Le processus autonome derrière le résultat

Cette réalisation est le fruit d'un flux de travail multi-agents qui a même surpris les chercheurs d'Anthropic :

• Un employé d'Anthropic, sans formation mathématique approfondie, a demandé au modèle de « s'attaquer sérieusement » à la démonstration de l'hypothèse .
• En environ 1,5 jour, le modèle a testé près de 650 approches candidates réparties sur 60 sous-agents coordonnés .
• L'opération a consommé 31 millions de jetons de sortie répartis sur 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 assemblée auparavant .

Vérification : deux niveaux de preuve

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

Un tournant : 2026, l'année où l'IA a pénétré la recherche de problèmes ouverts

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

• Mai 2026 — OpenAI a annoncé qu'un modèle de raisonnement général inédit avait réfuté de manière autonome la conjecture d'Erdős sur les distances unitaires, 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'Encyclopédie en ligne des suites de nombres entiers, toutes formalisées dans Lean .
• Juillet 2026 — Le mathématicien d'Anthropic Levent Alpöge a utilisé le modèle inédit « 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 dollars, avec des preuves vérifiables par machine publiées dans Lean sur GitHub .

Plusieurs commentateurs ont noté que la discipline a franchi un seuil à la mi-2026 : les systèmes d'IA sont passés de la résolution de mathématiques de compétition à la génération de recherches publiable de niveau problème ouvert .

Le débat : paternité, normes et la Déclaration de Leiden

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 Leiden 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 principales tensions portent sur : Qui obtient le crédit de paternité 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 examiner par les pairs des résultats qu'aucun humain n'aurait pu produire ?
• Certains mathématiciens soutiennent que les preuves assistées par l'IA risquent d'éroder la compréhension et la perspicacité explicative — une preuve peut être correcte mais opaque . D'autres considèrent la vérification formelle dans Lean comme offrant une norme plus stricte que l'examen par les pairs traditionnel .

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

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

1. L'échelle de l'exploration autonome est importante.

Le fait de tester 650 idées sur 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 processus de 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 entre des littératures disparates . Cette capacité répond directement à une préoccupation centrale de savoir si les LLM se contentent d'interpoler ou peuvent réellement découvrir.

3. La vérification formelle résout le problème de confiance.

La formalisation dans Lean signifie que le résultat n'est pas une affirmation « 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 à 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 Leiden) suggère que la communauté mathématique s'adapte plutôt que de reculer . La conversation actuelle porte sur les normes et le crédit, pas sur le rejet pur et simple des productions de l'IA.

5. Le coût et la vitesse de la découverte s'effondrent.

Le coût de calcul de 2 000 dollars 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 de 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 résumé

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 publiable et formellement vérifiables qui font progresser un problème ouvert vieux de 150 ans. Combinée à la série de percées similaires de 2026, elle fait passer la discussion de « si 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 ».

Le processus autonome derrière le résultat

Cette réalisation est le fruit d'un flux de travail multi-agents qui a même surpris les chercheurs d'Anthropic :

• Un employé d'Anthropic, sans formation mathématique approfondie, a demandé au modèle de « s'attaquer sérieusement » à la démonstration de l'hypothèse .
• En environ 1,5 jour, le modèle a testé près de 650 approches candidates réparties sur 60 sous-agents coordonnés .
• L'opération a consommé 31 millions de jetons de sortie répartis sur 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 assemblée auparavant .

Vérification : deux niveaux de preuve

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

Un tournant : 2026, l'année où l'IA a pénétré la recherche de problèmes ouverts

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

• Mai 2026 — OpenAI a annoncé qu'un modèle de raisonnement général inédit avait réfuté de manière autonome la conjecture d'Erdős sur les distances unitaires, 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'Encyclopédie en ligne des suites de nombres entiers, toutes formalisées dans Lean .
• Juillet 2026 — Le mathématicien d'Anthropic Levent Alpöge a utilisé le modèle inédit « 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 dollars, avec des preuves vérifiables par machine publiées dans Lean sur GitHub .

Plusieurs commentateurs ont noté que la discipline a franchi un seuil à la mi-2026 : les systèmes d'IA sont passés de la résolution de mathématiques de compétition à la génération de recherches publiable de niveau problème ouvert .

Le débat : paternité, normes et la Déclaration de Leiden

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 Leiden 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 principales tensions portent sur : Qui obtient le crédit de paternité 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 examiner par les pairs des résultats qu'aucun humain n'aurait pu produire ?
• Certains mathématiciens soutiennent que les preuves assistées par l'IA risquent d'éroder la compréhension et la perspicacité explicative — une preuve peut être correcte mais opaque . D'autres considèrent la vérification formelle dans Lean comme offrant une norme plus stricte que l'examen par les pairs traditionnel .

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

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

1. L'échelle de l'exploration autonome est importante.

Le fait de tester 650 idées sur 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 processus de 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 entre des littératures disparates . Cette capacité répond directement à une préoccupation centrale de savoir si les LLM se contentent d'interpoler ou peuvent réellement découvrir.

3. La vérification formelle résout le problème de confiance.

La formalisation dans Lean signifie que le résultat n'est pas une affirmation « 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 à 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 Leiden) suggère que la communauté mathématique s'adapte plutôt que de reculer . La conversation actuelle porte sur les normes et le crédit, pas sur le rejet pur et simple des productions de l'IA.

5. Le coût et la vitesse de la découverte s'effondrent.

Le coût de calcul de 2 000 dollars 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 de 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 résumé

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 publiable et formellement vérifiables qui font progresser un problème ouvert vieux de 150 ans. Combinée à la série de percées similaires de 2026, elle fait passer la discussion de « si 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 ».