Donnez une conjecture mathématique à une IA, et la première chose qu'elle va réfléchir est : comment la réfuter en trouvant un contre-exemple !!
Ce jugement qui sonne un peu comme une rebelle des mathématiques vient précisément de Timothy Gowers, mathématicien britannique et lauréat de la médaille Fields en 1998.
Récemment, en examinant les exploits mathématiques les plus retentissants de l'IA ces derniers mois, Gowers a découvert une tendance très uniforme –
Conjecture de Jacobi, chercher un contre-exemple.
Conjecture de la distance unité d'Erdős, chercher un contre-exemple.
Problème des groupes non sofic, construire un exemple que personne n'avait trouvé auparavant.
Problème des nombres de Ramsey multicolores, le cœur reste de construire de nouveaux objets satisfaisant les conditions.
Mathématicien humain : Pourquoi exactement cette conclusion est-elle valable ?
IA : Attendez une seconde, cette conclusion... est-elle vraiment valable ? (image de rebelle.jpg)
Alors, la question se pose.
Pourquoi les IA, dès qu'elles rencontrent une conjecture mathématique, aiment tant plonger dans le tas des contre-exemples, je vous le demande !?
Les percées mathématiques les plus marquantes de l'IA récemment consistent à "trouver des contre-exemples"
D'abord, clarifions un point souvent confondu.
Le « trouver un contre-exemple » mentionné par Gowers ici et la « preuve par l'absurde » apprise à l'école présentent en réalité... une différence énorme.
La preuve par l'absurde apprise à l'école est une technique de démonstration : on suppose d'abord que la conclusion est fausse, puis on déduit logiquement jusqu'à aboutir à une contradiction, prouvant ainsi que la proposition originale est vraie.
Le « trouver un contre-exemple » dont parle Gowers est bien plus direct –
Par exemple, si quelqu'un affirme : Tous les objets satisfaisant A possèdent la propriété B.
Alors, l'IA n'a qu'à extraire un objet parmi une multitude, qui satisfait clairement A, mais qui justement ne possède pas B.
Terminé.
La conjecture entière est immédiatement invalidée.
On ne peut pas vraiment blâmer Gowers d'avoir remarqué cette régularité.
Surtout parce que plusieurs des percées mathématiques les plus retentissantes de l'IA récemment ont effectivement été réalisées de cette manière.
Prenons le problème de la distance unité d'Erdős résolu le mois dernier par un modèle interne d'OpenAI.
Depuis près de 80 ans, la communauté mathématique avait formé, à son sujet, une estimation de croissance largement acceptée, et de nombreux travaux de recherche visaient précisément à prouver cette estimation.
Résultat : l'IA, en arrivant, a complètement changé de direction à 180 degrés.
Elle ne s'est pas précipitée pour avancer sur la voie suivie par les humains depuis des décennies, mais a plutôt consacré une grande partie de son budget de raisonnement à réfléchir à autre chose –
Est-il possible de trouver directement un contre-exemple à cette estimation ?
Finalement, elle l'a vraiment trouvé. Le modèle a transposé un ensemble d'outils relevant initialement de la théorie algébrique des nombres dans le domaine de la géométrie discrète, utilisant des corps de nombres plus complexes pour construire toute une famille d'ensembles de points, faisant croître le nombre de paires à distance unité à une vitesse inattendue.
Une estimation véhiculée pendant des décennies a ainsi été directement « percée » par une construction concrète.
Ce qui est encore plus intéressant, c'est que lorsque les mathématiciens ont ensuite examiné sa trace de raisonnement, ils ont découvert qu'elle avait effectivement passé beaucoup de temps à essayer diverses constructions, à chercher des contre-exemples. (doge)
Peu de temps après cet événement, Claude a donné un autre coup de marteau bien concret à l'idée que « l'IA est particulièrement douée pour démonter les conjectures ».
Le mathématicien Levent Alpöge, avec l'aide de Claude, a trouvé un contre-exemple lié à la conjecture de Jacobi.
Le contraste le plus frappant de ce type de résultat réside là : à la fin, l'IA n'a pas besoin de déployer une démonstration frontale grandiose, elle a juste à présenter cet objet spécial, puis à vérifier point par point –
Les prémisses, satisfaites.
La conclusion, invalidée.
Alors, cette conjecture peut essentiellement être classée.
En revenant sur les 10 résultats mathématiques récemment publiés par OpenAI, Gowers a lui aussi détecté une saveur similaire.
Par exemple, pour le problème de longue date « tous les groupes sont-ils sofic ? », la manière dont l'IA a réalisé la percée a été de construire directement un groupe non sofic.
De même, pour les progrès concernant les nombres de Ramsey multicolores, bien que le résultat final se présente comme une preuve rigoureuse d'une borne inférieure, le processus de percée conserve un fort parfum de construction :
Il faut d'abord trouver ces objets combinatoires suffisamment spéciaux, suffisamment retors, pour que la démonstration ultérieure ait un point d'appui.
Ainsi, une régularité de plus en plus évidente émerge.
Les problèmes mathématiques où l'IA réalise actuellement le plus facilement des percées spectaculaires peuvent souvent être résumés en une phrase très adaptée aux machines –
« Existe-t-il une telle chose ? »
Si la réponse est vraiment oui, alors l'approche dans laquelle les modèles excellent entre en jeu.
Recherche frénétique, transposition d'outils interdisciplinaires, recomposition de techniques existantes, essais répétés de constructions, extraction forcée de cet objet précis de l'immense espace des objets mathématiques.
Donc, ce que l'IA maîtrise vraiment n'est pas seulement la preuve par l'absurde au sens littéral.
Plus précisément, elle excelle actuellement particulièrement dans un type de tâche mathématique : dans un espace si vaste qu'il est impossible pour l'homme de l'énumérer exhaustivement, trouver cet objet spécial qui existe bien, mais que personne n'avait encore trouvé.
Pourquoi l'IA aime-t-elle chercher des contre-exemples dans ce type de problèmes ?
La question se pose alors : pourquoi l'IA a-t-elle justement cette passion pour chercher la petite bête dans les conjectures mathématiques ???
L'explication donnée par Gowers est en réalité assez simple. Les grands modèles de langage possèdent au moins deux avantages évidents à l'œil nu.
Premièrement, ils en savent beaucoup. (doge)
Si la clé d'un problème est cachée dans un outil mathématique existant, dans un domaine adjacent, ou dans une combinaison de techniques que les humains associent rarement instinctivement, un grand modèle de langage a de bonnes chances de les retrouver directement dans son entrepôt de connaissances.
Le problème de la distance unité en est un exemple très typique.
Il faut savoir que ce problème relevait longtemps de la géométrie discrète et des mathématiques combinatoires, alors que la percée trouvée par l'IA a emprunté des outils plus proches de la théorie algébrique des nombres.
Pour les humains, ce genre de saut interdisciplinaire nécessite parfois qu'un chercheur maîtrise justement les deux domaines.
Pour le modèle, les deux domaines sont déjà présents dans son contexte et ses connaissances d'entraînement, le coût de combinaison est naturellement bien plus faible...
Deuxièmement, ils peuvent se permettre d'essayer.
Les 10 résultats récemment publiés par OpenAI en mathématiques et en informatique théorique ont nécessité, pour trouver certains contre-exemples mathématiques par l'IA, un total de tokens dont le coût, converti au prix de l'API, ne s'élève qu'à « quelques milliers » de dollars.
En d'autres termes, de nombreuses approches dont le taux de succès est trop faible pour qu'un mathématicien humain y consacre plusieurs mois, l'IA peut tout à fait les essayer à fond !!
Gowers, dans son article, a également passé en revue comment les mathématiciens trouvent habituellement des exemples ou des contre-exemples –
Le plus simple, c'est d'abord de tester avec ces objets classiques « hérités » un par un.
Par exemple, si vous émettez une conjecture sur les fonctions booléennes, testez-la d'abord avec quelques échantillons tests hérités :
Fonction dictatoriale, fonction majoritaire, fonction de parité, fonction tribes... Si toutes passent, on passe à autre chose.
La deuxième méthode est l'assemblage, partir d'objets de base, prendre le produit, le quotient, la limite, changer la méthode de construction, et voir si on peut obtenir la propriété souhaitée.
Il y a aussi la méthode aléatoire, la construction explicite est trop difficile, alors on tire aléatoirement un objet selon une certaine distribution, et on prouve qu'avec une haute probabilité il satisfait la condition.
Encore une autre, la méthode d'approximation successive, écrire d'abord une réponse candidate probablement incorrecte, non pas parce qu'on pense qu'elle va marcher, mais pour observer exactement où elle échoue. Corriger un défaut, obtenir la deuxième version ; corriger encore, obtenir la troisième version...
Les approches précédentes, qui consistent à essayer massivement des objets, à changer de construction, à faire des recherches aléatoires, conviennent très bien aux grands modèles de langage : base de connaissances vaste, vitesse élevée, coût de l'échec faible, il est vraiment possible de tomber sur la réponse grâce à une quantité massive d'essais.
Mais plus on avance, plus cela met à l'épreuve une capacité difficile à formaliser : en chemin, pouvez-vous sentir si cette voie est prometteuse ou non.
Gowers l'appelle le « nez » du mathématicien.
Un chercheur vraiment compétent ne marche pas toujours sur le bon chemin, mais est capable, dès que l'arbre de recherche commence à produire une multitude de branches, de couper rapidement 99% des rameaux, ne gardant que ceux qui méritent le plus d'investissement.
C'est justement cette chose que l'IA a encore souvent du mal à faire de manière un peu comique. Par exemple, Gowers, en discutant de problèmes ouverts avec l'IA, fait souvent l'expérience d'une gêne –
L'IA propose des solutions qui semblent prometteuses, mais après réflexion, elles ne sont pas si fiables. L'IA aime aussi beaucoup dire : Bien que je n'aie pas résolu le problème original, je l'ai réduit à un sous-problème plus précis~
La première fois, c'est vraiment excitant, n'est-ce pas ?
Mais à la cinquième fois, si on en reste à différentes versions de sous-problèmes plus précis, le mathématicien humain va probablement commencer à se demander : Est-ce qu'on se rapproche de la réponse, ou est-ce qu'on décrit de plus en plus élégamment le fait d'être perdu ?
C'est aussi la raison pour laquelle Gowers ne déifie pas l'IA.
Il ne pense pas que les humains garderont toujours cet avantage. Au contraire, il prévoit explicitement que les modèles continueront à progresser rapidement, et pourraient même développer un « nez » plus puissant d'ici un an ou deux.
Simplement, pour l'instant, le point fort de l'IA ressemble encore plus à une exploration en largeur d'abord : faire largement appel aux connaissances existantes, explorer largement les chemins possibles, rencontrer la solution au milieu d'une quantité massive d'essais.
Enfin, ce qui est encore plus intéressant, c'est que Gowers fixe un critère de validation assez romantique pour le moment où l'IA entrera vraiment dans la phase de création mathématique de haut niveau –
Le jour où la solution donnée par l'IA non seulement résout le problème, mais fait aussi émerger une nouvelle méthode que personne n'avait imaginée.
Encore mieux, cette méthode, en y repensant, paraît particulièrement naturelle, et peut même être reprise par d'autres mathématiciens pour produire une série de nouveaux résultats.
À ce stade, ce que l'IA accomplira ira bien au-delà de l'extraction de la réponse d'un espace de recherche immense.
Le statut de l'IA dans le monde des mathématiques aura peut-être vraiment changé.
Références :
[1]https://gowers.wordpress.com/2026/08/12/what-sort-of-maths-are-llms-good-at/
Cet article provient du compte public WeChat « Quantum Bit », auteur : Suivi des technologies de pointe
