Machines qui font des maths – Diconombre

Édition du: 10/09/2026

INDEX Logique Algorithme Programmation Multimédia Jeux et énigmes	LOGIQUE	IA
	Introduction Algorithmes Programmation Algorithmes TOP 15 Historique Intelligence humaine Machine de Turing Automate Lambda-calcul	Systèmes experts Réseaux neuronaux Modèles de raisonnement Théorie de l'IA Modèles d'IA en 2025	Jeux (Échecs, Go) Robots Chat GPT IA Avancée Super IA Maths
		À l'assaut des conjectures (2026) Conjecture d'Erdös et résolution par l'IA Paradoxe de Solow Le monde industriel de l'IA (2026) La révolution des AGENTS IA Machines qui font des maths – Avenir des mathématiciens
	ALGORITHMES et IA – LE LIVRE Avril 2026 – pdf – 234 pages

Faites un double-clic pour un retour en haut de page

Le métier de mathématicien va-t-il disparaître ?

Probablement pas sous la forme d'une disparition brutale.

Mais il pourrait être profondément transformé.

Le métier actuel comporte plusieurs activités :

       lecture d'articles ;

       recherche bibliographique ;

       calculs expérimentaux ;

       formulation de conjectures ;

       recherche de preuves ;

       rédaction ;

       vérification ;

       enseignement ; et

       transmission.

Une partie croissante de ces tâches peut être automatisée.

Le mathématicien pourrait donc devenir davantage un directeur de recherche pour machines mathématiques:

      Il définit les questions;

      Il sélectionne les pistes;

      Il fournit les intuitions;

      Il juge l'intérêt des résultats;

      Il vérifie les interprétations; et surtout

      il transforme les découvertes brutes en théorie compréhensible.

Le premier secteur menacé : le travail mathématique intermédiaire

Il existe une différence entre les quelques grands créateurs d'une discipline et l'immense quantité de travail mathématique qui permet à la recherche de fonctionner.

      Calculer.

      Tester.

      Chercher un contre-exemple.

      Vérifier une conjecture.

      Chercher un lemme.

      Formaliser une démonstration.

      Traduire un raisonnement en Lean.

      Comparer plusieurs variantes.

Ce travail est précisément celui que les agents d'IA sont capables d'automatiser.

Le risque professionnel le plus immédiat ne concerne donc peut-être pas le lauréat de la médaille Fields.

Il concerne le jeune chercheur qui apprend aujourd'hui à faire ce que l'IA fera demain beaucoup plus vite.

C'est un problème majeur pour la formation scientifique.

Un doctorant apprend en résolvant lui-même des problèmes difficiles. Si la machine résout tous les problèmes intermédiaires, comment formera-t-on la génération suivante ?

L'IA ne remplace pas seulement le mathématicien : elle modifie la hiérarchie des compétences

Pendant longtemps, être très bon en mathématiques signifiait notamment être capable de résoudre rapidement des problèmes difficiles. Cette compétence perd progressivement sa valeur relative.

Si une machine peut résoudre le problème en quelques secondes, la question devient : Qui sait poser le meilleur problème ?

C'est un déplacement considérable.

La valeur pourrait migrer :

      de la résolution vers la formulation ;

      du calcul vers la stratégie ;

      de la preuve vers l'interprétation ;

      du résultat vers la théorie.

Le paradoxe est saisissant : plus les machines deviennent capables de faire des mathématiques, plus les humains pourraient devoir devenir bons pour comprendre ce que sont les mathématiques.

Page du Dictionnaire des nombres (diconombre.fr) consacrée à l'informatique et plus précisément à l'intelligence artificielle (IA).

Quand l’IA commence à faire des mathématiques

Pendant des siècles, démontrer un théorème, imaginer une conjecture ou trouver l’idée qui débloque un problème semblait relever exclusivement de l’intelligence humaine. Cette frontière vient de céder. Des systèmes d’intelligence artificielle atteignent désormais un niveau exceptionnel dans certains problèmes mathématiques et commencent à explorer des questions ouvertes.

Que s’est-il passé ? Jusqu’où peuvent-ils aller ? Les mathématiciens vont-ils être remplacés ou disposer, au contraire, d’un outil sans précédent ?

Ce texte retrace ce basculement, en examine les limites et surtout les conséquences : pour la recherche, pour les chercheurs, pour l’enseignement et, plus largement, pour notre conception même des mathématiques.

MACHINES (IA) & MATHS

Le séisme de 2026 : l’IA atteint la recherche mathématique — et change la question de ce qu’est un mathématicien.

Voir Actualités 2026

Sommaire de cette page

>>> Introduction — Le jour où le calcul n’était plus le problème

>>> Une frontière qui paraissait infranchissable

>>> Premier avertissement : l'Olympiade mathématique

>>> De l'élève surdoué au chercheur infatigable

>>> l'IA ne se contente plus de résoudre les problèmes des humains

>>> Le paradoxe : une preuve peut être vraie sans être comprise

>>> Le métier de mathématicien va-t-il disparaître ?

>>> Mais attention au piège du « génie artificiel »

>>> Qui possède les mathématiques produites par l'IA ?

>>> Le danger n'est pas de remplacer les mathématiciens

>>> Les mathématiques ne disparaissent pas, elles changent de régime

>>> Repères — du calcul automatique à la recherche automatisée

Débutants

Nombres

Glossaire

Nombres

Introduction — Le jour où le calcul n’était plus le problème				haut
Pendant des siècles, la supériorité humaine en mathématiques n’a pratiquement jamais été mise en cause. Les machines calculaient plus vite. Elles manipulaient davantage de nombres. Elles pouvaient vérifier des opérations ou explorer systématiquement des cas. Mais formuler une bonne conjecture, trouver l’idée décisive, inventer une démonstration restait l'apanage des mathématiciens. Cette frontière est en train de disparaître.
		Le changement ne tient pas à un seul exploit. Il résulte d'une succession extrêmement rapide de progrès : résolution de problèmes d'olympiade, démonstration formelle avec Lean, découverte d'algorithmes nouveaux, exploration de problèmes ouverts, puis résultats annoncés sur des questions qui résistaient depuis des décennies.
	En 2024, AlphaProof et AlphaGeometry avaient atteint, sur les problèmes de l'Olympiade internationale de mathématiques, un niveau équivalent à celui d'un médaillé d'argent. En 2025, plusieurs systèmes ont atteint un niveau de médaille d'or sur des évaluations de l'IMO.		Puis, en 2026, le changement de nature est devenu beaucoup plus difficile à ignorer : des systèmes d'IA ont commencé non seulement à résoudre des problèmes posés par des humains, mais à produire des résultats présentés comme des avancées dans la recherche mathématique elle-même.
	OpenAI a notamment annoncé en août 2026 que son système Astra avait obtenu dix résultats sur des problèmes mathématiques ouverts ou anciens. Ces annonces ont immédiatement suscité enthousiasme et scepticisme : les problèmes avaient-ils été choisis parmi un ensemble beaucoup plus vaste ? Les résultats étaient-ils réellement nouveaux ? Les preuves étaient-elles correctes et compréhensibles ?		Et le 8 septembre, OpenAI a franchi un nouveau seuil en affirmant avoir résolu le problème d'existence et de régularité des équations de Navier-Stokes, l'un des sept problèmes du millénaire. L'affirmation est considérable ; elle doit encore être examinée et validée par la communauté mathématique.
		Le véritable séisme est donc moins : « L'IA est-elle meilleure qu'un mathématicien ? » que : « Que devient la recherche mathématique lorsque produire des preuves et explorer des milliers de pistes devient une activité que des machines peuvent accomplir à très grande échelle ? »

Une frontière qui paraissait infranchissable		haut
Il faut d'abord comprendre ce qui rend les mathématiques particulières. Une calculatrice sait calculer. Un ordinateur sait effectuer une recherche exhaustive. Un logiciel de calcul formel sait vérifier certaines démonstrations. Mais résoudre un problème mathématique difficile suppose généralement plusieurs opérations différentes : comprendre le problème → choisir une représentation → imaginer une piste → formuler une conjecture → chercher un lemme utile → abandonner les mauvaises pistes → construire une preuve → vérifier celle-ci. La difficulté n'est donc pas seulement de disposer de puissance de calcul. Elle est de savoir quoi chercher. C'est précisément cette capacité que l'on attribuait à l'intelligence mathématique humaine.
	Or les systèmes récents combinent plusieurs techniques : modèles de langage, recherche automatisée, apprentissage par renforcement, génération massive d'hypothèses et vérification formelle. Le principe devient alors : proposer → tester → éliminer → améliorer → recommencer. Et une machine peut répéter cette boucle à une échelle inaccessible à un chercheur humain.

Premier avertissement : l'Olympiade mathématique		haut
Le premier choc est venu d'un terrain particulièrement spectaculaire : l'International Mathematical Olympiad (IMO). Les problèmes de l'IMO ne demandent pas simplement d'appliquer une formule. Ils nécessitent souvent une idée astucieuse, une construction géométrique inattendue ou une transformation permettant de faire apparaître une structure cachée. En 2024, AlphaProof et AlphaGeometry 2 ont résolu quatre des six problèmes de l'épreuve, obtenant 28 points sur 42 : un niveau correspondant à la médaille d'argent. L'un des problèmes résolus était le plus difficile de l'épreuve et n'avait été résolu que par cinq concurrents humains.
	Ce résultat était déjà remarquable. Mais il faut également regarder comment la machine travaillait. AlphaProof utilise notamment un environnement formel : les raisonnements peuvent être exprimés dans le langage Lean et vérifiés automatiquement. L'IA ne se contente donc plus de produire une réponse qui « semble correcte » : elle peut produire une preuve dont la validité logique est contrôlée par un système formel La différence est fondamentale.

De l'élève surdoué au chercheur infatigable			haut
Un humain exceptionnel peut résoudre un problème extrêmement difficile. Une machine peut en essayer des milliers de fois. C'est là que se situe probablement le véritable changement d'échelle. Un mathématicien dispose d'une durée de vie limitée, d'une mémoire limitée et d'une capacité d'attention limitée. Une IA peut faire fonctionner simultanément de très nombreuses recherches, conserver les résultats, revenir en arrière, modifier une stratégie et recommencer. Elle n'a pas besoin de dormir. Elle n'a pas besoin de conserver une piste parce qu'elle y a consacré trois mois. Elle peut explorer une forêt de possibilités dont l'immensité décourage un humain.
		C'est exactement la logique qui apparaît dans les systèmes de type AlphaEvolve : le modèle propose des algorithmes, ceux-ci sont exécutés et évalués, puis les meilleures solutions sont conservées et améliorées. Google DeepMind a ainsi montré des résultats nouveaux en algorithmique et en mathématiques, notamment une amélioration d'un problème de multiplication de matrices qui n'avait pas été amélioré depuis des décennies.
	La force nouvelle de l'IA n'est donc pas seulement l'intelligence d'une réponse. C'est l'industrialisation de la recherche.

Le vrai basculement : l'IA ne se contente plus de résoudre les problèmes des humains

haut

Résoudre une équation proposée par un professeur est une chose.

Découvrir quelque chose que personne ne connaissait en est une autre.

C'est cette seconde étape qui bouleverse réellement la situation.

Des systèmes comme AlphaEvolve ont été utilisés pour explorer des problèmes ouverts et rechercher automatiquement de meilleures constructions mathématiques. Des travaux associant des chercheurs humains et ces systèmes montrent que l'IA peut parfois retrouver les meilleurs résultats connus et, dans certains cas, les améliorer.

En 2026, cette tendance s'est accélérée.

OpenAI a annoncé qu'Astra avait obtenu dix résultats sur des problèmes ouverts en mathématiques et en informatique théorique. Ces annonces doivent être considérées avec prudence tant que les résultats n'ont pas été examinés indépendamment, mais elles indiquent clairement la direction prise par la recherche.

Le laboratoire commence à changer de nature : l'humain ne fournit plus nécessairement toutes les idées ; il peut devenir celui qui sélectionne, vérifie, interprète et organise les découvertes produites par une machine.

Navier-Stokes : le symbole qui fait basculer le débat

Le problème des équations de Navier-Stokes constitue un cas particulièrement spectaculaire.

Ces équations décrivent le mouvement des fluides : eau, air, gaz, etc. Elles sont fondamentales en physique et en ingénierie.

Le problème mathématique est beaucoup plus abstrait : peut-on démontrer que les solutions restent toujours régulières, ou peuvent-elles développer une singularité ?

Le Clay Mathematics Institute l'a placé en 2000 parmi les sept problèmes du millénaire, avec un prix d'un million de dollars à la clé.

En septembre 2026, OpenAI affirme qu'un système composé d'environ 10 000 agents d'IA a produit une solution après environ 88 heures de travail automatisé, puis qu'une étape supplémentaire de vérification a été effectuée. La solution annoncée serait formalisée dans Lean.

Il faut cependant conserver une distinction essentielle :

Une annonce d'IA n'est pas encore un théorème accepté par les mathématiciens.

Une preuve doit être examinée.

Elle doit être comprise, vérifiée, éventuellement simplifiée et confrontée aux connaissances existantes.

Et, dans le cas d'un problème du millénaire, la procédure de validation du Clay Mathematics Institute compte également.

Le résultat le plus important de septembre 2026 n'est donc pas nécessairement que Navier-Stokes est résolu.

C'est que nous sommes désormais suffisamment proches de cette situation pour que la question ne relève plus de la science-fiction.

Le paradoxe : une preuve peut être vraie sans être comprise				haut
C'est probablement le problème philosophique le plus profond. Imaginons qu'une IA produise une démonstration de 50 000 pages. Un système formel vérifie chaque étape. Aucune erreur logique n'est détectée. Avons-nous réellement compris le théorème ? La réponse est non, ou du moins pas nécessairement.
		Une preuve mathématique possède traditionnellement deux fonctions : 1. établir la vérité d'un résultat ; 2. expliquer pourquoi ce résultat est vrai. La seconde fonction est essentielle à la recherche. Un mathématicien ne cherche pas seulement à savoir que X est vrai. Il veut savoir pourquoi, quelle structure se cache derrière X, quelle idée peut être réutilisée ailleurs. Une machine pourrait donc produire une abondance extraordinaire de théorèmes tout en laissant les humains face à un nouveau problème : Comment transformer une preuve automatique en compréhension humaine ? C'est l'une des questions mises au centre des réflexions récentes de Terence Tao sur les mathématiques à l'âge de l'IA. Son analyse part précisément de l'hypothèse que les machines deviennent capables d'accomplir des tâches de recherche mathématique et interroge alors les objectifs mêmes de la discipline.
	De la rareté des preuves à leur abondance Pendant des siècles, la difficulté était de trouver une preuve. Demain, le problème pourrait être inverse : nous aurons trop de preuves. Une IA pourrait proposer : 10 démonstrations d'un même théorème ; 500 conjectures nouvelles ; 10 000 pistes pour un problème ; des millions de variantes testées automatiquement. La ressource rare ne serait plus la preuve. Ce serait l'attention humaine.
			Terence Tao a formulé cette perspective en parlant d'une possible transition vers une époque d'« abondance des preuves ». Le mathématicien pourrait alors passer moins de temps à démontrer et davantage à répondre à quatre questions : Que faut-il chercher ? Pourquoi est-ce intéressant ? Quelle preuve mérite d'être conservée ? Que signifie le résultat ?

Mais attention au piège du « génie artificiel »		haut
Il serait tout aussi erroné de conclure que l'IA est désormais supérieure aux mathématiciens dans tous les domaines. Les performances restent très dépendantes : du type de problème ; de la représentation utilisée ; des données disponibles ; des outils accessibles ; du temps de calcul ; de la possibilité de vérifier automatiquement les réponses. Les benchmarks eux-mêmes peuvent être trompeurs. Des chercheurs ont montré que certains résultats impressionnants sur les problèmes d'olympiade peuvent être affectés par la familiarité des modèles avec les problèmes, leurs solutions ou des problèmes de structure comparable. D'autres benchmarks moins présents dans les corpus d'entraînement montrent parfois une baisse sensible des performances. Il faut donc distinguer performance sur un benchmark ≠ intelligence mathématique générale et preuve générée ≠ compréhension mathématique.
	La vérification devient le nouveau goulot d'étranglement Plus une IA produit de résultats, plus une nouvelle difficulté apparaît. Qui va tout vérifier ? Si dix mathématiciens peuvent produire dix résultats par an et qu'une machine en produit dix mille, la capacité de vérification humaine devient insuffisante. Les systèmes formels comme Lean apportent une réponse partielle : une machine peut vérifier mécaniquement qu'une preuve respecte les règles logiques du système. Les travaux récents sur le raisonnement formel montrent justement l'importance croissante de cette combinaison entre génération par IA et vérification symbolique. Mais même une preuve formellement correcte peut être : incompréhensible ; inutile ; redondante ; mal interprétée ; fondée sur une formalisation inadéquate du problème. La vérification de la vérité n'épuise pas la question de la valeur scientifique.

Un autre séisme : qui possède les mathématiques produites par l'IA ?			haut
La recherche mathématique fonctionne historiquement selon des règles relativement ouvertes : un chercheur publie une idée, d'autres la vérifient, la prolongent ou la réfutent. Les nouveaux systèmes appartiennent en revanche largement à des entreprises privées. Cela crée une asymétrie inédite. Une entreprise peut disposer : de milliers d'agents ; d'une puissance informatique gigantesque ; de modèles propriétaires ; de données privées ; de systèmes de vérification automatisée. Une université disposant de quelques chercheurs et de moyens limités ne peut pas nécessairement rivaliser.
	La question devient alors politique La découverte mathématique risque-t-elle de devenir une activité dominée par quelques entreprises technologiques ? Le problème n'est pas seulement économique. Il concerne la reproductibilité scientifique. Si une découverte dépend d'un système fermé que personne d'autre ne peut exécuter, comment la communauté peut-elle la contrôler ?
		La question des auteurs devient elle aussi explosive Supposons qu'un mathématicien donne à une IA une conjecture. L'IA trouve le lemme décisif. Un autre système produit la démonstration. Un troisième vérifie la preuve. Qui est l'auteur ? Le problème n'est plus théorique. Les progrès récents ont déjà provoqué des controverses sur l'attribution de résultats et sur la reconnaissance de travaux humains antérieurs dans des résultats présentés comme des découvertes de systèmes d'IA. Le monde scientifique devra donc préciser : Qu'est-ce qu'une contribution scientifique lorsqu'une partie de l'intelligence créative est externalisée vers une machine ?

Et si le plus grand danger n'était pas de remplacer les mathématiciens ?					haut
Il existe une hypothèse plus subtile. L'IA pourrait produire énormément de mathématiques que plus personne ne prendrait le temps d'apprendre. La connaissance mathématique deviendrait alors une gigantesque bibliothèque de résultats, dont seule une petite fraction serait réellement assimilée par les humains. Nous saurions que certains théorèmes sont vrais.
		Mais nous ne saurions plus nécessairement les expliquer simplement. Nous disposerions de réponses sans posséder les idées qui les ont engendrées. Ce serait une rupture profonde avec la tradition mathématique. Car les mathématiques ne sont pas seulement une collection de vérités. Elles sont aussi une architecture d'idées.
Le scénario optimiste : une Renaissance mathématique Il existe pourtant un scénario beaucoup plus enthousiasmant. L'IA pourrait devenir pour les mathématiciens ce que le microscope est devenu pour les biologistes. Elle permettrait d'explorer des territoires auparavant inaccessibles. Un chercheur pourrait demander : « Cherche-moi des contre-exemples à cette conjecture. » Puis : « Examine dix milliards de configurations. » Puis : « Généralise le motif que tu observes. » Puis : « Essaie de le démontrer. » La machine deviendrait alors un laboratoire mathématique. Le mathématicien ne serait pas remplacé. Il disposerait enfin d'un instrument capable d'explorer des espaces mathématiques gigantesques. C'est probablement la perspective la plus censée.				Le scénario pessimiste : une mathématique à deux vitesses Une autre possibilité est moins réjouissante. D'un côté : les grandes entreprises disposant de systèmes mathématiques gigantesques. De l'autre : les chercheurs utilisant des outils beaucoup plus limités. Les premières pourraient découvrir plus vite, publier plus vite et accumuler plus rapidement les connaissances. La concentration économique de l'IA deviendrait alors aussi une concentration de la capacité de découverte scientifique. La question fondamentale serait alors : Qui contrôlera les machines capables de produire les mathématiques de demain ?
			L'école devra apprendre autre chose L'enseignement des mathématiques devra probablement évoluer. Si une machine sait résoudre une équation, effectuer une intégrale ou démontrer un théorème, apprendre uniquement à reproduire ces opérations perd une partie de son intérêt. Mais cela ne signifie certainement pas qu'il faut moins enseigner les mathématiques. C'est probablement l'inverse. Il faudra mieux enseigner : la compréhension des concepts ; la logique ; la modélisation ; l'esprit critique ; la construction d'un raisonnement ; la capacité à détecter une erreur ; la formulation d'une conjecture ; l'interprétation d'un résultat. Plus les machines deviennent fortes en calcul et en preuve, plus la compréhension humaine devient précieuse.
	Le véritable test : l'IA saura-t-elle expliquer ses découvertes ? C'est peut-être le meilleur critère pour mesurer le progrès réel. Résoudre un problème est impressionnant. Mais imaginez deux machines. La première dit : « Voici la preuve. Elle est correcte. » La seconde dit : « Voici la preuve. Voici pourquoi cette idée fonctionne. Voici le phénomène général dont elle est un cas particulier. Voici trois théorèmes que cette idée permet maintenant de démontrer. Et voici pourquoi nous ne l'avions pas vu auparavant. » La seconde serait beaucoup plus proche de ce que nous appelons aujourd'hui un mathématicien. Le défi des prochaines années ne sera donc peut-être pas seulement de construire des IA capables de trouver des preuves. Ce sera de construire des IA capables de produire de la compréhension.

Après le séisme : les mathématiques ne disparaissent pas, elles changent de régime			haut
Le scénario le plus probable n'est ni : « l'homme gagne contre la machine » ni : « l'IA remplace les mathématiciens ». Il est plus radical. La division du travail intellectuel va changer. Pendant des siècles, l'humanité a vécu dans une économie de la rareté mathématique : peu de personnes capables de produire des résultats difficiles, beaucoup de problèmes non résolus. L'IA pourrait nous faire entrer dans une économie différente : beaucoup de résultats, beaucoup de preuves, beaucoup de conjectures — et une pénurie de compréhension humaine capable de les organiser. C'est peut-être cela, le véritable séisme.
	La question n'est plus « l'IA peut-elle faire des mathématiques ? » Cette question est désormais dépassée. Elle a reçu une réponse expérimentale : oui, dans une mesure qui progresse très rapidement. La question intéressante est devenue : Que voulons-nous que les mathématiques deviennent lorsque leur production peut être automatisée ? Si nous demandons seulement aux machines de produire des théorèmes, nous risquons de créer une montagne de connaissances que personne ne comprend réellement. Si nous les utilisons comme instruments d'exploration, elles peuvent au contraire permettre aux humains d'aller beaucoup plus loin.
		La frontière décisive ne sera donc peut-être pas entre l'homme et la machine. Elle sera entre deux sortes de mathématiques : une mathématique où l'on accumule des réponses ; et une mathématique où l'on comprend les idées qui donnent naissance aux réponses. L'IA pourrait rendre la première presque abondante. La seconde restera, pour longtemps peut-être, notre responsabilité. Et c'est précisément pour cette raison que le séisme actuel ne signifie probablement pas la fin des mathématiciens. Il signifie que nous allons devoir redéfinir pourquoi nous faisons des mathématiques.

Repères — du calcul automatique à la recherche automatisée

Étape	Ce que fait la machine	Ce que cela change
Calculatrice	Calcule plus vite	Le calcul cesse d'être une activité humaine privilégiée
Logiciel de calcul formel	Manipule et vérifie des expressions	Une partie du travail technique est automatisée
"Théoriseurs" automatiques	Cherchent des preuves	La démonstration devient partiellement automatisable
AlphaGeometry / AlphaProof	Résolvent des problèmes de haut niveau	L'IA atteint le niveau des meilleurs candidats humains
AlphaEvolve	Cherche et améliore des algorithmes	La machine peut contribuer à la découverte
Agents mathématiques	Multiplient les pistes simultanément	La recherche change d'échelle
Astra et systèmes comparables	Attaquent des problèmes ouverts	L'IA entre dans le territoire de la recherche mathématique
Étape suivante	Produire, vérifier et expliquer les découvertes	La compréhension devient le véritable enjeu

Haut de page (ou double-clic)

Retour	ChatGPT Robots Réseaux de neurones Modèles à raisonnement
Suite	Algorithmes Anglais – Le bagage de vocabulaire indispensable Automates Bourdons et le problème du voyageur de commerce Drones Informatique – Programmation Intelligence artificielle Robots – Quantité, utilisation, travail et chômage Robots selon Asimov Systèmes experts
Voir	Fonctionnement des ordinateurs Énigmes et paradoxes Logique – Index Multimédia et informatique – Index
Sites	Médiapart — David Monniaux Académie des sciences — « Les mathématiques à l’heure de l’IA » Université Grenoble Alpes — Bernard Parisse Google DeepMind — AlphaEvolve Google DeepMind — AlphaEvolve : impact et nouveaux résultats Terence Tao — « Mathematics in the age of AI » Nature — Terence Tao : « The job description is changing » Nature Machine Intelligence — « Solutions, challenges and rising tensions in AI and mathematics » OpenAI — « On the Navier–Stokes Millennium Prize Problem » The Guardian — « OpenAI claims to have solved maths problem… »
Cette page	http://diconombre.fr/Wwwgvmm/Logique/IntelArt/MathMach.htm