Le deeposcope : l’IA est devenue un instrument scientifique

En 2026, des conjectures vieilles de quatre-vingts ans tombent, des paillasses tournent sans personne dedans, et un modèle écrit plus de 80 % du code de ses propres successeurs. L’intelligence numérique est en train de devenir un instrument scientifique. Et le premier objet qu’elle observe, c’est elle-même.

Le 26 mai 2026, un problème de géométrie posé en 1946 par Paul Erdős a cessé d’être ouvert. Il portait un nom sans poésie, le problème des distances unité dans le plan, et une question d’enfant : si vous posez des points sur une feuille, combien de paires peuvent se trouver exactement à la même distance les unes des autres ? Erdős pensait que la bonne vieille grille carrée était imbattable. Pendant quatre-vingts ans, personne n’a fait mieux, et personne n’a démontré qu’on ne pouvait pas.

La réfutation n’est pas venue d’un mathématicien. Elle est venue d’un modèle d’OpenAI, généraliste, qui n’avait pas été taillé pour les mathématiques. Il a exhibé des configurations de points qui battent la grille, et pas pour un cas isolé : pour une infinité de valeurs.¹

Timothy Gowers, médaille Fields, a dit qu’il en recommanderait la publication aux Annals of Mathematics « sans la moindre hésitation ». Le mathématicien Daniel Litt a été plus frontal encore : c’est « le premier résultat produit de façon autonome par une IA que je trouve intéressant en soi ».¹

Un exploit isolé se raconte. Une série se lit.

L’instrument précède toujours la découverte

En 1609, Galilée pointe une lunette vers Jupiter et voit quatre points qui bougent. Il n’a pas eu une meilleure idée que ses contemporains, il a eu un meilleur verre. Soixante ans plus tard, Antonie van Leeuwenhoek taille des lentilles dans son arrière-boutique de drapier et découvre, dans une goutte d’eau de pluie, un peuple entier. Là non plus, aucune théorie nouvelle au départ. Un instrument, et une infinité de choses qui existaient déjà mais que personne ne pouvait voir.

Le télescope a ouvert l’infiniment grand. Le microscope a ouvert l’infiniment petit. Depuis, on considère volontiers que la panoplie est complète, alors qu’il manque une dimension entière, et probablement la plus peuplée : l’infiniment complexe.

L’infiniment complexe, ce sont les systèmes où le nombre de variables interdépendantes dépasse de plusieurs ordres de grandeur ce qu’un esprit humain peut tenir ensemble. Le repliement d’une protéine. Le comportement d’un alliage. Une cellule vivante. Un climat. Un marché. Un réseau de neurones artificiels. La mémoire de travail humaine, dans l’estimation classique de George Miller, manipule sept objets à la fois, plus ou moins deux. Sept. Face à un système qui en compte des milliards en interaction, notre intelligence ne se heurte pas à un manque de rigueur, elle se heurte à un plafond de format.

J’appelle cet instrument un deeposcope. Il ne grossit rien et ne rapproche rien. Il fait autre chose : il tient ensemble, dans une même représentation, un nombre de relations qu’aucune tête ne peut tenir. Et comme ses deux aînés, il ne rend pas les chercheurs inutiles. Il rend visible ce dont ils ne soupçonnaient pas l’existence.

Une ouverture que personne n’avait jouée

Le mois précédent, en avril 2026, GPT-5.4 avait déjà réglé le problème d’Erdős n° 1196, une version asymptotique de la conjecture des ensembles primitifs formulée en 1966. Temps de travail du modèle : environ quatre-vingts minutes. Temps de travail de Jared Duker Lichtman, le mathématicien qui avait démontré la conjecture voisine et courait après celle-là : sept ans.²

Le plus intéressant n’est pas le chronomètre, c’est le chemin. Depuis quatre-vingt-dix ans, la manière canonique d’attaquer ce genre d’énoncé consiste à basculer en analyse réelle. Le modèle, lui, est resté dans l’arithmétique et a mobilisé la fonction de von Mangoldt, une voie disponible depuis toujours et que personne n’avait empruntée. Lichtman a parlé d’une « Book Proof », en référence au Livre imaginaire où Erdős rangeait les démonstrations d’élégance suprême. Et il a formulé la chose exactement comme il fallait : « l’IA découvre une ouverture nouvelle, qui avait été négligée en raison de l’esthétique humaine ».²

Ceux qui suivent le go auront reconnu quelque chose. En 2016, au coup 37 de la deuxième partie contre Lee Sedol, AlphaGo a posé une pierre que les commentateurs ont d’abord prise pour une erreur, avant de comprendre qu’elle était magnifique. Ce coup marque le moment où la machine entre dans le monde de la création, et il inflige à l’humanité sa quatrième blessure narcissique, après Copernic, Darwin et Freud : nous ne sommes plus les seuls êtres capables d’élégance.

Rien de tout cela ne dit que les mathématiciens sont dépassés. Peu après la réfutation de mai, le mathématicien Will Sawin a produit un résultat meilleur encore, dont l’amélioration ne se manifeste, il est vrai, qu’à partir de tailles proprement inconcevables, de l’ordre de dix puissance deux millions de points.¹ Et les modèles restent nettement plus à l’aise sur des problèmes de concours, bornés et bien posés, que sur la recherche ouverte, où il faut décider soi-même de la question. Le deeposcope est un instrument, pas un chercheur.

Le laboratoire qui ne dort pas

Tant que l’accélération reste dans le domaine du symbolique, elle est presque confortable. Elle cesse de l’être quand elle touche la paillasse.

Periodic Labs a été fondée par Liam Fedus, ancien vice-président de la recherche chez OpenAI, et Ekin Dogus Cubuk, ancien chercheur de Google DeepMind. Trois cents millions de dollars levés en amorçage, une valorisation qui atteint aujourd’hui 7,5 milliards, et un objectif d’une simplicité brutale : faire tourner des laboratoires automatisés qui exécutent en continu des milliers d’expériences de physique et de chimie, pour nourrir les modèles qui décideront des suivantes. Cible affichée : des supraconducteurs fonctionnant à plus haute température.³ Chez Lila Sciences, issue de Flagship Pioneering, 350 millions de dollars en série A financent la même intuition appliquée au vivant, à la chimie et aux matériaux.⁴

Ce que ces montants achètent, ce n’est pas de l’intelligence supplémentaire. C’est le déplacement d’un goulot d’étranglement. Depuis Bacon, le cycle scientifique est bridé par sa partie physique : formuler une hypothèse coûte une journée, la tester coûte trois mois. Quand la formulation devient quasi gratuite et que le test devient continu, la science ne se contente pas d’aller plus vite : le rythme du monde change de régime. On avait déjà nommé le phénomène en parlant d’explosion de l’intelligence ; on le voit maintenant s’installer dans du mobilier de laboratoire.

La science de l’IA, faite par l’IA

Reste le fil rouge, celui qui rend tout le reste vertigineux : le premier domaine que le deeposcope accélère, c’est celui qui le fabrique.

Les chiffres publiés par Anthropic en 2026 sont d’une précision inhabituelle pour ce genre de sujet. En mai 2026, plus de 80 % du code fusionné dans la base de production du laboratoire était écrit par Claude, contre quelques pourcents à peine début 2025. L’horizon de tâche, c’est-à-dire la durée de travail humain qu’un modèle peut absorber d’une traite, est passé de quatre minutes en mars 2024 à une heure et demie en mars 2025, puis à douze heures en mars 2026. La projection interne parle de tâches longues de plusieurs semaines en 2027. Sur des problèmes d’optimisation où un chercheur qualifié obtient un facteur quatre en une demi-journée, un modèle interne a obtenu un facteur cinquante-deux. Sur du jugement de recherche, choisir quelle piste vaut la peine d’être suivie, un modèle battait le choix humain 51 % du temps en novembre 2025, et 64 % en avril 2026.⁵

Un dernier chiffre, qui est le plus parlant de tous. En avril 2026, des agents ont traité de bout en bout un problème de recherche en sécurité de l’IA et récupéré 97 % de l’écart de performance visé. Deux chercheurs humains, sur une semaine entière, en avaient récupéré 23 %. La facture de calcul : environ dix-huit mille dollars, pour huit cents heures cumulées de travail machine.⁵

Puis vient la partie que l’on n’attend pas d’un laboratoire dont le métier est de vendre de l’intelligence. Dans le même document, Anthropic appelle à construire dès maintenant l’infrastructure technique d’un ralentissement vérifiable, c’est-à-dire des mécanismes permettant à un laboratoire de prouver aux autres qu’il a réellement levé le pied, et s’engage à y participer si ses concurrents le font simultanément.⁵ On peut lire ce geste comme une manœuvre de communication. On peut aussi lire les courbes qui le précèdent.

Ma lecture est que nous tenons là le début de la techno-diplomatie, celle qui fera vague entre 2028 et 2030, quand un incident suffisamment spectaculaire, ce que l’on appelle un warning shot, obligera Washington et Pékin à s’asseoir à la même table. Le basculement ne sera pas moral. Il sera économique, et il arrivera le jour où les gains de capacité ne pourront plus être convertis en gains économiques, faute d’un niveau de contrôle suffisant. C’est d’ailleurs pour cela que savoir lire dans les pensées des IA est devenu un chantier industriel autant qu’un chantier scientifique.

La boue au fond de l’objectif

Il y a un revers, et il serait malhonnête de le traiter en note de bas de page.

Le même instrument qui trouve des ouvertures négligées produit aussi de la boue à l’échelle industrielle. La conférence AAAI a reçu plus de trente mille soumissions pour son édition 2026, contre environ quinze mille l’année précédente. Un doublement en douze mois, sans qu’il se soit rien produit du côté du nombre de chercheurs.⁶ Sur le track « Position Papers » de NeurIPS 2026, un détecteur a attribué un score de génération automatique de 100 % à 28,2 % des soumissions, deux cent soixante-treize sur neuf cent soixante-neuf ; cent soixante-dix-huit ont été rejetées d’office.⁷

Autrement dit, la même technologie qui repousse la frontière sature le canal par lequel on la franchit. La revue par les pairs, déjà bénévole et déjà exténuée, se retrouve à trier un flux dont une part significative n’a jamais été pensée par personne. Le coût de production d’un article vraisemblable est tombé à quelques secondes ; le coût de sa vérification, lui, n’a pas bougé d’un pouce.

C’est le moment de se méfier des deux écrans de fumée habituels. Le premier fait de l’IA une divinité qui va résoudre le cancer avant Noël. Le second rassure à bon compte : « c’est du plagiat statistique », « ça ne comprend rien ». La réfutation d’Erdős 90 ne comprenait peut-être rien, elle était juste. Et la boue reste de la boue, même produite par un système capable, ailleurs, d’une démonstration digne du Livre. Les deux faits coexistent sans se contredire, et la seule posture tenable consiste à les regarder ensemble.

Un instrument ne dit pas quoi chercher

Trois choses se décident maintenant, et aucune n’est technique.

La première est une question de gouvernance de la preuve. La communauté mathématique a réagi vite et bien : elle a exigé une vérification formelle en Lean, un langage où une démonstration se contrôle mécaniquement, ligne à ligne. Il n’existe pas d’équivalent pour la biologie ou la science des matériaux, où le laboratoire autonome est à la fois celui qui propose et celui qui valide. Cette boucle-là demande un tiers.

La deuxième est une question de propriété. Quand la découverte devient une fonction du capital investi dans le calcul et la robotique, les résultats se concentrent là où se trouve l’argent. Une IA scientifique valorisée 7,5 milliards de dollars pose la question de la redistribution de ce qu’elle trouve avec au moins autant d’acuité qu’une IA conversationnelle.

La troisième est européenne, et elle est à notre portée. Nous ne rivaliserons pas sur la puissance brute, c’est entendu. Mais quand la découverte devient abondante, la rareté se déplace vers la garantie : savoir prouver qu’un résultat tient, qu’un agent est resté dans son cadre, qu’une expérience a réellement eu lieu. Faire de l’alignement et de la vérification une filière industrielle n’est pas un lot de consolation, c’est le seul poste où l’avance culturelle européenne se convertit en avance économique.

Galilée n’était pas plus intelligent que ses contemporains. Il avait une lunette, et il a accepté de mettre l’œil dessus, en sachant ce que cela lui coûterait. Le deeposcope est posé sur la table depuis quelques mois seulement. Il ne dira jamais quoi chercher.

Footnotes

1. The Conversation, « An AI solution to an 80-year-old problem has shocked mathematicians », 26 mai 2026. https://theconversation.com/an-ai-solution-to-an-80-year-old-problem-has-shocked-mathematicians-283686 ↩ ↩² ↩³

2. Anisha Sircar, Forbes, « AI Solved A Mathematical Problem That Had Stumped The World’s Best Minds For Decades », 17 avril 2026. https://www.forbes.com/sites/anishasircar/2026/04/17/ai-solved-a-mathematical-problem-that-had-stumped-the-worlds-best-minds-for-decades/ ↩ ↩²

3. MIT Technology Review, « AI materials discovery now needs to move into the real world », 15 décembre 2025, et PitchBook, profil Periodic Labs, 2026. https://www.technologyreview.com/2025/12/15/1129210/ai-materials-science-discovery-startups-investment/ ↩

4. Flagship Pioneering, « Flagship Pioneering Unveils Lila Sciences to Build Superintelligence in Science », 2025. https://www.dakota.com/resources/blog/lila-sciences-raises-350m-series-a-the-future-of-autonomous-ai-labs-in-2025 ↩

5. Anthropic, « When AI builds itself », Anthropic Institute, 2026. https://www.anthropic.com/institute/recursive-self-improvement ↩ ↩² ↩³

6. AAAI-26, « AI-Assisted Peer Review at Scale: The AAAI-26 AI Review Pilot », arXiv, 2026. https://arxiv.org/pdf/2604.13940 ↩

7. NeurIPS 2026, statistiques du track Position Papers. https://blog.neurips.cc/category/2026-conference/ ↩