Le Miroir Francais

Étiquette : Anthropic

Claude résout le mystère des graines des courbes elliptiques du NIST

Pendant près de vingt-cinq ans, une courte suite de nombres est restée au coeur de la sécurité quotidienne sur internet sans que personne puisse expliquer publiquement d’où elle venait. Ces nombres sont les graines qui ont servi à générer les points de base des courbes elliptiques du NIST, nommées P-192, P-224, P-256, P-384 et P-521. Ce sont elles qui protègent les signatures numériques, les connexions sécurisées et les vérifications d’identité dans le monde entier. Le 16 octobre 2026, Anthropic a publié des travaux affirmant que son modèle Claude avait trouvé la réponse, et cette réponse n’est pas celle que la plupart des spécialistes attendaient.

D’après Anthropic, les graines ne viennent pas du hachage d’une phrase secrète. Elles proviennent de lrand48, un ancien générateur de nombres aléatoires issu de la bibliothèque du langage C, lancé avec un horodatage Unix comme point de départ. Les exécutions identifiées par Claude se situent entre mai 1997 et avril 1998. Surtout, Anthropic a publié le code de reproduction, afin que d’autres chercheurs puissent vérifier par eux-mêmes et voir les mêmes nombres apparaître.

Pourquoi cette question comptait autant

La cryptographie à courbes elliptiques semble abstraite, jusqu’au moment où l’on se souvient du nombre de fois où l’on s’y fie chaque jour. Quand un navigateur vérifie le certificat d’un site, quand un téléphone valide une mise à jour signée ou quand une banque confirme une signature numérique, les courbes elliptiques travaillent souvent en silence. Les courbes du NIST sont devenues des outils de référence pour ces tâches, et c’est précisément pour cela que l’origine de leurs graines importait.

L’inquiétude était simple à formuler. Les points de base d’une courbe doivent être choisis d’une manière qui ne laisse aucun avantage caché à la personne qui les a générés. Si les graines venaient d’une phrase choisie en privé, certains demandaient si l’auteur de cette phrase aurait pu influencer le résultat. Aucune preuve n’a jamais montré un tel scénario, mais l’absence d’explication laissait une place au doute. Pour une infrastructure publique, le doute lui-même pose problème.

Une enquête menée à froid

Le protocole donne du poids au résultat. Anthropic explique qu’un membre de son équipe a interrogé un modèle de recherche interne de Claude sur l’origine des graines, sans lui indiquer l’ancienne piste. Claude n’a donc pas reçu la réponse pour la reformuler. Le modèle a dû travailler à partir des nombres eux-mêmes, et il est allé vite : en moins d’une demi-heure, selon Anthropic, il a repéré la structure recherchée.

Une équipe de dix personnes chez Anthropic, dont Nicholas Carlini, a ensuite effectué le travail humain de vérification, de confirmation et de rédaction. La rapidité a fourni la piste, la rigueur l’a transformée en résultat publiable. L’ancienne piste, elle, menait dans la mauvaise direction. Le mathématicien Jerry Solinas, décédé en 2023, se souvenait que les graines pouvaient venir d’une phrase plaisante sur une augmentation pour deux collègues. L’histoire était charmante et facile à retenir. Les travaux d’Anthropic affirment qu’elle était fausse : aucune phrase n’est à l’origine des graines.

L’empreinte cachée dans les nombres

Comment Claude a-t-il repéré la solution ? Anthropic indique que le modèle a reconnu l’empreinte de lrand48 dans les valeurs des graines. Ce générateur travaille avec 48 bits d’état interne mais n’en restitue que 31, et sa sortie présente un signe distinctif : le bit de poids fort reste à zéro dans ses mots de 32 bits. Une fois ce motif connu, il devient visible comme une écriture familière sur une note anonyme.

À partir de là, le problème est devenu un exercice de remontée. Claude a utilisé les techniques de réseaux dites LLL, un outil mathématique éprouvé pour déceler des structures cachées dans les nombres, afin de passer de la sortie publiée à l’état interne du générateur. Une fois cet état retrouvé, le point de départ a pu être identifié : un horodatage Unix, c’est-à-dire une date et une heure servant de graine.

Le détail le plus concret concerne P-256, la courbe la plus utilisée de la série. Selon Anthropic, sa graine était le 1842e candidat tiré d’une exécution commencée le 16 août 1997. C’est un fait d’une précision réjouissante, exactement le genre de précision qui manquait à ce dossier : une date de lancement, une position dans une séquence et un code qui reproduit le tout. Les lecteurs qui suivent les progrès des machines intelligentes dans notre rubrique consacrée à un robot de stationnement qui a fait ses débuts en Corée retrouveront ici le même mouvement, celui de systèmes capables de résoudre des problèmes concrets et vérifiables.

Un même article, plusieurs énigmes éclaircies

Les graines du NIST forment le titre principal, mais Anthropic précise que Claude ne s’est pas arrêté là. Le modèle a aussi expliqué les points de base de six courbes de FreeLIP, une bibliothèque du cryptographe Arjen Lenstra, dont les nombres avaient eux aussi des origines inexpliquées. En revanche, tout n’a pas cédé : la graine de B-163 et certains points de base restent sans explication. Cette franchise renforce la crédibilité de l’ensemble, car un résultat qui prétend tout résoudre éveille la méfiance, tandis qu’un résultat qui nomme ses limites ressemble à un compte rendu honnête.

Une bonne nouvelle pour la confiance

Il faut retenir l’essentiel. Rien n’a changé dans les courbes elles-mêmes le 16 octobre. P-256 fonctionnait la veille et elle fonctionne toujours. Ce qui a changé, c’est la qualité du dossier public qui l’entoure. Une question qui nourrissait les spéculations depuis un quart de siècle reçoit désormais une réponse appuyée par un code que chacun peut exécuter.

Cela compte pour des personnes qui ne liront jamais un article de cryptographie. La confiance dans les signatures numériques repose sur une chaîne : des nombres de référence, des méthodes publiques et des contrôles indépendants. Remplacer un haussement d’épaules par un horodatage, un nom de générateur et un script de reproduction rend cette chaîne plus solide d’une manière que tout spécialiste peut tester.

Et maintenant

Des chercheurs indépendants vont exécuter le code publié. C’est tout l’intérêt de le rendre public, et l’examen collectif décidera du degré de certitude final. Si les graines se reproduisent exactement, comme l’affirme Anthropic, un long débat se refermera en douceur. D’autres dossiers anciens du même type existent peut-être, car les systèmes modernes reposent sur des couches de décisions anciennes, certaines bien documentées et d’autres à peine. Un modèle capable de remonter la piste d’un générateur pourrait servir bien au-delà d’une seule famille de courbes. Pour l’heure, la conclusion est simple et satisfaisante : ce n’est pas une phrase plaisante qui a créé les courbes les plus fiables du monde, mais une exécution datée d’un modeste générateur des années 1990, un jour d’août 1997, avec P-256 arrivée au 1842e tirage.

octobre 18, 2026
Claude écrit désormais la plus grande partie de son propre code

Voici une phrase qui aurait ressemblé à un coup de publicité il y a quelques années. Selon Anthropic, Claude écrit désormais environ 90 pour cent du code de Claude Code, l’outil de programmation de l’entreprise. Ce chiffre vient d’un récit publié le 16 octobre 2026 par des membres de l’équipe Claude Code – Osmani, Lunt et Wang – qui décrivent leur manière de construire le produit au quotidien. Simon Willison a signalé ce texte le même jour. L’outil, en grande partie, se construit lui-même.

Le chiffre de tête attire l’attention. Le changement plus discret en dessous compte davantage. La relecture du code, explique l’équipe, ne se situe plus à la fin du processus, comme un professeur qui corrige des copies après le cours. Elle se déroule en continu, pendant que le code s’écrit, plus proche d’un correcteur orthographique que d’une inspection formelle. La plupart des modifications, rapporte l’équipe, sont relues et corrigées par Claude avant qu’un humain les voie. Relisez cela. L’humain n’est plus le premier lecteur. Il est le deuxième.

Les chiffres derrière l’affirmation

Le récit de l’équipe d’Anthropic donne deux chiffres qui donnent forme à l’histoire. Les demandes de fusion acceptées – les morceaux de code qui arrivent réellement dans le produit – ont plus que doublé entre juin et septembre 2026. Dans le même temps, la part des modifications qui ont dû être annulées, c’est-à-dire du travail défait après sa livraison, a chuté de plus de 40 pour cent.

Ces deux chiffres vont ensemble. Faire arriver plus de code n’a rien d’impressionnant en soi ; n’importe qui peut livrer plus vite en abaissant l’exigence. Ce que l’équipe affirme, c’est la vitesse et un taux d’erreur plus faible en même temps, ce qui est le tour le plus difficile. Si deux fois plus de modifications arrivent et qu’une part plus petite revient en arrière, quelque chose dans le processus lui-même a changé, pas seulement le rythme.

La relecture entrée dans l’écriture

La relecture classique a un rythme que la plupart des programmeurs connaissent par coeur. On écrit pendant des heures, parfois des jours. On ouvre une demande de fusion. Un collègue la lit plus tard, fatigué, occupé, en passant d’une tâche à l’autre, et laisse des commentaires. On corrige, on attend, on corrige encore. La boucle peut s’étirer sur une semaine, et quand un vrai problème apparaît, l’auteur a à moitié oublié pourquoi il avait fait le choix que l’on questionne.

La relecture continue brise ce rythme. Si Claude lit chaque modification au moment où elle apparaît, signale sur-le-champ une hypothèse fragile et propose une correction pendant que le raisonnement est encore frais, la relecture cesse d’être une porte pour devenir une partie de l’acte d’écrire. La comparaison avec le correcteur orthographique, dans le récit de l’équipe, est juste. Personne n’envoie une lettre pour demander ensuite à un ami d’en vérifier l’orthographe. Le soulignement rouge apparaît pendant que les mains sont encore sur le clavier. C’est ce modèle qui s’applique désormais au logiciel, sauf que le soulignement peut aussi s’expliquer et proposer la correction. Cette recherche de fiabilité dès la conception rappelle, dans un autre registre, les vingt ans de travail méthodique pour la planète célébrés à Monte-Carlo, où la constance du contrôle fait la crédibilité du résultat.

Ce que l’humain fait toujours

Rien de tout cela ne retire les personnes de la boucle, et le récit de l’équipe ne le prétend pas. Un humain décide toujours de ce que le produit doit faire, regarde toujours après le passage de Claude et porte toujours la responsabilité de ce qui part en production. Le goût, le jugement, le sens du produit : appelez cela comme vous voulez, cela n’a pas été automatisé. Ce qui a changé, c’est l’ordre des opérations. Le premier passage, infatigable, ligne par ligne, appartient à la machine. Le passage humain devient une question d’intention. Est-ce que cela fait la bonne chose, et pas seulement une chose correcte ?

Cette distinction compte. Vérifier la syntaxe et repérer un cas limite oublié est un travail qu’un relecteur patient fait bien un bon jour et mal un mauvais jour. Décider si une fonction doit exister demande un contexte qu’aucun modèle ne détient seul : la feuille de route, la plainte d’un client au printemps dernier, la promesse faite à un partenaire.

Pourquoi cela compte au-delà d’Anthropic

Anthropic dispose ici d’un avantage évident. L’entreprise construit le modèle et l’outil de programmation sous le même toit, donc Claude est testé chaque jour sur un code réel et exigeant. La plupart des équipes n’ont pas ce luxe.

Le schéma, pourtant, voyage. Toute équipe peut se poser la question soulevée par ce récit : où se fait la vérification dans notre processus, et à quel moment devient-elle trop tardive ? Le même déplacement s’observe dans les logiciels grand public, où les assistants se rapprochent du moment de l’action. L’aide qui arrive pendant la tâche vaut mieux que l’aide qui arrive après. La programmation est l’endroit où la preuve est la plus claire, parce que le code fonctionne ou ne fonctionne pas, et que les chiffres – demandes acceptées en hausse, annulations en baisse – peuvent se compter.

Quelques réserves honnêtes

Ces chiffres viennent de la propre équipe d’Anthropic, qui écrit sur son propre produit. Cela ne les rend pas faux, mais ils doivent être lus comme un rapport venu de l’intérieur, pas comme un audit indépendant. D’autres équipes, sur des systèmes plus anciens et plus désordonnés, doivent s’attendre à des résultats plus désordonnés.

Il y a aussi une vraie question de compétence. Si les jeunes ingénieurs ne font jamais eux-mêmes le lent travail de première relecture, comment développent-ils l’oeil sur lequel les ingénieurs expérimentés s’appuient ? Les équipes auront ce débat, et elles ont raison de l’avoir.

La leçon pour les équipes qui travaillent

Retirez le chiffre de tête et une leçon pratique demeure. Déplacez la vérification plus tôt. Rendez le premier passage de relecture rapide, automatique et continu, afin que les relecteurs humains consacrent leur attention à la conception, à l’intention et au risque. Mesurez deux choses à la fois : ce qui part en production, et ce qui revient. La vitesse seule n’est qu’une manière plus rapide de faire du désordre.

Quatre-vingt-dix pour cent est un chiffre frappant, et il sera cité toute la semaine. Mais le doublement des demandes de fusion acceptées, accompagné d’une baisse de plus de 40 pour cent des annulations, est la partie sur laquelle il faut s’attarder. L’histoire n’est pas qu’une machine a appris à taper du code. L’histoire est que la relecture, la plus ancienne habitude de qualité du logiciel, est entrée dans l’écriture elle-même, et que le travail est devenu meilleur en devenant plus rapide.

À lire aussi sur Le Miroir Français : la princesse héritière Victoria sur la Haute Côte suédoise, un littoral en pleine transformation, un autre récit récent qui prolonge, à sa manière, le plaisir de cette lecture.

octobre 17, 2026
Claude Mythos 5 redessine huit circuits quantiques et bat les records publiés

Le 16 octobre 2026, Anthropic a annoncé un résultat qui mérite qu’on s’y arrête. Son modèle Claude Mythos 5 a redessiné de façon autonome huit circuits quantiques et, sur les tâches proposées, il a fait mieux que les meilleures conceptions déjà publiées. Dans sept cas sur huit, les nouveaux circuits utilisent moins de portes et moins de qubits que ceux auxquels ils ont été comparés. Pour le huitième, le modèle a fait un choix différent : beaucoup moins de portes, mais davantage de qubits pour y parvenir.

Le travail vient d’une expérience menée dans le cadre du programme STEM Fellows, dirigée par Andi Gu et encadrée par Alek Kemeny, avec des collaborateurs de Harvard, Susanne Yelin et Mikhail Lukin. Ce dernier est aussi lié à QuEra. Un article a été déposé sur arXiv le 15 octobre, la veille de l’annonce publique.

Ce que le modèle a vraiment fait

Un circuit quantique, pour le dire simplement, est une suite d’instructions. Les portes sont les opérations, les qubits sont les unités sur lesquelles ces opérations agissent. Un circuit plus petit est plus facile à comprendre, à simuler et, en principe, à faire fonctionner. Voilà pourquoi les chercheurs comparent d’abord le nombre de portes et le nombre de qubits.

Mythos 5 n’a pas reçu de réponses toutes faites à polir. Selon Anthropic, il a travaillé à partir de descriptions rédigées en langage ordinaire, dans une boucle où un générateur propose des conceptions et où un juge automatique les note. Les résultats ont ensuite été vérifiés par simulation et par des preuves formelles écrites en Lean, un assistant de preuve qui n’accepte aucun raccourci. Si une étape ne tient pas, Lean le signale.

Une des sessions a duré 53 heures. Ce chiffre compte. Il ne s’agit pas d’un tour rapide ni d’un coup de chance, mais d’une recherche longue, patiente, avec une machine qui contrôle le travail au fur et à mesure.

Deux résultats qui se détachent

Le résultat le plus net concerne l’inversion modulaire sur courbe elliptique. Anthropic affirme que la conception du modèle utilise 17 fois moins de portes que la plus petite conception connue pour cette tâche. En contrepartie, elle demande environ 12 pour cent de qubits en plus. C’est un compromis, pas une victoire totale, et les chercheurs ont le mérite de le dire clairement. En informatique quantique, on paie souvent dans une monnaie pour économiser dans une autre.

Le second résultat marquant est un décodeur Reed-Solomon conçu pour l’interférométrie quantique décodée. Il utiliserait environ 12 fois moins de portes que la construction précédente de Google. La méthode change aussi : au lieu de l’algorithme d’Euclide étendu, la nouvelle approche passe par le décodage de Berlekamp-Massey. Un autre chemin, et, d’après les chiffres annoncés, un chemin beaucoup plus court.

Ce goût du résultat vérifiable se retrouve dans d’autres domaines suivis par notre rédaction, par exemple les avancées technologiques présentées au Texas autour d’une sportive électrique très attendue, où les promesses ne valent que par les mesures qui les accompagnent.

Pourquoi cette boucle convient bien au problème

La conception de circuits se prête bien à ce dispositif. Les règles sont strictes. Une conception accomplit la tâche ou elle ne l’accomplit pas, et un évaluateur peut le tester sans opinion personnelle. La preuve formelle ajoute un second niveau : pas seulement un fonctionnement en simulation, mais une logique qui tient étape par étape.

La réserve, dite clairement

Il faut le répéter à chaque fois que cette histoire est racontée. Ce sont des résultats de conception, sur le papier. Aucun ordinateur quantique n’a exécuté ces circuits pour traiter une tâche réelle pendant l’expérience. La correction d’erreurs et les progrès du matériel restent les deux grands chantiers du domaine, et ils sont loin d’être terminés.

Cette réserve ne réduit pas le résultat, elle le situe. Une bibliothèque de circuits plus petits et prouvés sera précieuse le jour où les machines progresseront. Les résultats sur papier, bien vérifiés, sont la manière dont un domaine prépare son avenir. C’est aussi ce qui rend crédibles des récits très différents, comme vingt ans d’engagement pour la planète célébrés à Monte-Carlo : dans les deux cas, la durée et la rigueur font la valeur du travail.

Ce qu’il faudra surveiller

Trois choses, surtout. D’abord, la reproduction des chiffres et des preuves par d’autres équipes à partir de l’article déposé sur arXiv. Ensuite, la question de savoir si le compromis trouvé pour la courbe elliptique intéressera vraiment les équipes matérielles quand le nombre de qubits augmentera. Enfin, si cette approche par boucle générateur-juge se transpose à d’autres familles de circuits, ou si ces huit tâches lui convenaient particulièrement bien.

En attendant, la semaine reste belle pour le domaine. Un modèle a passé 53 heures sur une seule session, discuté avec son propre évaluateur, accepté la preuve formelle, et proposé des conceptions qui battent les records publiés sur huit tâches. Une annonce prudente, des contrôles sérieux, des chiffres réels. C’est ainsi que le progrès devrait toujours se présenter.

octobre 17, 2026
Simons, Anthropic et OpenAI réunissent 15 millions de dollars pour les mathématiques et l’IA

Les mathématiques ont un beau problème, et il est de taille. Les systèmes d’intelligence artificielle produisent désormais des résultats à un rythme difficile à imaginer il y a encore quelques années, et les personnes formées pour vérifier ces résultats ont besoin de temps, d’outils et de lieux pour confronter leurs notes. Le 15 octobre 2026, à New York, la Fondation Simons a annoncé un engagement commun de 15 millions de dollars avec Anthropic et OpenAI pour aider les mathématiciens à faire exactement ce travail.

Il ne s’agit pas d’un prix récompensant une seule découverte. Il s’agit de soutenir le travail plus lent et essentiel qui entoure les découvertes : lire, tester, questionner et décider ce qui peut être considéré comme solide. Le financement sera géré et attribué par la Fondation Simons, notamment au moyen d’un appel à propositions ouvert. Ce détail compte. Un appel ouvert invite des chercheurs aux approches différentes à défendre leur projet, au lieu de réserver l’effort à un petit cercle déjà proche des laboratoires.

Ce que couvrent les 15 millions de dollars

La contribution d’OpenAI a été présentée comme 5 millions de dollars, auxquels s’ajoutent l’accès à ses modèles et des ressources de calcul pour les scientifiques soutenus par la fondation. Anthropic a pris un engagement similaire de 5 millions de dollars, avec du financement, de la puissance de calcul et l’accès à Claude. En ajoutant la part de la Fondation Simons, l’engagement total atteint 15 millions de dollars en financement et en ressources.

L’argent seul ne réglerait pas le problème pratique. Un mathématicien qui veut tester un résultat assisté par IA a besoin d’accéder aux modèles, de disposer d’assez de calcul pour mener des vérifications sérieuses et de travailler avec des collègues qui comprennent à la fois les mathématiques et les logiciels. Ce dispositif cherche à fournir les trois éléments en même temps. L’accès et le calcul accompagnent les subventions, si bien que les scientifiques soutenus peuvent travailler directement avec les outils au lieu de les observer de loin.

David Spergel, président de la Fondation Simons, dirige l’organisation qui gérera et attribuera le financement. L’effort dispose ainsi d’un foyer clair. La fondation peut conduire l’appel à propositions, choisir les programmes et garder le cap sur les chercheurs et leurs besoins, pendant que les deux entreprises d’IA apportent l’argent, l’accès et la puissance de calcul.

Pourquoi la vérification a besoin d’aide dès maintenant

L’ampleur du phénomène explique le calendrier. Le 6 octobre, OpenAI a publié 722 manuscrits organisés en 372 familles de résultats, issus du travail sur environ 4 000 problèmes. Relisez ce chiffre. Sept cent vingt-deux manuscrits. Même un excellent département mettrait des mois à examiner une fraction de cette production, à contrôler chaque étape, à traquer les failles et à décider quels résultats méritent une étude plus poussée.

Ce n’est pas un reproche adressé à ces manuscrits. C’est une simple question de capacité. L’évaluation par les pairs traditionnelle a été conçue pour un monde où les articles arrivaient à un rythme humain. Quand les résultats arrivent par centaines, la communauté doit inventer de nouvelles façons de les trier, de les tester et d’en discuter, sans abaisser le niveau exigé pour accepter un résultat comme correct.

Ateliers, conférences et normes partagées

Le financement soutiendra des ateliers, des conférences et des programmes ciblés. Les chercheurs s’en serviront pour évaluer les résultats récents assistés par IA, apprendre de nouveaux outils, partager leurs points de vue et façonner des normes collectives pour l’usage de l’IA en mathématiques. Ces quatre missions vont ensemble. Un atelier où l’on échange seulement des astuces de logiciel passerait à côté des questions plus dures sur la preuve et la confiance. Une conférence qui débattrait uniquement de normes, sans temps pratique sur les outils, manquerait la réalité du travail.

Les normes partagées semblent arides jusqu’au jour où l’on en a besoin. Quand une étape assistée par IA est-elle acceptable dans une démonstration ? Que doit révéler un auteur sur la manière dont un résultat a été trouvé ? Comment un rapporteur doit-il tester une affirmation issue d’une longue chaîne de suggestions d’un modèle ? Il n’y a pas de raccourci, et des laboratoires qui répondent chacun de leur côté produiront un patchwork. Des normes collectives, débattues dans des salles remplies de mathématiciens en activité, ont de meilleures chances de tenir dans le temps.

Au-delà des mathématiques pures

Le champ dépasse les mathématiques pures pour toucher les sciences fondamentales. Cet élargissement a du sens. Le même schéma, des modèles qui produisent des résultats candidats plus vite que les experts ne peuvent les vérifier, apparaît dans d’autres disciplines, et les habitudes construites en mathématiques voyagent souvent bien. Les mathématiciens sont exigeants sur les définitions et les preuves pour de bonnes raisons. S’ils parviennent à bâtir des normes praticables pour le travail assisté par IA, les autres sciences disposeront d’un exemple éprouvé à adapter.

Deux autres dossiers de la semaine éclairent le même mouvement. D’un côté, Google Willow a divisé les erreurs quantiques par 40, preuve que la fiabilité devient le vrai chantier des machines avancées. De l’autre, NVIDIA a ouvert Nemotron 3.5 pour des agents toujours actifs, ce qui pose la même question sous un autre angle : qui vérifie le travail des agents, et avec quels outils ?

Conseils pratiques pour les chercheurs

D’abord, surveillez l’appel à propositions. Un financement géré et attribué par la Fondation Simons, notamment par cet appel, signifie que des chercheurs extérieurs aux deux entreprises peuvent candidater. Ensuite, considérez l’accès aux modèles et le calcul comme une partie intégrante de la subvention, pas comme des suppléments. Une proposition qui associe une question de vérification claire à un besoin réel d’accès à Claude, d’accès aux modèles d’OpenAI ou de ressources de calcul correspond bien à la forme de cet engagement.

Troisième conseil, pensez en équipe. Les ateliers et les conférences font partie du plan, donc les propositions collectives, des équipes capables de tester des résultats ensemble et de rapporter ce qu’elles ont appris, correspondent à l’intention. Un chercheur seul peut faire un excellent travail, mais des normes collectives demandent des collectifs.

Et quatrièmement, n’attendez pas des normes parfaites pour commencer. Les programmes existent pour que les chercheurs évaluent les résultats récents et façonnent les normes pendant que le travail est encore frais. Des règles écrites après que les habitudes se sont figées changent rarement grand-chose.

Il y a un optimisme discret dans cette annonce. Personne ne prétend ici que les productions de l’IA doivent être acceptées sur parole, et personne ne suggère aux mathématiciens de s’effacer. Le pari est inverse : donner aux experts du financement, de l’accès, du calcul et des salles pour débattre, et les laisser fixer les règles. Quinze millions de dollars ne régleront pas toutes les questions que l’IA pose aux mathématiques. Ils devraient en revanche offrir au domaine quelque chose dont il a un besoin urgent : du temps pour vérifier le travail correctement, ensemble.

octobre 16, 2026