Un théorème vieux de 110 ans, et une IA qui l’a résolu en 96 heures, enfin, peut-être bien que non
Le 26 novembre dernier, OpenAI a posté un tweet sec, presque technique : « Notre modèle a prouvé le théorème de Mason en moins de quatre jours. » Pas de fanfare, pas de communiqué de presse. Juste un fait brut, comme si c’était normal qu’une machine batte des mathématiciens sur un problème posé en 1912. Sauf que ce n’est pas normal. Pas du tout.
Pourquoi ? Parce que le théorème de Mason, c’est un casse-tête en combinatoire qui a résisté à des générations de cerveaux humains. Parce que les IA, même les plus puissantes, peinent encore à démontrer des preuves mathématiques rigoureuses, pas juste des approximations, pas des simulations, mais des démonstrations en bonne et due forme. Et surtout, parce que deux chercheurs, David Saunders et Christopher H. Browne, viennent de publier un papier qui sonne comme un coup de massue : « On a trouvé des similitudes troublantes entre notre travail et celui d’OpenAI. » Traduction : et si l’IA avait juste recopié, sans le dire ?
Le théorème de Mason, ou l’art de compter sans se tromper
Imaginez un échiquier géant, mais avec des règles différentes. Au lieu de 8x8 cases, disons 100x100. Et au lieu de pions, des ensembles de nombres. Le théorème de Mason, c’est une façon élégante de dire : « Si vous coloriez chaque case de cet échiquier avec une des 100 couleurs possibles, il y aura toujours une ligne droite (horizontale, verticale, diagonale) où toutes les cases auront la même couleur. »
C’est abstrait ? Oui. C’est utile ? Pas vraiment. C’est dur à prouver ? Extêmement.
Pendant un siècle, les maths ont avancé sur ce problème par à-coups. En 1985, un chercheur a fait un pas. En 2003, un autre. En 2015, un troisième. Chaque fois, c’était une avancée, mais pas la preuve complète. Jusqu’à ce que, soudain, OpenAI débarque avec un modèle entraîné sur des données publiques, et hop, la démonstration tombait en 96 heures. Trop beau pour être vrai ? Peut-être.
La guerre des preuves, ou comment un tweet a tout déclenché
Le 26 novembre, le tweet d’OpenAI passe inaperçu. Personne ne vérifie sur-le-champ. Personne ne demande « Comment vous avez fait ? » ou « Où sont les détails ? » Pourtant, dans le milieu des maths, ça aurait dû sonner comme une cloche d’alarme. Pourquoi ? Parce que, quelques semaines plus tôt, David Saunders et Christopher H. Browne, deux chercheurs indépendants, avaient posté un papier sur arXiv (la plateforme où tout le monde partage ses travaux avant publication). Leur sujet ? Une preuve presque complète du théorème de Mason. « Presque », parce qu’ils avaient identifié un petit trou logique. Un détail technique, mais un détail.
Sauf qu’OpenAI, dans son tweet, ne cite aucun des travaux précédents. Pas Saunders et Browne. Pas les autres. Rien. Juste « Notre modèle a prouvé X. » Comme si c’était sorti de nulle part.
C’est là que ça coince. Parce que Saunders et Browne, eux, ont lu le tweet. Ils ont comparé. Et ils ont trouvé des correspondances suspectes entre leur propre travail et celui d’OpenAI. Pas une copie pure, non. Juste assez de similitudes pour se demander : « Est-ce que l’IA a pioché dans nos idées sans le dire ? »
Le vrai problème n’est pas la preuve, c’est la transparence
OpenAI répondra probablement par un « Nos modèles sont entraînés sur des données publiques, donc c’est normal qu’il y ait des recoupements ». C’est vrai. Mais c’est aussi vague. Parce que les données publiques, ça inclut des papiers, des notes de cours, des discussions sur des forums. Et quand une IA regorge ces données, elle peut recomposer des idées sans jamais les citer. Résultat ? Vous avez une démonstration mathématique, mais personne ne sait d’où elle sort vraiment.
Le pire ? Ce n’est pas la première fois que ça arrive. En 2023, un modèle de Google avait généré un papier scientifique… qui s’avérait être un plagiat déguisé. En 2022, une IA avait « inventé » une protéine… qui existait déjà. Chaque fois, la réponse est la même : « C’est de la data mining, c’est normal. » Sauf que non. Quand vous parlez de maths pures, de physique théorique, ou même de médecine, le contexte compte. Une preuve volée, c’est une preuve invalide.
Ce que ça change (et ce que ça ne change pas)
Alors, OpenAI a vraiment résolu le théorème de Mason ? Probablement. Leur démonstration tient la route, techniquement. Mais est-ce que c’est leur démonstration ? Là, c’est flou. Et c’est ça, le vrai problème.
Parce que si on laisse faire, demain, une IA va « prouver » un théorème de physique, et personne ne saura si c’est du génie ou du copier-coller algorithmique. Demain, une IA va générer un médicament, et on ignorera si c’est une avancée ou un détournement. La science a besoin de transparence. Pas de boîtes noires qui crachent des résultats sans explication.
Le pire ? Personne ne régule ça. Pas les universités, pas les revues scientifiques, pas même les gouvernements. Les IA continuent de grignoter le travail des chercheurs, et les chercheurs, souvent, se tiennent cois par peur de passer pour des rabat-joie. Pourtant, Saunders et Browne ont osé parler. Et c’est bien.
La prochaine fois, ce sera pire
En 2023, le nombre de publications scientifiques impliquant une IA a explosé. +30% en un an, selon une étude de Nature (source : Nature Index 2023). Les revues acceptent, les universités encouragent, les labos investissent. Mais personne ne pose la bonne question : « Est-ce que cette IA a vraiment compris, ou est-ce qu’elle a juste assemblé des morceaux sans le dire ? »
Le théorème de Mason, c’est un problème de maths. Mais derrière, il y a une question bien plus large : jusqu’où peut-on faire confiance à une machine qui ne dit pas d’où elle puise ses idées ?
La réponse, pour l’instant, est simple : on ne sait pas. Et c’est ça, le vrai danger.
