Assistons-nous à la fin des maths telles qu’on les connaît ? Avec ses dernières annonces, OpenAI affirme avoir franchi un nouveau cap : ses IA s’attaquent désormais à des problèmes sur lesquels des mathématiciens travaillent depuis des années. De quoi susciter autant d’enthousiasme que d’inquiétudes. Mais que savent-elles vraiment faire ? Et surtout, à quoi servira encore un mathématicien si une machine peut trouver les réponses à sa place ?
Dans cette vidéo, on décrypte les progrès de l’IA en mathématiques, leurs limites et les tensions qu’ils provoquent dans le monde de la recherche. Entre découvertes scientifiques, course aux résultats et importance de la compréhension, c’est aussi notre manière de faire des maths qui pourrait changer.
Merci à Hugo Duminil-Copin, médaillé Fields et coauteur de De l’autre côté du tableau noir, pour sa participation à cette vidéo.
⏰ Sommaire
00:00 - Plongée dans la vie d'un mathématicien en 2026
04:38 - Un mathématicien, c'est quoi ?
06:14 - L'IA s'attaque aux maths
08:23 - Le vrai but des entreprises d'IA : science ou marketing ?
11:00 - Le métier de mathématicien doit évoluer
12:27 - Décoder des mathématiques des IA
14:27 - Sanctuariser les mathématiques pour les humains ?
15:56 - "Faire le deuil" des mathématiques qu'on connaît
18:29 - La place des futurs mathématiciens remise en cause ?
21:02 - La question du financement de la recherche
22:25 - Des règles pour encadrer tout ça
23:36 - Des désaccords sur la reconnaissance : le cas OpenAI / Buckmaster
25:08 - "Prendre le bateau" ou apprendre à faire ce métier avec l'IA
27:49 - Combiner humain et IA pour avancer en recherche
29:15 - Est-ce la fin des maths ?
31:04 - Bientôt l'IA ira dans d'autres domaines (chimie, physique ...)
---
🤝 Pour toute demande de collaboration ► business@humanoid.fr
🔔 Abonnez-vous à notre chaîne ► https://youtube.com/c/numerama
🚩 Retrouvez toutes nos playlists ► https://www.youtube.com/c/numerama/playlists
---
Rejoignez-nous :
💻 Notre site ► http://www.numerama.com/
🐦 X ► https://x.com/numerama
📸 Instagram ► https://www.instagram.com/numerama
📱TikTok ► https://www.tiktok.com/@numerama
🔷 Facebook ► https://www.facebook.com/Numerama/
🎙️ Twitch ► https://www.twitch.tv/numerama
🟡 + rapide, + pratique, + exclusif : découvrir numerama+ ► https://www.numerama.com/numeramaplus/
---
Réalisation : Chloé Bertrand
Avec : Lisa Impératrice
Script & interview : Julien Lausson et Lisa Impératrice
Miniature : Alfred Tertrais
---
#maths #ia #numerama
Dans cette vidéo, on décrypte les progrès de l’IA en mathématiques, leurs limites et les tensions qu’ils provoquent dans le monde de la recherche. Entre découvertes scientifiques, course aux résultats et importance de la compréhension, c’est aussi notre manière de faire des maths qui pourrait changer.
Merci à Hugo Duminil-Copin, médaillé Fields et coauteur de De l’autre côté du tableau noir, pour sa participation à cette vidéo.
⏰ Sommaire
00:00 - Plongée dans la vie d'un mathématicien en 2026
04:38 - Un mathématicien, c'est quoi ?
06:14 - L'IA s'attaque aux maths
08:23 - Le vrai but des entreprises d'IA : science ou marketing ?
11:00 - Le métier de mathématicien doit évoluer
12:27 - Décoder des mathématiques des IA
14:27 - Sanctuariser les mathématiques pour les humains ?
15:56 - "Faire le deuil" des mathématiques qu'on connaît
18:29 - La place des futurs mathématiciens remise en cause ?
21:02 - La question du financement de la recherche
22:25 - Des règles pour encadrer tout ça
23:36 - Des désaccords sur la reconnaissance : le cas OpenAI / Buckmaster
25:08 - "Prendre le bateau" ou apprendre à faire ce métier avec l'IA
27:49 - Combiner humain et IA pour avancer en recherche
29:15 - Est-ce la fin des maths ?
31:04 - Bientôt l'IA ira dans d'autres domaines (chimie, physique ...)
---
🤝 Pour toute demande de collaboration ► business@humanoid.fr
🔔 Abonnez-vous à notre chaîne ► https://youtube.com/c/numerama
🚩 Retrouvez toutes nos playlists ► https://www.youtube.com/c/numerama/playlists
---
Rejoignez-nous :
💻 Notre site ► http://www.numerama.com/
🐦 X ► https://x.com/numerama
📸 Instagram ► https://www.instagram.com/numerama
📱TikTok ► https://www.tiktok.com/@numerama
🔷 Facebook ► https://www.facebook.com/Numerama/
🎙️ Twitch ► https://www.twitch.tv/numerama
🟡 + rapide, + pratique, + exclusif : découvrir numerama+ ► https://www.numerama.com/numeramaplus/
---
Réalisation : Chloé Bertrand
Avec : Lisa Impératrice
Script & interview : Julien Lausson et Lisa Impératrice
Miniature : Alfred Tertrais
---
#maths #ia #numerama
Catégorie
🎥
Court métrageTranscription
00:00Imaginez, vous êtes mathématicien et depuis des années vous travaillez sur des problèmes ultra complexes que personne n'a réussi
00:06à résoudre.
00:07Vous avez quelques pistes, des projets, des demandes de financement, de quoi occuper toute votre carrière professionnelle.
00:13Et puis OpenAI, l'entreprise derrière TchatGPT publie des centaines de documents.
00:18Pas juste un ou deux, pas quelques dizaines, littéralement des centaines.
00:23Vous les parcourez, vous reconnaissez l'un des sujets qui vous tient tête, puis un autre.
00:27Ce sont ceux sur lesquels vous travaillez. Ils y sont tous.
00:30Et l'entreprise affirme que son intelligence artificielle a trouvé les solutions.
00:34Vous pensiez avoir du travail pour des années, et maintenant vous vous demandez ce que vous allez faire lundi.
00:39Pour beaucoup de mathématiciens, les annonces d'OpenAI du 6 octobre ont posé une question assez brutale.
00:45Que devient votre métier quand une entreprise annonce avoir bouclé votre programme de recherche ?
00:49Pour comprendre l'ampleur du bouleversement, il ne faut pas juste compter le nombre de problèmes annoncés comme résolus.
00:54Il faut aussi regarder la nature de certaines énigmes mathématiques auxquelles ces entreprises s'attaquent.
00:59En 2000, l'Institut de mathématiques clés sélectionne 7 grands défis qu'on considère insurmontables, les problèmes du millénaire.
01:051 million de dollars est promis à quiconque arriverait à en résoudre un.
01:08Et certains d'entre eux résistent depuis plus d'un siècle.
01:11En 26 ans, un seul de ces défis a été vaincu, la conjecture de Poincaré démontrée en 2002 par le
01:16russe Grigory Perlman.
01:18Et il aura fallu encore 4 ans à la communauté mathématique pour examiner ses démonstrations en détail et confirmer qu
01:24'il a bien résolu le problème.
01:26En 2026, tout s'accélère.
01:28En quelques mois, OpenAI annonce qu'un de ses modèles secrets, qui n'est pas public et dont le nom
01:32n'a pas été révélé,
01:33avance une solution à un autre problème du millénaire, les équations de Navier-Stokes,
01:38qui décrivent la façon dont un fluide liquide ou gazeux se déplace.
01:41Et à peine un mois plus tard, c'est un vrai tsunami.
01:44Et il y a une quantité colossale de nouveaux documents.
01:47En tout, OpenAI présente 722 résultats, dont une avancée revendiquée vers l'hypothèse de Riemann.
01:53C'est lui aussi un problème du millénaire, qui permettrait d'améliorer la connaissance de la répartition des nombres premiers.
01:58Alors évidemment, ces démonstrations doivent encore être examinées par d'autres mathématiciens.
02:02Humain ou IA, en recherche, c'est le passage obligé, il faut faire relire les preuves par les pairs.
02:07Et ça, ça pourrait prendre beaucoup de temps, vu la masse analysée et le contenu parfois obscur qu'il faut
02:12déchiffrer.
02:12Mais dans la tête des chercheurs, une autre question tourne déjà en boucle et bien plus vite.
02:17Que va devenir leur métier ? Et au fond, que vont devenir les maths ?
02:21Nous entrons désormais dans une nouvelle ère de découvertes.
02:24Les mathématiciens n'ont pas demandé à ce que le travail soit effectué.
02:26This is not aligned with the values and the aims of the mathematical community.
02:31Les mathématiques et la crise de l'IA. Pleurer ou ne pas pleurer ?
02:34Toutes les directions dans lesquelles j'allais, le résultat majeur qu'on visait collectivement a été démontré.
02:41I guess we're seeing the end of the romantic era of mathematics.
02:45Nous exhortons les mathématiciens à cesser leur collaboration avec OpenAI
02:48et à revenir à une vision de la science qui place la compréhension humaine au centre.
02:51Là, ça a été juste un flot de résultats et c'est ça qui a été un choc brutal pour
02:56la communauté.
02:57Le rôle de l'humain est remis en question de manière vraiment fondamentale.
03:02L'informaticien Scott Aronson résume l'ambiance avec une métaphore cruelle.
03:06C'est comme si un chasseur-cueilleur qui a passé sa vie à survivre seul dans la jungle hostile
03:10voyait soudainement un gigantesque hôtel de luxe avec des piscines chauffées se construire devant lui.
03:15Le chasseur se dit « Très bien, mon nouveau métier, c'est d'organiser des balades en forêt pour les
03:19touristes. »
03:20Et ce sentiment concerne une grande partie de la communauté.
03:22Pendant longtemps, on a souvent associé l'automatisation et le remplacement par l'IA
03:26aux tâches répétitives ou aux métiers dits « peu qualifiés ».
03:29Ici, elle touche pourtant un métier hautement intellectuel
03:32qui demande des années d'études, de l'intuition et de la créativité.
03:35Il y a longtemps eu une forme de snobisme chez une partie de la communauté
03:38qui l'a poussé à se dire que les mathématiques théoriques seraient les dernières attaquées par l'IA.
03:43Finalement, elles ont été les premières.
03:44Et même ça ne suffit plus à protéger son métier de l'IA.
03:47Alors, est-ce la fin des maths, en tout cas telle que nous les connaissons,
03:50ou le début d'un métier très différent ?
03:53Pour le savoir, on a allé poser la question à l'un des plus grands,
03:56Hugo Dumini-le-Copin.
03:57Il est médaillé FIT 2022 et co-auteur du livre
04:00« De l'autre côté du tableau noir et les mathématiques à visage humain ».
04:03Alors, il reconnaît la puissance de ces outils,
04:05mais pour lui, la vraie valeur de cette discipline
04:07ne se résume pas à empiler des théorèmes résolus.
04:10Ce qui a été en fait très différent en termes de difficultés de preuves
04:13par rapport à ce qui était auparavant,
04:16ça a été l'automatisation.
04:19C'est-à-dire qu'on avait déjà vu Navier-Stokes,
04:20donc on savait déjà que ces systèmes, ces modèles frontières
04:25pouvaient démontrer des conjectures de la difficulté maximale
04:29de ce que pouvaient faire les humains.
04:30Mais en fait, là, ça a été juste un flot de résultats
04:35et c'est ça qui a été un choc brutal pour la communauté.
04:38Pour comprendre pourquoi ces annonces de PNI dont on parle
04:40depuis le début de la vidéo changent tout pour la profession,
04:43il faut déjà comprendre ce que fait un mathématicien.
04:45Une calculatrice peut multiplier deux nombres
04:47beaucoup plus vite que vous.
04:49Depuis longtemps.
04:49Pourtant, ça n'a pas supprimé le métier de mathématicien
04:52parce que le métier ne consiste pas à faire des multiplications
04:54toute la journée, même avec une très belle calculatrice.
04:57Quand vous faites un exercice à l'école,
04:59quelqu'un connaît déjà la réponse,
05:00le professeur normalement,
05:01et le corriger avec un peu de chance.
05:03En recherche, la réponse n'existe pas encore
05:05ou exactement, elle n'a pas encore été trouvée ou inventée.
05:08Parfois, on pense tenir une bonne piste.
05:10On a des indices, des exemples qui fonctionnent,
05:12mais on n'a pas de démonstration globale
05:14qui couvre toutes les situations.
05:16C'est ce qu'on appelle une conjecture.
05:17Et tester beaucoup d'exemples ne suffit pas.
05:19Imaginez une propriété qui fonctionne sur 10 nombres,
05:22puis sur 1 million, et même sur des milliards,
05:24comme dans le cas de l'hypothèse de Riemann.
05:26C'est encourageant,
05:27mais un seul contre-exemple peut se cacher plus loin
05:29et faire s'effondrer tout l'édifice.
05:31Une démonstration permet justement de dépasser cette limite.
05:34Il ne s'agit plus de vérifier que ça fonctionne
05:35sur beaucoup d'exemples,
05:36mais de prouver étape par étape
05:38que c'est vrai dans tous les cas concernés
05:40et qu'aucun contre-exemple ne viendra tout remettre en question.
05:43C'est pour ça qu'un problème peut occuper plusieurs générations.
05:46On parle alors de problèmes ouverts.
05:48Les chercheurs inventent des outils,
05:50résolvent des cas particuliers,
05:51trouvent des liens avec d'autres domaines,
05:53mais sans parvenir à apporter une réponse définitive
05:56à la grande question.
05:57Pendant longtemps,
05:57les ordinateurs ont surtout servi d'outils aux mathématiciens.
06:00Ils leur permettaient d'effectuer des calculs interminables,
06:03de tester des milliers d'exemples
06:04ou d'explorer des cas impossibles à examiner à la main.
06:07Et avec les progrès de l'informatique,
06:09ils sont devenus de plus en plus puissants.
06:10Mais l'essentiel du raisonnement mathématique
06:12restait entre les mains des chercheurs.
06:14Sauf qu'à partir de 2022,
06:15les systèmes d'IA ont accéléré.
06:17Très vite.
06:18Petit à petit,
06:19ils ont ajouté d'autres possibilités.
06:21Proposer des pistes,
06:22produire du code
06:23ou chercher des arguments.
06:24Alors pour étaler leur puissance,
06:25des entreprises d'IA ont trouvé le terrain de jeu idéal,
06:27des compétitions de maths.
06:29Des énigmes ultra pointues,
06:31un chrono qui tourne
06:31et une réponse qui peut être évaluée,
06:33juste ou fausse.
06:34C'est le banc d'essais parfaits pour comparer les machines.
06:36Mais réussir une épreuve
06:38ne signifie pas encore faire de la recherche.
06:40Dans un concours,
06:41quelqu'un a choisi le problème
06:42et connaît la solution.
06:43En recherche,
06:44choisir la question
06:44fait déjà partie du travail.
06:46Parce que l'intelligence artificielle
06:47est très puissante
06:48pour répondre à des questions.
06:49Si ce sont les mauvaises questions,
06:50ça va produire des preuves
06:52qui ne nous intéresseront pas en fait.
06:54Et parfois même,
06:55même avec une bonne question,
06:57la preuve produite
06:58n'est pas si intéressante que ça.
07:00Donc il y a une espèce
07:01d'évaluation,
07:03un travail de guidage
07:05mais subtil
07:06de cette intelligence artificielle
07:08pour qu'elle contribue
07:09au progrès humain
07:10et non pas au progrès
07:12juste pour
07:12une multiplication
07:14de preuves
07:15qui finalement
07:16serait d'une inutilité totale.
07:18En gros,
07:19accumuler des résultats
07:20ne suffit pas.
07:20Il faut qu'ils nous apprennent
07:21quelque chose.
07:22Certains problèmes
07:23concentrent justement
07:24l'attention des chercheurs
07:25depuis des décennies
07:26parce qu'ils touchent
07:27à des questions fondamentales.
07:29C'est le cas
07:29de Navier-Stokes.
07:30Ces équations décrivent
07:31le mouvement des fluides,
07:32l'eau ou l'air par exemple.
07:33On les utilise déjà
07:34pour étudier
07:35l'écoulement de l'eau
07:35dans un tuyau
07:36ou celui de l'air
07:37autour d'une aile d'avion.
07:38C'est l'un des fameux
07:39problèmes du millénaire
07:40dont on vous parlait
07:41dans l'intro.
07:41Mais le but n'est pas seulement
07:42de découvrir
07:43comment l'eau coule,
07:44c'est plutôt de comprendre
07:45le comportement mathématique
07:46de ces équations.
07:47Dans certaines conditions,
07:48un mouvement initialement régulier
07:50peut-il développer
07:51une singularité ?
07:52Autrement dit,
07:53certaines grandeurs
07:54peuvent-elles tendre
07:54vers l'infini ?
07:55C'est cette question
07:56à laquelle Open AI
07:57affirme avoir répondu.
07:58Et là,
07:59on ne parle clairement pas
08:00du petit message
08:00envoyé à tchat GPT
08:01entre une recette de cuisine
08:02et une reformulation de mail.
08:04L'entreprise décrit
08:05un modèle interne
08:05avec près de 10 000 agents
08:07IA mobilisés en parallèle
08:09pour une recherche
08:10menée sur 88 heures.
08:11Alors pour mesurer l'exploit,
08:13il faut aussi regarder
08:13les moyens qui ont été utilisés,
08:15quel modèle,
08:16combien de tentatives,
08:17quelle puissance de calcul
08:18et quelle intervention
08:19lui mettre.
08:19Mais hormis la puissance
08:20et les moyens,
08:21il y a aussi une autre question.
08:23Quel est vraiment
08:23l'intérêt des entreprises
08:24d'IA derrière ces résolutions ?
08:26L'Institut Clé promet
08:271 million de dollars
08:28à celui qui résout
08:29un des problèmes du millénaire.
08:30Mais ce n'est pas l'argent
08:31qui motive OpenAI.
08:32L'entreprise a précisé
08:33ne pas vouloir réclamer le chèque
08:34et de toute façon,
08:36toute cette recherche
08:36lui a coûté
08:37bien plus cher que ça.
08:38Non,
08:39l'intérêt de la boîte
08:40derrière tchat GPT,
08:41c'est de montrer
08:41ce que ces systèmes
08:42peuvent accomplir.
08:43les gens en charge
08:44des systèmes de technologie
08:45qui semblent
08:46à utiliser
08:46des problèmes mathématiques
08:48des systèmes
08:48comme un benchmark
08:49pour tester
08:50les capacités
08:51des systèmes de leur
08:53Et ce n'est pas
08:54aligné
08:55avec les valeurs
08:56et les aimants
08:57des communautés
08:58Parce que la nature
09:01compétitive,
09:02il y a eu un grand rush
09:03pour obtenir
09:04le final
09:05de la solution
09:07du problème Navier-Stokes.
09:17Donc pour une entreprise
09:19d'IA,
09:19les maths constituent
09:20une excellente vitrine.
09:21C'est un domaine prestigieux
09:22mais aussi un test
09:23particulièrement exigeant
09:24des capacités
09:25de raisonnement des modèles.
09:26Résoudre un problème ouvert,
09:27c'est aussi montrer
09:28aux clients
09:28et aux investisseurs
09:29que la machine
09:30peut contribuer
09:31à une recherche
09:31dont personne
09:32ne connaît encore la réponse.
09:34Parce que derrière
09:34cette course,
09:35la vraie ambition,
09:36c'est l'intelligence
09:36artificielle générale
09:38ou AGI.
09:39Une IA capable
09:39d'accomplir
09:40une très grande
09:41variété de tâches
09:41intellectuelles
09:42au niveau humain
09:43voire au-delà.
09:44Évidemment,
09:45résoudre un grand
09:45problème de maths
09:46ne suffit pas
09:47à prouver qu'on y est
09:48mais c'est quand même
09:49une démonstration de force
09:50pour les entreprises
09:50qui promettent d'y arriver.
09:52Alors oui,
09:52au fond,
09:52on pourrait se dire
09:53que c'est pour le bien
09:54des maths
09:54et donc de l'humanité.
09:56Mais pour Hugo
09:56Dumini-le-Copin,
09:57l'argument est aussi marketing.
09:59C'est purement du marketing.
10:01C'est du marketing
10:01probablement combiné
10:02avec le fait que
10:03c'est un passage obligé
10:04pour eux,
10:05pour l'entraînement
10:06de leur modèle.
10:07Il y a eu un effet d'aubaine.
10:08Ils avaient des résultats
10:09parce qu'ils entraînaient
10:11leur modèle
10:11et en fait,
10:12ces résultats
10:12leur permettaient
10:13de vendre au monde
10:14une espèce d'intelligence.
10:16On va dire que
10:17dans l'imaginaire collectif,
10:18la pratique mathématique
10:19reste une pratique
10:21intellectuelle
10:21à forte valeur ajoutée.
10:23Donc pour eux,
10:24c'était parfait.
10:25OpenAI affirme vouloir
10:26accélérer les découvertes
10:27scientifiques.
10:28Mais pour le chercheur,
10:29c'est surtout un moyen
10:30d'entraîner ses modèles
10:31et de les vendre.
10:32Alors une entreprise
10:32peut évidemment faire les deux
10:34mais pour que ces résultats
10:35servent à d'autres chercheurs,
10:36il faut pouvoir les comprendre
10:37et s'en emparer.
10:38Et c'est là
10:39toute la difficulté
10:40de ces publications massives.
10:41Une équipe peut découvrir
10:42qu'OpenAI
10:43annonce avoir résolu
10:44le problème
10:44sur lequel elle travaille
10:45sans avoir encore compris
10:47la démonstration proposée.
10:48La réponse au problème
10:49est peut-être là,
10:51oui.
10:51Mais tant qu'aucun humain
10:52ne l'a comprise,
10:53elle ne sert à rien.
10:54Parce que oui,
10:54sur le terrain de la vitesse,
10:56le match est plié.
10:56Les mathématiciens
10:57ne peuvent pas gagner
10:58contre une machine
10:59capable de faire turbiner
11:0010 000 agents en parallèle
11:01pendant 88 heures.
11:02Alors le métier doit muter.
11:04Mais muter en quoi ?
11:05Et c'est quoi la suite exactement ?
11:07C'est comme pour les échecs.
11:09Les échecs au début
11:10des systèmes
11:11qui jouaient seuls aux échecs.
11:12Quand on associait
11:14un grand maître
11:14avec ses systèmes,
11:15il battait le système seul.
11:17Puis au bout d'un moment,
11:18le système s'est mis
11:19à juste jouer très bien
11:22sans les grands maîtres
11:23et puis ils n'ont plus contribué.
11:25On se demande
11:26quel va être notre rôle,
11:28disons dans les mathématiques pures,
11:30par exemple,
11:30celles où l'objectif
11:32était de produire
11:32des démonstrations,
11:33des théorèmes,
11:34le rôle de l'humain
11:35est remis en question
11:37de manière vraiment fondamentale.
11:39Alors,
11:39qu'est-ce qu'on fait ?
11:40Que deviennent les chercheurs ?
11:41Vont-ils devenir
11:42de simples architectes de l'IA
11:43pour l'améliorer
11:44ou des guides chargés
11:45de lui donner la bonne direction
11:46ou bien des traducteurs
11:48de ce qu'elle recrache ?
11:49Alors,
11:49face à ce séisme,
11:50certains prennent déjà
11:51des décisions radicales.
11:52On a vu récemment
11:53Jacob Timmerman,
11:54un autre brillant médaillé Fields,
11:56réorienter sa carrière professionnelle.
11:58Son nouvel employeur,
11:59Open AI.
11:59Son but,
12:00c'est travailler de l'intérieur
12:01sur la sûreté
12:02de ses intelligences artificielles.
12:03Parce qu'il y a
12:04un vrai défi de traduction
12:05qui oblige à séparer deux choses.
12:07Vérifier une preuve
12:08et la comprendre.
12:09Aujourd'hui,
12:10pour s'assurer
12:10qu'une IA ne raconte pas n'importe quoi,
12:12les mathématiciens
12:13utilisent des outils
12:13de vérification formelle
12:15comme le langage Lean.
12:16Le principe,
12:17c'est traduire la preuve
12:18dans un langage
12:18que l'ordinateur peut contrôler
12:20étape par étape.
12:21Alors,
12:21c'est pas une autre IA
12:22qui donne son avis,
12:23c'est un contrôle syntaxique
12:25et logique implacable.
12:26Mais voilà le problème.
12:27Une démonstration peut être
12:28formellement parfaite
12:29sans qu'un humain
12:30n'y comprenne rien.
12:31C'est un peu comme
12:32lire le corrigé
12:32d'un exercice très difficile.
12:34Vous suivez les lignes,
12:35vous reconnaissez les opérations,
12:36la logique est bonne.
12:37Vous vous dites
12:38« Ah oui d'accord ! »
12:39Mais si on vous donne
12:40un exercice légèrement différent,
12:42juste après,
12:43vous bloquez.
12:43Parce que vous aviez réussi
12:44à suivre la correction
12:46mais vous n'aviez pas compris
12:47l'idée centrale
12:48qui permet de construire
12:49le raisonnement.
12:50Et quand les démonstrations
12:50s'étalent sur des milliers de pages,
12:52suivre le raisonnement
12:53devient un travail à part entière.
12:54Hugo Dumille-Copin
12:55est directement concerné.
12:57Environ 3500 pages
12:59publiées par OpenAI
13:00portent sur des maths
13:01liées à ses travaux.
13:02On pourrait se dire
13:02qu'il est donc
13:03bien placé pour les comprendre.
13:05Mais même pour lui,
13:05spécialiste du domaine,
13:06ses résultats sont loin
13:08d'être immédiatement exploitables.
13:09Ces 3500 pages
13:10de mathématiques reliées à moi,
13:12c'est du charabia.
13:13Ça pourrait être écrit
13:13dans une langue alienne.
13:15Ce serait pareil.
13:16Ça prendrait
13:16des dizaines d'années
13:18aux gens
13:18pour comprendre
13:19ces mathématiques-là.
13:20Comprendre ses textes,
13:21repérer l'idée géniale
13:22cachée au milieu
13:23des équations
13:24pour l'expliquer
13:25et l'utiliser
13:25dans d'autres sciences.
13:27Voilà peut-être
13:28l'un des futurs métiers
13:29du chercheur.
13:29Un rôle de traducteur
13:31indispensable.
13:32Historiquement,
13:32produire une démonstration
13:33prenait des années,
13:35ce qui laissait le temps
13:36au père de la comprendre
13:37et de la relire.
13:38Souvenez-vous de
13:38Grégory Perelman
13:39dont on parlait
13:40au début de la vidéo.
13:41Il publie sa démonstration
13:42de la conjecture
13:42de Poincaré en 2002
13:44et il aura fallu
13:454 ans de vérification intense
13:47par les meilleurs mathématiciens
13:48du monde
13:48pour valider l'exploit.
13:49Bref,
13:50il y a génère du code formel
13:51plus vite
13:52que le cerveau humain
13:53ne peut l'absorber.
13:54Il en résulte
13:54une véritable
13:56indigestion de preuves.
13:57Face à ce goulot
13:57d'étranglement,
13:58on pourrait même imaginer
13:59une boucle fermée,
14:00d'autres IA
14:01pour vérifier
14:02les premières IA.
14:02Sauf que la machine
14:03ne parle pas parfaitement
14:04le langage Lean.
14:05Elle ponce souvent du code
14:06qui contient des erreurs
14:07de syntaxe
14:07qu'un humain doit
14:08minutieusement traquer
14:09et corriger.
14:10Et même quand la validation
14:11technique finit par passer,
14:12ça ne résout en rien
14:13notre problème de départ.
14:15La preuve reste
14:15totalement incompréhensible
14:17pour un cerveau humain.
14:18Bon, le souci,
14:18c'est que tout le monde
14:22comme Jacob Timmerman,
14:23ni de passer ses journées
14:24à décoder des textes
14:25illisibles.
14:26Du coup, on a quoi
14:26comme solution ?
14:27Est-ce qu'il faut
14:28sanctuariser la discipline ?
14:30C'est l'idée un peu folle
14:31avancée par Terence Tao,
14:32considérée comme le Mozart
14:33des mathématiques modernes.
14:35Il a proposé
14:35de créer des sanctuaires
14:36réservés aux humains
14:37en déclarant
14:38certains problèmes mathématiques
14:39tout simplement
14:40hors limite
14:41pour les IA.
14:42Une sorte de parc naturel
14:43pour préserver
14:44la réflexion humaine.
14:45C'est une idée
14:45qu'Hugo Dumille
14:46copain soutient.
14:47Terence Tao
14:47est allée plus loin
14:48en disant
14:49il faudrait même
14:50avoir des zones
14:51de protection
14:52de la nature animale
14:54entre guillemets
14:55de protection
14:56de la pratique humaine
14:57des mathématiques.
14:58Moi, je crois profondément
14:59que c'est important
15:00que les deux pratiques
15:03coexistent.
15:03L'idée n'est pas
15:04de refuser bêtement
15:05le progrès
15:06mais de protéger
15:07ce qui fait
15:07le cœur du métier.
15:08Parce que la résolution
15:09du problème,
15:09c'est un moteur.
15:10Elle permet à l'humain
15:11de confronter son intuition,
15:12de la faire progresser
15:13et de se dépasser.
15:15S'il délègue
15:15tout à la machine,
15:16il perd ses gymnastiques
15:17intellectuelles.
15:18Hugo Dumille et copain
15:19soulèvent aussi
15:19une inquiétude
15:20pour l'avenir
15:21des modèles eux-mêmes.
15:22Que se passe-t-il
15:22si les humains
15:23cherchent de moins en moins
15:24pendant que les IA
15:25s'entraînent toujours
15:26davantage sur les productions
15:27d'autres IA ?
15:28Le risque serait
15:29de tourner en rond,
15:30reprendre les mêmes approches,
15:31reproduire les mêmes
15:32angles morts,
15:33puis transmettre
15:34ses limites
15:34aux modèles suivants.
15:35On aurait beaucoup
15:36plus de textes
15:37mais pas forcément
15:38davantage d'idées différentes.
15:39C'est une forme
15:40de cannibalisation
15:41de l'IA.
15:42Préserver une recherche
15:43humaine sans IA
15:44permettrait aussi
15:44de continuer à explorer
15:45d'autres pistes
15:46qui pourraient renouveler
15:47celles des machines.
15:48Sur le papier,
15:49une nouvelle répartition
15:50du travail se décide.
15:51Les machines produisent
15:52des preuves,
15:52les chercheurs les interprètent
15:54et conservent des espaces
15:55pour chercher sans IA.
15:56Sauf que personne
15:57n'a choisi ce métier
15:58en lisant cette fiche de poste.
16:00Alors comment réagir
16:01quand elle change
16:01presque du jour au lendemain ?
16:03Eh bien,
16:03Hugo Dumini et Copain
16:04racontent que les chercheurs
16:05n'ont pas attendu
16:06d'avoir digéré la nouvelle
16:07pour se remettre au travail.
16:08Dès le lendemain,
16:09la communauté s'est réorganisée.
16:11Je me souviens,
16:12on a discuté
16:13avec nos étudiants
16:14comment on allait
16:15décortiquer ses preuves,
16:16comment on allait
16:17comprendre les arguments
16:18qui sont dessus,
16:19en tirer le meilleur.
16:20Donc la communauté
16:21est résiliente.
16:22Ils se remettent donc au travail,
16:24sauf que s'adapter
16:25ne règle pas tout.
16:26Le chamboulement
16:26des métiers
16:28va être total.
16:30Ça bouleverse
16:31notre travail
16:32et forcément,
16:33en tant qu'humain,
16:33c'est des vitesses
16:34de bouleversements
16:35qui sont inhumaines.
16:38Elles ne correspondent pas
16:39au temps humain.
16:40Il n'y a pas de temps
16:41d'adaptation pour l'humain.
16:42Un jour,
16:43tout va bien
16:44et trois mois plus tard,
16:46juste on vous dit
16:47votre métier,
16:47ce n'est plus tout le même.
16:48Il faut aussi revoir
16:49ce qu'on espérait accomplir,
16:50la manière dont son travail
16:51sera reconnu
16:52et parfois le sujet même
16:54de sa thèse.
16:54On peut trouver
16:55ses résultats passionnants
16:56et se demander
16:57en même temps
16:58quelle place il nous laisse.
16:59Et surtout,
16:59on n'a pas beaucoup de temps
17:00pour se poser
17:01et répondre à ses questions.
17:02Je pense qu'il est important aussi
17:04pour ne pas oublier l'humain
17:05de parler,
17:09c'est la catharsis,
17:10d'exprimer ses émotions
17:12autour de ça
17:13et donc la communauté le fait.
17:14On voit que l'immense majorité
17:16des gens sont sous le choc
17:17et doivent faire
17:19le deuil
17:19d'une certaine pratique.
17:21La question n'est pas
17:21de juger
17:22si c'était la bonne
17:23et que la nouvelle
17:23est meilleure
17:25ou moins bonne.
17:26C'était de facto
17:28comme ça
17:28que le système fonctionnait.
17:30Et ce conseil partagé
17:31par l'un des plus grands
17:32mathématiciens vivants,
17:34Terence Tao,
17:34dont on a déjà parlé.
17:36Lui ne parle pas
17:36de pionniers,
17:37mais d'une époque romantique
17:38qui s'achève.
18:05Alors oui,
18:06on peut être heureux
18:07qu'un problème soit résolu,
18:08mais être beaucoup moins serein
18:10sur ce qu'on va faire ensuite.
18:11Et certains répondront
18:12est-ce que le problème
18:14c'est pas surtout leur ego ?
18:15Pendant des années,
18:16être celui qui trouve la preuve
18:17c'était obtenir
18:18la reconnaissance de ses pères.
18:20Hugo Dumier-le-Copin
18:20parle lui-même
18:21du deuil d'une pratique
18:22où l'on se voyait
18:23comme un pionnier.
18:24On ne sera plus jamais
18:24les premiers en haut
18:25d'une montagne.
18:26On pourra toujours y aller
18:27avec l'IA plus rapidement
18:28qu'à pied.
18:29Mais dans la recherche,
18:30être le premier
18:31n'apporte pas seulement
18:32la satisfaction
18:32d'avoir gagné.
18:33Un résultat peut aussi
18:34peser dans un recrutement,
18:37plus largement une carrière.
18:38Pour un chercheur reconnu,
18:40c'est une place à repenser.
18:41Pour quelqu'un
18:41qui commence sa thèse,
18:42c'est aussi une place
18:43qu'il n'a pas encore obtenue.
18:44Pour les jeunes,
18:45le vrai enjeu,
18:46ça va être
18:48que d'autres mathématiciens
18:50et d'autres mathématiciennes
18:51peuvent effectivement
18:52démontrer avec
18:52l'intelligence artificielle
18:53le travail sur lequel
18:56ils étaient en train
18:57de se focaliser
18:57par leur doctorat.
18:58Mais ça, ça pose la question
19:00de ce qu'on a valorisé
19:01en tant que communauté
19:03dans la pratique mathématique
19:04à partir d'aujourd'hui.
19:05Et je pense que la question
19:07du coup ne devient plus
19:09est-ce qu'on est le premier
19:10ou la première
19:11à démontrer quelque chose ?
19:12Mais c'est est-ce qu'on a
19:14une compréhension
19:15à la fin du processus,
19:16une compréhension
19:17de cette question,
19:18de ce théorème,
19:19de cette preuve
19:20qui soit finalement
19:21suffisamment profonde
19:25pour pouvoir la transmettre,
19:26pour pouvoir la réutiliser
19:29dans le bon contexte ?
19:30Mais pour que cette nouvelle
19:31priorité ait un sens,
19:33il faut aussi
19:33qu'elle compte
19:33dans les carrières.
19:34Qui mérite la reconnaissance
19:35quand une démonstration
19:36est produite avec une IA ?
19:38Celui qui a posé la question ?
19:39Celui qui a guidé le modèle ?
19:41Ou celui qui comprend
19:42ce que le résultat apporte ?
19:43C'est aussi la grande question
19:44soulevée par le mathématicien
19:46Jacob Timmerman.
20:11Ce désarroi,
20:12on le retrouve au sommet.
20:14Selon le New York Times,
20:15Terrence Tao consacre désormais
20:16l'essentiel de son temps
20:17à épauler sa discipline,
20:19affirmant être sur le pied de guerre.
20:21Il admet même
20:21que ses entretiens
20:22avec ses doctorants
20:23ressemblent de plus en plus
20:24à des séances de thérapie.
20:25L'un d'entre eux
20:26a même dû s'accorder
20:27un répit de jour,
20:28désolé par le fait
20:29de voir l'IA s'attaquer
20:30à des problèmes
20:31liés à sa propre thèse.
20:32Et ce n'est pas seulement
20:33une affaire de nom
20:34en bas d'un article.
20:35En mathématiques,
20:36être le premier à démontrer
20:37le résultat peut faire
20:38toute la différence
20:38dans une carrière.
20:39Encore une fois,
20:40ça peut permettre
20:41de décrocher un poste,
20:42d'obtenir des financements
20:43ou de se faire un nom
20:44dans la communauté scientifique.
20:46Alors,
20:46que se passe-t-il
20:47si une IA trouve la solution
20:48avant vous
20:49après des années de travail ?
20:50C'est aussi
20:51tout un système d'évaluation
20:52qui se retrouve bousculé.
20:54On ne peut pas demander
20:54aux jeunes chercheurs
20:55de privilégier la compréhension
20:57plutôt que la course
20:57ou découverte,
20:58tout en continuant
20:59à les évaluer
21:00principalement
21:00sur les nouveaux résultats
21:01qu'ils publient.
21:02Et derrière cette question
21:03de reconnaissance,
21:04il y a une inquiétude
21:05encore plus brutale
21:06qui se dessine.
21:07Pourquoi continuer
21:08à financer autant de chercheurs
21:09si une machine
21:10peut trouver
21:10les réponses plus vite ?
21:11On a posé la question
21:12à Hugo Dumini-le-Copin.
21:14Je leur répondrai
21:15est-ce que vous vous êtes senti
21:16vous levant
21:16beaucoup plus intelligent en maths ?
21:18Avoir beaucoup plus
21:18de connaissances en mathématiques ?
21:20Même dans deux mois,
21:21si aucun mathématicien
21:22ou aucune mathématicienne
21:23qui a développé
21:24cette compréhension
21:25du monde mathématique
21:26toute sa vie
21:26ne vient vous expliquer
21:27comment ces preuves fonctionneront,
21:29elles seront là
21:30mais elles n'auront
21:31aucun impact.
21:33C'est vraiment
21:34le point principal,
21:36la conversion
21:37en fait
21:37d'une idée mathématique
21:39en quelque chose d'utile.
21:40C'est un processus
21:42très complexe en fait
21:43qui implique
21:44les mathématiques
21:44mais également
21:45les intérêts des gens
21:46et les goûts,
21:48l'expérience
21:48de chercheurs
21:50et de chercheuses
21:50qui ne font pas
21:51de mathématiques,
21:52etc.
21:52Donc il y a besoin
21:53d'une communication
21:54aujourd'hui
21:54entre toutes ces choses-là.
21:55Son argument est simple.
21:57Une réponse publiée
21:58n'est pas encore
21:58une connaissance
21:59dont tout le monde
21:59peut se servir.
22:00Financer les machines
22:01qui produisent les résultats
22:02sans financer les personnes
22:03qui sont capables
22:04de les comprendre
22:05et de les transmettre,
22:06ce serait laisser
22:07une bonne partie du travail
22:08en plan.
22:08Mais ce travail
22:09doit-il uniquement
22:09reposer sur les universités ?
22:11Les entreprises
22:12qui publient ces textes
22:12ont aussi une responsabilité.
22:14Dans la recherche,
22:15signer un article
22:15suppose de pouvoir
22:16expliquer ses arguments,
22:18répondre aux objections
22:19et corriger les erreurs.
22:20Avec un texte généré
22:21par IA,
22:21la personne qui lance
22:22la recherche
22:23ne maîtrise pas nécessairement
22:24toutes les étapes
22:25du résultat.
22:25Alors,
22:26qui répond aux questions
22:27et qui aide les autres
22:28à comprendre ?
22:28Un groupe indépendant
22:29consacré aux mathématiques
22:30et à l'IA
22:31a proposé des recommandations.
22:33Rendre les textes
22:33plus clairs,
22:34documenter les méthodes,
22:35citer les travaux antérieurs
22:36et financer le travail nécessaire
22:38pour comprendre les résultats.
22:39OpenAI affirme
22:40s'en être inspiré
22:41pour sa publication d'octobre.
22:42L'entreprise a annoncé
22:43également vouloir financer
22:45des ateliers
22:45et des conférences.
22:46Mais pour Hugo,
22:47les demandes de la communauté
22:48ont été largement ignorées.
22:50On leur a expliqué
22:51plusieurs fois
22:52ce qui nous semblait être
22:53la bonne attitude
22:55à avoir,
22:56les bonnes normes
22:57à suivre
22:58pour faire avancer
22:59le progrès humain.
23:01Et ils les ont
23:02quasiment toutes bafouées.
23:03Ils faisaient semblant
23:04de nous écouter
23:04et ils ne les ont pas appliquées.
23:05C'est en ça
23:06que j'ai des doutes
23:07sur, on va dire,
23:09leur motivation principale
23:11qui serait de nous aider.
23:12Maintenant,
23:13à nous de faire
23:13le mieux qu'on puisse
23:15avec cette attitude-là.
23:17Ces modèles seront bientôt
23:19des modèles commerciaux.
23:21On espère à des prix
23:23qui seront abordables
23:24pour le plus grand nombre
23:25de chercheurs et de chercheuses.
23:27Ça, on ne sait pas,
23:28mais partons de ce principe-là.
23:30Et donc,
23:30il va falloir derrière
23:32que la communauté
23:33s'organise
23:33pour exploiter
23:35ces outils
23:35de la meilleure façon possible.
23:36Et justement,
23:37ces désaccords,
23:38ils ne sont pas juste
23:39restés au stade des principes.
23:40Sur les terrains,
23:41une question a déjà provoqué
23:42des tensions
23:43qui méritent le crédit
23:44d'une découverte
23:45quand une IA
23:45entre dans l'équation.
23:46En septembre,
23:47au tour de l'annonce
23:48sur Navier-Stokes,
23:49le mathématicien Tristan Bugmaster
23:50a publiquement interrogé
23:51OpenAI.
23:52Son modèle a-t-il pu utiliser
23:54les recherches encore inédites
23:55qu'il menait
23:56avec l'Event Alpoge ?
23:57Les deux chercheurs
23:58avaient notamment confié
23:59leur brouillon à Codex,
24:00un outil d'OpenAI.
24:01OpenAI dément
24:02avoir utilisé leurs travaux.
24:03Le 10 septembre,
24:04l'entreprise affirme
24:05qu'une enquête interne
24:06a exclu toute influence
24:07de leurs échanges
24:08avec Codex
24:08sur son résultat,
24:09y compris par l'entraînement
24:11du modèle.
24:11Le conflit porte aussi
24:12sur les noms
24:13qui devraient figurer
24:13sur une publication.
24:15Selon Bugmaster,
24:16OpenAI lui aurait proposé
24:17de présenter le résultat
24:18de son modèle
24:18dans un article signé
24:20sans son collaborateur
24:21employé chez Anthropik.
24:23Une version qui est contestée
24:24par Sébastien Bebec,
24:25chercheur chez OpenAI.
24:26Ce n'est donc pas
24:27un plagiat établi,
24:28mais cette controverse
24:29montre que la question
24:30du mérite dépasse largement
24:32le duel entre l'humain
24:33et la machine.
24:33Qui a apporté des idées ?
24:35Qui peut les utiliser ?
24:36Et surtout,
24:37qui obtient la reconnaissance ?
24:38Citer les travaux précédents,
24:39ce n'est pas simplement
24:40remercier les collègues.
24:41C'est permettre
24:42de retracer le raisonnement
24:43et de comprendre
24:44ce que la nouvelle démonstration
24:45apporte.
24:46Enfin,
24:46il y a l'accès aux outils.
24:48Quand un modèle reste interne
24:49à une entreprise,
24:50les chercheurs voient ces résultats
24:51sans forcément disposer
24:52des mêmes moyens
24:53pour travailler.
24:54Une fois commercialisé,
24:55le prix peut créer
24:56d'autres écarts.
24:57Une grande université
24:58et une petite équipe
24:59n'ont pas forcément
24:59le même budget.
25:00On peut donc gagner
25:01des capacités scientifiques
25:02tout en concentrant
25:03davantage des moyens
25:04de les utiliser
25:05entre quelques mains.
25:06L'un n'empêche
25:07malheureusement pas l'autre.
25:08Bon,
25:09arrivé là,
25:09dans la vidéo,
25:10on pourrait avoir l'impression
25:11que les mathématiciens
25:12voient surtout arriver
25:13les problèmes
25:14et la fin de leur discipline.
25:15Pourtant,
25:15certains grands noms
25:16de la tech
25:17balayent ces inquiétudes
25:18d'un revers de la main.
25:19C'est le cas de Yann Lequin,
25:20l'ex-patron français
25:21de l'IA chez Méta.
25:22Face au malaise
25:23d'une partie
25:23de la communauté mathématique,
25:24il a récemment utilisé
25:26une métaphore
25:26plutôt provocatrice.
25:28Refuser l'IA en mathématiques,
25:29c'est comme refuser
25:30de prendre un bateau
25:30pour traverser l'océan
25:32sous prétexte
25:33que l'on préfère nager.
25:34Pour lui,
25:34il ne faut pas y voir
25:35un remplacement,
25:36mais un navire surpuissant
25:37qui va amener
25:38les chercheurs
25:38sur de nouveaux
25:39continents mathématiques
25:40et beaucoup plus vite.
25:41Surtout,
25:42certains chercheurs
25:42parient que la machine
25:43ne va pas se contenter
25:44de recracher
25:45du code illisible.
25:46C'est le contre-argument
25:47du physicien Adam Brown.
25:49Terry Tao
25:49a cette phrase
25:50« indigestion »
25:51qu'il utilise.
25:52Ces LLM
25:53produisent
25:54des codes
25:56inscrutable
25:57liens
25:58qui servent
25:58à un certificat
26:00d'un certain
26:00théorème
26:00est vrai
26:01sans donner
26:02de l'invite
26:02à ce que ça
26:03pourrait être vrai.
26:04Je pense que c'est
26:05un futur possible,
26:06mais je ne trouve
26:06que ce soit
26:07un futur très probable.
26:09Parce que,
26:10en tant qu'être
26:11superhumains,
26:12nous espérons
26:13que ces modèles
26:14soient superhumains.
26:16C'est un autre
26:17aspect
26:17des modèles
26:18large-language
26:18qui me rend
26:19assez optimiste
26:20c'est qu'ils ont
26:21une patience
26:22même pour faire
26:23des choses
26:23qui semblent
26:24de la probabilité
26:25de succès.
26:25Et Hugo
26:26du mini-copain
26:26ne dit pas l'inverse.
26:27Il reconnaît
26:28l'efficacité
26:29redoutable
26:29de ces outils
26:30et il raconte
26:31que dès le lendemain
26:31du choc,
26:32son équipe
26:32s'est mise au travail
26:33pour voir
26:34comment utiliser
26:34ce fameux bateau.
26:35C'est une perspective
26:36importante.
26:37La même technologie
26:38qui nous submerge
26:39de résultats
26:39pourrait aussi
26:40nous aider
26:41à les comprendre.
26:41À condition,
26:42bien sûr,
26:42que ces explications
26:43soient à la hauteur
26:44de ces démonstrations.
26:45On pourrait lui demander
26:46de détailler un passage,
26:47de chercher
26:48une formulation
26:48plus simple,
26:49de montrer
26:50ce qui change
26:50lorsqu'on modifie
26:51une hypothèse.
26:52Et sa capacité
26:52à explorer
26:53de nombreuses pistes
26:54pourrait faire apparaître
26:55des méthodes
26:55auxquelles personne
26:56n'avait pensé.
26:57Une réponse peut débloquer
26:58tout un programme
26:59de recherche.
26:59Un résultat intermédiaire
27:00peut servir
27:01à une autre équipe.
27:02Un problème résolu
27:03peut permettre
27:03d'en poser
27:0410 nouveaux.
27:05Revenons à Navier-Stokes.
27:06Mieux comprendre
27:07ces équations,
27:07c'est mieux connaître
27:08les propriétés
27:09d'un modèle utilisé
27:10pour étudier les fluides.
27:11Ça ne signifie pas
27:12qu'une démonstration
27:12va améliorer
27:13dès demain
27:14la météo
27:14sur votre téléphone.
27:15Entre un résultat fondamental
27:16et une application,
27:17il peut y avoir
27:18beaucoup d'étapes.
27:19Mais une nouvelle méthode
27:20peut transformer
27:20la manière
27:21dont les chercheurs
27:21abordent d'autres problèmes.
27:23Et même sans application immédiate,
27:25elle peut avoir
27:25un intérêt scientifique
27:26considérable.
27:27La question devient alors
27:28comment former
27:29des chercheurs
27:30capables de profiter
27:31de ces possibilités.
27:32Terence Tao propose
27:33à ses étudiants
27:33de changer d'échelle.
27:34Plutôt que de résoudre
27:35un seul problème
27:36sans assistance,
27:37en explorer
27:3810 avec l'IA.
27:39L'objectif est de s'appuyer
27:40sur les résultats
27:41pour imaginer
27:41de nouvelles questions.
27:42Le travail se déplace.
27:44Moins de temps
27:44à chercher chaque réponse,
27:46davantage à décider
27:47de ce qui mérite
27:48d'être exploré ensuite.
27:49Mais comment développer
27:50cette imagination
27:51si l'on délègue trop tôt
27:52le travail
27:52qui permet de la construire ?
27:54C'est aussi l'enjeu
27:54de la formation.
27:55Apprendre à utiliser l'IA
27:56tout en apprenant
27:57à chercher soi-même.
27:59Hugo Dumini et copains
27:59défend justement
28:00la possibilité
28:01de conserver une recherche
28:02sans assistance
28:03jusque dans sa propre pratique.
28:05Je n'utilise pas
28:06l'intelligence artificielle
28:07dans ma pratique des maths.
28:09Pourquoi ?
28:09Ce n'est pas parce que
28:10je veux avancer
28:10moins vite que les autres.
28:12Ce n'est pas parce que
28:12je n'en ai rien à faire
28:13d'inventer de nouvelles mathématiques.
28:14C'est parce que je crois
28:15que quand on le fait humainement,
28:17on apporte des choses différentes.
28:19Il ne prétend pas
28:20que chercher sans IA
28:21sera toujours plus efficace.
28:23Il dit juste
28:23que la vitesse
28:24ne mesure pas tout.
28:25Quand un étudiant
28:26résout un exercice,
28:27la réponse existe déjà.
28:28Son professeur
28:29n'attend pas
28:29une découverte mondiale
28:30pour le lendemain matin.
28:31Pourtant,
28:32l'exercice sert à quelque chose.
28:33L'étudiant essaye une piste,
28:35se trompe,
28:36comprend pourquoi
28:36et recommence.
28:37Il construit une intuition
28:38qui lui permettra ensuite
28:40d'aborder des questions nouvelles.
28:41Obtenir une réponse
28:42et apprendre à la trouver
28:43ne sont pas la même expérience.
28:45Et ça n'impose pas
28:45une méthode unique
28:46à tous les chercheurs.
28:47Certains utiliseront
28:48beaucoup l'IA,
28:49d'autres moins.
28:50L'enjeu est aussi
28:51de permettre à ces pratiques
28:52de coexister.
28:53Effectivement,
28:53dans certains domaines,
28:54je pense que l'utilisation
28:55de l'IA comme accélérateur
28:56peut permettre
28:57de démontrer des théorèmes,
28:59peut-être de découvrir
29:00des idées
29:01qui seront très utiles
29:02à moyen terme.
29:04En travaillant avec une IA,
29:05vous pouvez avoir la réponse,
29:06le vocabulaire,
29:07une explication convaincante.
29:09Jusqu'à la première question
29:10qui sort du cadre.
29:11En gros,
29:11avoir accès à plus de connaissances
29:13ne signifie pas
29:14qu'on les maîtrise.
29:15Alors,
29:15est-ce la fin des maths ?
29:16Pas de la discipline,
29:18non.
29:18Résoudre une énigme,
29:19ça en ouvre souvent
29:20dix autres.
29:21Les maths ne vont pas disparaître
29:22simplement parce qu'il n'y a
29:23à cocher des cases
29:24sur une liste de conjectures.
29:25Mais le métier, lui,
29:26peut profondément changer.
29:28Et ça pose une question
29:29bien plus vertigineuse
29:30que les postes
29:31ou les financements.
29:32Est-ce que ça donnera
29:32encore envie
29:33à quelqu'un
29:34de s'y consacrer ?
29:35Un professeur de mathématiques
29:36à Cornell
29:36raconte une réunion
29:37dans son département
29:38avec un sentiment
29:39de panique générale.
29:40Un étudiant y pose
29:41une question
29:42qui résume ce malaise.
29:54Ce qui se joue ici,
29:55c'est aussi une vocation.
29:57L'envie de consacrer
29:58des années à chercher
29:59avec l'espoir
30:00de comprendre
30:00quelque chose
30:01que personne n'avait compris avant.
30:02Pour Hugo Dumini-Copin,
30:04une autre source de plaisir
30:05reste pourtant bien présente.
30:07Moi, je le dis
30:07aux jeunes,
30:08c'est essentiellement
30:09mon petit message d'espoir
30:10en ce moment,
30:11c'est pourquoi vous avez voulu
30:12faire des maths
30:13quand vous étiez
30:13en deuxième ou troisième
30:15année d'université
30:16ou avant.
30:17Souvent, en fait,
30:17les gens ont voulu le faire
30:19parce qu'ils aimaient
30:20comprendre les cours,
30:21répondre à des exercices
30:22mais dont la solution
30:23était cinq pages plus loin.
30:25Ils n'étaient pas
30:26dans la découverte
30:27de nouvelles mathématiques.
30:29Ça, c'était le métier
30:30de gens comme moi,
30:31de gens bien plus avancés
30:32dans leur carrière.
30:33Moi, à leur âge,
30:34je ne savais même pas
30:34qu'il y avait
30:35des nouvelles mathématiques
30:36à démontrer
30:37qu'il y avait toujours
30:37de nouvelles mathématiques
30:38qu'on ne pouvait jamais
30:39résoudre les mathématiques.
30:41Et donc, je leur dis,
30:42diriger vers le métier
30:44de mathématicien
30:44ou de mathématicienne,
30:45ce sera la même chose.
30:46Ce sera ce que vous ferez.
30:47C'est juste qu'aujourd'hui,
30:48il n'y a plus
30:49le côté pionnier
30:50mais en fait,
30:51ce qui vous plaisait
30:52en maths est encore là
30:53donc ce sera
30:54un très beau métier à faire.
30:55Est-ce que ce plaisir suffira ?
30:57Est-ce que de nouvelles façons
30:58de découvrir apparaîtront ?
30:59Les réponses dépendront
31:00aussi du métier
31:01qu'on construit maintenant
31:02et de la place
31:03qu'on laisse aux jeunes chercheurs.
31:04Et cette discussion
31:05dépasse les mathématiques.
31:06Pour le mathématicien
31:07britannique James Minard,
31:09ceux qui arrivent
31:09à cette discipline
31:10doit nous alerter
31:11sur d'autres transformations
31:12du travail humain.
31:22En biologie ou en chimie,
31:23il faut aussi confronter
31:24les idées à des expériences,
31:26à des mesures
31:26et au monde réel.
31:27Tout ne suivra pas
31:28nécessairement la même trajectoire.
31:30C'est exactement
31:31l'avertissement lancé
31:32récemment par Arthur Mensch,
31:33le patron de Mistral et Hayes.
31:35Aujourd'hui, on le voit
31:35en mathématiques
31:35où ça va vite
31:36parce qu'il n'y a pas
31:36de contraintes physiques,
31:37mais ça va être le cas
31:38en biologie,
31:39ça va être le cas en physique, etc.
31:40Mais au fond,
31:40la place qu'on laisse
31:41aux chercheurs,
31:42c'est un enjeu
31:43qui dépasse largement
31:44les maths.
31:44On peut très bien
31:45vouloir des machines
31:45qui trouvent plus de réponses
31:47et encore vouloir former
31:48des humains capables
31:49de les comprendre,
31:50de les contredire
31:51et d'en tirer du sens.
31:52Le vrai défi,
31:53c'est d'accepter
31:53de financer les deux
31:54et surtout,
31:56réinventer un métier
31:56auquel les futurs passionnés
31:58auront toujours envie
31:59de consacrer leur vie.
32:00Dites-nous ce que vous en pensez,
32:01on lira vos retours
32:02en commentaire.
32:03Si cette vidéo vous a plu,
32:04n'oubliez pas
32:04de vous abonner
32:05à la chaîne de Numerama
32:06pour suivre les évolutions
32:07de l'IA
32:07et mieux anticiper l'avenir.
32:09Sous-titrage Société Radio-Canada