OpenAI résout des centaines de problèmes mathématiques sans que personne ne les comprenne
La publication par OpenAI de centaines de démonstrations mathématiques générées par IA relance le débat sur l'intégrité académique, les coûts d'évaluation et la valeur réelle de la compréhension scientifique.
OpenAI a mis en ligne des centaines de manuscrits mathématiques, comprenant des démonstrations de problèmes ouverts majeurs, suscitant un vif débat au sein de la communauté académique internationale. Selon un porte-parole de l'entreprise s'exprimant auprès de Scientific American, même les mathématiciens d'OpenAI ne parviennent pas à saisir l'intégralité des résultats générés, illustrant des défis structurels profonds pour le monde universitaire.
Les 722 manuscrits publiés couvrent plus de 300 problèmes mathématiques ouverts, dont certains mobilisent les chercheurs depuis des décennies. L'ensemble a été produit par un modèle interne non commercialisé, nécessitant en moyenne trois heures de calcul par résultat. Un mathématicien américain de premier plan a estimé que l'une de ces démonstrations vaudrait à un chercheur humain la médaille Fields. Un mois auparavant, OpenAI avait annoncé que ce même modèle avait résolu le problème d'existence et de régularité de Navier-Stokes, l'un des sept problèmes du prix du millénaire.
Le fossé entre le calcul et la compréhension
Trois jours après cette annonce, des lauréats de la médaille Fields, dont Terence Tau et le mathématicien israélien Elon Lindenstrauss, ont publié une déclaration commune. Ils soulignent qu'il existe un fossé considérable entre les objectifs des entreprises technologiques et ceux de la communauté mathématique. Résoudre un problème ne constitue pas une fin en soi, mais le signe d'une compréhension nouvelle, forgée lentement à travers les conférences, les discussions et la rédaction scientifique.
Terence Tau a averti qu'un recours massif à l'intelligence artificielle pour résoudre des énigmes mathématiques atteint un objectif immédiat tout en compromettant la capacité de la discipline à générer de futures avancées. Il préconise de définir des catégories de problèmes exigeant, au-delà de la solution brute, une analyse approfondie permettant de dégager de nouvelles perspectives conceptuelles.
Coûts asymétriques et surcharge informationnelle
Cette situation met en lumière le problème des coûts asymétriques. Le filtrage et l'évaluation des connaissances à grande échelle menacent les infrastructures académiques traditionnelles. Générer du contenu est devenu extrêmement bon marché, tandis que son évaluation reste coûteuse et complexe. Les comités de lecture et les revues scientifiques ont été conçus pour une époque où la production de savoir était un processus lent et onéreux.
De surcroît, ce déséquilibre menace le partage des connaissances. Les mathématiques reposent sur un bien commun alimenté par une réciprocité implicite. Les systèmes d'IA exploitent cette ressource collective tout en fournissant en retour des résultats impénétrables, sapant ainsi le contrat tacite qui régit la recherche scientifique et la confiance académique.
