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.