La Fin des Mathématiques : 40 Mathématiciens de Premier Plan Réunis en Réunion Secrète chez OpenAI

marsbitPublié le 2026-08-24Dernière mise à jour le 2026-08-24

Résumé

Le mois dernier, le médaillé Fields Jacob Tsimerman a annoncé son intention de rejoindre OpenAI pour la recherche en sécurité de l'IA. Début août, lui et le chercheur Sébastien Bubeck d'OpenAI ont organisé un sommet privé à San Francisco avec environ 40 mathématiciens. L'une des présentations, intitulée « La Fin des Mathématiques », a exprimé des craintes quant à un avenir où la recherche mathématique de haute qualité et l'expertise humaine pourraient disparaître, les mathématiques étant considérées comme un terrain d'essai pour l'IA. Ce sommet fait suite à une série de découvertes mathématiques générées par l'IA. En mai, un modèle d'OpenAI a réfuté une vieille conjecture sur la distance unitaire. En août, OpenAI a annoncé 10 nouvelles découvertes en mathématiques et en informatique. Parallèlement, un employé d'Anthropic a utilisé Claude pour construire une paire de vecteurs orthogonaux dans un hypercube de dimension 668, un résultat théoriquement attendu mais jamais construit. Ces avancées, souvent partagées directement sur les réseaux sociaux, contournent le processus traditionnel de publication académique, suscitant des réactions mitigées dans la communauté. En juin, plus de 3000 mathématiciens ont signé la « Déclaration de Leyde » pour promouvoir une utilisation responsable de l'IA, demandant vérification et citation appropriée des résultats. D'autres préconisent un rejet complet de ces outils. Lors du sommet, des mathématiciens comme Bryna Kra et Melanie Matchett Wood...

Jacob Tsimerman, qui vient de recevoir la médaille Fields le mois dernier, a annoncé lors de la cérémonie de remise des prix qu'il allait rejoindre OpenAI pour faire de la recherche sur la sécurité de l'IA.

Lecture complémentaire : Craignant que l'IA n'extermine l'humanité, un lauréat de la médaille Fields prend un congé pour rejoindre OpenAI ! Il veut dompter l'IA avec les mathématiques.

Début août, il a organisé avec Sébastien Bubeck, chercheur scientifique chez OpenAI, un sommet fermé au siège de San Francisco réunissant environ 40 mathématiciens. Le titre d'une des présentations était « La Fin des Mathématiques ».

Sébastien Bubeck, chercheur scientifique chez OpenAI

Le conférencier, Daniel Litt, professeur à l'Université de Toronto, a déclaré :

Il est possible que nous nous dirigions finalement vers un monde sans recherche mathématique de haute qualité, où l'expertise mathématique humaine aurait complètement disparu.

Il estime qu'une issue aussi extrême est peu probable, mais que les mathématiciens doivent passer à l'action.

Le mathématicien du MIT, Drew Sutherland, a été plus direct et froid :

Peut-être sommes-nous simplement des canaris dans la mine, les mathématiciens étant les premiers touchés.

Les mathématiques ont été choisies comme terrain d'essai pour l'IA car elles sont un indicateur proxy d'activité intellectuelle élevée – ce qui peut être accompli en mathématiques sera tôt ou tard reproduit dans d'autres domaines.

L'IA est en train de « faire des mathématiques » en série

La publication intense de résultats est le contexte direct de ce sommet.

En mai, un modèle encore non publié d'OpenAI a réfuté la conjecture des distances unitaires.

Lecture complémentaire : OpenAI bouleverse complètement le monde des mathématiques, une conjecture centrale vieille de 80 ans est résolue ! Un lauréat de la médaille Fields s'exclame qu'il ne tient plus sur sa chaise.

Ce vieux problème sur « la manière de disposer des points sur un plan infini » était resté non résolu pendant des années. L'IA a utilisé une technique connue mais difficile à manipuler de la théorie algébrique des nombres, équivalant à faire appel à un outil d'un sous-domaine différent.

L'évaluation de Tsimerman à l'époque était que, pour toute revue, il « accepterait ce résultat sans hésiter ».

Beaucoup de mathématiciens considèrent cela comme la première grande percée mathématique de l'IA.

Par la suite, les résultats se sont enchaînés.

En août, OpenAI a annoncé d'un coup 10 nouvelles découvertes en mathématiques et en informatique générées par l'IA, couvrant plusieurs sous-domaines qui nécessitent habituellement des années pour être maîtrisés.

Lecture complémentaire : Soudain ! La prochaine génération d'IA d'OpenAI résout 10 problèmes dignes de la médaille Fields.

Anthropic n'est pas resté inactif non plus.

Levent Alpöge, employé d'Anthropic, a utilisé Claude pour aider à construire des paires de vecteurs orthogonaux sur un hypercube à 668 dimensions.

Les mathématiciens croyaient depuis longtemps que de telles constructions existaient, mais personne n'avait réussi à les produire.

Alpöge a annoncé son résultat sur X dans un post de 24 000 caractères, composé uniquement de signes + et -.

https://x.com/__alpoge__/status/2087504785952182273

La recherche mathématique traditionnelle suit un pipeline fixe : discussions en séminaire, circulation parmi les pairs, publication de prépublication sur arXiv, examen par les pairs, puis publication dans une revue.

Les résultats générés par l'IA contournent ce pipeline.

Dmitry Rybin, entrepreneur basé à Shenzhen, a demandé à ChatGPT de « faire une percée » pour réfuter une hypothèse sur les flux de réseaux. Le modèle échouait à chaque fois, et il l'encourageait à continuer, se transformant en coach d'encouragement pour l'IA.

ChatGPT a finalement fourni un contre-exemple. Après vérification, Rybin a posté un tweet. Il était alors en train de regarder un film avec des amis.

https://x.com/DmitryRybin1/status/2079904005652893709

Lecture complémentaire : GPT-5.6 réfute une conjecture de théorie des graphes vieille de 30 ans ! Un ancien élève de Pékin résout 6 problèmes en 5 jours.

Le mathématicien David Bessis a soulevé des doutes :

Tu postes un tweet en disant que tu as prouvé un gros problème tout en faisant cuire des pâtes ? Bien sûr que ça va faire le buzz.

La question est : après le buzz, quoi ? Qui va organiser tout ça, comprendre ce qui se passe vraiment ?

La semaine dernière, Anthropic a également annoncé qu'un de ses employés avait demandé à une version interne de Claude d'« essayer sérieusement » l'hypothèse de Riemann.

L'hypothèse de Riemann, vieille de plus d'un siècle, reste non résolue à ce jour, avec un prix d'un million de dollars.

Sous des encouragements répétés comme « continue », « réfléchis encore », le modèle a produit une nouvelle découverte sur un problème connexe.

Lecture complémentaire : Soudain, Claude établit un nouveau record pour l'hypothèse de Riemann !

3000 personnes ont signé une pétition, et ensuite ?

La réaction de la communauté mathématique est divisée.

En juin, une lettre ouverte intitulée « Déclaration de Leyde » a été publiée, signée par plus de 3000 mathématiciens.

Lecture complémentaire : Établir des règles pour l'IA ! L'IA vient de résoudre un problème mathématique vieux de 80 ans, les mathématiciens sont inquiets.

La lettre appelle les chercheurs à utiliser de manière responsable les outils d'IA, en veillant à ce que les résultats soient vérifiés et les citations correctes.

Un autre groupe de mathématiciens va encore plus loin, préconisant de rejeter complètement l'IA et les entreprises d'IA pour préserver la place de l'humain en mathématiques.

Bryna Kra, professeure de mathématiques à l'Université Northwestern, a participé au sommet et est l'une des 16 initiatrices de la Déclaration de Leyde.

Elle a dit :

Le cœur des mathématiques, c'est de comprendre les résultats, pas seulement de les prouver.

Une preuve qui n'est pas comprise ne fera pas partie de la littérature.

L'IA peut prouver des théorèmes, mais peut-elle expliquer clairement comment elle a prouvé ?

La mathématicienne de Harvard, Melanie Matchett Wood, a aidé à rédiger une version humaine de la preuve du résultat d'OpenAI sur la conjecture des distances unitaires.

Elle a constaté que les meilleurs modèles d'IA partagent un défaut commun dans leurs explications : ils s'étendent longuement sur les parties simples et survolent les parties difficiles.

Elle a dit :

Les meilleurs modèles d'IA ne sont pas encore capables d'identifier la partie vraiment difficile d'un raisonnement et de l'expliquer clairement.

Le mathématicien allemand Andreas Thom a apporté une distinction plus précise.

Parmi les 10 nouveaux résultats annoncés par OpenAI, il y a une nouvelle construction concernant les « groupes non sofic », qui comble un vide entre deux articles publiés par Thom et son collaborateur Gábor Kun en 2016 et 2019.

Les deux ont ensuite publié un article de suivi, simplifiant et étendant la découverte de l'IA.

Thom a dit :

L'IA résout les problèmes d'une manière très intelligente et substantielle.

Mais les nouveaux concepts n'ont émergé qu'après l'implication humaine dans le processus de démonstration. Pour l'instant, l'IA ne le fait pas encore par elle-même.

Face à ces divisions, l'organisateur du sommet, Bubeck, a décrit après la réunion quatre futurs possibles :

Les mathématiques deviennent comme le génie logiciel, l'IA aidant des centaines de personnes à collaborer pour résoudre un même problème ;

Deviennent comme la physique, reposant sur la puissance de calcul et les modèles d'IA pour remplacer les accélérateurs de particules ;

Se transforment en curation muséale, l'IA produisant, l'humain sélectionnant et interprétant ;

Ou les mathématiciens se reconvertissent collectivement dans la sécurité de l'IA.

Bubeck a dit :

Nous devons mettre les personnes, les mathématiciens, en premier.

Les mathématiques n'ont de sens que lorsque les mathématiciens en apprennent quelque chose.

« Une civilisation sans humain n'a aucun sens. »

Mais les 40 participants ne sont pas parvenus à un consensus.

Tsimerman a dit :

Il n'y a pas encore de conclusion sur ce que souhaite la communauté mathématique.

Le but de cette réunion était plus d'ouvrir le dialogue que de prendre une décision.

Lui-même n'a pas encore officiellement rejoint OpenAI.

Le fait qu'un lauréat de la médaille Fields choisisse d'aller travailler sur la sécurité de l'IA dans une entreprise d'IA est en soi un aperçu de la situation du monde mathématique.

Quant à ce qu'il fera ensuite, le prochain signal pourrait être plus significatif que les présentations faites lors de ce sommet.

Références :

https://www.washingtonpost.com/technology/2026/08/19/mathematicians-ask-whats-left-humans-when-ai-can-do-math-research/

Cet article provient du compte WeChat officiel « 新智元 » (New Zhiyuan), auteur : ASI启示录, édité par 马可

Questions liées

QQuel est l'événement principal décrit dans l'article et qui a réuni des mathématiciens ?

AL'article décrit un sommet secret organisé par Jacob Tsimerman (récipiendaire de la médaille Fields) et le chercheur d'OpenAI Sébastien Bubeck, qui a réuni environ 40 mathématiciens de haut niveau au siège d'OpenAI à San Francisco. Une des présentations s'intitulait "La fin des mathématiques".

QSelon l'article, pourquoi les mathématiques sont-elles considérées comme un "terrain d'essai" pour l'IA ?

ALes mathématiques sont considérées comme un terrain d'essai pour l'IA car elles constituent un indicateur proxy de l'activité intellectuelle de haut niveau. Ce que l'IA peut accomplir en mathématiques, elle pourra éventuellement le reproduire dans d'autres domaines.

QQuel est un exemple majeur de découverte mathématique réalisée par l'IA, mentionné dans l'article ?

AUn exemple majeur est la réfutation de la "conjecture de la distance unitaire" (unit distance conjecture) concernant l'arrangement de points sur un plan infini, réalisée par un modèle OpenAI non publié en mai. Ce résultat a été qualifié par Jacob Tsimerman comme la première grande percée mathématique de l'IA.

QQuelle est la principale critique formulée par certains mathématiciens concernant les preuves générées par l'IA ?

ALa principale critique est que l'IA peut produire des preuves, mais pas nécessairement les expliquer ou les rendre compréhensibles. Comme le souligne la mathématicienne Melanie Matchett Wood, les modèles d'IA ont tendance à s'étendre longuement sur les parties simples d'une démonstration et à survoler les parties difficiles, sans identifier ni expliquer clairement les éléments cruciaux de l'argumentation.

QQuels sont les quatre futurs possibles pour les mathématiques face à l'IA, proposés par Sébastien Bubeck lors du sommet ?

ASébastien Bubeck a décrit quatre futurs possibles : 1) Les mathématiques deviennent comme l'ingénierie logicielle, avec l'IA aidant des centaines de personnes à collaborer sur un même problème. 2) Elles deviennent comme la physique, reposant sur la puissance de calcul et les modèles d'IA comme substituts aux accélérateurs de particules. 3) Elles se transforment en curation muséale, où l'IA produit et les humains sélectionnent et interprètent. 4) Les mathématiciens se reconvertissent collectivement dans la sécurité de l'IA.

Lectures associées

La plus grande problématique de l'économie politique à l'ère de l'IA : Les robots deviennent de plus en plus compétents, comment l'humanité peut-elle partager la valeur ?

Dans un contexte où l'IA et la robotique progressent rapidement, un article de *The Economist* relance le débat sur un problème fondamental de l'ère numérique : comment les humains peuvent-ils partager la valeur créée par des machines de plus en plus compétentes ? Historiquement, les gains de productivité se traduisaient par une augmentation des salaires et de la consommation. Cependant, l'IA, en remplaçant non seulement le travail manuel mais aussi le travail cognitif, risque de rompre ce cycle. La croissance économique et les profits pourraient continuer tandis que le nombre d'humains participant directement à la création de valeur diminuerait, posant un défi crucial de répartition des richesses. La situation en Chine illustre cette tension : malgré des avancées significatives dans les nouvelles technologies, la consommation reste faible, révélant une difficulté à faire circuler les bénéfices de l'innovation vers les revenus des ménages. Ce phénomène est global : la valeur se concentre chez les géants technologiques, tandis que la part du travail dans le PIB recule. Face à ce défi, plusieurs voies sont envisagées : le modèle capitaliste traditionnel, une voie d'État-capitalisme, ou des mécanismes innovants comme des fonds souverains numériques, une actionnariat populaire ou un revenu de base. La capacité à construire un système de distribution équitable, permettant à tous de bénéficier des gains de productivité de l'IA, deviendra un facteur clé de compétitivité et de stabilité sociale au XXIe siècle. Pour la Chine, comme pour toutes les nations, résoudre cette équation sera essentiel pour façonner l'avenir.

marsbitIl y a 3 mins

La plus grande problématique de l'économie politique à l'ère de l'IA : Les robots deviennent de plus en plus compétents, comment l'humanité peut-elle partager la valeur ?

marsbitIl y a 3 mins

Sept trimestres consécutifs de gains : l'arbitrage sur les marchés émergents surpasse tout

Le carry trade sur les marchés émergents financé en dollars a généré des rendements positifs pendant sept trimestres consécutifs, soit la plus longue série depuis 2008, avec un gain cumulé d’environ 22 % depuis fin 2024. Cette stratégie, qui consiste à emprunter dans des devises à bas taux comme le dollar ou l’euro pour investir dans des actifs à haut rendement en monnaies émergentes (telles que la livre turque ou le peso colombien), a surperformé les obligations d’État américaines, les obligations souveraines et d’entreprise des marchés émergents. Les rendements ont été amplifiés par l’appréciation des devises émergentes face au dollar, notamment en Colombie où la combinaison du rendement obligataire et de la hausse du taux de change a rapporté 48 % sur un an. Malgré l’intervention historique conjointe des États-Unis et du Japon sur le marché des changes en août, qui a brièvement fait chuter le yen, le risque de liquidations désordonnées est jugé limité, les investisseurs ayant substitué l’euro et le franc suisse au yen comme monnaies de financement. Les risques principaux identifiés sont le calendrier de la politique monétaire de la Fed et la concentration excessive des capitaux sur cette stratégie, ce qui pourrait la rendre vulnérable à un retournement soudain. Les gestionnaires restent néanmoins confiants, citant les taux d’intérêt élevés dans des régions comme l’Amérique latine et l’Europe de l’Est, soutenus par des pressions inflationnistes persistantes et la géopolitique énergétique.

marsbitIl y a 19 mins

Sept trimestres consécutifs de gains : l'arbitrage sur les marchés émergents surpasse tout

marsbitIl y a 19 mins

Des mentors et disciples de Tsinghua et Wharton résolvent un cas non résolu depuis 40 ans, les mathématiques centrales sont entièrement rédigées par GPT, vous le pourriez aussi

L'algorithme d'apprentissage automatique fondamental, la descente de gradient, a été « condamné » par l'IA elle-même ? Une récente étude conjointe de l'Université Tsinghua et de la Wharton School de l'Université de Pennsylvanie apporte une conclusion attendue depuis 40 ans : pour atteindre une vitesse optimale, ajuster uniquement la taille des pas (le taux d'apprentissage) ne suffit pas. Historiquement, la descente de gradient standard a une vitesse de convergence en O(1/T). En 1983, Nesterov a introduit l'élan (momentum), atteignant O(1/T²). Une question persistante était de savoir si, sans modifier la structure de l'algorithme, un simple réglage minutieux de la séquence des pas pouvait égaler cette performance. En 2023, des chercheurs du MIT ont conçu la « silver stepsize », une séquence de pas fractale atteignant O(T^{-1.2716}). Les chercheurs Jianhao Ma (Tsinghua) et Yuxin Chen (Wharton) ont inversé la problématique : au lieu de chercher une meilleure séquence, ils ont prouvé qu'il existe une limite infranchissable. Le cœur de la preuve a été généré par GPT-5.6 Sol Pro. Guidés par le concept d'« oracle résistant », les chercheurs ont demandé à l'IA de construire une fonction convexe spécifique qui force la descente de gradient à suivre un chemin lent, quelle que soit la séquence de pas choisie. L'IA a proposé une construction géométrique dans un espace de haute dimension utilisant l'enveloppe de Moreau. Après plusieurs itérations de corrections, GPT-5.6 a établi une borne inférieure de convergence en Ω(T^{-1.9319}) pour toute séquence de pas prédéterminée. Cela signifie qu'il est mathématiquement impossible pour la descente de gradient pure (sans momentum) de dépasser cette vitesse, confirmant la nécessité de modifier la structure de l'algorithme pour une convergence optimale. La preuve a été formellement vérifiée sans aucune erreur par l'assistant de preuve Lean 4, garantissant sa solidité logique. Ce travail démontre le potentiel de l'IA en tant qu'assistant de recherche capable de résoudre des problèmes théoriques profonds, ouvrant la voie à de nouvelles collaborations homme-machine en science fondamentale.

marsbitIl y a 28 mins

Des mentors et disciples de Tsinghua et Wharton résolvent un cas non résolu depuis 40 ans, les mathématiques centrales sont entièrement rédigées par GPT, vous le pourriez aussi

marsbitIl y a 28 mins

Anthropic s’incline et reconnaît ses torts, la dégradation discrète de l’intelligence de Claude avérée

Le développeur argofowl a découvert que depuis la version 2.1.237 de Claude Code, le niveau de raisonnement « high » était interprété comme la valeur « 10 », autrefois associée au niveau « low ». Cette modification faisait partie d’une expérience A/B menée par Anthropic sur la compression de l’échelle des valeurs d’effort, sans notification aux utilisateurs, provoquant confusion et débats sur une éventuelle perte de performance. Parallèlement, des utilisateurs ont signalé une dégradation des capacités du modèle Opus 5, le décrivant comme négligent, répétitif et sujet à des erreurs. L’ingénieur Thariq Shihipar d’Anthropic a reconnu que ce modèle présentait une instabilité de performance, devenue une priorité pour l’équipe. Cet incident met en lumière un problème sectoriel : le décalage entre les scores élevés des benchmarks et l’expérience utilisateur perçue. Contrairement aux logiciels traditionnels, les mises à jour des modèles d’IA manquent souvent de transparence, avec des modifications en arrière-plan (tests A/B, ajustements) qui échappent aux utilisateurs, dont la « perception » devient le seul indicateur, bien que peu fiable. La stabilité est cruciale pour instaurer la confiance lorsque les modèles deviennent des infrastructures.

marsbitIl y a 29 mins

Anthropic s’incline et reconnaît ses torts, la dégradation discrète de l’intelligence de Claude avérée

marsbitIl y a 29 mins

Décrypter les vérités sur l'effet de levier, la liquidité et les risques liés au jetonnage d'actifs

La tokenisation des actifs du monde réel (RWA) ne se limite pas à créer un jeton représentant un actif. C’est un simple code-barres, non une chaîne d’approvisionnement financière complète. La vraie transformation vient de l’intégration à la DeFi, qui permet l’évaluation, le financement, la couverture et la liquidité. Les RWA fonctionnent sur plusieurs horloges temporelles : blockchain en temps réel, marchés traditionnels fermés la nuit/week-end, et processus de rachat lents. Ce décalage crée un risque de liquidation où la DeFi exige un règlement immédiat, mais le monde réel impose des délais. Ainsi, un jeton d’obligation d’État stable peut être plus risqué qu’un actif crypto volatil mais liquide 24h/24. La liquidité réelle ne se mesure pas par la TVL, mais par la capacité à sortir d’une position sous pression, dans un délai donné et sans décote excessive. Trois voies de sortie existent : vente sur le marché, rachat par l’émetteur, ou prêt garanti. Le levier est ce qui crée l’utilité économique, mais il accroît aussi la fragilité. Les paramètres de garantie (haircuts) doivent intégrer non seulement la volatilité, mais aussi l’exécutabilité légale, la fraîcheur des données, les délais de rachat et la concentration des holdings. Les risques des RWA forment un graphe de dépendances interconnectées (émetteur, gardien, oracle, marchés secondaires, protocoles de prêt). Une défaillance localisée peut se propager. Une surveillance proactive des files de rachat, de la profondeur du marché et du comportement des market makers est cruciale. Au-delà des obligations d’État, les actifs prometteurs sont la puissance de calcul (GPU) et l’énergie, avec leurs propres modèles de risque. Les actions tokenisées et les contrats perpétuels sur actions constituent un test majeur, combinant propriété et levier, mais nécessitent des garde-fous architecturaux pour éviter des spirales de liquidation. En somme, l’étape suivante n’est pas de tokeniser plus d’actifs, mais de construire la couche de marché qui transforme les jetons en infrastructures financières résilientes, capables de résister à un week-end de crise. Le jeton n’est que le code-barres ; le marché est la machine.

marsbitIl y a 42 mins

Décrypter les vérités sur l'effet de levier, la liquidité et les risques liés au jetonnage d'actifs

marsbitIl y a 42 mins

Trading

Spot
活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow