← Accueil actu | Salle du marché
2026-11-04 · Source:虎嗅·中继

Li Xinyi : selon les critères du Clay Institute, l'IA « résout » peut-être, mais les humains n'ont absolument pas digéré ces résultats
Le mois dernier, OpenAI et Anthropic se sont livrées une compétition effrénée : d'un côté, l'annonce de la résolution d'une conjecture mathématique vieille d'un siècle, de l'autre, une exclusive sur la percée d'un problème du millénaire, déclenchant une frénésie de trafic sur les réseaux sociaux. Peu après la prolifération d'articles du type « OpenAI s'attaque à un nouveau problème du millénaire », Li Xinyi, professeur associé au Centre international de recherche en mathématiques de Pékin (BICMR) et diplômé de la promotion 2007 du département de mathématiques de l'université de Pékin, a pris l'initiative de contacter la rédaction pour un entretien approfondi de plus de trente minutes. Le cœur de cette conversation ne portait pas sur la remise en cause des capacités mathématiques de l'IA, mais sur un constat direct : la manière dont ces résultats sont médiatisés inflige des dommages invisibles à la discipline mathématique elle-même.
Son inquiétude vise les techniques de communication des grands laboratoires : « Résoudre ces conjectures, ce n'est en réalité que des trophées. » Selon lui, le sens ultime d'un problème mathématique ne réside pas dans la conclusion elle-même, mais dans la formation, au fil d'une longue quête, de générations successives de mathématiciens et dans l'accumulation d'une compréhension profonde. Selon les rumeurs, OpenAI aurait résolu la conjecture de Hodge, la conjecture de BSD et d'autres problèmes d'exception, mais à ses yeux ce « résolu » doit être mis entre guillemets : selon les critères du Clay Mathematics Institute, la réponse de l'IA pourrait certes compter comme une résolution en un certain sens, mais elle crée une rupture du type « résolu, mais absolument pas compris » — les humains n'ont tout simplement pas digéré les contre-exemples ou résultats produits par l'IA.
Cette rupture peut échapper à ceux qui sont en dehors du milieu. Dans l'histoire des mathématiques, le processus de démonstration d'une conjecture est souvent plus précieux que la conclusion : les nouveaux outils et les nouvelles branches nés en chemin soutiennent, des décennies plus tard, la physique, la cryptographie et le calcul en ingénierie. Si l'IA « soumet directement sa réponse » et que le processus est réduit à un simple communiqué, les humains ne récoltent qu'une coquille vide. Voilà pourquoi il compare ces conjectures à des « trophées de classement » : elles ressemblent davantage aux benchmarks des compétitions de grands modèles de langage, servies à afficher les courbes de performance, qu'à un service de l'accumulation de savoirs de la communauté mathématique.
La communication d'accompagnement fait encore plus de dégâts directs. Li Xinyi souligne que le récit envahissant « l'IA vainc les mathématiques » a effrayé de jeunes gens qui voulaient justement étudier les mathématiques — si les conjectures les plus difficiles peuvent être écrasées en un instant par des modèles, à quoi bon dix ans d'études acharnées ? Cela induit aussi en erreur les détenteurs du pouvoir de décision budgétaire : lorsque les ressources sont orientées par la communication vers l'imaginaire « les machines peuvent remplacer la démonstration », l'investissement de long terme dans la formation de mathématiciens vivants risque d'être sous-évalué.
Comme une connivence de l'histoire, le lendemain de la fin de l'entretien, 25 lauréats de la médaille Fields, dont Terence Tao, ont publié une lettre ouverte dont la substance rejoignait exactement le propos de cette conversation : la mathématique a encore besoin d'êtres humains, et il faut soutenir les mathématiciens vivants avec la même vigueur. Li Xinyi insiste : les méthodes concrètes et les critères d'évaluation peuvent évoluer, mais ne pas critiquer la prospérité factice, c'est précipiter un avenir désastreux. Autrement dit, le problème n'est pas que l'IA soit trop forte, mais que le récit social ait réduit « l'IA est forte » à « les humains ne sont plus nécessaires ».
Il mentionne aussi un fait réel, survenu récemment dans son entourage : une chercheuse postdoctorale de son équipe s'acharnait depuis longtemps sur une conjecture confidentielle, en s'appuyant habituellement sur une version préliminaire de grand modèle de l'époque GPT-5.x, explorant ses idées avec l'IA tout en développant sa propre réflexion. Ce cas est hautement symbolique — la meilleure usage de l'IA n'est pas de fournir le verdict final à la place des humains, mais d'être un partenaire d'entraînement à la spéculation. Le thème de cet entretien est précisément : l'IA aspire la substantifique moelle de l'intelligence humaine, tout en menaçant de détruire la communauté qui la produit.
Du point de vue des acheteurs de puissance de calcul IA, ce débat comporte aussi des enseignements en matière d'achats. Les scores mathématiques affichés par les grands modèles sont souvent interprétés comme le signal « plus le modèle est fort, plus il mérite d'empiler des GPU », mais ce que les acheteurs doivent réellement évaluer, c'est la vérifiabilité et l'explicabilité du modèle dans leur propre chaîne opérationnelle — de même que le monde mathématique a besoin d'être « compris » et non « résolu », les entreprises ont besoin de résultats d'inférence auditables et reproductibles, non de réponses en boîte noire impossibles à digérer. Pour planifier le budget des modèles de raisonnement de pointe, l'attitude de retenue du monde mathématique offre une référence utile : plutôt que de courir après des trophées de classement, il vaut mieux diriger la puissance de calcul vers des scénarios assimilables par les humains et transformables en capacités organisationnelles.
Au passage, une information de marché liée au sujet : ce modèle ne dispose actuellement d'aucune donnée de prix en vente. Pour les acheteurs attentifs aux cartes d'inférence haut de gamme, ce signal indique que les ressources de calcul concernées circulent peu sur le marché au comptant ; la décision d'achat doit revenir à l'évaluation des charges de travail réelles et des besoins de vérification, plutôt que de se laisser porter par le battage médiatique.
Pour revenir à l'avertissement central de Li Xinyi : la relation entre l'IA et les mathématiciens humains dépendra, en dernière analyse, du récit que nous choisissons. Si l'on ne raconte que l'histoire des « trophées », les jeunes quitteront les mathématiques et les financements dévieront de la formation des personnes ; si l'on positionne l'IA comme un outil d'extension de la compréhension, elle peut au contraire devenir le levier de la prochaine génération de mathématiciens. Il en va ainsi pour les mathématiques comme pour l'industrie de la puissance de calcul — ce qui manque vraiment, ce n'est jamais la conclusion, mais la capacité de la digérer.
Q : Quelle est l'évaluation de Li Xinyi sur la « résolution » des conjectures de Hodge et de BSD par OpenAI ?
R : Il estime que ce « résolu » doit être mis entre guillemets : selon les critères du Clay Mathematics Institute, la réponse de l'IA pourrait certes compter comme une résolution en un certain sens, mais elle crée une rupture du type « résolu, mais absolument pas compris », et les humains n'ont pas du tout digéré ces résultats.
Q : Quels échos dans le monde mathématique après cet entretien ?
R : Le lendemain de la fin de l'entretien, 25 lauréats de la médaille Fields, dont Terence Tao, ont publié une lettre ouverte affirmant que la mathématique a encore besoin d'êtres humains et qu'il faut soutenir les mathématiciens vivants avec la même vigueur.
Mots-clés: OpenAI · Anthropic · GPT-5 · Li Xinyi · Terence Tao · AI Mathematics
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle