Imaginez le monde des mathématiques comme une bibliothèque gigantesque et infinie. Pendant longtemps, les étudiants IA les plus brillants de cette bibliothèque étaient comme de formidables Solveurs. Ils étaient incroyables pour prendre un devoir spécifique et bien rédigé, lire les instructions et trouver la réponse. Si vous leur donniez un problème de mathématiques issu d'une compétition de lycée, ils pouvaient souvent le résoudre plus vite qu'un génie humain. Ils étaient comme des voitures de course sur une piste parfaitement pavée : rapides, précises et fiables.

Mais les auteurs de ce document soutiennent que nous frappons un mur. Ces Solveurs sont excellents pour terminer la course, mais ils ne peuvent pas inventer la course. Ils ne peuvent pas regarder la bibliothèque, trouver un mystère poussiéreux et non résolu qui y repose depuis des décennies, et trouver une toute nouvelle façon de le percer.

Le papier suggère qu'il est temps d'arrêter de construire de meilleures voitures de course et de commencer à construire des Agents de Recherche. Ce ne sont pas seulement des étudiants qui suivent des instructions ; ce sont des explorateurs capables de s'aventurer dans l'inconnu, de se perdre, d'essayer des idées étranges et, peut-être — juste peut-être — de découvrir quelque chose de nouveau.

L'état actuel : L'ère du « Solveur »

Actuellement, l'IA écrase les défis connus.

• Le benchmark MiniF2F : C'est comme un test de mathématiques de niveau lycée super difficile. En 2021, l'IA réussissait environ 30 % des problèmes. En juillet 2025, un système appelé Seed-Prover a obtenu un score de 99,6 % (243 problèmes corrects sur 244). C'est pratiquement un score parfait.
• L'IMO (Olympiade Internationale de Mathématiques) : Ce sont les problèmes les plus difficiles pour les meilleurs lycéens du monde. En 2024, une IA appelée AlphaProof a obtenu un score de niveau « Médaille d'Argent ». En juillet 2025, Seed-Prover a résolu 5 des 6 problèmes de la compétition 2025.

C'est énorme ! Cela proule que l'IA peut faire des mathématiques rigoureuses et vérifiables par machine. Mais voici le pièat : ce sont tous des problèmes où la réponse existe déjà dans l'univers des mathématiques. L'IA ne fait que trouver le chemin vers un trésor déjà connu.

Le Problème : Le « Fossé de la Recherche »

Le document souligne que la véritable recherche mathématique est désordonnée. Ce n'est pas un QCM. C'est comme essayer de trouver une aiguille dans une botte de foin, mais sans même savoir à quoi ressemble l'aiguille.

Les auteurs soutiennent que les systèmes d'IA actuels sont fondamentalement limités lorsqu'il s'agit de la « recherche de pointe ».

• Le piège de la « Redécouverte » : Lorsque l'IA prétend résoudre un problème ouvert célèbre (comme un problème de la liste des Problèmes d'Erdős, une collection de plus de 1 100 énigmes mathématiques difficiles), elle trouve souvent une solution que les humains ont déjà écrite dans un livre, mais dont l'IA n'avait pas connaissance.
• Le risque d'« Hallucination » : Si vous demandez à une IA de résoudre un problème dont elle ne connaît pas la réponse, elle peut simplement inventer une preuve qui semble correcte mais qui est en réalité absurde. Contrairement à un humain qui peut dire : « Je suis bloqué, j'ai besoin d'une nouvelle idée », l'IA s'enfonce souvent avec assurance dans le vide.

Le papier exclut explicitement l'idée que l'IA actuelle soit prête à être un mathématicien solo découvrant le prochain grand théorème. Ils disent que des systèmes comme DeepSeek-Prover ou AlphaProof ne sont encore que des « Solveurs », pas des « Chercheurs ». Ils ne peuvent pas encore s'attaquer aux géants réellement non résolus comme l'Hypothèse de Riemann ou les équations de Navier-Stokes sans l'aide de l'homme.

La Feuille de Route : Du Solveur au Chercheur

Alors, comment transformer une voiture de course en explorateur ? Les auteurs tracent une carte avec cinq grands obstacles à franchir :

1. Le Désert de Données
Imaginez essayer d'apprendre à écrire un roman en ne lisant que 10 pages de texte. C'est le problème des mathématiques formelles. Alors qu'il existe des milliards de mots de texte normal sur Internet, il n'y a qu'environ 1,3 million de lignes de code mathématique formel (dans un système appelé Lean).

• La Solution : Nous devons apprendre à l'IA à traduire les « mathématiques humaines » (vagues et dépendantes du contexte) en « mathématiques informatiques » (super précises). C'est ce qu'on appelle l'Autoformalisation. Le papier suggère que cela s'améliore, mais que cela reste délicat. Une infime erreur de traduction peut faire paraître un problème difficile facile, ou un problème facile impossible.

2. La Carte Manquante
L'IA actuelle traite chaque problème mathématique comme une île séparée. Mais en mathématiques réelles, tout est connecté. Une preuve en géométrie peut reposer sur un lemme d'algèbre.

• La Solution : Nous devons construire un immense Graphe de Connaissances. Imaginez un réseau où chaque théorème est un nœud, et les lignes qui les relient montrent comment ils sont liés. Si l'IA peut voir ces connexions, elle peut utiliser de vieilles idées pour résoudre de nouveaux problèmes, plutôt que de repartir de zéro à chaque fois.

3. De la Vérification à la Découverte
Actuellement, l'IA est douée pour vérifier si une preuve est correcte (Vérification). Elle est mauvaise pour concevoir la preuve elle-même (Découverte).

• La Solution : Nous avons besoin de systèmes capables de conjecturer (supposer) de nouveaux théorèmes et ensuite de tenter de les prouver. Certaines expériences, comme AlphaEvolve, tentent de faire cela en laissant l'IA « faire évoluer » de nouvelles idées, de la même manière que la nature fait évoluer les espèces. Mais le papier note que cela n'en est qu'aux premiers stades ; l'IA ne peut pas encore inventer un nouveau concept mathématique (comme un nouveau type de nombre) de la même manière qu'un génie humain peut le faire.

4. La Boîte à Outils
Les mathématiciens humains n'utilisent pas seulement leur cerveau ; ils utilisent des calculatrices, des ordinateurs et des logiciels pour faire le gros du travail.

• La Solution : L'IA doit aussi apprendre à utiliser ces outils. Mais il y a un pièat : si l'IA demande à une calculatrice de faire un calcul, comment sait-elle que la calculatrice n'a pas fait d'erreur ? Le papier suggère que nous avons besoin de meilleures façons pour l'IA de vérifier le travail de ces outils externes afin qu'elle ne soit pas trompée.

5. La Danse Humain-IA
Le papier soutient que l'avenir n'est pas « l'IA contre l'Humain ». C'est l'IA + l'Humain.

• La Solution : Voyez l'IA comme un assistant de recherche super rapide. Elle peut lire des milliers d'articles en une seconde, vérifier 1 000 preuves possibles et organiser les données. L'humain est le Capitaine, fournissant l'intuition, le « pressentiment » et le jugement final pour savoir si une idée est réellement brillante ou s'il s'agit d'une hallucination.
• Exemple concret : Fin 2025, un agent IA nommé Aristote a aidé à résoudre un problème de la liste d'Erdős. Il a généré une preuve, mais il s'est avéré que le problème qu'il avait résolu était une version légèrement « affaiblie » de l'original. Les mathématiciens humains ont dû intervenir pour réaliser que le problème original était toujours ouvert. Cela montre que, bien que l'IA soit puissante, elle a encore besoin d'un humain pour la maintenir honnête.

L'Essentiel

Ce papier est un appel à l'action. Il dit : « Nous avons construit d'incroyables Solveurs. Ils peuvent gagner n'importe quelle compétition de mathématiques. Mais pour repousser les frontières de la connaissance humaine, nous devons construire des Agents de Recherche ».

Ces agents ne se contenteront pas de suivre les règles ; ils nous aideront à écrire de nouvelles règles. Mais le papier est clair : nous n'en sommes pas encore là. L'IA est actuellement un brillant apprenti, pas un maître. Elle a besoin de meilleures données, de meilleures cartes, de meilleurs outils et, surtout, d'un partenaire humain pour la guider à travers les territoires sombres et inexplorés des mathématiques.

Le passage de la « Résolution » à la « Découverte » est le prochain grand bond en avant, et cela demandera un effort collectif pour y parvenir.