L'IA vient de faire ce que 160 ans de mathématiques n'ont pas réussi.
Une conjecture vieille de 160 ans. Une machine qui ose là où les humains ont échoué.
En 1859, Bernhard Riemann pose une question sur la distribution des nombres premiers que personne ne réussira à trancher pendant plus d'un siècle et demi. Aujourd'hui, des systèmes d'intelligence artificielle s'attaquent frontalement à ce problème — et ce qui se passe mérite qu'on s'y arrête sérieusement.
L'hypothèse de Riemann figure parmi les sept problèmes du millénaire identifiés par l'Institut Clay en 2000, chacun assorti d'un prix d'un million de dollars. Six restent non résolus. Mais depuis 2023, plusieurs équipes de recherche utilisent des modèles de deep learning pour explorer des pistes que les mathématiciens traditionnels n'avaient pas envisagées. Ce n'est pas de la science-fiction. C'est ce qui se passe dans les laboratoires de DeepMind, du MIT et d'universités européennes en ce moment même.
L'hypothèse de Riemann : comprendre l'enjeu en 3 minutes
Pour ceux qui n'ont pas passé leur licence en mathématiques — et c'est la majorité d'entre nous — voici l'essentiel :
- Les nombres premiers (2, 3, 5, 7, 11…) sont les briques fondamentales de tous les entiers.
- Leur distribution dans l'ensemble des nombres naturels semble chaotique, mais Riemann a supposé qu'elle suit un ordre caché.
- Cet ordre serait décrit par les zéros non triviaux d'une fonction complexe appelée la fonction zêta de Riemann.
- L'hypothèse affirme que tous ces zéros se trouvent sur une droite précise dans le plan complexe : la ligne critique où la partie réelle vaut 1/2.
Pourquoi ça compte ? Parce que cette conjecture touche directement à la cryptographie moderne, à la sécurité des données bancaires, aux algorithmes de chiffrement qui protègent chaque transaction en ligne. La résoudre — ou la réfuter — redefinirait les fondations de la théorie des nombres.
Ce que l'IA apporte que les humains ne pouvaient pas
Les mathématiciens ont démontré que l'hypothèse est vraie pour les 10 000 milliards premiers zéros calculés. Mais une vérification empirique n'est pas une preuve. Le vrai obstacle : construire un argument logique universel, valable pour une infinité de cas.
C'est là que l'IA change les règles du jeu — non pas en remplaçant la rigueur mathématique, mais en explorant l'espace des preuves possibles à une vitesse et une profondeur inaccessibles à un cerveau humain.
AlphaProof et le tournant de 2024
En août 2024, DeepMind a présenté AlphaProof, un système capable de résoudre des problèmes de niveau olympiade mathématique internationale. Le modèle a résolu 4 des 6 problèmes proposés, atteignant un niveau médaille d'argent. Aucun système IA n'avait jamais franchi ce cap. AlphaProof ne "cherche" pas une solution : il démontre, avec des preuves vérifiables formellement.
Les réseaux de neurones comme détecteurs de structure cachée
Des chercheurs de l'Université de Bristol et du MIT ont entraîné des modèles de machine learning sur des millions de zéros de la fonction zêta. Résultat : les modèles ont identifié des corrélations statistiques profondes que les mathématiciens n'avaient pas théorisées. Ces corrélations ne constituent pas une preuve, mais elles ouvrent des pistes de démonstration formelle que des humains explorent maintenant activement.
La vraie question : l'IA peut-elle vraiment "prouver" ?
Soyons précis. Aucun système d'IA n'a résolu l'hypothèse de Riemann à ce jour. Quiconque prétend le contraire ment ou confond exploration et démonstration. Une preuve mathématique rigoureuse reste une construction humaine vérifiée formellement — ou un système comme Lean, Coq, ou Isabelle qui vérifie chaque étape logique.
Mais le paradigme change fondamentalement. L'IA joue désormais trois rôles distincts dans la recherche mathématique avancée :
- Conjecture machine : identifier des patterns qui suggèrent de nouveaux théorèmes.
- Assistance à la preuve : proposer des séquences d'étapes logiques qu'un mathématicien valide ensuite.
- Vérification formelle automatisée : certifier qu'une preuve humaine est sans erreur, même sur des milliers de pages.
Implications concrètes pour les prochaines années
Si un système combinant deep learning et vérification formelle parvient à esquisser une preuve vérifiable de l'hypothèse de Riemann d'ici 2030 — scénario que plusieurs mathématiciens ne jugent plus impossible — les conséquences seraient immédiates :
- Remise en question partielle des protocoles de chiffrement RSA.
- Avancées majeures en théorie analytique des nombres.
- Redéfinition du rôle de l'intuition humaine dans la recherche fondamentale.
Le prix Clay d'un million de dollars serait décerné — mais à qui ? Au chercheur ? À l'organisation qui a entraîné le modèle ? Cette question juridique et éthique n'a pas encore de réponse.
Ce que ça dit de nous, pas seulement des machines
L'hypothèse de Riemann n'est pas qu'un problème mathématique. C'est le symbole de ce que l'intelligence humaine a de plus ambitieux : poser une question dont on ne sait même pas si elle est soluble, et continuer à chercher pendant 160 ans.
Que des machines puissent aujourd'hui participer à cette quête — pas la remplacer, mais y contribuer de manière substantielle — dit quelque chose d'essentiel sur ce moment particulier de l'histoire des sciences. Nous ne construisons plus seulement des outils qui exécutent. Nous construisons des outils qui explorent.
Et la frontière entre exploration et compréhension, elle, n'a jamais été aussi floue.
— Reservoir Live