Claude a résolu Riemann : ce que personne ne vérifie vraiment
Un modèle d'IA affirme avoir résolu l'un des plus grands mystères des mathématiques. Avant de célébrer, posons-nous une seule question : qui peut vraiment le vérifier ?
Ces derniers mois, plusieurs publications sur les réseaux sociaux ont affirmé que Claude, le modèle d'intelligence artificielle développé par Anthropic, aurait produit une démonstration convaincante de l'hypothèse de Riemann — un problème mathématique ouvert depuis 1859, dont la résolution rapporterait un million de dollars à son auteur et remodèlerait notre compréhension de la distribution des nombres premiers. L'affirmation est spectaculaire. Le problème, lui, est réel. Mais entre une sortie textuelle d'un LLM et une preuve mathématique certifiée, il existe un gouffre que peu de commentateurs prennent le temps de mesurer.
L'hypothèse de Riemann : pourquoi ce problème résiste depuis 165 ans
Formulée en 1859 par Bernhard Riemann, l'hypothèse stipule que tous les zéros non triviaux de la fonction zêta de Riemann ont une partie réelle égale à 1/2. En termes accessibles : elle prédit un ordre caché dans la répartition des nombres premiers, ces briques fondamentales de l'arithmétique.
Ce n'est pas un problème difficile parce que personne n'a essayé de le résoudre. Des mathématiciens de premier plan — Hilbert, Hardy, Selberg, et des centaines d'autres — y ont consacré des années. Elle figure parmi les sept Problèmes du Prix du Millénaire de l'Institut Clay. À ce jour, plus de 10 billions de zéros vérifiés numériquement respectent la condition. Mais la vérification numérique, aussi massive soit-elle, ne constitue pas une preuve.
Ce que Claude produit réellement quand on lui pose la question
Testons la réalité avec rigueur. Lorsqu'on soumet à Claude une demande de démonstration de l'hypothèse de Riemann, le modèle génère un texte structuré, techniquement dense, qui mobilise des concepts légitimes : la théorie des fonctions L, les zéros de la bande critique, les arguments analytiques liés à la symétrie fonctionnelle. Le tout est cohérent en surface.
Mais voici ce qui se passe réellement :
- Le modèle complète des patterns linguistiques. Il a été entraîné sur des milliers de textes mathématiques et produit des enchaînements qui ressemblent à une démonstration.
- Les transitions logiques critiques sont souvent omises ou floues. Les étapes qui feraient précisément la valeur d'une vraie preuve — celles qui justifient le passage d'une assertion à l'autre — sont les plus susceptibles d'être masquées par du jargon plausible.
- Claude lui-même le reconnaît. Interrogé directement, le modèle indique clairement qu'il ne peut pas produire une preuve valide de l'hypothèse de Riemann et que toute sortie en ce sens doit être considérée comme une exploration heuristique, non une démonstration.
Le vrai problème : qui valide ce que l'IA produit en mathématiques ?
C'est ici que la discussion devient véritablement importante. L'IA pose un défi inédit à la validation scientifique, et ce défi dépasse largement l'hypothèse de Riemann.
En mathématiques, une preuve n'est valide que lorsqu'elle a été relue, comprise et acceptée par des pairs qualifiés. Ce processus, appelé peer review, peut prendre des mois, voire des années pour des travaux complexes. La preuve du dernier théorème de Fermat par Andrew Wiles en 1995 a nécessité plusieurs corrections après sa première soumission — et Wiles est l'un des mathématiciens les plus brillants de sa génération.
Or, face à une sortie de LLM, plusieurs biais entrent en jeu :
- Le biais de fluidité : un texte bien écrit et techniquement habillé est perçu comme plus crédible, indépendamment de sa validité logique.
- Le biais d'autorité délégué : parce que Claude est un outil puissant, on lui attribue une forme d'infaillibilité dans son domaine apparent.
- L'illusion de vérifiabilité : en mathématiques avancées, moins de 0,1 % des lecteurs sont réellement en mesure d'évaluer une preuve de ce niveau.
L'IA peut-elle tout de même contribuer aux mathématiques ?
La réponse honnête est : oui, mais différemment de ce que les titres sensationnels suggèrent.
Des projets comme AlphaProof de DeepMind ou les assistants de preuve formelle comme Lean et Coq montrent une voie crédible : l'IA comme outil de vérification formelle, capable de confirmer mécaniquement chaque étape d'un raisonnement. C'est un apport réel. Des modèles ont aussi aidé à explorer des espaces de conjectures, à identifier des analogies non triviales entre champs mathématiques, ou à automatiser des démonstrations de niveau olympiades.
Mais générer du texte qui ressemble à une preuve et produire une preuve valide sont deux actes fondamentalement différents. Le premier relève du traitement du langage. Le second exige une chaîne logique sans faille, vérifiable par un agent extérieur.
Conclusion : méfions-nous autant de l'enthousiasme que du scepticisme naïf
L'hypothèse de Riemann n'a pas été résolue par Claude. Ce qui a circulé sur internet est, au mieux, une exploration heuristique élaborée, et au pire, une hallucination habillée en démonstration. La vraie leçon n'est pas que l'IA est inutile en mathématiques — elle serait fausse. Elle est que nous manquons collectivement d'outils et de réflexes pour évaluer ce que les modèles de langage produisent dans des domaines à haute technicité.
La prochaine fois qu'un titre vous annonce qu'une IA a résolu un problème du millénaire, posez une seule question : quel mathématicien indépendant a relu la preuve, étape par étape ? Si la réponse est "personne", vous tenez votre réponse.
— Reservoir Live