[TL;DR Sélection quotidienne] Je viens de lire ce message, et ma première réaction n’a pas été « L’IA a encore gagné », mais plutôt : les tables de l’académie pourraient bien être remises à plat. Si un modèle parvient vraiment à renverser des hypothèses complexes de près de 30 ans, et qu’il réussit en plus à entamer des problèmes aussi ardus que ceux de挂谷, de lisse local et de théorie quantique des champs en quatre dimensions, alors le vrai enjeu n’est plus « Peut-il résoudre des exercices ? », mais : l’humanité est-elle prête à gérer une avalanche de réponses ? 😏 Le cœur de cet article n’est pas tant les trois résultats en eux-mêmes, mais un changement plus éclatant : l’IA commence à glisser du statut d’« outil » vers celui de « collaboratrice de recherche », voire à générer des preuves avant de laisser à l’humain la charge de les comprendre, les vérifier et les intégrer. 📌 Informatique théorique : L’ETH pourrait être infirmée — l’impact dépasse une simple hypothèse • OpenAI affirme avoir proposé un algorithme à temps sous-exponentiel pour des problèmes liés à 3-SAT, avec une complexité de 2^{O(n/√log n)}, dépassant ainsi la limite de vitesse rejetée par l’ETH. • L’ETH, ou hypothèse du temps exponentiel, a régné sur l’informatique théorique pendant près de 30 ans. Des centaines d’articles l’ont utilisée comme fondement pour dériver des bornes inférieures dans les algorithmes sur les graphes, les bases de données ou la biologie computationnelle. • L’aspect dramatique ? Parmi les relecteurs externes figurent Russell Impagliazzo et Ramamohan Paturi, les auteurs mêmes de l’ETH, ainsi que l’expert en théorie de la complexité Ryan Williams. • Le calendrier est serré : une preuve en langage naturel générée le 16 octobre, formalisée dans Lean le 17 octobre, publiée le 26 octobre. En clair, la vitesse à laquelle l’IA produit des preuves commence à rendre le processus d’évaluation par les pairs presque obsolète. 📌 Mathématiques : Du problème de Kakeya en quatre dimensions à « tous les dimensions » — l’IA vise une approche unifiée • OpenAI ne se contente pas d’aborder le problème de Kakeya, mais part du conjecture de régularité locale formulée en 1991, affirmant avoir prouvé le résultat dans toutes les dimensions. • Selon elle, le modèle a établi une connexion via une nouvelle équation aux dérivées partielles auxiliaire entre la régularité locale, la conjecture de Kakeya et la conjecture de restriction de Stein. • Cela diffère radicalement des 722 manuscrits mathématiques précédents, qui traitaient souvent d’un seul cas ou d’une seule dimension. Ici, il s’agit plutôt de construire un cadre général, pas d’attaquer des points isolés. • Le rythme reste extravagant : la preuve est obtenue le 18 octobre, formalisée dans Lean le 19 octobre. Les mathématiciens viennent à peine de se verser un café que l’IA a déjà livré la version complète pour toutes les dimensions. 📌 Physique : Ce qui est le plus difficile à résoudre n’est pas la formule, mais la question : « La théorie existe-t-elle vraiment ? » • Le troisième résultat est encore plus fondamental : OpenAI affirme avoir établi une preuve d’existence stricte pour des théories quantiques des champs en quatre dimensions incluant le QCD, ainsi que pour la partie existence de la théorie pure de Yang–Mills. • Attention : existence ≠ résolution du problème du prix du millénaire. La partie « lacune de masse » de Yang–Mills n’a pas été résolue — ne préparez pas encore les discours de remise des prix. • Mais le poids est immense : il ne s’agit pas d’améliorer une technique de calcul, mais de se demander si les théories que nous utilisons quotidiennement pour décrire le monde microscopique peuvent être construites rigoureusement. • L’équipe de relecture est tout aussi prestigieuse : David Gross dirige le comité, accompagné par Michael Douglas, Arthur Jaffe, Igor Klebanov et Nikita Nekrasov. Ce niveau ne signifie pas « regardons un peu », mais bien l’intervention d’une équipe d’urgence académique de premier plan. 📌 La vraie révolution : OpenAI traite les preuves générées par l’IA comme des « données de recherche brutes » • C’est peut-être le point le plus important à méditer. OpenAI ne présente pas les résultats générés par l’IA comme des connaissances finales, mais comme des données brutes de recherche. • Autrement dit : l’IA produit rapidement ; l’humain vérifie, interprète, réécrit, archive et intègre ces résultats dans le corpus disciplinaire. N’est-ce pas comme une machine expérimentale ultra-productive qui crache des résultats et oblige toute la communauté scientifique à repenser ses processus ? • Cela explique aussi pourquoi les trois résultats ont été publiés différemment : les mathématiques directement, l’informatique avec une équipe d’évaluation externe, la physique d’abord soumise à un comité interne. • La question qui se pose : si demain l’IA produit des centaines de preuves前沿 chaque semaine, la ressource la plus rare sera-t-elle encore la « découverte » ? Ou bien la « vérification crédible » et la « capacité à compresser le savoir » ? 📌 Données et détails — ne manquez pas ces signaux clés • Début octobre, OpenAI a publié 722 manuscrits mathématiques couvrant 372 familles de résultats et 17 domaines de recherche. • Trois d’entre eux ont été retirés ultérieurement en raison d’erreurs symboliques. Cela rappelle que bien que Lean soit puissant, cela ne garantit pas automatiquement la correspondance sémantique, l’adéquation propositionnelle ou le jugement académique. • OpenAI s’est engagée à soutenir des revues indépendantes et a investi 5 millions de dollars dans des programmes du Simons Foundation pour des conférences, ateliers et projets de recherche. • Ce financement n’est pas en soi l’enjeu principal — il reconnaît une nouvelle réalité : après la génération par IA, l’infrastructure de vérification deviendra le nouveau goulot d’étranglement du système scientifique. Mon avis est simple. Ce n’est pas l’histoire d’une IA qui remplace les scientifiques — du moins pas encore. C’est plutôt celle d’une industrialisation du processus « produire des réponses potentiellement correctes », tandis que le rôle humain se déplace vers « définir les problèmes », « juger la crédibilité » et « extraire des idées transférables ». Si cette voie s’avère viable, les chercheurs les plus puissants du futur ne seront peut-être pas ceux qui calculent le plus vite, mais ceux qui savent le mieux collaborer avec des agents intelligents et extraire des structures au sein d’une forêt de preuves. Je vous laisse avec cette question : Si un agent intelligent produit plus rapidement des théorèmes et des théories que la plupart des chercheurs humains, les systèmes actuels de prestige académique, de publication scientifique et d’évaluation par les pairs vont-ils survivre tels quels ? #AI #OpenAI #Mathématiques #InformatiqueThéorique #ThéorieQuantiqueDesChamps #AgentFi