AxiomProver : l’IA qui résout en une nuit un problème de maths bloqué depuis 5 ans

AxiomProver : quand l’IA ne se contente plus de répondre, mais démontre

Depuis plusieurs mois, je suis de près l’évolution des IA capables de raisonner, de formaliser des preuves et d’assister la recherche scientifique. Mais l’histoire d’AxiomProver marque, à mon sens, un changement de catégorie. Nous ne sommes plus seulement face à un chatbot qui aide un étudiant à résoudre un exercice ou à un modèle qui reformule une démonstration connue. Nous parlons ici d’un système d’intelligence artificielle qui aurait contribué à résoudre des problèmes mathématiques ouverts, dont certains résistaient à des chercheurs depuis plusieurs années.

Selon Les Numériques, l’un des cas les plus frappants concerne Dawei Chen, professeur au Boston College, qui travaillait depuis cinq ans avec Quentin Gendron sur une formule en géométrie algébrique restée sans preuve complète depuis 2021. AxiomProver aurait produit en une nuit une démonstration permettant de débloquer le problème. L’article met en avant Axiom Math, une startup fondée par Carina Hong, et son ambition de construire une forme d’« IA mathématicienne » capable de générer des preuves vérifiables. (Les Numériques)

À première vue, ce type d’annonce peut sembler spectaculaire, presque trop beau pour être vrai. C’est précisément pour cela qu’il faut l’analyser avec méthode. Dans le domaine des mathématiques, une réponse plausible ne suffit pas. Une belle intuition ne suffit pas non plus. Ce qui compte, c’est la preuve. Et c’est là qu’AxiomProver devient intéressant : son approche repose sur la génération de démonstrations vérifiables dans des systèmes formels comme Lean, plutôt que sur une simple production textuelle impossible à contrôler.

Ce qu’AxiomProver aurait réellement accompli

AxiomProver est présenté comme un système de preuve automatisée capable de partir d’un énoncé en langage naturel, de le traduire dans un langage formel, puis de générer une démonstration vérifiable par machine. Deux prépublications arXiv décrivent des cas d’usage liés à AxiomProver : l’une autour de la conjecture de Fel sur les syzygies des semi-groupes numériques, l’autre autour d’un problème appelé « Dead ends in square-free digit walks ». Dans les deux cas, les auteurs indiquent qu’AxiomProver a produit une formalisation en Lean/Mathlib et une preuve vérifiée. (arXiv)

Le cas de la conjecture de Fel est particulièrement symbolique, car il touche à des objets algébriques profonds et à des formules liées à l’héritage mathématique de Srinivasa Ramanujan. Wired rapporte qu’AxiomProver n’aurait pas seulement complété une preuve existante, mais aurait conçu une démonstration de bout en bout dans ce cas précis. L’article cite aussi Scott Kominers, professeur à Harvard Business School, qui qualifie l’avancée d’impressionnante pour quelqu’un qui suit déjà de près les outils d’IA appliqués aux mathématiques. (WIRED)

L’autre cas évoqué dans la presse concerne la géométrie algébrique. D’après Les Numériques et Numerama, Dawei Chen et Quentin Gendron avaient publié un résultat provisoire faute de preuve complète, avant qu’AxiomProver ne trouve la clé manquante. Numerama précise que la startup Axiom affirme avoir résolu quatre problèmes mathématiques jusqu’ici ouverts grâce à son outil d’IA et à des démonstrations vérifiées. (Numerama)

Ce point est essentiel : il ne faut pas confondre « l’IA a donné une bonne idée » avec « l’IA a produit une preuve formellement vérifiée ». Dans le premier cas, nous restons dans le domaine de l’assistance intellectuelle. Dans le second, nous entrons dans celui de la preuve contrôlable, reproductible et inspectable.

Pourquoi Lean change tout dans cette histoire

La plupart des grands modèles de langage peuvent produire des textes mathématiques crédibles. Le problème, c’est qu’ils peuvent aussi halluciner des théorèmes, inventer des références ou glisser une erreur logique subtile dans une démonstration qui semble correcte. C’est l’une des limites majeures de l’IA générative appliquée aux sciences exactes.

Lean apporte une réponse technique à cette faiblesse. Lean est un langage de programmation open source et un assistant de preuve conçu pour formaliser des mathématiques et vérifier rigoureusement des raisonnements. Son écosystème Mathlib constitue une grande bibliothèque communautaire de mathématiques formalisées, utilisée pour construire des preuves vérifiables étape par étape. (Lean Language)

Concrètement, une preuve en Lean ne peut pas simplement « avoir l’air juste ». Elle doit être acceptée par le vérificateur. Chaque définition, chaque lemme, chaque implication logique doit s’inscrire dans un cadre formel précis. Cela ne rend pas automatiquement toute annonce irréprochable, mais cela réduit fortement le risque d’une démonstration purement rhétorique.

C’est pourquoi l’association entre IA générative et vérification formelle est si prometteuse. L’IA peut explorer, proposer, combiner des lemmes, chercher des stratégies. Le système formel, lui, joue le rôle d’arbitre logique. En tant que rédacteur spécialisé IA, je vois ici une architecture beaucoup plus robuste que les simples démonstrations textuelles produites par chatbot.

Tableau comparatif : IA classique vs IA mathématique vérifiée

Critère	IA générative classique	IA avec vérification formelle comme AxiomProver
Produit principal	Réponse textuelle plausible	Preuve formelle vérifiable
Risque d’hallucination	Élevé	Réduit par le vérificateur
Validation	Lecture humaine	Vérification machine + relecture humaine
Usage typique	Explication, reformulation, aide pédagogique	Recherche, preuves, formalisation
Limite principale	Peut inventer une démonstration fausse	Dépend fortement de la qualité de la formalisation
Valeur scientifique	Variable	Potentiellement élevée si la preuve est correctement vérifiée

Ce tableau résume bien le cœur du sujet. AxiomProver n’est pas intéressant uniquement parce qu’il « répond vite ». Il est intéressant parce qu’il tente de produire des résultats dans un format où l’erreur peut être détectée mécaniquement.

Axiom Math : une startup à surveiller de très près

Axiom Math se présente comme une entreprise orientée vers le raisonnement mathématique et la découverte scientifique. Son site officiel met en avant AXLE, un environnement permettant notamment de tester la vérification de preuves, d’extraire des théorèmes et d’expérimenter avec des transformations de preuves. L’entreprise explique aussi que son objectif est de permettre aux mathématiciens de collaborer avec l’IA à une échelle et une vitesse inédites. (axiommath.ai)

La figure de Carina Hong attire également l’attention. Les Numériques la présente comme la fondatrice d’Axiom Math, diplômée du MIT et d’Oxford, passée par Stanford, et ayant levé plusieurs dizaines de millions de dollars en peu de temps. Ces éléments participent à la médiatisation du projet, mais ils ne doivent pas nous faire perdre de vue le critère central : la validité mathématique des preuves produites. (Les Numériques)

Dans l’écosystème actuel de l’IA, les annonces de startups sont parfois amplifiées trop vite. La prudence reste donc indispensable. Scientific American rappelle que certaines affirmations autour de preuves générées par IA peuvent être délicates à interpréter, notamment lorsque des résultats supposément nouveaux se révèlent liés à des travaux existants ou à des recherches bibliographiques mal présentées. (Scientific American)

C’est précisément pour cela que la transparence est capitale. Les preuves doivent être publiées, vérifiables, relues par des spécialistes du domaine et replacées dans leur contexte mathématique. Une preuve Lean acceptée est un signal fort, mais elle ne remplace pas entièrement l’évaluation humaine de la portée, de l’originalité et de l’intérêt du résultat.

Une avancée dans une dynamique plus large

AxiomProver n’arrive pas dans le vide. Depuis 2024, les progrès de l’IA en mathématiques se sont accélérés. Google DeepMind a annoncé qu’AlphaProof et AlphaGeometry 2 avaient atteint un niveau médaille d’argent à l’Olympiade internationale de mathématiques 2024, en résolvant quatre problèmes sur six. DeepMind précise qu’AlphaProof repose sur le raisonnement mathématique formel, tandis qu’AlphaGeometry 2 se concentre sur la géométrie. (Google DeepMind)

En 2025, Google DeepMind a ensuite communiqué sur Gemini Deep Think, présenté comme ayant atteint un niveau médaille d’or à l’IMO, avec une amélioration notable : les systèmes précédents nécessitaient davantage de traduction humaine vers des langages formels, tandis que les nouveaux modèles progressent dans la compréhension directe du langage naturel mathématique. (Google DeepMind)

Cette trajectoire est importante. Les premières IA mathématiques modernes excellaient surtout sur des exercices compétitifs. AxiomProver, lui, prétend s’attaquer à des problèmes de recherche. La différence est considérable. Un problème d’olympiade est très difficile, mais il est conçu pour avoir une solution élégante accessible à des humains très entraînés. Un problème ouvert de recherche peut nécessiter de nouvelles connexions, de nouvelles définitions ou des mois d’exploration.

Si les résultats d’AxiomProver se confirment, nous pourrions assister à une transition : l’IA ne serait plus seulement un outil d’entraînement ou d’automatisation, mais un partenaire actif dans la production de connaissances mathématiques.

Ce que cela change pour les chercheurs

Pour un mathématicien, un système comme AxiomProver peut avoir plusieurs usages. Il peut aider à formaliser une intuition, vérifier une démonstration longue, explorer des cas particuliers, suggérer des lemmes intermédiaires ou traduire une preuve informelle dans un assistant comme Lean. Dans les meilleurs scénarios, il pourrait même proposer des chemins de preuve que les humains n’avaient pas envisagés.

Mais je préfère éviter l’enthousiasme naïf. Les mathématiciens ne deviennent pas inutiles. Au contraire, leur rôle se déplace. Ils doivent choisir les bons problèmes, formuler les bonnes conjectures, interpréter les résultats, vérifier l’originalité, comprendre pourquoi une preuve fonctionne et décider si elle révèle une idée profonde ou seulement une chaîne formelle correcte.

Il y a aussi une dimension pédagogique. Une preuve formelle peut être correcte sans être lisible. Elle peut convaincre une machine, mais pas éclairer un chercheur. Or les mathématiques ne sont pas seulement une accumulation de résultats vrais. Elles sont aussi un langage d’idées, de structures et d’intuitions transmissibles. C’est là que l’humain garde une place centrale.

Les limites éthiques et scientifiques à ne pas ignorer

Sur PromptBuildLab, j’essaie toujours d’aborder l’IA avec un double regard : enthousiasme technologique et responsabilité éthique. Le cas AxiomProver impose cette posture.

Première limite : la transparence. Une startup qui annonce avoir résolu des problèmes ouverts doit permettre à la communauté d’examiner les preuves, les prompts, les formalismes utilisés et les éventuelles dépendances bibliographiques. Sans cela, l’annonce reste difficile à évaluer.

Deuxième limite : la paternité scientifique. Si une IA produit une preuve, qui est l’auteur ? La startup ? Les chercheurs qui ont posé le problème ? Les ingénieurs du modèle ? Les mathématiciens qui vérifient et interprètent le résultat ? Cette question va devenir de plus en plus sensible.

Troisième limite : l’accès. Si les meilleurs outils de preuve automatisée deviennent propriétaires, coûteux et réservés à quelques laboratoires ou entreprises, une partie de la recherche pourrait se concentrer dans les mains d’acteurs privés. C’est un enjeu majeur pour l’ouverture scientifique.

Quatrième limite : l’illusion de certitude. Une preuve formelle vérifiée est puissante, mais elle dépend d’une formalisation correcte de l’énoncé. Si l’énoncé formalisé ne correspond pas exactement au problème original, la preuve peut être valide dans Lean tout en répondant à une question légèrement différente. C’est un risque classique dans la vérification formelle.

Graphique conceptuel : le nouveau flux de recherche assistée par IA

Étape	Rôle de l’humain	Rôle de l’IA
Formulation du problème	Définir la conjecture et le contexte	Reformuler, structurer, extraire les objets
Exploration	Identifier les pistes pertinentes	Tester rapidement de nombreuses stratégies
Génération de preuve	Construire ou guider l’argument	Proposer des lemmes et chaînes de preuve
Formalisation	Valider le sens mathématique	Traduire vers Lean/Mathlib
Vérification	Interpréter et relire	Faire accepter la preuve par le vérificateur
Publication	Expliquer la portée du résultat	Fournir des artefacts reproductibles

Ce flux montre pourquoi je ne vois pas l’IA comme un remplacement immédiat du chercheur. Je la vois plutôt comme une couche d’accélération et de vérification, capable de modifier profondément la manière dont les découvertes sont produites.

Pourquoi cette annonce intéresse aussi les non-mathématiciens

Même si le sujet semble très spécialisé, ses implications dépassent largement les mathématiques pures. La vérification formelle est déjà importante pour le logiciel critique, la cybersécurité, les protocoles cryptographiques, les circuits électroniques et les systèmes où une erreur peut coûter très cher. La documentation de Lean rappelle que la vérification formelle peut s’appliquer aux théorèmes mathématiques, mais aussi aux logiciels, au matériel, aux protocoles réseau ou à des systèmes mécaniques. (Lean Prover)

Si l’IA devient capable de produire des preuves fiables, elle pourrait aider à vérifier du code, sécuriser des contrats intelligents, contrôler des algorithmes financiers ou certifier certaines parties de systèmes industriels. C’est probablement l’une des raisons pour lesquelles les investisseurs s’intéressent autant à ce secteur.

À long terme, le vrai enjeu n’est pas seulement de résoudre une conjecture impressionnante. C’est de construire des IA moins bavardes et plus vérifiables. Dans un monde saturé de contenus générés automatiquement, les systèmes capables de prouver ce qu’ils affirment auront une valeur considérable.

Mon analyse : un tournant, mais pas encore une révolution totale

Je considère AxiomProver comme un signal très fort. L’IA scientifique entre dans une phase où la génération de texte ne suffit plus. Les modèles doivent produire des objets vérifiables : preuves, programmes corrects, simulations reproductibles, protocoles testables.

Cela dit, je resterais prudent sur les formulations trop grandiloquentes du type « l’IA dépasse les mathématiciens ». Ce n’est pas exactement ce qui se passe. Les IA actuelles progressent parce qu’elles s’appuient sur des décennies de mathématiques humaines, sur des bibliothèques formelles construites par des communautés entières et sur des chercheurs capables d’identifier les bons problèmes. L’exploit est réel, mais il est collectif.

Pour moi, la meilleure lecture est la suivante : AxiomProver montre que la collaboration entre IA générative et preuve formelle peut produire des résultats de recherche sérieux. C’est une étape majeure vers des IA scientifiques plus fiables. Mais cette étape devra être confirmée par la publication complète des preuves, la revue par les pairs, la reproductibilité et l’adoption par la communauté mathématique.

Conclusion

L’histoire relayée par Les Numériques autour de ce professeur bloqué depuis cinq ans et d’une IA capable de résoudre le problème en une nuit est plus qu’un simple titre accrocheur. Elle illustre une mutation profonde : l’IA commence à entrer dans le cœur de la recherche mathématique, non plus seulement comme assistant de rédaction ou calculateur avancé, mais comme générateur de preuves vérifiables.

AxiomProver, en combinant raisonnement automatisé, langage naturel, Lean et Mathlib, incarne une direction très prometteuse pour l’intelligence artificielle. La prudence reste nécessaire, notamment sur l’originalité des résultats, la transparence des preuves et la concentration privée de ces outils. Mais le mouvement est clair : les prochaines grandes avancées de l’IA ne viendront pas uniquement de modèles plus conversationnels. Elles viendront de systèmes capables de démontrer, vérifier et produire de la connaissance fiable.

Pour les chercheurs, les développeurs, les entreprises et les créateurs de contenu spécialisés en IA, c’est un sujet à suivre de très près. Nous sommes peut-être en train de voir émerger une nouvelle catégorie d’outils : non pas des IA qui répondent à nos questions, mais des IA qui participent réellement à la construction des réponses.