Tao et les maths 2.0 : l'abondance des preuves en débat

Hier soir, j'ai regardé une lecture d'une heure par le mathématicien et penseur Samuel Alexander, lame par lame. Il traverse l'exposé Math 2.0 de Terence Tao à Caltech, une lame à la fois. Tao compte parmi les mathématiciens vivants les plus célèbres ; Alexander se présente comme un bâtisseur de théories à la gloire modeste en résolution de problèmes. Tous deux s'accordent sur un point : les modèles d'IA secouent le monde des mathématiques jusqu'aux racines. Dans ce texte, je pose les deux voix en mots simples ; le but est de saisir l'ordre derrière la querelle, non la querelle elle-même.

Première thèse de Tao : les mathématiques classiques, ou Math 1.0 selon ses mots, reposaient sur la rareté des preuves. Forcer un problème ouvert coûtait cher et restait rare ; postes, revues et prix suivaient cette rareté. Imagine les chauffeurs de taxi à l'arrivée des applis ; Tao dit que les mathématiciens vivent le même choc aujourd'hui. Le domaine a bougé à peine pendant un siècle ; même la toile a laissé son ordre intact. Tao a partagé un court résumé sur son blog WordPress, avec le même verdict : la rareté a pris fin, le vieil ordre a vieilli.

Pourquoi les modèles d'IA excellent-ils en mathématiques plus qu'ailleurs ? La réponse de Tao tient en deux mots : la vérification objective. Qu'une preuve tienne ou non n'est pas affaire de goût ; l'aimer et la juger droite sont deux actes séparés. Une thèse de physique exige des essais coûteux ; une thèse de maths demande seulement papier, crayon et réserves partagées. Des outils comme Lean laissent la machine tester chaque pas formel. Le jeu de lames dort en accès libre dans les archives GitHub de Tao ; les curieux peuvent l'étudier ligne par ligne.

La seconde cause est la numérisation. Les mathématiques vivent dans l'écrit ; elles ne ramassent ni tubes, ni câbles, ni échantillons. Jadis, l'accès voulait dire entrer dans une bibliothèque d'université ; les gens du dehors restaient à la porte. Aujourd'hui, des millions de pages dorment numérisées, pitance prête pour les modèles. Tao note que les grands labos d'IA ont classé les problèmes de maths en premier pour cette raison : vérifiable, numérique, riche en données. Là où les trois se rejoignent, les systèmes qui apprennent trouvent leur terrain idéal.

Résultat : un âge d'abondance des preuves. Avec assez de calcul, bien des problèmes crus durs tombent en peu de temps ; celui qui pose la question n'a besoin d'aucun savoir profond pour gagner des réponses. Alexander compare cela au matin de Noël ; je suis d'accord — pour qui veut apprendre, chaque jour devient fête. De son côté, OpenAI a partagé le 6 octobre 2026 des résultats neufs de maths venus d'un modèle interne ; de telles notes attisent l'enthousiasme mais cachent le cadre entier. L'abondance est vraie, pourtant la vitrine et l'arrière-boutique diffèrent.

Tao ajoute un avertissement : le talent de l'IA coupe comme une lame dentelée. Rasoir d'un côté, émoussé de l'autre. Le déluge de problèmes résolus sur les réseaux trompe pour cette raison ; les gagnants remplissent la vitrine, les ratés restent invisibles. La mesure honnête appelle des épreuves extérieures. L'article de méthode vit sur arXiv ; les tests de terrain passent par 1stProof. Cette équipe nourrit les modèles de vraies questions cachées et chasse des résultats sincères, non du décor de vitrine.

Tao emprunte ici un vieux conte de guerre ; la lame montre un bombardier pointillé de marques. L'instinct dit de blinder les taches marquées, pourtant le blindage va où nulle marque ne se voit ; les avions frappés là ne sont jamais rentrés. Le statisticien Wald a cadré cette logique, devenue un cas d'école de l'erreur du survivant. Un résumé d'après Wald dort sur Wikipedia ; le lire aiguise la pointe de Tao : les triomphes de presse sont des avions qui rentrent ; personne ne compte ceux qui tombent.

Pour Tao, résoudre des problèmes agit comme un phare : un guide, non un port. La vraie valeur s'amasse le long du chemin — idées fraîches, vues larges. Pourtant, quand la mesure devient la cible, l'ordre plie ; tous les bateaux jettent l'ancre au pied de la lumière et nul n'explore la côte. Tao tient que la chasse aveugle aux problèmes nuit désormais à l'avenir des mathématiques. Alexander s'y oppose ; à ses yeux, la victime n'est pas les mathématiques mais le vieil ordre des salaires et des titres. J'accorde à chacun une moitié : le savoir grandit, mais une guilde verrouillée sur une mesure se rétrécit.

La lame la plus débattue joue une pensée sur le cancer. Imagine : des chercheurs demandent à un fort modèle d'IA un remède qui passe les essais cliniques de troisième phase. Le modèle nomme un mélange de composés inconnus ; le mélange passe. Personne ne saisit pourquoi il agit. Tao demande : le prendrais-tu de bon cœur, ou chercherais-tu un médecin qui saisit la méthode ? Alexander réplique : la médecine marche déjà ainsi. Personne ne saisit à fond les antidouleurs courants ni les somnifères ; les mourants essaient aujourd'hui des cures inconnues sous des règles d'accès spéciales. Bouder un remède testé compte, pour lui, comme un souci de riches. Je penche vers Alexander : le mystère est une vieille nouvelle en médecine, pourtant la question de confiance garde sa valeur ; bientôt les modèles rédigeront des ordonnances, et chaque foyer en débattra.

Tao applaudit surtout les maths d'enquête à grande échelle : des jeux de données jadis hors de portée se tiennent désormais bâtis. Pièce une : le projet Equational Theories, plus de 22 millions de liens entre 4 694 équations, tranchés vrais ou faux par des volontaires main dans la main avec l'IA. Cartes et contrôles Lean passent par GitHub ; les visiteurs peuvent errer d'équation en équation. Des réserves pareilles grandissent autour de Mathlib ; le récit de ce recueil de deux millions de lignes vit sur le site Lean Lang. Ce travail marque un style neuf d'enquête de terrain ; ce qui dépassait jadis une vie tourne désormais pendant la nuit sur des systèmes nourris au token.

Math 2.0 avance par les sujets d'exposition : trouver des récits vifs pour des résultats dont les preuves restent opaques. Puis viennent les toiles vivantes : des tableaux nets et tenus à jour des résultats liés. Tao cite aussi MathOn, un gala d'étudiants du 13 au 15 novembre où des outils d'IA ouverts chassent des preuves neuves et fines de vieux résultats. Alexander ajoute une note aigre : l'exposition ne payait jadis aucun loyer à l'embauche ; les beaux récits gagnaient au mieux de petites revues. À mes yeux, Math 2.0 peut dénouer ce nœud ; un ordre qui applaudit aussi les beaux passeurs ouvre les mathématiques à tous.

Alexander réserve sa colère à l'ordre des postes et des revues. Pendant un siècle, applaudissements et postes sont allés aux seuls solveurs ; les bâtisseurs de théories attendaient à l'écart. Il se compte parmi les bâtisseurs et salue la chute du vieil ordre avec des rires. Tao raconte la même histoire doucement ; Alexander nomme les noms : qui doit son salaire à la rareté craint l'abondance. Je lis cette querelle plus large que les mathématiques. Chaque métier pose des gardiens face aux nouveaux venus ; quand les modèles d'IA ôtent le verrou des mains des gardiens, le bruit éclate.

Tao ferme là où Alexander approuve : le goulot étroit, c'est l'imagination, non les outils. Tous deux aiment l'image de l'appareil photo : les peintres ont gardé leur travail, et le cinéma — un art que personne ne prévoyait — est né par-dessus. Si l'IA d'aujourd'hui est l'appareil, notre cinéma reste à venir ; sa forme dort hors de notre regard. Ma leçon : étreins l'abondance des preuves, garde des mesures honnêtes, réserve des heures pour enseigner. Pour qui le fait, la décennie prochaine devient fête ; pour les autres, un règlement dur. Chaque guilde choisira son camp.