Dans un moment décisif pour l'intelligence artificielle et les sciences mathématiques, Axiom, une startup de recherche dédiée à l'IA, a annoncé la résolution réussie de quatre problèmes mathématiques auparavant non résolus. Cette percée, portée par leur moteur neuro-symbolique (neuro-symbolic engine) propriétaire AxiomProver, marque une rupture significative par rapport à l'approximation statistique typique des grands modèles de langage (Large Language Models - LLMs). Elle démontre plutôt une capacité de raisonnement rigoureux, créatif et formellement vérifié au niveau de la recherche.
L'annonce, faite le 4 février 2026, a provoqué une onde de choc au sein de la communauté académique. Parmi les problèmes résolus figure une conjecture complexe en géométrie algébrique qui bloquait les experts depuis cinq ans, ainsi qu'une nouvelle preuve liée aux travaux de Srinivasa Ramanujan. Cette évolution suggère que l'IA n'est plus seulement un outil de calcul ou de tri de données, mais qu'elle est devenue un collaborateur capable de véritables découvertes.
Le plus médiatisé de ces exploits concerne un obstacle spécifique en géométrie algébrique impliquant des différentielles — des éléments de calcul utilisés pour mesurer la distance le long de surfaces courbes. Il y a cinq ans, les mathématiciens Dawei Chen et Quentin Gendron ont rencontré un blocage théorique en tentant de classer certaines structures géométriques. Leur argument reposait sur une « formule étrange » issue de la théorie des nombres qu'ils ne pouvaient ni prouver ni justifier, les forçant à publier leurs conclusions sous forme de conjecture plutôt que de théorème.
La résolution est survenue lors d'une rencontre fortuite lors d'une conférence de mathématiques à Washington, D.C., en janvier 2026. Ken Ono, mathématicien de renom et nouvellement nommé cadre chez Axiom, a été approché par Chen concernant le problème au point mort. Selon les rapports, Ono a présenté à Chen une preuve complète et formellement vérifiée dès le lendemain matin.
« Tout s'est mis en place naturellement après cela », a remarqué Chen dans une interview suite à la publication de la preuve sur le dépôt arXiv. « Ce que AxiomProver a trouvé était quelque chose que tous les humains avaient manqué. »
L'IA avait identifié un lien subtil entre le problème de géométrie algébrique et un phénomène numérique initialement étudié au XIXe siècle. Contrairement aux LLMs standards qui pourraient « halluciner » un lien plausible mais mathématiquement invalide, AxiomProver a généré une preuve et a simultanément vérifié son exactitude en utilisant Lean, un langage de programmation spécialisé pour les mathématiques formelles.
L'innovation centrale d'Axiom réside dans son architecture. Alors que les modèles génératifs comme GPT-4 ou Gemini excellent à prédire le prochain jeton d'une séquence en se basant sur de vastes données d'entraînement, ils luttent souvent avec la cohérence logique stricte requise pour les mathématiques avancées. AxiomProver utilise une approche neuro-symbolique, combinant la reconnaissance de formes (pattern matching) intuitive des réseaux de neurones avec l'échafaudage logique rigide des prouveurs de théorèmes formels.
Carina Hong, cofondatrice d'Axiom âgée de 24 ans et architecte principale du système, a conçu AxiomProver pour traiter les mathématiques non pas comme du texte, mais comme un système de contraintes et de règles logiques. En s'intégrant à Lean, le système garantit que chaque étape d'une preuve générée est mathématiquement valide avant d'être acceptée.
Cette boucle de « génération et vérification » (generate-and-verify) permet à l'IA d'explorer de nouvelles voies de solution que les mathématiciens humains pourraient ignorer en raison de biais cognitifs ou de la complexité pure des calculs requis. Dans le cas de la conjecture de Fel — un autre des quatre problèmes résolus — AxiomProver a élaboré de manière autonome une preuve de bout en bout. Ce problème concernait les syzygies, des expressions mathématiques décrivant les relations entre polynômes, et impliquait de manière inattendue des formules trouvées dans les carnets du légendaire mathématicien indien Srinivasa Ramanujan.
Le tableau suivant présente les percées spécifiques réalisées par AxiomProver dans cette récente annonce, contrastant la complexité des tâches avec les résultats.
Tableau 1 : Principales réalisations mathématiques d'AxiomProver (février 2026)
| Problème/Défi | Domaine | Résultat d'AxiomProver |
|---|---|---|
| Conjecture de Chen-Gendron | Géométrie algébrique & théorie des nombres | Lien identifié avec le XIXe siècle ; Preuve formelle complète |
| Conjecture de Fel | Syzygies (Algèbre commutative) | Preuve autonome de bout en bout ; Connexion avec Ramanujan trouvée |
| Compétition Putnam 2025 | Mathématiques de premier cycle | Score parfait de 12/12 (Score humain médian : 0-1) |
| Problème de topologie non spécifié | Topologie | Nouvelle preuve générée (Détails en attente de révision par les pairs) |
Les implications de ce succès s'étendent bien au-delà des théorèmes spécifiques prouvés. Pour l'industrie de l'IA au sens large, le succès d'Axiom valide l'investissement massif dans les modèles de « raisonnement » plutôt que dans les modèles purement « génératifs ».
La performance de la startup au Putnam 2025, généralement considéré comme le concours de mathématiques de premier cycle le plus difficile en Amérique du Nord, sert de référence pour ce changement. Alors que les modèles précédents peinaient à obtenir ne serait-ce que quelques points, AxiomProver aurait obtenu un score parfait de 12/12. Cet exploit implique un niveau de polyvalence dans la résolution de problèmes qui se généralise bien au-delà des ensembles de données d'entraînement spécifiques.
Cependant, la réaction académique reste prudemment optimiste. Bien que la rapidité et la précision des preuves soient indéniables, les questions concernant l'« explicabilité (explainability) » persistent. Une preuve formellement vérifiée dans Lean est garantie d'être correcte, mais elle n'est pas toujours lisible par l'homme ou « instructive » au sens traditionnel du terme.
Des figures éminentes du domaine se sont exprimées. Terence Tao, médaillé Fields qui prône depuis longtemps l'intégration de l'IA dans les mathématiques, a suggéré que ces résultats indiquent que l'IA franchit des étapes importantes plus tôt que prévu. À l'inverse, des chercheurs en IA générale (Artificial General Intelligence - AGI) comme Ben Goertzel ont maintenu que, bien qu'il s'agisse de super-exploits « étroits », le saut vers une intelligence créative générale reste un défi pour l'horizon 2027–2028.
La percée d'Axiom signale une transition dans le rôle de l'IA dans la science : d'un moteur de recherche ou d'un assistant de code à un chercheur principal. La startup, qui a attiré des talents comme François Charton et Hugh Leather, vise à construire un « raisonneur superintelligent auto-amélioré ».
Pour les institutions et les entreprises, la technologie démontrée par AxiomProver a des applications potentielles dans :
Comme l'a noté Ken Ono, la collaboration entre l'intuition humaine et la précision de la machine ne fait que commencer. « L'IA n'a pas encore résolu l'hypothèse de Riemann », a déclaré Ono aux journalistes, faisant référence à l'un des problèmes non résolus les plus célèbres. « Mais elle a trouvé des réponses à des questions qui ont dérouté les experts pendant des années. C'est un début. »
Ce développement place Axiom à l'avant-garde du secteur de l'« IA-Maths », se distinguant de la concurrence axée sur les chatbots, et établit une nouvelle norme pour ce qui est possible par le calcul au XXIe siècle.
Le GPT-5.2 d'OpenAI démontre une capacité révolutionnaire à résoudre des problèmes mathématiques d'Erdős non résolus. Depuis Noël, 15 problèmes sont passés de « ouverts » à « résolus » avec l'implication de l'IA.
À partir de janvier 2026, OpenAI commence à tester des publicités dans les offres gratuites et Go de ChatGPT : les annonces apparaîtront en bas des réponses. Les abonnés Premium restent sans publicités.
La startup d'IA en santé OpenEvidence, souvent surnommée « ChatGPT pour les médecins », double sa valorisation à 12 milliards de dollars suite à un tour de financement de série D de 250 millions de dollars mené par Thrive Capital et DST Global.
Le patron de Google DeepMind, Demis Hassabis, met en garde contre le fait que la récente envolée des investissements en IA montre des signes d'une bulle, certaines valorisations de startups étant déconnectées de la réalité.
Le tout nouveau Superintelligence Labs de Meta franchit une étape majeure en livrant ses premiers modèles d'IA internes seulement six mois après sa création, tandis que le CTO Andrew Bosworth annonce que 2026‑2027 sera une période charnière pour l'IA grand public.
