L'anecdote qui a fait basculer les mathématiciens
En mai 2025, DeepMind a publié AlphaEvolve, un système d'IA conçu pour découvrir de nouveaux algorithmes (un algorithme est une suite d'instructions pour résoudre un problème ou effectuer une tâche). Sur le problème spécifique de la multiplication de matrices 4x4 (une matrice est un tableau de nombres organisé en lignes et colonnes ; multiplier des matrices est une opération mathématique fondamentale utilisée partout en informatique, du graphique aux IA), AlphaEvolve a trouvé un algorithme utilisant seulement 48 multiplications scalaires, battant le record de 50 ans établi par Strassen en 1969.
Cette nouvelle peut sembler technique et anecdotique. Elle ne l'est pas. Pour la première fois depuis l'invention des mathématiques, une découverte significative dans un domaine fondamental n'a pas été faite par un humain. AlphaEvolve a trouvé seul ce que des générations de mathématiciens humains avaient échoué à trouver. Et il l'a fait en explorant un espace de solutions trop vaste pour qu'aucun cerveau humain ne puisse l'appréhender entièrement.
Cette anecdote pose une question profonde, dans la continuité de notre article sur la conscience de l'IA : si l'IA peut découvrir des choses qu'aucun humain n'a vues, qu'est-ce qui empêche qu'elle découvre, demain, que certains de nos savoirs fondamentaux sont incomplets, voire faux ?
Ce que l'IA a déjà découvert
Avant de spéculer, regardons les faits. Voici les découvertes scientifiques majeures faites par IA depuis 2020.
AlphaFold (2020-2024) : 200 millions de protéines cartographiées. DeepMind a publié en 2021 puis 2024 (avec AlphaFold 3) la structure de quasiment toutes les protéines connues sur Terre. C'est un siècle de travail biologique condensé en quelques années. Aujourd'hui, n'importe quel chercheur en biologie peut consulter gratuitement cette base, ce qui accélère massivement la recherche pharmaceutique. Comme nous l'avons exploré dans notre article sur la médecine du futur, ces avancées transforment toute la recherche thérapeutique.
FunSearch (2023) : le problème des cap sets résolu. Un problème mathématique ouvert depuis des décennies (trouver la plus grande taille d'un certain type d'ensemble en mathématiques combinatoires) a été partiellement résolu par un LLM (Large Language Model, grand modèle de langage) guidé par recherche évolutionnaire (technique d'optimisation qui imite la sélection naturelle pour faire évoluer des solutions). C'était la première découverte mathématique attribuée à un système IA.
AlphaGeometry et AlphaProof (2024) : médaille d'argent aux Olympiades. Les systèmes IA de DeepMind ont atteint un niveau médaille d'argent aux Olympiades internationales de mathématiques (l'IMO, International Mathematical Olympiad, la compétition annuelle qui rassemble les meilleurs lycéens du monde sur des problèmes mathématiques d'une difficulté extrême).
Gemini Deep Think (2025) : médaille d'or aux Olympiades. Un an après, une version plus avancée de Gemini a résolu parfaitement 5 problèmes sur 6 à l'IMO 2025, obtenant 35 points sur 42 (seuil médaille d'or). Pour donner une idée, à peine 50 humains dans le monde atteignent ce niveau chaque année.
AlphaEvolve (2025) : 20% des problèmes ouverts résolus ou améliorés. Le système a été appliqué à plus de 50 problèmes ouverts en analyse mathématique, géométrie, combinatoire et théorie des nombres. Dans 20% des cas, il a amélioré les meilleures solutions connues. Sur certains, comme la multiplication de matrices, il a battu des records vieux de 50 ans.
De nouveaux antibiotiques. En 2023, le MIT a publié la découverte d'Halicin, un antibiotique d'un type entièrement nouveau, identifié par IA. Plusieurs autres candidats sont en développement clinique.
De nouveaux matériaux. DeepMind a annoncé en 2023 la découverte de 2,2 millions de nouveaux matériaux stables par IA (GNoME, Graph Networks for Materials Exploration). Plusieurs de ces matériaux ont des propriétés inédites pour les batteries, l'énergie solaire, la conduction.
Toutes ces découvertes partagent un point commun : l'IA ne "trouve" pas seule. Elle propose des hypothèses qui sont ensuite vérifiées par des évaluateurs automatiques (qui testent si l'algorithme fonctionne, si le résultat est mathématiquement correct, etc.). C'est cette boucle "génération créative + vérification rigoureuse" qui permet d'utiliser les LLM pour de la vraie science, sans tomber dans leurs hallucinations habituelles (les "hallucinations" sont les erreurs où une IA invente des informations fausses en les présentant comme vraies). La créativité de l'IA est canalisée par la rigueur de la vérification.
L'angle qu'aucun média ne creuse vraiment
Voici la question intellectuelle qui mérite vraiment d'être posée. Tous nos savoirs scientifiques actuels ont été construits par des humains, avec des cerveaux humains qui ont des biais humains, des limites humaines, des angles morts humains. Nos mathématiques actuelles sont issues d'une tradition qui remonte aux Grecs anciens. Notre physique a été shaped par des esprits comme Newton, Einstein, Bohr, Feynman. Notre biologie par Darwin, Mendel, Watson, Crick. Et si une partie de ce que nous croyons vrai était simplement une approximation, un cadre culturellement contingent que d'autres formes d'intelligence verraient différemment ?
Cette question n'est pas une provocation philosophique. C'est une question scientifique légitime. Voici quelques exemples concrets de domaines où l'IA pourrait théoriquement faire bouger les lignes.
Les mathématiques. Pendant longtemps, on a cru que la géométrie euclidienne (la géométrie classique enseignée à l'école, où deux droites parallèles ne se croisent jamais) était la seule géométrie possible. Au XIXe siècle, des mathématiciens ont découvert des géométries non-euclidiennes (Bernhard Riemann, mathématicien allemand, et Nikolaï Lobachevsky, mathématicien russe), qui ont ensuite servi de base à la relativité générale d'Einstein. Une IA explorant systématiquement les espaces de structures mathématiques pourrait théoriquement découvrir d'autres "géométries" ou "algèbres" totalement inconnues, qui s'avéreraient pertinentes pour décrire des phénomènes physiques que nous ne comprenons pas encore (matière noire, énergie noire, quantique).
La physique quantique. L'interprétation de la mécanique quantique (la théorie qui décrit le comportement des particules subatomiques, où les règles de notre monde quotidien ne s'appliquent plus) reste un mystère après 100 ans. Pourquoi l'observation change-t-elle la réalité observée ? Une IA capable de générer et tester systématiquement des cadres conceptuels alternatifs pourrait proposer une interprétation cohérente que personne n'a vue. Plusieurs équipes (notamment à DeepMind et chez OpenAI) travaillent activement sur ces sujets.
La biologie évolutive. Le néo-darwinisme classique pourrait être incomplet. Plusieurs phénomènes (épigénétique, transferts horizontaux de gènes, plasticité phénotypique : capacité d'un organisme à changer ses caractéristiques sans modification de son ADN) suggèrent que l'évolution est plus complexe que la sélection naturelle simple. Une IA capable d'analyser massivement les données génomiques pourrait formuler des théories évolutives nouvelles, plus précises.
La cosmologie. 95% de l'univers serait composé de matière et énergie noires (formes hypothétiques de matière et d'énergie qui constitueraient la majorité de l'univers mais que nous ne pouvons pas détecter directement) dont nous ne savons rien. C'est probablement le plus grand "trou" dans nos savoirs actuels. Une IA capable de générer de nouvelles hypothèses physico-cosmologiques pourrait proposer des cadres qui éclaireraient ce mystère.
Ce que dit Terence Tao, le mathématicien du siècle
Pour ne pas verser dans la spéculation, écoutons un des esprits humains les plus aiguisés au monde sur ce sujet. Terence Tao (mathématicien australo-américain, professeur à UCLA, considéré comme le plus grand mathématicien vivant et titulaire de la médaille Fields, l'équivalent du Nobel pour les mathématiques), a collaboré étroitement avec DeepMind sur AlphaEvolve. Voici ce qu'il dit en substance dans ses interventions publiques.
Premièrement, l'IA ne remplace pas l'intuition mathématique humaine. Elle l'augmente. Tao décrit l'expérience d'utiliser AlphaEvolve comme avoir "un étudiant brillant mais inexpérimenté" capable de tester rapidement des centaines d'idées qu'il aurait fallu des mois pour explorer à la main.
Deuxièmement, l'IA fait émerger des relations entre domaines mathématiques que les humains n'avaient pas vues. Plusieurs des découvertes d'AlphaEvolve révèlent des ponts inattendus entre la combinatoire, l'analyse et la théorie des nombres. Ces connexions étaient invisibles parce qu'aucun humain seul ne maîtrise tous ces domaines.
Troisièmement, Tao prédit qu'aucun problème ouvert majeur ne sera résolu par IA seule dans la prochaine décennie. Mais l'IA pourrait permettre à des collaborations humain-machine de résoudre des problèmes que ni l'un ni l'autre n'aurait résolu seul. C'est probablement la position la plus mesurée et la plus crédible disponible aujourd'hui.
L'idée que "l'IA pourrait découvrir que toutes les mathématiques sont fausses" est probablement excessive. Les mathématiques ne sont pas fausses au sens où elles sont des constructions logiques cohérentes. Mais elles pourraient être incomplètes : il existe peut-être des cadres mathématiques alternatifs ou complémentaires que nous n'avons jamais imaginés. C'est la différence entre dire "Newton avait tort" (faux) et "Newton avait raison dans son domaine de validité, mais sa physique est un cas particulier d'une physique plus large qu'Einstein a découverte" (correct).
L'IA peut-elle vraiment penser "différemment" des humains ?
Cette question est au cœur du sujet. Les LLM actuels sont entraînés sur des données humaines. Ils reproduisent donc, fondamentalement, les structures de pensée humaines. Comment pourraient-ils découvrir quelque chose de non-humain ?
Trois arguments sérieux suggèrent que c'est possible, malgré cette limite initiale.
Argument 1 : l'exploration combinatoire dépasse les humains. Un humain peut tester des dizaines, peut-être centaines d'idées dans sa vie. Une IA peut en tester des milliards en quelques heures. Même si chaque idée individuelle est "humaine", la combinaison de millions d'idées peut produire des résultats qu'aucun humain n'aurait formulés. C'est exactement ce qu'AlphaEvolve fait : générer-tester-sélectionner en boucle évolutionnaire.
Argument 2 : les biais cognitifs humains sont absents. Les humains ont tendance à privilégier les hypothèses esthétiques (symétrie, simplicité, élégance). Cette préférence a donné de grands résultats (Einstein cherchant la beauté dans les équations), mais elle peut aussi nous aveugler sur des solutions "moches" mais correctes. Une IA n'a pas ce biais : elle évalue les solutions sur leur correction, pas leur élégance.
Argument 3 : la mémoire et la cohérence à long terme. Un humain ne peut pas garder en tête simultanément toutes les démonstrations mathématiques publiées dans l'histoire. Une IA peut. Cette mémoire globale lui permet de repérer des connexions invisibles à un cerveau humain limité par ses capacités biologiques.
Cela dit, les vraies ruptures conceptuelles (les "révolutions scientifiques" au sens de Thomas Kuhn, philosophe américain des sciences dont l'ouvrage de 1962 a popularisé le concept de paradigme scientifique) restent un mystère. Einstein n'a pas découvert la relativité par exploration combinatoire. Il a eu une intuition radicale qui a réorganisé tout le cadre conceptuel. Personne ne sait si l'IA peut faire ça. Pour l'instant, elle excelle à optimiser dans des cadres existants, mais pas à inventer de nouveaux cadres conceptuels. C'est probablement la dernière forteresse humaine, et personne ne sait combien de temps elle tiendra.
Les domaines où une rupture pourrait se produire
Si on se prête au jeu de la prospective sérieuse, voici les domaines où une découverte IA majeure pourrait redéfinir nos savoirs dans les 10-20 prochaines années.
L'informatique théorique : le problème P vs NP. Le problème P vs NP est l'une des questions mathématiques ouvertes les plus importantes : il s'agit de savoir si tout problème dont la solution peut être vérifiée rapidement peut aussi être résolu rapidement. Une IA suffisamment puissante pourrait résoudre cette question, avec des conséquences massives sur la cryptographie, l'optimisation et l'informatique.
La conjecture de Riemann. Énoncée en 1859 par le mathématicien allemand Bernhard Riemann, elle concerne la distribution des nombres premiers (nombres entiers divisibles uniquement par 1 et eux-mêmes). Sa résolution révolutionnerait la théorie des nombres et probablement plusieurs branches connexes.
L'unification physique. Concilier la mécanique quantique et la relativité générale (la théorie d'Einstein qui décrit la gravitation à l'échelle astronomique) est le saint Graal de la physique depuis 100 ans. Plusieurs équipes utilisent désormais l'IA pour explorer systématiquement les "théories des cordes" alternatives (la théorie des cordes propose que les particules élémentaires ne sont pas des points mais des "cordes" vibrantes minuscules).
L'origine de la vie. Comment des molécules inertes ont-elles donné naissance à la vie biologique ? L'IA simulant des évolutions chimiques sur des durées géologiques pourrait éclairer ce mystère fondamental.
La conscience. Comme nous l'avions exploré dans notre article sur la conscience IA, comprendre ce qui crée l'expérience subjective reste un mystère. Paradoxalement, l'IA elle-même pourrait apporter des éléments à cette question, par contraste : si on arrive à créer un système qui se comporte comme conscient sans l'être, on apprend quelque chose sur ce qu'est la conscience.
Ce que ça change pour vous, aujourd'hui
Cette discussion peut sembler abstraite. Trois implications concrètes pour 2026.
Premièrement, l'idée que "l'IA ne peut pas penser vraiment, elle ne fait que recombiner" est désormais factuellement discutable. AlphaEvolve a réellement découvert un algorithme inconnu. Aucun humain n'avait fait cette découverte. Que l'on qualifie ça de "pensée" ou non, le résultat objectif est là.
Deuxièmement, les métiers de recherche se transforment. Un mathématicien, un physicien, un biologiste de 2030 sera probablement quelqu'un qui collabore quotidiennement avec une IA pour explorer des hypothèses. Les compétences valorisées vont évoluer : poser les bonnes questions, vérifier les résultats, intuiter les directions prometteuses, plutôt que résoudre seul.
Troisièmement, notre rapport au savoir change. Pendant 2 500 ans, la science a été le produit exclusif de l'intelligence humaine. Pour la première fois, elle devient un effort collaboratif humain-machine. Cette transition est aussi profonde que celle qui a accompagné l'invention de l'écriture ou de l'imprimerie. Elle ne se mesure pas en années mais en générations.
Personne ne sait jusqu'où l'IA peut aller dans la découverte scientifique. Mais elle a déjà fait des choses qu'on croyait impossibles il y a cinq ans. Pour aller plus loin, vous pouvez consulter notre article sur la médecine du futur, qui détaille les applications concrètes en biologie et longévité, et notre analyse des scénarios à 30 ans, qui replace ces découvertes dans une trajectoire civilisationnelle plus large. Si vous avez des enfants nés en 2025, ils grandiront probablement dans un monde où dire "l'IA a découvert ça" sera aussi banal que dire aujourd'hui "Google m'a trouvé ça". Et ce que cela signifie pour notre identité d'espèce intelligente, nous n'avons pas encore commencé à le penser sérieusement.