Axiom AI : quatre énigmes mathématiques qui ont enfin cédé face à un réseau de neurones

Pendant que nous nous amusons à générer des images de chats en combinaison spatiale, il se passe dans les entrailles de l'industrie quelque chose de réellement inquiétant et fascinant à la fois. Les mathématiques ont toujours été ce havre tranquille où l'intelligence humaine pouvait se croire à l'abri de l'invasion des algorithmes. Nous avions pris l'habitude de penser que les réseaux de neurones étaient de simples T9 très perfectionnés : capables de mentir avec aplomb, mais totalement incapables d'inférence logique rigoureuse. La start-up Axiom vient de balayer ce mythe confortable en résolvant quatre problèmes mathématiques qui prenaient la poussière depuis des années sur l'étagère des questions ouvertes. L'événement rebat les cartes de la course à l'IA forte.

Pendant longtemps, le principal reproche fait aux grands modèles de langage tenait à leur incapacité à raisonner de façon séquentielle. Vous avez sûrement vu des centaines de mèmes montrant GPT-4 s'emmêler avec des fractions simples ou être incapable de dire quel nombre est le plus grand : 9.11 ou 9.

9. Le problème venait de l'architecture elle-même : la prédiction du token suivant fonctionne très bien pour rédiger des dissertations, mais échoue lourdement là où une précision absolue est requise. Les mathématiques ne tolèrent pas l'approximation.

Une erreur de signe au départ transforme toute la démonstration qui suit en un amas de symboles dénué de sens. Axiom a abordé la question autrement, en intégrant au processus un système de vérification formelle.

Le cœur du succès d'Axiom est un système hybride. Il ne se contente pas de « deviner » une réponse à partir de probabilités. Le modèle génère des hypothèses, aussitôt vérifiées par un moteur mathématique strict. Cela rappelle le fonctionnement du cerveau humain : le mathématicien pressent d'abord la solution, puis rédige méthodiquement la démonstration en vérifiant chaque étape au regard des axiomes. Le fait que l'IA ait pu clore quatre questions ouvertes d'un coup indique que nous sommes passés de l'imitation du savoir à une véritable manipulation de structures logiques.

Pourquoi cela concerne-t-il chacun d'entre nous, et pas seulement une poignée de personnes à lunettes, craie à la main devant un tableau noir ? Les mathématiques sont le socle de tout. La cryptographie qui protège vos virements bancaires, la physique qui permet de construire des fusées et jusqu'à l'architecture des réseaux de neurones reposent sur des démonstrations mathématiques. Si l'IA apprend à résoudre des problèmes hors de portée de l'humain, nous pourrions obtenir la clé de nouveaux matériaux, de nouveaux médicaments et d'algorithmes de compression de données plus efficaces. C'est le passage d'une IA assistante qui rédige vos e-mails à une IA scientifique qui découvre de nouvelles lois de la nature.

Les sceptiques diront bien sûr que quatre problèmes ne sont qu'une goutte d'eau dans l'océan. Mais il faut comprendre le contexte. Auparavant, de telles percées survenaient une fois par décennie et mobilisaient des instituts entiers. Aujourd'hui, une petite start-up obtient ces résultats grâce à la bonne combinaison de puissance de calcul et d'avancées d'architecture. C'est un défi direct pour des géants comme OpenAI et Google DeepMind, qui misent eux aussi sur des modèles de raisonnement comme o1. Axiom a montré que, dans cette discipline, la taille du modèle n'est pas toujours le facteur décisif : l'intelligence réside dans la méthodologie.

Nous entrons dans une ère où l'IA cesse d'être un simple miroir du savoir humain. Elle commence à produire des connaissances que nous n'avons pas encore su formuler nous-mêmes. Cela soulève beaucoup de questions : comment vérifierons-nous les démonstrations si elles deviennent trop complexes pour la compréhension humaine ? Deviendrons-nous de simples consommateurs de réponses toutes faites, sans comprendre comment elles ont été obtenues ? Quoi qu'il en soit, Axiom a créé un précédent qui obligera la communauté scientifique à revoir ses opinions sur les capacités de l'esprit de silicium. Les mathématiques sont tombées ; la physique théorique est la prochaine sur la liste.

L'essentiel : si l'IA s'est mise à résoudre des problèmes ouverts, la barrière entre « imitation » et « pensée » est devenue pratiquement transparente. Sommes-nous prêts pour un monde où les meilleurs mathématiciens de la planète sont des baies de serveurs ?