Coup de force scientifique : l’IA américaine prend le contrôle des maths | Pr Babak Haghighat

## L’IA transforme la recherche mathématique Un tournant silencieux est en train de remodeler la manière dont la connaissance mathématique se produit. Durant les deux dernières années, des systèmes d’intelligence artificielle ont cessé d’être de simples calculatrices puissantes pour devenir des agents capables de proposer des idées, d’explorer des conjectures et de formuler des démonstrations. Cette mutation ne se limite pas à une amélioration de productivité : elle modifie la nature même de la recherche en offrant la possibilité de relier des domaines auparavant disjoints et de traiter, à grande échelle, des problèmes ouverts depuis des décennies. La portée de cette révolution est telle que des résultats produits par des modèles pourraient, s’ils sont validés, rivaliser avec les accomplissements les plus prestigieux de la discipline. ## L’avènement d’une créativité algorithmique L’émergence d’une "créativité" algorithmique marque une rupture conceptuelle. Là où les programmes classiques exécutaient des procédures définies, les modèles récents explorent des espaces de solutions, génèrent des contre‑exemples et proposent des preuves inédites. Selon Babak Haghighat, ces modèles dépassent désormais la simple automatisation de tâches répétitives : ils deviennent des partenaires capables d’introduire des approches originales à des problèmes de recherche. Cette capacité a été attestée par des exploits récents, tels que des résolutions de problèmes olympiques et des publications massives de démonstrations formalisées. Mais cette créativité algorithmique appelle aussi prudence : les résultats doivent être vérifiés par la communauté mathématique et, quand c’est possible, formalisés dans des assistants de preuve afin d’établir leur robustesse. ## La centralisation américaine et ses conséquences L’une des dimensions les plus problématiques de cette évolution est la concentration du contrôle technologique. Un nombre très limité d’entreprises détient aujourd’hui les modèles les plus avancés en mathématiques et, de fait, qui peut les utiliser. Ce verrouillage a des effets multiples. D’une part, il transforme des outils qui, historiquement, ont été des biens communs de la connaissance en produits commerciaux soumis à des logiques de valorisation privée. D’autre part, la fermeture opérationnelle de ces modèles empêche une vérification indépendante des résultats et pose une question de transparence scientifique : comment évaluer une découverte si le processus qui l’a générée reste partiellement ou totalement opaque ? Babak Haghighat souligne la tension entre la promesse scientifique de ces modèles et le fait qu’ils soient, pour l’essentiel, contrôlés par des acteurs privés concentrés sur des objectifs commerciaux et géopolitiques. ## Dilemme d’accès et inégalités globales La distribution mondiale d’accès à ces modèles crée un dilemme existentiel pour les chercheurs en dehors des sphères privilégiées. Utiliser ces outils devient presque nécessaire pour demeurer compétitif à la pointe de la recherche ; ne pas y accéder signifie être marginalisé. Mais l’accès lui‑même est régulé par des politiques d’entreprise et par des régimes juridiques nationaux qui excluent de nombreux pays, y compris des centres importants de recherche. En résulte un choix coercitif : renoncer à la compétition intellectuelle ou s’en remettre à des systèmes dont l’usage nourrit potentiellement une asymétrie informationnelle et économique. Ce constat n’est pas seulement académique. Il remet en cause l’idée selon laquelle les mathématiques sont un bien public universel, fruit d’une longue coopération transnationale. Lorsque des technologies clés sont captées par quelques mains, l’équité de l’écosystème scientifique se fragilise. ## Sécurité, course aux armements et intérêts stratégiques L’altération des rapports de force scientifiques mène inévitablement à des implications de sécurité. L’accélération exponentielle permise par l’accès exclusif à des modèles supérieurs crée un avantage stratégique dangereux : six mois d’avance aujourd’hui peuvent se traduire par des années ou des décennies de progrès cumulés. Ce phénomène alimente une course où les meilleures recherches en mathématiques — qui sous‑tendent à la fois l’IA elle‑même et de nombreuses technologies sensibles — deviennent des leviers stratégiques. Haghighat met en garde contre la propension des États et des entreprises à mobiliser immédiatement ces capacités dans des domaines militaires ou de surveillance. Sans contrepoids et sans mécanismes de gouvernance globale, l’outil qui pourrait renforcer la science au bénéfice de tous risque d’être détourné en instrument de puissance et de domination, avec tous les dangers systémiques que cela implique. ## Infrastructures : puces, énergie et investissements La compétition technologique ne se résume pas au logiciel ; elle dépend aussi d’infrastructures matérielles et énergétiques colossales. Les restrictions sur l’accès aux puces de pointe, les sanctions et les tensions sur les chaînes d’approvisionnement pèsent lourd dans la capacité d’un pays à développer des modèles de nouvelle génération. À cela s’ajoutent les besoins énergétiques massifs pour entraîner et exploiter ces architectures : la construction d’un écosystème indépendant et compétitif exige non seulement de la recherche théorique mais aussi des investissements massifs en centres de calcul, en capacités de refroidissement et en réseaux d’approvisionnement électrique. Haghighat souligne que l’absence de coordination entre industrie et universités, ainsi que la priorisation d’objectifs commerciaux, ont conduit certains acteurs à négliger l’approfondissement des capacités mathématiques qui nourrissent l’IA. Or, sans ce socle, les efforts centrés uniquement sur l’optimisation logicielle ou la programmation restent vulnérables à des ruptures stratégiques. ## Vers une coopération ouverte et un bien public scientifique Face à ces risques, la conversation met en avant des solutions articulées autour de l’ouverture et de la coopération académique. Si affirmer la nécessité d’un accès public ne suffit pas à renverser des dynamiques de marché puissantes, il est toutefois possible d’en tirer des orientations de politique scientifique : promouvoir des partenariats université‑industrie qui garantissent la diffusion des modèles de recherche, encourager la mise en open source des outils fondamentaux et investir dans des infrastructures publiques de calcul. Haghighat plaide pour un modèle où l’IA reste un outil au service de l’humanité, contrôlé par des institutions académiques et régulées par des principes explicites de partage des connaissances. La formalisation des preuves dans des assistants comme Lean constitue un exemple de mécanisme pour réintroduire de la transparence et de la confiance dans les contributions algorithmiques. ## Préserver la créativité humaine et repenser la gouvernance scientifique À l’échelle la plus humaine, il s’agit de préserver la place de l’imagination et du jugement critique dans la recherche. L’IA peut étendre la portée cognitive des mathématiciens, lier domaines et accélérer les découvertes, mais elle ne doit pas se substituer au débat, à la vérification collective et à la responsabilité scientifique. La gouvernance future nécessite des cadres qui garantissent la reproductibilité, l’éthique et l’accessibilité. Plutôt que d’accepter une privatisation de la capacité à produire les connaissances fondamentales, il est urgent de construire des coalitions internationales — universitaires, publiques et privées — qui défendent la science comme bien commun. Cela implique aussi de repenser les incitations économiques afin que la création de valeur ne devienne pas l’unique boussole pour orienter la recherche fondamentale. Conclusion Le paysage de la recherche mathématique traverse une période d’accélération qui porte autant d’opportunités que de risques. Les avancées algorithmiques offrent un horizon inédit pour résou

Coup de force scientifique : l’IA américaine prend le contrôle des maths | Pr Babak Haghighat Tout ne va pas bien dans le monde de l’IA. Si la Chine a remarquablement réussi à suivre le rythme dans le domaine de l’IA en général, un écart subsiste au niveau des modèles les plus avancés, en particulier en mathématiques. Et les États-Unis en tirent parti avec beaucoup d’habileté. Babak Haghighat, mathématicien à l’université Tsinghua, rejoint Pascal pour discuter de la manière dont l’ intelligence artificielle transforme la recherche mathématique et l’équilibre mondial des puissances scientifiques. Il avertit que le contrôle privé des modèles avancés pourrait entraver les chercheurs, creuser les inégalités internationales et accélérer une course aux armements dans le domaine de l’ IA. Leur conversation porte sur l’écosystème de recherche chinois, les restrictions américaines sur les puces, les besoins énergétiques et les perspectives offertes par une collaboration ouverte. Haghighat plaide pour un accès public, des partenariats universitaires renforcés et une IA qui reste un outil au service de l’humanité plutôt que son maître scientifique. Liens de Babak : Profil sur le site de l’ université Tsinghua : https://ymsc.tsinghua.edu.cn/en/info/1032/1214.htm Liens de Neutrality Studies : Substack de Neutrality Studies : https://pascallottaz.substack.com Soutenir Neutrality Studies : https://neutralitystudies.com/donate Boutique de Neutrality Studies : https://neutralitystudies.com/shop Repères temporels 00:00 L’IA transforme la recherche mathématique 03:30 L’écart entre les modèles de pointe et le contrôle de la science 07:40 Les chercheurs face au dilemme de l’accès 11:28 Une course qui s’accélère et des risques pour la sécurité 16:10 Puces, sanctions et collaboration ouverte 25:55 L’énergie et le coût de l’intelligence 29:36 La créativité humaine et l’IA comme outil 33:37 Éviter une course aux armements ; la science comme bien public #Pascal Bonjour à toutes et à tous, et bienvenue à nouveau sur Neutrality Studies. Aujourd’hui, nous recevons pour la première fois le docteur Babak Harihat, un mathématicien germano-iranien à l’ université Tsinghua, en Chine. Babak, bienvenue. Bienvenue. #Babak Haghighat Oui, merci, Pascal. Merci beaucoup pour l’invitation. Je vais donc commencer. #Pascal -- 1 of 17 -- Alors, juste une seconde, parce que je voudrais préciser que nous avons été mis en contact par un ami commun. Et si nous avons été mis en contact, c’est parce que vous êtes en fait très inquiet de ce qui se passe dans le domaine des mathématiques en lien avec l’IA. Et comme vous êtes en Chine, il y a là-bas un problème particulier. Est-ce que vous pourriez nous expliquer un peu ce qui vous inquiète tant ? #Babak Haghighat Eh bien, pour planter le décor, si je puis dire, permettez-moi de commencer par une date et un chiffre. Le six octobre de ce mois-ci, l’entreprise OpenAI a annoncé la publication de sept cent vingt- deux manuscrits mathématiques présentant trois cent soixante-douze résultats de recherche, ou familles de résultats de recherche, portant sur des problèmes mathématiques entièrement ouverts. Le système, qui est un modèle interne, a donc été chargé d’examiner quatre mille problèmes et conjectures mathématiques non résolus, certains depuis des décennies, d’autres même depuis des siècles. En moyenne, il lui a fallu trois heures de calcul pour produire ces résultats. On a donc trois cent soixante-douze résultats distincts, accompagnés de démonstrations, pour certains de ces problèmes ouverts. Et c’est vraiment quelque chose d’extraordinaire. Je pense que nous devons tous reconnaître qu’il s’est passé quelque chose de très singulier. Et c’est, en quelque sorte, une étape dans l’évolution, si vous voulez. Pendant longtemps, les mathématiciens ont utilisé des ordinateurs, mais ces ordinateurs n’étaient que des outils. En gros, on les programmait. Ils étaient très puissants, mais ils ne faisaient qu’exécuter, vous savez, comme une recette, les instructions que leur donnait le mathématicien. Ils suivaient donc une recette et produisaient des résultats, mais sans aucune créativité. Et ces programmes n’étaient que des outils qu’on pouvait lancer et arrêter, et qui se contentaient de faire des calculs. Ils effectuaient des manipulations algébriques, des manipulations symboliques ou des calculs numériques, mais tout était déterminé à l’avance, et ils ne faisaient qu’exécuter un script. Mais récemment, ce qui s’est passé, c’est qu’ils ont en quelque sorte franchi le seuil de la créativité. Ils peuvent donc maintenant chercher des solutions de manière créative, proposer de nouvelles idées et présenter des démonstrations pour des problèmes ouverts. Et ça, c’est complètement nouveau. Ce changement s’est produit au cours des deux dernières années. Désormais, ils proposent des approches, trouvent des contre-exemples et établissent des liens entre des domaines éloignés des mathématiques, ce qui aurait été inimaginable auparavant. Voilà donc l’avancée qui a abouti à cette annonce du six octobre. Et oui, c’est de ça que je veux parler. Et si vous voulez, je peux vous l’ expliquer un peu plus en détail. Cette annonce, ce moment du six octobre, n’est donc pas arrivé de nulle part. En fait, ça a commencé un peu plus tôt, et c’est l’aboutissement d’un processus qui a débuté, disons, il y a deux ans. Ça a commencé en deux mille vingt-quatre, quand les modèles de DeepMind ont réussi, pour la première fois, à résoudre des problèmes de mathématiques des Olympiades -- 2 of 17 -- internationales de mathématiques et à décrocher des médailles d’argent. En gros, on leur avait donné le même temps qu’à un candidat, et ils ont pu décrocher une médaille d’argent. Puis, en deux mille vingt-cinq, les nouveaux modèles de DeepMind, les modèles Gemini, ont même réussi à obtenir des médailles d’or. Et maintenant, ils collaborent avec nous dans nos recherches et résolvent, en fait, des problèmes de niveau recherche. Voilà donc l’accélération que j’ai pu observer. Et c’est de ça que je veux parler, oui. #Pascal Oui, juste pour donner aux gens une idée du problème que ça pose : on a maintenant des IA qui sont créatives et qui résolvent des problèmes, mais est-ce qu’elles le font toutes à la même vitesse ? Parce que, si je comprends bien, vous avez notamment observé que les modèles américains sont à la pointe en mathématiques, c’est bien ça ? DeepSeek et les autres sont vraiment, vraiment, vraiment très bons dans tous les autres domaines. Mais en mathématiques, ce sont les modèles américains qui sont à la pointe, n’est-ce pas ? Et est-ce que vous pourriez nous expliquer brièvement pourquoi, selon vous, ça pose problème ? #Babak Haghighat Alors, ce dont vous parlez maintenant, bien sûr, ce sont ces modèles DeepSeek et ces modèles chinois, qui sont très, très performants. Ils ont participé à des concours de mathématiques et y ont obtenu de très bons résultats. Mais ce dont je parle ici, c’est d’un tout autre niveau. Ce que laisse entendre cette annonce du six octobre, c’est que certains de ces modèles, quand on y regarde de près, sont en fait dignes d’une médaille Fields. Si un mathématicien avait résolu ce problème, il aurait obtenu la médaille Fields sans discussion. Bien sûr, je dois être prudent sur ce point. Il ne faudrait pas affirmer que tous ces résultats qui viennent d’être publiés sont valides, et ainsi de suite. Les mathématiciens doivent les examiner et vérifier les démonstrations, et il peut y avoir des erreurs. D’ailleurs, sur ces 722 articles, trois étaient erronés et ont été retirés dès le lendemain. Le nombre officiel est donc maintenant de 719. Certains peuvent être vérifiés automatiquement avec un logiciel appelé Lean. On peut donc les vérifier avec Lean, et là, on est quasiment sûr qu’ils sont corrects. Mais il faut les vérifier. S’ils passent ces vérifications, alors, si un mathématicien avait fait ça, ce serait une médaille Fields à coup sûr. C’est donc là que l’écart commence à se creuser. Je veux dire, ces modèles chinois ne sont pas à ce niveau-là. Voilà donc le premier point que je voulais clarifier. Alors, en soi, on pourrait se dire que ce n’est peut- être pas un problème, et ainsi de suite. Mais je voudrais parler de certaines restrictions qui, elles, posent bel et bien problème, en particulier pour la communauté des mathématiciens, mais aussi, je pense, plus largement, pour l’ensemble des sciences et pour le monde entier. Bon, je ne voudrais pas être trop pessimiste. Bien sûr, on peut se concentrer sur les problèmes, mais je tiens à préciser d’ emblée que c’est en réalité quelque chose de positif. -- 3 of 17 -- #Pascal Salut, juste un petit mot très rapide. Le meilleur moyen de soutenir cette chaîne, c’est de vous abonner gratuitement à ma newsletter sur Substack. Vous pouvez aussi nous soutenir en y prenant un abonnement payant, ou acheter certains de nos nouveaux produits dérivés sur neutralitystudies. com. Les liens sont juste en dessous. On se retrouve là-bas. #Babak Haghighat Dans le bon cadre, c’est une évolution très positive, parce que les mathématiciens disposent désormais d’un outil incroyablement puissant, qui leur permet de relier différents domaines d’une manière qui était pratiquement impossible auparavant pour un mathématicien seul. Il lui aurait fallu toute une vie pour se familiariser avec un autre domaine. On peut relier différents domaines, explorer un vaste éventail de solutions possibles et mener des travaux de recherche d’une ampleur qui était jusque-là impossible. Donc, en fait, nous gravissons les échelons d’une échelle. Ou, si vous préférez l’image d’une colline ou d’une montagne qu’on gravit, nous avons une bien meilleure vue. Donc, en ce sens, c’est une très bonne chose pour la science, mais la question principale, c’est : qui contrôle tout ça ? Qui contrôle cet outil ? Et c’est là, au fond, que le problème commence. En soi, ce n’est donc pas forcément une mauvaise chose. Mais la question, c’est de savoir qui en a réellement le contrôle. Et ce problème ne concerne pas seulement les mathématiques, mais l’ensemble des sciences, parce que, quand on y pense, les mathématiques sont le fondement de tout ce qui existe dans l’univers. Pour reprendre les mots de Galilée, le livre de la nature est écrit dans le langage des mathématiques. Donc, ceux qui comprennent et maîtrisent les mathématiques peuvent ensuite maîtriser toute la physique, ou une grande partie de la physique, ainsi que d’autres sciences. En ce sens, c’est un outil extrêmement puissant. Et même l’IA repose, dans ses fondements, sur les mathématiques. Donc, dès lors qu’on développe de meilleures mathématiques, on peut s’en servir pour construire une meilleure IA. C’est donc, en ce sens, une avancée vraiment majeure. Mais comme je l’ai dit, un outil peut servir à de multiples fins. Tout dépend, au fond, de la main qui le manie. Et cette main est aujourd’hui contrôlée par un petit nombre d’entreprises privées. #Pascal Oui, et les quelques entreprises privées qui disposent des modèles les plus récents, indispensables à ce type de recherche de pointe, sont toutes aux États-Unis. Et si j’ai bien compris notre échange précédent, l’un des problèmes, c’est que les chercheurs en Chine, ou n’importe où dans le monde, d’ ailleurs, se retrouvent aujourd’hui face à une sorte de dilemme insoluble. Soit vous n’utilisez pas ces modèles, et vous ne pouvez plus rivaliser au plus haut niveau de la recherche en mathématiques, soit vous les utilisez et vous alimentez automatiquement le kraken américain des données. C’est l’un ou l’autre, non ? On ne peut pas avoir le beurre et l’argent du beurre. Exactement. -- 4 of 17 -- #Babak Haghighat Non, exactement. C’est précisément le cœur du problème. Et oui, ça m’amène au point suivant, parce que je fais moi-même partie de ces chercheurs. Je suis basé en Chine et j’utilise certains des outils d’IA auxquels j’ai accès. Mais au fond, ces outils d’IA sont désormais indispensables