과학/건강

L'annonce d'OpenAI du 26 octobre 2026 est l'événement qui illustre le plus clairement ce changement. L'entreprise a déclaré que son propre modèle d'IA avait produit des preuves pour des problèmes de longue date dans la conjecture de lissage local en mathématiques, l'hypothèse du temps exponentiel (ETH) en informatique, et la preuve de l'existence de la théorie quantique des champs en interaction (liée à Yang-Mills et QCD) en physique.

Selon les rapports, la partie physique est liée à certains des problèmes du millénaire, et un groupe d'experts, dont le lauréat du prix Nobel de physique 2004, David Gross, dirige la vérification. Les parties mathématiques et informatiques ont été formalisées et publiées avec Lean, tandis que la partie physique est en cours de réécriture par des experts en raison de sa complexité. Interpréter cette annonce comme « l'IA a dépassé les limites humaines » est le résultat d'une mauvaise compréhension des conditions d'établissement de la connaissance scientifique. La connaissance n'est pas simplement la présentation d'une bonne réponse, mais elle n'est établie que lorsque la cohérence logique, la correspondance exacte avec le problème original, la cohérence avec le flux de recherche existant, et l'interprétation de la signification du résultat dans un système théorique plus large sont toutes satisfaites.

Trois réalisations illustrent ce point. La conjecture de lissage local concerne une propriété mathématique selon laquelle les ondes ne se concentrent pas excessivement en un point donné. Si elle est prouvée, elle résoudra en cascade la conjecture de Kakeya et la conjecture de restriction de Stein. Bien qu'il soit affirmé que l'IA a introduit des équations aux dérivées partielles auxiliaires pour fournir une preuve dans toutes les dimensions, les mathématiciens humains doivent reconstituer et expliquer comment cette idée centrale se connecte aux recherches existantes et jusqu'où s'étend la nouvelle perspicacité. La réfutation de l'ETH renverse une hypothèse sur la complexité temporelle d'un problème de calcul spécifique. Il est significatif que Russell Impagliazzo et Ramamohan Paturi, qui ont initialement proposé l'hypothèse, aient été inclus dans le groupe de vérification. L'interprétation humaine et des recherches supplémentaires sont nécessaires pour comprendre les implications pratiques de l'algorithme découvert par l'IA et sa relation avec le problème P vs NP. Dans le domaine de la physique, la preuve de l'existence mathématique des théories quantiques des champs d'interaction, y compris la QCD qui décrit l'interaction des quarks et des gluons, est directement liée aux fondements de la physique théorique. Cependant, le fait que les données n'aient pas encore été entièrement divulguées et que le groupe d'experts ait choisi de les réécrire eux-mêmes peut être interprété comme une réticence à accepter les résultats de l'IA comme des connaissances brutes. Le précédent des erreurs et du fardeau de la vérification signalés dans les nombreux articles de mathématiques rédigés par l'IA et publiés par OpenAI dans le passé soutient également cette prudence.

Ces aspects s'inscrivent dans la continuité de l'évolution des outils que nous montre l'histoire des sciences. Lorsque le télescope a élargi le champ d'observation, les astronomes ont intégré manuellement les résultats d'observation dans la théorie. Lorsque les ordinateurs ont remplacé les calculs numériques, l'interprétation du sens physique et l'évaluation de la validité des modèles sont restées l'apanage de l'homme. Même lorsqu'AlphaFold a révolutionné la prédiction de la structure des protéines et a reçu le prix Nobel, le processus de vérification expérimentale des résultats de la prédiction et de leur attribution d'un sens biologique est resté du ressort des chercheurs humains. L'IA représente un saut qualitatif en ce qu'elle peut générer des hypothèses et effectuer des preuves formelles de manière beaucoup plus proactive que les outils précédents, mais ce saut est plus proche de « l'automatisation de l'exploration » que de « l'automatisation de la compréhension ». Les outils de vérification formelle comme Lean sont excellents pour filtrer les erreurs mécaniques, mais la capacité de juger si « cette preuve a correctement saisi l'essence du problème original », « comment ce résultat se connecte à d'autres problèmes non résolus » et « quelles nouvelles questions cette connaissance ouvre » appartient encore à l'homme. Les réalisations de l'IA fonctionnent sur l'accumulation de connaissances humaines — données d'entraînement, définition des problèmes, outils de vérification formelle, réseau d'experts participant à la vérification.

La symbiose future entre l'homme et l'IA a donc de fortes chances d'évoluer au-delà d'une simple division du travail où « l'IA résout et l'homme vérifie », pour devenir une relation de renforcement mutuel plus sophistiquée. L'IA est chargée de proposer des candidats que l'homme aurait du mal à atteindre en peu de temps dans un vaste espace de recherche, et de vérifier rapidement la cohérence formelle. L'homme, quant à lui, définit le sens et les priorités du problème, restructure de manière critique les résultats de l'IA, et les relie au monde réel par l'expérimentation, l'observation et l'intégration théorique. Il incombe également à l'homme de clarifier les limites et les conditions préalables des résultats de l'IA, et de réfléchir aux implications sociales, technologiques et éthiques de ces résultats. L'approche d'OpenAI, qui ne poursuit pas de mérites académiques et inclut les proposants d'hypothèses originaux ou des chercheurs faisant autorité dans le processus de vérification, peut être considérée comme une tentative d'expérimenter les normes initiales de cette symbiose. Si ce modèle s'établit, la vitesse de la recherche scientifique s'accélérera, mais la fiabilité et la transmissibilité des connaissances dépendront de la qualité du processus de vérification, de restructuration et d'interprétation mené par l'homme.

Pour que cette symbiose soit durable, trois conditions sont essentielles.

Premièrement, l'expansion systématique de l'infrastructure de vérification. Si la quantité de candidats générés par l'IA augmente de manière exponentielle, la capacité de vérification des experts humains deviendra un goulot d'étranglement. Sans la normalisation des dépôts publics, l'amélioration des outils de vérification formelle, la reconnaissance académique et le soutien financier pour les tâches de vérification, la « surcharge de vérification » pourrait en fait ralentir le rythme de la science.

Deuxièmement, le maintien de l'intelligibilité. Si les résultats de la boîte noire s'accumulent, la communauté scientifique finira par dépendre de « résultats corrects sans savoir pourquoi ils sont corrects », ce qui risque à long terme de réduire l'intuition théorique et la capacité de poser des questions créatives. Le processus de réécriture et d'explication des résultats de l'IA par l'homme n'est pas une simple confirmation, mais une étape essentielle pour la transmission des connaissances et la croissance des chercheurs de la prochaine génération.

Troisièmement, l'institutionnalisation de la confiance et de la responsabilité. Des biais ou une divulgation sélective peuvent survenir lorsque les entreprises d'IA choisissent les problèmes et produisent les résultats. Il est nécessaire de garantir l'autonomie des groupes de vérification indépendants, une divulgation suffisante des données, une clarification de la responsabilité des résultats, et l'établissement de normes convenues concernant l'étendue et le calendrier de la divulgation.

La science a toujours évolué avec le développement d'outils. L'IA entre dans la prochaine phase de ces outils, mais quelle que soit la puissance de l'outil, le jugement et l'intégration qui transforment ce qu'il produit en « connaissances significatives », ainsi que la réflexion sur les implications de ces connaissances pour la nature et la société, restent du domaine humain. Ce que cette annonce suggère, c'est que l'ère où l'IA s'attaque à des problèmes qui ont été des défis pendant des décennies est arrivée, et qu'en même temps, le progrès scientifique ne se produit que lorsque cette main est combinée avec les yeux, l'esprit et la communauté critique de l'homme.

La symbiose a déjà commencé, et sa qualité dépend de la diligence avec laquelle nous concevons des systèmes de vérification, de compréhension et de responsabilité. Le moment où l'IA dépasse les limites humaines n'est pas encore venu. Cependant, une nouvelle étape de la science s'ouvre, où les humains et l'IA se complètent mutuellement et repoussent ensemble les limites. À ce stade, ce que les humains ne doivent pas perdre, ce n'est pas la vitesse, mais la capacité de se demander pourquoi ce résultat est important et ce qu'il signifie pour notre monde.