En 2023, une équipe de l’université de Stanford a publié un papier qui a fait grincer des dents. Leur modèle d’IA, baptisé AlphaGeometry, a prouvé qu’il pouvait résoudre des problèmes de géométrie synthétique, des énigmes posées depuis des décennies, parfois des siècles. Certains étaient considérés comme impossibles à résoudre sans une intuition humaine, une sorte de coup de génie. L’IA, elle, les a balayés en quelques heures. Pas en devinant. En calculant. En énumérant des millions de combinaisons que personne n’aurait jamais envisagées. Le pire ? Elle a trouvé des démonstrations plus courtes que celles des meilleurs mathématiciens. Ça, c’est le vrai problème.
Gabriel Peyré, directeur scientifique de normalsup.ai, un labo qui forme des ingénieurs à l’IA appliquée, assume : « On est dans une phase où l’outil dépasse l’utilisateur. Pas demain, maintenant. » Il ne parle pas d’un gadget. Il parle d’un basculement. Un de ceux qui font que, rétrospectivement, on se demande pourquoi personne n’a vu le virage venir.
Les mathématiciens deviennent des traducteurs
Peyré a vu ça de près. Dans son équipe, des chercheurs passent leurs journées à expliquer à l’IA ce qu’elle a fait. Pas pour la corriger. Pour comprendre. « Un modèle comme AlphaGeometry génère des preuves, mais il ne les justifie pas. » Résultat : les mathématiciens ne font plus de la recherche pure. Ils font du contrôle de qualité. Ils vérifient si la machine a bien compris l’énoncé. S’il n’y a pas de bug caché. S’il ne s’agit pas d’une coïncidence statistique.
Ça, c’est le métier aujourd’hui. Pas celui qu’on leur avait vendu.
Le labo DeepMind, lui, a poussé le concept plus loin avec AlphaFold, qui plie les protéines comme un origami. En 2020, la moitié des prédictions structurantes en biologie moléculaire venaient de leur outil. Les revues scientifiques ont dû créer une nouvelle section : « Résultats obtenus par IA, à valider par l’expérience ». Personne n’avait prévu ça.
L’argent suit l’outil, pas la théorie
Il y a un chiffre qui résume mieux que tout : en 2023, les subventions publiques pour la recherche fondamentale en maths pures ont chuté de 12 % en Europe, selon les données de l’European Science Foundation. Pas parce que les maths sont moins utiles. Parce que l’IA attire les fonds. Les agences de financement, les labos privés, même les armées, tout le monde veut des modèles prédictifs. Pas des théorèmes.
« Les gouvernements financent ce qui marche, pas ce qui est joli », lance Peyré. Et l’IA, ça marche.
Le problème ? Les maths pures, c’est comme la poésie : ça ne paie pas directement. Mais c’est souvent la poésie qui permet, 50 ans plus tard, de casser un code ou de concevoir un vaccin. Aujourd’hui, les labos préfèrent miser sur des IA qui résolvent plutôt que sur des cerveaux qui inventent. La science devient un service.
Ce que l’IA ne fera jamais (encore)
Pourtant, Peyré n’est pas dans le camp des « l’IA va tout bouffer ». Il connaît les limites. « Elle ne fait pas de la science, elle fait du calcul intensif. » Une nuance de taille.
Par exemple, l’IA ne comprend pas les équations différentielles. Elle les approximate. Elle trouve des solutions proches, mais pas exactes. Dans certains domaines, comme la physique quantique, une marge d’erreur de 0,1 % peut tout faire s’effondrer. « On est dans un monde où l’IA donne des réponses, mais où personne ne sait pourquoi elles sont bonnes », résume-t-il.
Et puis, il y a le hasard. La découverte scientifique repose souvent sur une intuition, une erreur, un coup de chance. L’IA, elle, optimise. Elle ne trébuche pas. Or, c’est dans les chutes que naissent les révolutions.
La vraie question : qui paiera la facture ?
Le scénario le plus probable ? Les universités vont devoir spécialiser leurs chercheurs. D’un côté, ceux qui dialoguent avec l’IA. De l’autre, ceux qui font de la recherche sans elle. Deux mondes. Deux salaires.
« Dans 10 ans, un mathématicien qui ne maîtrise pas l’IA sera comme un biologiste qui ne sait pas utiliser un microscope », prédit Peyré. Sauf que le microscope, au moins, il coûte cher. L’IA, elle, est déjà partout.
Le vrai risque ? Que les labos privés monopolisent les données, les algorithmes, et que la recherche publique devienne un service après-vente pour vérifier les résultats des machines. « On est en train de privatiser la science », assène-t-il. Sans que personne ne s’en rende compte.
Ce qui ne changera pas (pour l’instant)
Une chose reste : l’IA ne créera pas de nouvelles mathématiques. Elle en réutilisera. Comme un cuisinier qui invente des plats avec des ingrédients existants. Mais elle va en générer des montagnes.
Peyré cite un exemple : en cryptographie, des modèles comme GPT-4 ont déjà trouvé des failles dans des protocoles considérés comme inviolables. Pas en cassant les codes. En comprenant comment ils fonctionnaient, mieux que leurs concepteurs. « La sécurité informatique est en train de devenir une course entre les hackers et les IA », dit-il. Et les humains ? Ils sont les arbitres.
Alors oui, l’IA résout des équations. Oui, elle accélère la recherche. Oui, elle va bouffer une partie des métiers. Mais elle ne remplacera jamais ce qui fait la science : le doute.
Et ça, c’est une bonne nouvelle. Pour l’instant.
