ИИ решает задачи Эрдёша: почему легендарные проблемы математики поддаются нейросетям

Les réseaux de neurones ont accompli leurs plus grands succès mathématiques précisément sur les problèmes de Paul Erdős — le mathématicien hongrois iconoclaste du milieu du XXe siècle qui a laissé derrière lui des centaines de problèmes non résolus. Selon Quanta Magazine du 3 août 2026, les chercheurs examinent désormais en détail ce qui rend les problèmes d'Erdős attrayants pour l'IA — afin de comprendre comment les réseaux de neurones vont transformer le reste des mathématiques.

Qui Était Erdős et Pourquoi Ses Problèmes Sont-ils Célèbres

Paul Erdős (1913–1996) fut l'un des mathématiciens les plus prolifiques de l'histoire : plus de 1 500 articles scientifiques co-écrits avec plus de 500 collègues, et des milliers de problèmes ouverts qu'il formula. Erdős menait une vie nomade, se déplaçant d'université en université, et offrait un prix en argent pour chaque solution — de 10 à 10 000 dollars selon la difficulté. Nombre de ces problèmes sont restés non résolus jusqu'au XXIe siècle.

Les problèmes d'Erdős présentent plusieurs caractéristiques distinctives :

• Formulation concise : la plupart des problèmes s'énoncent en 2 à 3 phrases
• Nature combinatoire : principalement théorie des nombres et théorie des graphes
• Réponse concrète et vérifiable : une construction existe ou n'existe pas
• « Difficulté élégante » : un énoncé simple dissimule une démonstration profonde

Cette combinaison, selon les mathématiciens interrogés par Quanta Magazine, est précisément ce qui rend les problèmes d'Erdős accessibles à l'IA moderne.

Pourquoi les

Problèmes d'Erdős Cèdent-ils aux Réseaux de Neurones ?

La raison principale est que la structure des problèmes d'Erdős s'aligne bien sur le fonctionnement des systèmes de démonstration formelle. Des vérificateurs tels que Lean et Coq permettent à l'IA de proposer une hypothèse et de vérifier pas à pas la correction de chaque assertion. Sans un tel mécanisme, les réseaux de neurones peuvent générer des démonstrations qui semblent convaincantes mais sont mathématiquement incorrectes — une limitation qui a longtemps restreint l'usage de l'IA en science.

Les problèmes combinatoires avec un critère clair oui/non sont particulièrement commodes : le modèle parcourt des stratégies, construit des exemples et recherche des contre-exemples sans risque d'accumuler des erreurs dans les étapes intermédiaires. En 2024, le système AlphaProof de Google DeepMind a résolu quatre des six problèmes de l'Olympiade Internationale de Mathématiques (IMO 2024) — plusieurs d'entre eux étaient de type combinatoire, caractéristique de la tradition d'Erdős.

Qu'est-ce que Cela Va Changer en Mathématiques ?

Selon les chercheurs cités par Quanta Magazine, les problèmes d'Erdős sont devenus une pierre de touche pour l'ensemble des mathématiques. En comprenant exactement pourquoi cette classe de problèmes cède aux réseaux de neurones, les scientifiques pourront dresser une carte : là où l'IA aidera les mathématiciens dans les années à venir, et là où l'intuition humaine demeurera irremplaçable.

Selon l'analyse de

Quanta Magazine, en étudiant les problèmes d'Erdős, les mathématiciens cherchent en réalité une réponse à une question plus générale : quelles propriétés rendent un problème mathématique résolubles par une machine en principe.

La question de savoir si la même approche fonctionne dans des domaines moins formalisés reste ouverte : géométrie algébrique, topologie, problèmes nécessitant la création de concepts fondamentalement nouveaux. Dans ces domaines, l'intuition du chercheur demeure irremplaçable pour l'instant, et les mathématiciens le soulignent.

Ce Que Cela Signifie

Les succès de l'IA sur les problèmes d'Erdős signalent un changement qualitatif dans les mathématiques : les réseaux de neurones passent de l'assistance computationnelle à la résolution de problèmes restés ouverts depuis des décennies. Comprendre exactement où se situe la limite des capacités de l'IA en science est l'un des défis de recherche majeurs pour les années à venir.