Jiuzhang Yunji rejoint le défi mathématique de Terence Tao après la lettre de 28 médaillés Fields

Le 11 septembre 2026, vingt-huit médaillés Fields ont signé une même déclaration, « Grave désalignement de l'IA en mathématiques ». Exactement un mois plus tard, le 13 octobre, la chinoise Jiuzhang Yunji (九章云极) a annoncé sa participation au défi mathématique de Terence Tao et formulé sa position : l'apprentissage par renforcement doit devenir la nouvelle infrastructure de base de l'AI for Science. La coïncidence de calendrier est curieuse, mais le fragment disponible du texte ne permet de juger ni du format de la compétition, ni des résultats de l'entreprise.

Ce qu'ont écrit les mathématiciens

Le ton de la lettre est inhabituellement tranchant pour le monde académique. Les signataires affirment que les entreprises d'IA utilisent la résolution de problèmes mathématiques comme benchmark de leurs propres capacités, et jugent cette pratique « nuisible pour la science mathématique et pour la communauté mathématique ». Leur thèse centrale, pour autant qu'on puisse la lire au début du texte : résoudre un problème n'est qu'un moyen et un indicateur indirect. Les mathématiques fonctionnent autrement : il s'agit de construire de la compréhension, des théories et un langage. Dans le fragment disponible, l'argumentation s'interrompt ; en rapporter les détails relèverait donc de la conjecture.

Pour l'industrie, le signal est désagréable. Ces dernières années, ce sont précisément les problèmes de niveau olympiade et de niveau recherche qui ont servi de vitrine aux laboratoires. Quand 28 titulaires de la plus haute distinction de la discipline disent que cette vitrine induit en erreur, il devient plus difficile de répondre par des chiffres.

La réponse de Jiuzhang Yunji

L'entreprise n'a pas choisi la défensive : elle entre dans la compétition menée par l'un des mathématiciens les plus respectés de notre époque. Le slogan du titre de l'article est le suivant : faire de l'apprentissage par renforcement la nouvelle infrastructure de l'AI4S.

La logique se lit sans peine, même s'il s'agit de notre interprétation et non d'une citation de l'entreprise. Les mathématiques possèdent ce qui manque à la plupart des domaines scientifiques : la vérifiabilité. Si une démonstration peut être vérifiée automatiquement, par exemple dans un système formel comme Lean, on obtient un signal de récompense net pour le RL. Tout se joue ensuite dans l'ingénierie : orchestration de milliers d'exécutions parallèles, planification des GPU, stockage des trajectoires, construction d'environnements dotés de vérificateurs. À en juger par son positionnement, Jiuzhang Yunji vend précisément cette couche : non pas un modèle isolé, mais une plateforme sur laquelle ce type d'expériences peut être lancé.

Ce que l'on sait à ce stade :

• Date de la lettre : 11 septembre 2026, 28 médaillés Fields signataires.
• Titre de la déclaration : « L'intelligence artificielle en mathématiques : un grave désalignement ».
• Reproche principal : les problèmes utilisés comme benchmark nuisent aux mathématiques et à la communauté.
• Participant au défi de Tao : Jiuzhang Yunji, annonce du 13 octobre 2026.
• Axe affiché : le RL comme infrastructure de l'AI for Science.
• Non divulgués : les règles, le nombre de problèmes résolus, le volume de calcul, la méthode de vérification.

Ce qu'il faudra surveiller

Pour l'instant, il s'agit d'une prise de position, pas d'un résultat. Plusieurs critères permettent de l'évaluer. L'entreprise publiera-t-elle son protocole : quels problèmes, combien de tentatives, quelles ressources ? Les solutions seront-elles vérifiées formellement ou par des humains, et par qui exactement ? Dira-t-elle quoi que ce soit de l'utilité pour les mathématiciens en activité, et pas seulement du pourcentage de problèmes clos ? C'est précisément ce que la lettre place au premier plan.

Pour les ingénieurs et les acheteurs d'infrastructure d'IA, la conclusion est pratique. Si vous construisez des pipelines de RL pour la science, ce que le défi mathématique offre de plus précieux n'est pas le classement, mais l'ensemble clé en main « environnement, vérificateur, rollout scalable ». On peut le transposer à la chimie, à la science des matériaux et à la programmation prouvée, où la vérification est aussi automatisable. Si vous choisissez un fournisseur, ne demandez pas un tableau de benchmarks, mais un rapport reproductible indiquant les coûts en heures de GPU et décrivant la vérification. La critique des médaillés Fields porte justement là-dessus : un tableau nu ne prouve rien.