Google DeepMind décroche l'argent : l'IA résout des problèmes d'olympiade, mais à quel prix ?

Pendant que le monde se demande si ChatGPT cessera un jour de se tromper dans les recettes de tarte, Google DeepMind s'est attaquée à un monument : l'Olympiade internationale de mathématiques (IMO). Les résultats d'AlphaProof et d'AlphaGeometry 2 ont fait tressaillir l'industrie : les systèmes ont résolu quatre problèmes sur six, ce qui correspond au niveau d'un médaillé d'argent. On pourrait y voir le moment de la singularité, celui où le silicium bat enfin le carbone en logique pure. Mais à y regarder de plus près, ce triomphe ressemble plus à une victoire héroïque contre les circonstances qu'à une promenade de santé.

Les mathématiques ont toujours été le talon d'Achille des modèles de langage. Les LLM classiques fonctionnent par probabilités, en prédisant le mot suivant, ce qui, dans le monde strict des démonstrations, mène inévitablement à des hallucinations. Pour résoudre ce problème, les ingénieurs de DeepMind ont opté pour l'hybridation.

AlphaProof associe la souplesse de l'apprentissage par renforcement à la discipline sévère du langage de vérification formelle Lean. L'intelligence artificielle ne se contente plus de deviner une réponse : elle écrit un code qui se vérifie lui-même à chaque étape logique. AlphaGeometry 2, de son côté, a reçu une puissante injection du modèle Gemini, ce qui lui permet de résoudre les casse-têtes géométriques des dizaines de fois plus vite que son prédécesseur.

Pourtant, derrière l'éclat de la médaille d'argent se cache une réalité rude. Les candidats humains ont résolu les problèmes en deux sessions de quatre heures et demie, alors que l'IA a eu besoin de plusieurs jours de calcul continu pour certaines démonstrations. Cela souligne le principal défaut des systèmes actuels : ils sont monstrueusement inefficaces comparés au cerveau humain.

C'est un cas d'école de cueillette des fruits les plus bas. Oui, l'IA a appris à travailler dans le cadre rigide des langages formels, mais elle dépense encore des ressources de calcul colossales là où un adolescent doué n'a besoin que d'une feuille de papier et de deux heures de réflexion. L'écart d'efficacité énergétique entre esprit biologique et esprit numérique reste immense.

Pourquoi est-ce important maintenant ? Nous assistons à un changement fondamental dans la stratégie de développement de l'IA. L'industrie a compris que la simple mise à l'échelle des données ne produit plus de gains de qualité spectaculaires sur les tâches vraiment difficiles. L'avenir appartient aux systèmes capables de raisonner et de vérifier leurs conclusions. Google est en train de construire ce que l'on appelle un Système 2 pour l'IA : une pensée lente et délibérée, qui complète le Système 1, rapide et intuitif, des chatbots ordinaires. C'est crucial non seulement pour les mathématiques pures, mais aussi pour la programmation, la cybersécurité et la conception de systèmes d'ingénierie complexes, où une erreur d'un seul bit peut mener à la catastrophe.

Demis Hassabis et son équipe reconnaissent toutefois honnêtement que l'entraînement et le fonctionnement de ces modèles restent laborieux. Pour qu'AlphaProof fonctionne, les problèmes doivent être traduits en Lean à la main : l'IA ne sait pas encore interpréter seule des énoncés en langage naturel avec une précision suffisante. Nous disposons d'un outil puissant qui exige, pour l'instant, une armée d'ingénieurs-traducteurs. Cela rappelle les premiers ordinateurs, qui occupaient des salles entières et réclamaient des cartes perforées. Le potentiel est énorme, mais il faudra encore des années avant d'avoir dans sa poche un mathématicien capable de faire des découvertes en temps réel.

L'essentiel : Google DeepMind a prouvé que l'IA peut maîtriser la logique supérieure sans erreur, mais le prix de cette infaillibilité reste exorbitant. L'entreprise parviendra-t-elle à accélérer radicalement le raisonnement de ses systèmes d'ici la fin de l'année ?