-Copin, médaille Fields 2022, a expliqué que seize questions sur lesquelles il travaillait sont concernées. « J'en ai même pleuré, pour tout vous dire », a-t-il confié à la RTS. Scott Aaronson parle de « l'un des plus grands jours de l'histoire des mathématiques ». Cédric Villani, sur France Inter, évoque « le changement le plus radical en mathématiques depuis au moins quatre siècles ».

D'autres voix sont plus amères. Tristan Buckmaster (NYU) estime que des « programmes de recherche entiers », souvent ceux de jeunes chercheurs, ont été balayés. Une association de mathématiciens a qualifié la publication de « démonstration de force ».

Ecoutez l'épisode 67 du podcast Servez-Vous : La révolution de l’intelligence artificielle va-t-elle transformer l’accompagnement à domicile ?

Ni génies, ni pleurnichards

On pourrait s'arrêter à ce match : d'un côté les enthousiastes, de l'autre ceux qui pleurent leur métier. Ce serait passer à côté du sujet. La question n'est pas de savoir si les mathématiciens sont des génies ou des pleurnichards.

La vraie question est celle-ci : que devient une discipline quand la production de résultats peut soudain être industrialisée ?

Pendant des siècles, les mathématiques ont fonctionné à l'échelle artisanale. Un résultat important, c'était des mois ou des années de travail, un article, puis une relecture par quelques pairs capables de le comprendre. La rareté du résultat faisait sa valeur. Et le temps passé à le chercher formait les chercheurs.

Le 6 octobre a cassé cette équation. Quand une machine sort 722 textes en un lot, le résultat cesse d'être rare. Ce qui devient rare, c'est la capacité à le vérifier, à le comprendre et à savoir ce qu'il vaut. Le goulot d'étranglement change de place : il passe de la production à la validation.

Apprendre à travailler avec une machine qu'on n'a pas vue venir

Ce déplacement touche au moins quatre dimensions du métier.

  • La vérification devient le cœur du travail. Si 40 % des preuves sont formalisées, 60 % reposent encore sur la relecture humaine. Les assistants de preuve comme Lean passent du statut d'outil de niche à celui d'infrastructure.
  • Le rôle du chercheur se transforme. Choisir les bonnes questions, juger ce qui compte, donner du sens à un résultat : c'est là que l'humain garde la main. Terence Tao met d'ailleurs en garde contre des problèmes résolus par des gens incapables d'expliquer la solution.
  • La formation est remise en cause. On devient mathématicien en cherchant, en se trompant, en butant pendant des mois. Que reste-t-il de cet apprentissage si la machine répond en trois heures ?
  • La publication doit être repensée. Qui signe ? Qui est responsable d'une erreur ? Comment relire 700 textes ? Le groupe consultatif AGMAI rappelle que « le scientifique reste pleinement responsable du contenu produit ».

Il reste enfin une asymétrie gênante. Le modèle n'est pas public. Les chercheurs reçoivent les résultats sans pouvoir examiner ni reproduire la façon dont ils ont été obtenus. Une discipline fondée sur la transparence de la preuve dépend soudain d'une boîte noire privée.

Le début, pas la fin

Les mathématiques ne sont pas mortes le 6 octobre. Elles ont changé de régime. La discipline la plus abstraite et la plus artisanale découvre brutalement ce que vivent déjà le code, la traduction ou le design : quand produire devient facile, la valeur se déplace vers le jugement.

Même ses meilleurs représentants vont devoir apprendre à travailler avec une machine qu'ils n'ont pas vue arriver. C'est le sujet de ce nouvel épisode de Silicon Carne.