Par Dr Sami Ayari
Les mathématiques ont un avantage que la physique, la chimie et la biologie n’ont pas : un critère de vérité qui ne souffre aucune ambiguïté et qu’une machine peut vérifier toute seule. Une preuve écrite en Lean est acceptée ou rejetée, un point c’est tout, il n’y a pas de place pour le doute. C’est ce qui rend ces deux exploits possibles à cette échelle. Mais le mouvement de fond, des IA qui explorent un nombre de possibilités bien plus grand que ce qu’un humain pourrait examiner dans toute une vie, est déjà à l’œuvre dans les autres sciences, chacune avec ses propres façons de vérifier ce qui est vrai.
Le physicien
En physique, la vérité ultime reste l’expérience en laboratoire ou l’observation, pas une démonstration sur le papier. Les IA y jouent déjà un rôle croissant : elles peuvent chercher automatiquement, dans des masses de données, des lois empiriques que personne n’avait remarquées (une technique appelée régression symbolique) ; elles aident à concevoir des matériaux qui auront des propriétés précises avant même de les fabriquer ; elles pilotent en direct des expériences dans les grands instruments scientifiques, en ajustant les réglages en fonction des résultats qui arrivent. Le rôle du physicien se déplace ainsi vers la formulation des bonnes questions à poser à la machine, et vers l’interprétation physique des régularités qu’un ordinateur détecte plus vite que lui, un déplacement du métier, pas sa disparition.
Le chimiste
En chimie, il s’agit d’explorer un nombre gigantesque de combinaisons possibles de molécules et de matériaux, un terrain où le changement d’échelle apporté par l’IA change vraiment la donne : des bibliothèques de plusieurs millions de structures candidates peuvent être testées virtuellement, sur ordinateur, avant même la moindre expérience réelle en laboratoire. Le chimiste garde cependant la main sur ce qu’aucun modèle ne peut encore remplacer : savoir si une réaction chimique est vraiment réalisable en pratique, garantir la sécurité de la manipulation et avoir l’intuition de ce qui «devrait» marcher concrètement, au-delà de ce que dit la théorie sur le papier.
Le biologiste
En biologie, prédire la forme en trois dimensions d’une protéine à partir de la seule liste des briques chimiques qui la composent, un problème sur lequel des générations entières de chercheurs se sont cassé les dents, a déjà été largement résolu grâce à l’IA ces dernières années. L’étape suivante, déjà amorcée, est encore plus ambitieuse : ne plus seulement deviner la forme des protéines qui existent dans la nature, mais en inventer de nouvelles, sur mesure, pour une fonction précise.
L’exemple le plus parlant est sans doute Evo 2, un modèle développé par l’Arc Institute (un centre de recherche américain) avec l’entreprise Nvidia, spécialisée dans les puces informatiques utilisées pour l’IA. Ce programme, qui contient 40 milliards de paramètres réglables et a été entraîné sur l’équivalent de plus de 9 milliards de lettres d’ADN provenant de plus de 100.000 espèces différentes, a nécessité plus de 2.000 puces graphiques parmi les plus puissantes du marché. Le modèle ne se contente pas de «lire» le génome : il est capable de repérer, avec une précision proche de 90 %, les mutations d’un gène qui risquent de causer une maladie, par exemple sur le gène BRCA1, lié au cancer du sein. Il peut aussi inventer des séquences d’ADN entièrement nouvelles, jusqu’à des génomes complets de la taille de ceux des bactéries les plus simples, grâce à un outil appelé Evo Designer. Fait frappant : il peut même analyser l’ADN d’espèces aujourd’hui disparues, comme le mammouth laineux, à partir de fragments génétiques reconstitués dans des ossements très anciens.
Là encore, il reste une limite fondamentale : savoir si une séquence d’ADN imaginée par le modèle fonctionne vraiment, une fois insérée dans une cellule vivante réelle, ne peut être vérifié qu’en laboratoire, pas par un calcul. Mais le changement d’échelle ressemble beaucoup à celui observé dans les deux histoires mathématiques : ce qui demandait des années de tests en laboratoire, essayer une mutation après l’autre, une variante après l’autre, peut désormais être présélectionné par un modèle en quelques heures. Charge ensuite au biologiste de vérifier, sur la paillasse du laboratoire, ce qui mérite vraiment d’être testé.
Ce que l’IA ne sait pas encore faire
Dans les quatre disciplines évoquées ici, un même noyau de tâches résiste à l’automatisation : décider quelle question mérite d’être explorée, donner du sens à un résultat obtenu, le relier à d’autres connaissances déjà établies et assumer la responsabilité de ce que l’on affirme être vrai devant les autres chercheurs. Une preuve vérifiée par Lean est parfaitement fiable sur le plan de la logique pure, mais elle ne dit absolument rien sur la question de savoir pourquoi ce problème était important à résoudre ni sur ce que sa solution change concrètement pour notre compréhension du monde. C’est un travail d’interprétation et de jugement que la machine ne fait pas aujourd’hui : elle explore des possibilités et vérifie si elles tiennent debout, mais elle ne juge pas si le résultat obtenu vaut la peine d’être publié ou raconté.
Cette limite n’est pas qu’une impression subjective : elle a été documentée par des chercheurs. Selon l’état des connaissances rassemblé par Sahimi dans son livre, l’IA actuelle ne sait toujours pas mener plusieurs tâches très différentes en même temps de façon cohérente ; elle ne sait pas non plus expliquer clairement le raisonnement qui l’a menée à sa propre conclusion, c’est ce qu’on appelle le problème de l’explicabilité ; elle ne fait pas preuve de créativité de façon vraiment autonome ; et elle a du mal à transposer une connaissance apprise dans un domaine vers un domaine complètement différent. Elle échoue aussi, de manière prévisible, dès que les données qu’on lui donne à traiter sont dépassées ou de mauvaise qualité. Or ce sont précisément ces compétences-là qu’exige la recherche scientifique au sens le plus complet : relier un résultat technique très pointu à une question qui compte vraiment pour le monde, transposer une intuition venue d’un domaine vers un autre domaine et choisir quelle direction explorer ensuite.
La dispute entre OpenAI et Tristan Buckmaster met en lumière un autre point faible de cette accélération soudaine : quand des dizaines de milliers d’agents d’IA explorent en même temps les mêmes pistes de recherche que des chercheurs humains, la frontière entre «s’inspirer légitimement d’une idée dans l’air du temps» et «s’approprier un travail en cours mené par quelqu’un d’autre» devient très floue. Les institutions scientifiques, les revues qui publient les articles, les comités d’experts, les organismes qui remettent des prix comme le Clay Mathematics Institute, n’ont pas encore de règles claires pour trancher ce genre de situation. Ce vide dans les règles du jeu sera sans doute, dans les années qui viennent, tout aussi déterminant que les prouesses techniques elles-mêmes.
Le scientifique de demain : moins un exécutant, plus un chef d’orchestre
Le portrait qui se dessine à travers ces exemples n’est donc pas celui d’un mathématicien, d’un physicien, d’un chimiste ou d’un biologiste remplacé purement et simplement par une machine. C’est plutôt celui d’un métier qui se réorganise autour des tâches que l’IA ne sait pas encore accomplir : choisir les questions qui comptent vraiment, avoir l’intuition de départ qui va orienter des milliers d’agents vers une direction prometteuse plutôt qu’une autre, interpréter un résultat obtenu à une vitesse industrielle pour en tirer un sens et en garantir la validité devant une communauté de collègues, humains, eux, pour l’instant.
Cela suppose aussi d’apprendre de nouvelles compétences : savoir découper un problème compliqué en morceaux qu’une armée d’agents d’IA peut traiter séparément, savoir dialoguer avec un logiciel de vérification formelle comme Lean et, surtout, savoir reconnaître la différence entre un résultat solide et un résultat qui a l’air convaincant mais qui n’est en réalité qu’un artefact produit par une exploration massive et aveugle, un peu comme reconnaître un faux billet même très bien imité.
Un changement de régime, pas une fin
Ce n’est donc plus le cas simple d’«une IA qui donne un coup de main à un chercheur». C’est devenu un véritable laboratoire numérique, composé de plusieurs milliers d’agents travaillant ensemble, capable de comprimer en quelques jours ce qui aurait demandé des décennies de travail humain. Et cela concerne, à des degrés divers, toutes les sciences qui reposent sur l’exploration d’un nombre de possibilités trop vaste pour qu’un seul esprit humain puisse le parcourir en entier.
Qui est l’homme derrière ces citations ?
Tout au long de cet article, une seule voix humaine revient plus que toute autre : celle de Terence Tao. Il mérite qu’on la présente pour de bon, plutôt que de la citer sans visage.
Terence Tao est un mathématicien australo-américain, professeur à l’Université de Californie à Los Angeles (UCLA). Il est largement considéré comme l’un des plus grands mathématiciens vivants de sa génération, on le surnomme parfois le «Mozart des mathématiques». Né en 1975 à Adélaïde, en Australie, il a montré des dons exceptionnels dès l’enfance : il obtient son doctorat à l’Université de Princeton à seulement 20 ans, et devient professeur titulaire à UCLA dès 24 ans, un parcours presque sans équivalent. En 2006, il reçoit la médaille Fields, considérée comme l’équivalent du prix Nobel pour les mathématiques, pour des travaux majeurs touchant à plusieurs branches à la fois : l’analyse harmonique, les équations aux dérivées partielles, la combinatoire et la théorie des nombres. Ce qui le distingue le plus, c’est justement cette capacité rare à ne pas se limiter à une seule spécialité : on lui doit par exemple le théorème de Green-Tao, sur des motifs cachés dans la répartition des nombres premiers, mais aussi des contributions importantes en géométrie et même en traitement du signal, avec une technique appelée le «compressed sensing», aujourd’hui utilisée notamment en imagerie médicale.
Ces dernières années, Tao est devenu l’une des voix les plus écoutées sur la façon dont les mathématiques doivent négocier leur entrée dans l’ère de l’intelligence artificielle. Il participe activement aux efforts de vérification formelle évoqués tout au long de cet article, notamment autour du logiciel Lean, et défend précisément l’association que l’on retrouve dans les deux exploits racontés ici : une IA qui génère des pistes de solution, couplée à un vérificateur formel qui élimine sans pitié tout ce qui ne tient pas debout. Sa position reste pourtant mesurée : pour lui, l’IA n’est pas destinée à remplacer le chercheur, mais à jouer le rôle d’un assistant qui accélère les calculs fastidieux et les recherches documentaires, pendant que la vraie valeur des mathématiques, elle, continue de résider dans la compréhension et l’intuition humaines. C’est très exactement le fil que cet article a essayé de tirer, du premier mot jusqu’au dernier.
*Cofondateur et coordinateur général du Tunisia CyberShield, Cofondateur et coordinateur général de la Tunisian AI Society