Archives : cette tribune a paru dans ActuIA n° 19 (septembre-décembre 2025). Elle est suivie d’une note de la rédaction datée d’octobre 2026.

Le Prix Roberval

Le 7 décembre 2024, dans l'amphithéâtre de la Cité internationale de la langue française, dans le superbe château renaissance rénové de Villers-Cotterêts, se déroulait la cérémonie de remise du prix Roberval. Il s'agit d'un prix francophone récompensant les œuvres de médiation scientifique.

Mon second ouvrage, Voyage au bout de l'IA, y concourait. Il s'agit d'un essai dont la vocation est d'expliquer à un public élargi ce qu'est l'intelligence artificielle et de faire sentir quelles en seront les conséquences dans notre quotidien, afin qu'il soit prémuni, s'il le souhaite, des dérives potentielles auxquelles ses usages nous exposent. Comme l'écrivait un des membres du jury en commentaire d'un post LinkedIn que j'ai publié après : « Ce qui nous anime au Prix Roberval, c'est faire rendre la technologie accessible, pour que tous la comprennent, choisissent, et s'en servent à bon escient au lieu d'en être le jouet. » La perfection de cette phrase, qui résume avec netteté la raison exacte pour laquelle j'ai écrit cet ouvrage, était presque choquante.

Mon livre a été désigné, au terme de la cérémonie, lauréat du Prix Roberval 2024 dans la catégorie reine (Grand Public). Un peu plus tôt, dans le but de présenter œuvres et auteurs aux auditeurs de manière vivante, chaque finaliste est invité sur scène pour répondre à une question posée par un membre du jury. Par égard pour les autres candidats, et surtout les spectateurs, une réponse courte (disons pas trop longue) est attendue. La mienne a duré quelques minutes et a articulé les grandes idées qui seront ici reprises en détail. Mais au fait, quelle était la question ? (On n'osera pas dire « le prompt ».)

La question

La voici : « L'IA pourra-t-elle produire de la théorie ? Vous écrivez que ChatGPT ne comprend rien, qu'il n'énonce pas le vrai, qu'il ne manipule que la syntaxe, le versant purement formel du langage. Dont acte ! Vous expliquez, avec juste raison, qu'une théorie peut non seulement enrichir l'univers des données, mais agir comme un "treuil ontologique", capable de faire apparaître de nouveaux éléments. La richesse de la théorisation est infiniment supérieure à celle de l'induction, voire de la déduction.

Je suis toujours d'accord ! Mais par analogie, et en tant que chercheur, je me rends compte que j'ai été construite comme une IA. C'est en ingurgitant tous les travaux de mes prédécesseurs que j'ai pu formuler du questionnement nouveau, voire des théories.

Je vous pose donc la question : pensez-vous, en tant qu'expert, que l'IA produit ou produira de la théorie ? »

Avec cette question, on se situe d'emblée au cœur de ce qui alimente l'espoir de certains et la crainte des autres, à savoir la possibilité de voir émerger une IA forte, dont la capacité intellectuelle concurrencerait la nôtre jusqu'à la renverser dans sa domination actuelle.

C'est une question de prospective déguisée. Les plus redoutables. Mais pour arriver à cette reformulation, peut-être devrions-nous faire comme l'IA et imiter les prétendus raisonnements de ChatGPT, « step by step » ?

Les deux grands modes de conception des modèles

Commençons par décortiquer le mécanisme qui anime la question : une opposition de forme entre la création de théories et la manière d'apprendre inhérente à l'intelligence artificielle moderne, avec ses réseaux de neurones profonds traitant, dans un appétit « énergivorace » que rien ne semble devoir entraver, son déluge de données glanées sur internet dans une légalité que de nombreux procès en copyright invitent à remettre en cause. Cette IA-là procède par induction, c'est-à-dire généralisation à partir d'exemples censés représenter le phénomène étudié. Le résultat de cette computation algorithmique est un modèle que l'on utilise ensuite en prédiction, en génération de contenus.

À rebours de cette pratique, les grandes théories physiques, de la mécanique galiléenne au modèle standard, en passant par la physique quantique et les théories de la relativité restreinte, puis générale, n'ont, jusqu'à présent, pas suivi cette méthodologie.

Elles se sont d'ailleurs faites avec peu de données. La théorie de l'évolution darwinienne se distingue par son pouvoir explicatif alors que son auteur ne disposait que d'un nombre bien limité de constats et d'observations. Mieux encore, les ondes gravitationnelles, prédites par la théorie de la relativité générale d'Einstein, n'ont été détectées justement que parce qu'elles étaient une des conséquences de ladite théorie. Il faudrait vraiment, sinon, un hasard fou et de bien étonnants mécènes pour penser et financer la construction d'un interféromètre de plusieurs kilomètres afin de mesurer quoi, au juste ? Ici, les données ont été accumulées parce qu'une théorie les avait préalablement prédites, et servirent en retour à la valider. C'est la méthode dite « hypothético-déductive » des sciences dures. À l'opposé formel, donc, de l'inférence inductive mise en œuvre par la datascience.

On conçoit, sur ces exemples, pourquoi le physicien Étienne Klein pouvait écrire, dans son style, que le geste théorique agit comme un « treuil ontologique » : la théorie, une fois formulée par une pensée, agit comme un harpon capable d'aller tracter à elle de nouveaux concepts. Tandis que les data, il faut avoir pensé à les mesurer avant d'obtenir le modèle par deep learning. La causalité est vraiment chose fort ennuyeuse.

Le neuf se peut-il trouver dans les haillons du Temps ?

Très bien, mais la question recèle d'autres moteurs. Après tout, si la science s'est construite comme cela jusqu'à maintenant, pourquoi ne pourrait-elle changer de régime ? Les performances du passé seraient-elles, comme en IA, tout juste bonnes à n'être que reproduites ? Qu'est-ce, au fond, qu'une nouvelle théorie ? Que marque-t-elle ? Sans doute une bifurcation dans l'état des connaissances. Elle représente une nouveauté radicale, une avancée majeure, un horizon dépassé, un seuil franchi. On le voit : de nombreuses images, dans le langage, évoquent cet heureux événement. Mais qu'il est rare et difficile d'accès ! Précieux, comme certains anneaux de pouvoir légendaires, il est aussi bien connu d'une autre classe d'êtres humains, non pas férus de sciences mais d'arts.

Pour qu'une création fasse œuvre d'art, que ne faut-il pas sinon ce petit quelque chose en plus, ce renouvellement salutaire (qui fit parfois scandale, à moins que ce ne soit toujours le cas, une condition nécessaire en quelque sorte) ? C'est toute la différence entre un peintre pompier, excellent dans la reproduction d'un même maniérisme pictural, et un Picasso (même si on peut ne pas apprécier ses œuvres). L'opposition, dans la question, entre théorie scientifique et IA se nourrit ainsi d'une interrogation corrélative plus profonde : celle de la nature même de la création, éventuellement artistique, perçue comme la possibilité de faire advenir le neuf, le non-présent dans les data, dans les observables. C'est là aussi qu'elle vient semer le trouble : « en tant que chercheur [...], j'ai été construite comme une IA. C'est en ingurgitant tous les travaux de mes prédécesseurs que j'ai pu formuler du questionnement nouveau. » Et si c'était vrai ? Ne passons-nous pas notre temps à polir et repolir encore les ossements de nos ancêtres ? À moins que ce ne soit un sophisme ? En outre, qui sait ce qui se passe dans les méandres de notre cervelle ?

On évitera donc de se prononcer sur le fonctionnement de nos mécanismes internes, si l'on veut rester scientifiquement rigoureux. Il faut donc aller voir du côté de ce qui est accessible à l'analyse : l'IA. Elle crée un modèle appris à partir de données.

Ce modèle n'est pas une copie du jeu d'entraînement, mais une sorte de synthèse abstraite dans un espace à haute dimension. L'utilisation de ce modèle entre deux points figurant dans sa base d'apprentissage vous rend une forme d'interpolation, c'est-à-dire un point qui n'existait pas dans la base. Du nouveau, en somme. Pour autant, s'agit-il bien d'une création ?

Du privilège (temporaire ?) de la pensée

Alors bien sûr, on peut rétorquer que la machine ne procède que par imitation (nous aussi, c'est l'argument suggéré) ; qu'elle ne s'est pas conçue toute seule (nous non plus) ; qu'elle n'a pas d'autonomie (nous avons bien une certaine liberté, mais une tradition philosophique honorable nous prive pourtant de libre arbitre). Et de se prêter à ce dialogue imaginaire :

« Toi aussi tu imites ce que tu vois (le passé) et réagis peut-être à lui en sortant un nouveau point, comme une IA, que tu qualifieras de nouveau concept !

Oui, je me nourris du passé, mais d'une partie infime de celui-ci, comparativement à l'apprentissage machine, et surtout je ne fais pas un modèle à partir de cela ! »

Nous avions dit que pour rester « réglo », nous ne devrions pas user d'hypothèses sur la manière dont notre cognition s'effectue. Certes, mais on peut tout de même rendre compte d'une différence majeure d'avec l'IA : nous n'apprenons pas comme cela. Inutile de voir un million de chats pour déclarer que l'animal qui nous fait face, et que nous apercevons pour la troisième fois, en est un ! Alors, bien entendu que nous apprenons à partir de connaissances établies du passé, mais nous ne faisons pas un modèle à partir de ces connaissances. Nous effectuons une pensée.

Et finalement la question de mon interrogatrice, c'est la question à 1042 dollars, celle qui revient à dire : est-ce que l'IA, un jour, atteindra le stade de l'IA forte, c'est-à-dire sera capable de produire un processus de pensée ?

De manière amusante, l'étude de cette épineuse question se trouve plutôt dans mon premier livre, dans lequel j'avais donné des arguments en faveur et passé en revue ceux à décharge. Il n'y a, a priori, pas de raison d'exclure cette possibilité. L'argument en faveur d'une réponse positive est d'ordre matérialiste : pourquoi serions-nous les seuls dans l'univers (c'est-à-dire la seule combinaison d'atomes) à pouvoir produire de la pensée ? Quelle forme de prétention, de « racisme » finalement, revêt-on à soutenir le contraire ? En revanche, il est douteux que le machine learning, c'est-à-dire l'apprentissage d'un modèle par induction à partir des données du passé, soit capable d'en produire une.

Qui sait ce qui se passera dans cinq cents ans ? Soyons donc généreusement pragmatiques : l'IA est un bien bel outil capable de traiter intelligemment des monceaux de données et d'en extraire de l'utile (à défaut de l'agréable). Ne nous querellons pas sur la question de savoir s'il s'agit de création ex nihilo ou d'une pâle imitation. Utilisons-la plutôt pour produire de nouvelles réponses, pour conjuguer cette force avec la nôtre afin de trouver, pourquoi pas, de nouvelles théories. La tâche est vaste. Le temps presse, toujours. Alors, au travail, les volontaires !

Axel Cypel

Note de la rédaction, octobre 2026

Les avancées récentes de l’IA en mathématiques donnent une nouvelle portée à la question d’Axel Cypel. Le 26 octobre 2026, OpenAI a annoncé une réfutation de l’hypothèse du temps exponentiel, une conjecture d’informatique théorique. Anthropic a également publié un résultat attribué à un modèle de recherche Claude. Les deux laboratoires ont fourni des formalisations dans l’assistant de preuve Lean ; OpenAI a organisé un examen de son résultat avec des chercheurs extérieurs. ActuIA a détaillé ces annonces et leur portée.

Une telle réfutation repose sur la construction d’un algorithme et la démonstration de ses propriétés. Si elle est confirmée, elle constitue bien un résultat théorique original. Les contributions de l’IA ne se limitent d’ailleurs pas aux réfutations : Google Research a décrit des structures mathématiques découvertes avec AlphaEvolve, puis intégrées à des démonstrations permettant d’établir de nouveaux résultats.

Produire un résultat inédit, est-ce déjà penser ? La question traverse la tribune d’Axel Cypel. Une preuve valide établit un résultat ; elle ne tranche pas, à elle seule, la nature du processus qui l’a produit. Ces progrès donnent matière à discuter les limites que l’auteur envisage pour le machine learning, tout en éclairant sa conclusion : conjuguer les capacités de l’IA avec le travail humain pour chercher de nouvelles théories.

Nos articles remonteront en priorité dans « À la une » de Google.