Dans une tribune parue dans le numéro 19 d’ActuIA, Axel Cypel s’interroge sur la capacité de l’intelligence artificielle à produire de la théorie. Les récentes contributions de l’IA aux mathématiques donnent à cette question une nouvelle portée : produire un résultat inédit suffit-il à établir que la machine pense ?
L’auteur oppose deux manières de produire du savoir. D’un côté, l’apprentissage automatique, qui procède par induction, c’est-à-dire par généralisation à partir d’exemples. De l’autre, la théorie, qui peut faire émerger de nouveaux concepts. Il s’appuie sur les grandes théories physiques, de la mécanique galiléenne au modèle standard, qui n’ont pas suivi cette méthode. Les ondes gravitationnelles, prédites par la théorie de la relativité générale d’Einstein, n’ont été recherchées que parce que la théorie les annonçait, relève-t-il, dans ce que l’on appelle la méthode hypothético-déductive. Il reprend aussi l’expression du physicien Étienne Klein, pour qui le geste théorique agit comme un « treuil ontologique ».
Le texte rapporte la question qui lui avait été posée lors de la remise du Prix Roberval, le 7 décembre 2024, où son livre Voyage au bout de l’IA a été désigné lauréat dans la catégorie Grand Public. Son interlocutrice y déclarait : « en tant que chercheur […], j’ai été construite comme une IA ». Axel Cypel rappelle, de son côté, que l’IA se distingue de la pensée humaine par la façon dont elle apprend : un être humain n’a pas besoin de voir un million de chats pour reconnaître un chat.
Des résultats mathématiques récents
Une note de la rédaction, datée d’octobre 2026, éclaire la question à la lumière de l’actualité. Le 26 octobre 2026, OpenAI a annoncé une réfutation de l’hypothèse du temps exponentiel, une conjecture d’informatique théorique. Anthropic a publié de son côté un résultat attribué à un modèle de recherche Claude. Les deux laboratoires ont fourni des formalisations dans Lean, un assistant de preuve, c’est-à-dire un logiciel qui permet de vérifier une démonstration étape par étape. OpenAI a par ailleurs organisé un examen de son résultat avec des chercheurs extérieurs.
Une réfutation de ce type repose sur la construction d’un algorithme et la démonstration de ses propriétés. Si elle est confirmée, elle constitue un résultat théorique original. Google Research a de son côté décrit des structures mathématiques découvertes avec AlphaEvolve, intégrées à des démonstrations qui ont permis d’établir de nouveaux résultats.
Une preuve ne dit pas tout de son origine
Axel Cypel souligne que le modèle appris par une IA n’est pas une copie de ses données d’entraînement, mais une synthèse abstraite. Son utilisation peut produire une interpolation, c’est-à-dire un point qui ne figurait pas dans la base d’apprentissage. Reste à savoir s’il s’agit d’une création. L’auteur estime qu’il n’existe, a priori, aucune raison d’exclure qu’une IA forte, capable de produire un processus de pensée, puisse un jour exister. Il juge en revanche douteux que le machine learning puisse en produire une.
Une preuve valide établit un résultat, mais elle ne dit pas, à elle seule, quelle est la nature du processus qui l’a produite. C’est pourquoi l’auteur ne propose pas de trancher ce débat. Il invite plutôt à utiliser l’IA pour produire de nouvelles réponses et à « conjuguer cette force avec la nôtre afin de trouver, pourquoi pas, de nouvelles théories ».
