Comment un modèle Claude non publié d'Anthropic a repoussé une borne clé de l'hypothèse de Riemann

Le processus autonome

Cette réalisation a suivi un flux de travail multi-agents remarquable :

• Un employé d'Anthropic sans formation mathématique sérieuse a demandé au modèle de « s'attaquer sérieusement » à la preuve de l'hypothèse .
• Pendant environ 1,5 jour, le modèle a testé environ 650 approches candidates à travers 60 sous-agents coordonnés .
• L'exécution a consommé 31 millions de tokens de sortie en deux sessions, exécuté 2 400 commandes shell et passé en revue 54 articles arXiv .
• Deux des 60 sous-agents ont été responsables du développement de la percée mathématique clé .
• L'approche gagnante a synthétisé un article de 2000 d'Enrico Bombieri avec des résultats plus récents — une combinaison qu'aucun chercheur humain n'avait auparavant assemblée .

Processus de vérification

Deux mathématiciens maison — Levent Alpöge et Ralph Furmaniak — ont examiné et confirmé la preuve . L'argument a ensuite été formalisé dans Lean, un assistant de preuve interactif, produisant un certificat de correction vérifiable par machine . Cette double validation (examen humain expert + vérification formelle) est largement considérée comme la meilleure preuve possible pour les résultats mathématiques générés par IA.

Contexte plus large de 2026 : un tournant pour les mathématiques assistées par IA

L'amélioration de la borne de Riemann par Claude n'est pas un événement isolé. L'année 2026 a connu une séquence accélérée de percées mathématiques menées par l'IA :

• Mai 2026 — OpenAI a annoncé qu'un modèle de raisonnement général non publié avait réfuté de manière autonome la conjecture d'Erdős sur la distance unitaire, un problème ouvert vieux de 80 ans .
• Mai 2026 — AlphaProof Nexus de Google DeepMind a résolu neuf problèmes ouverts d'Erdős (certains non résolus depuis 56 ans) et prouvé 44 conjectures de l'Online Encyclopedia of Integer Sequences, toutes formalisées dans Lean .
• Juillet 2026 — Le mathématicien d'Anthropic Levent Alpöge a utilisé le modèle non publié « Fable 5 » pour trouver un contre-exemple à la conjecture jacobienne, un problème posé en 1939 .
• Août 2026 — Le modèle Astra d'OpenAI aurait résolu dix problèmes mathématiques vieux de plusieurs décennies pour un coût de calcul d'environ 2 000 $, avec des preuves vérifiables par machine publiées dans Lean sur GitHub .

Plusieurs commentateurs ont noté que le domaine a franchi un seuil au milieu de l'année 2026 : les systèmes d'IA sont passés de la résolution de problèmes mathématiques de niveau compétition à la génération de recherches publiables sur des problèmes ouverts .

Le débat : paternité, normes et la Déclaration de Leyde

Le rythme rapide des mathématiques générées par l'IA a déclenché un débat intense :

• En juin 2026, un groupe de 16 mathématiciens a publié la Déclaration de Leyde sur l'intelligence artificielle et les mathématiques, recommandant de nouvelles normes pour la structure des preuves, l'attribution de la paternité et la supervision humaine des résultats générés par l'IA . La déclaration a depuis été discutée par l'Union mathématique internationale .
• Les tensions clés incluent : Qui obtient le crédit d'auteur lorsqu'une IA génère une preuve ? Le domaine peut-il maintenir une confiance épistémique si les preuves sont trop longues ou trop nouvelles pour que les humains puissent les inspecter complètement sans outils formels ? Et comment les revues doivent-elles évaluer par les pairs des résultats qu'aucun humain n'aurait pu produire ?
• Certains mathématiciens soutiennent que les preuves assistées par IA risquent d'éroder la compréhension et la perspicacité explicative — une preuve peut être correcte mais opaque . D'autres voient dans la vérification formelle via Lean une norme plus stricte que l'examen traditionnel par les pairs .

Ce que cela signifie pour la capacité de l'IA à découvrir de nouvelles sciences

Le résultat de Riemann d'Anthropic fait progresser la discussion de plusieurs manières concrètes :

1. L'échelle de l'exploration autonome compte. Tester 650 idées à travers 60 sous-agents démontre que les architectures multi-agents peuvent effectuer une recherche systématique à une échelle qu'aucun groupe de recherche humain ne pourrait égaler dans le même laps de temps . Cela déplace la question de « L'IA peut-elle faire des mathématiques ? » à « Comment devrions-nous intégrer l'exploration à grande échelle par l'IA dans le pipeline de la découverte scientifique ? »

2. La synthèse fortuite est possible. Le fait qu'un modèle sans formation mathématique ait combiné un article de Bombieri (2000) avec des résultats plus récents — une combinaison qu'aucun humain n'avait vue — montre que l'IA peut établir des connexions conceptuelles non évidentes à travers des littératures disparates . Cette capacité répond directement à une préoccupation centrale quant à savoir si les LLM ne font qu'interpoler ou peuvent véritablement découvrir.

3. La vérification formelle résout le problème de confiance. La formalisation Lean signifie que le résultat n'est pas une affirmation de « boîte noire ». C'est un théorème prouvablement correct que tout mathématicien peut inspecter mécaniquement . Cela offre un modèle pour rendre les résultats scientifiques générés par l'IA vérifiables, répondant à l'une des objections les plus fortes contre la découverte menée par l'IA.

4. Le débat sur la paternité et les normes est constructif, pas paralysant. L'émergence simultanée de résultats époustouflants (DeepMind, OpenAI, Anthropic) et de réponses institutionnelles menées par la communauté (la Déclaration de Leyde) suggère que la communauté mathématique s'adapte plutôt que de se replier . La conversation actuelle porte sur les normes et le crédit, pas sur le rejet en bloc des productions de l'IA.

5. Le coût et la vitesse de la découverte s'effondrent. Le coût de calcul de 2 000 $ pour les résultats d'Astra d'OpenAI et le délai de 36 heures pour la borne de Riemann de Claude suggèrent que le coût marginal d'une découverte mathématique publiable approche zéro . Cela a des implications profondes sur les questions que les chercheurs choisissent d'explorer et sur qui peut participer à la recherche mathématique.

En bref : L'amélioration de la borne de Riemann par Anthropic est une démonstration marquante que les systèmes d'IA peuvent désormais découvrir de manière autonome des résultats mathématiques publiables et formellement vérifiables qui font progresser un problème ouvert vieux de 150 ans. Combinée avec la série de percées similaires de 2026, elle fait passer la discussion de « est-ce que l'IA peut contribuer à la découverte scientifique » à « comment la communauté scientifique doit structurer les incitations, l'attribution et la vérification pour une nouvelle classe de co-découvreurs IA ».