Comment les travaux de Claude impactent la production du savoir ?

L’annonce a fait l’effet d’une bombe : l’équipe a achevé un calcul mathématique non résolu, entamé en 1939 par George Watson. La question : quelle est la probabilité qu’un marcheur se déplaçant au hasard dans un espace en trois dimensions revienne à son point de départ ? Le cas restait sans réponse. Il est désormais bouclé.

5,7 milliards

En écologie, une théorie avance que le succès ou le déclin des espèces d’arbres dans une forêt relève du seul hasard. Une équation permettant de la vérifier existait depuis 2005, mais personne n’avait réussi à l’appliquer à de grandes quantités de données. Claude l’a fait sur une forêt du Panama suivie depuis des décennies. Conclusion : la part de chaque espèce y change 4,5 fois plus vite que si seul le hasard jouait. D’autres facteurs, comme la concurrence entre espèces, sont donc à l’œuvre, ce que les écologues soupçonnaient déjà. En génétique, l’analyse de 5,7 milliards de paires de mutations voisines sur un même chromosome a mis en évidence un mécanisme, la « conversion génique », que la plupart des études ignorent.

En économie, les revues de référence demandent aux auteurs de fournir leurs données et leur code pour que leurs résultats puissent être vérifiés. Claude a vérifié automatiquement 4 452 articles : il a refait tous les calculs et contrôlé que les chiffres obtenus correspondaient bien à ceux publiés.

Enfin, en linguistique, l’équipe a recensé l’accentuation des mots, c’est-à-dire la syllabe sur laquelle on appuie, dans 6 072 langues, quand les catalogues existants, constitués à la main, n’en couvraient que quelques centaines.

Problèmes non résolus

Ces travaux s’ajoutent à d’autres annonces d’Anthropic en mathématiques. En août, Claude a fait progresser l’un des plus célèbres problèmes non résolus, l’hypothèse de Riemann, qui porte sur la répartition des nombres premiers. Il ne l’a pas résolue, mais a nettement amélioré un résultat partiel sur lequel les mathématiciens n’avançaient que très lentement depuis des décennies. En septembre, Claude s’est attaqué au célèbre théorème de Fermat, démontré par Andrew Wiles dans les années 1990. Cette démonstration fait plus d’une centaine de pages, et seuls quelques spécialistes peuvent la vérifier. Claude n’en a pas trouvé de nouvelle : il a réécrit celle de Wiles en onze jours pour qu’un ordinateur puisse en contrôler automatiquement l’exactitude. Les concurrents ne sont pas en reste : OpenAI et Google DeepMind annoncent eux aussi des percées en mathématiques.

Circulation entre disciplines

Première rupture : la vitesse. Claude a reproduit en une vingtaine de minutes un travail qui avait demandé plusieurs semaines. Seconde rupture, la circulation entre disciplines. Un modèle peut repérer des structures mathématiques similaires en physique, en écologie ou en génétique, là où les communautés scientifiques restent encore cloisonnées.

Plus largement, une partie du travail scientifique devient automatisable : lire la littérature, écrire du code, tester des hypothèses, formaliser des démonstrations. Le chercheur en tire des questions concrètes. Pourquoi demander trois ans de financement pour des calculs qu’une IA peut mener en quelques jours ? Comment former les doctorants si la programmation devient plus accessible ? Schwartz conseille de confier à l’IA des problèmes « taillés pour elle » : ceux qui demandent surtout de longs calculs, beaucoup de programmation ou la lecture rapide de nombreux articles, et non ceux qui exigent une idée vraiment nouvelle.

La vérification devient centrale

Reste à vérifier tous ces résultats. En mathématiques, un ordinateur peut contrôler une démonstration réécrite dans un langage informatique. Mais le plus souvent, ce sont d’autres chercheurs qui relisent les travaux avant leur publication. Si l’IA produit beaucoup plus de résultats, ces relecteurs, déjà débordés, risquent de ne plus suivre.
L’expérience montre aussi les limites de l’outil. Claude a présenté une preuve comme complète « à une étape près », alors que cette étape constituait l’essentiel de la difficulté. Le modèle peine aussi à évaluer la durée d’un travail. Surtout, un résultat peut être correct sans présenter d’intérêt scientifique. Choisir les bonnes questions, évaluer les résultats, les interpréter et les confronter au réel : la difficulté scientifique est aussi là.

Le rôle du chercheur se déplace donc : moins d’exécution, davantage de questionnement, d’arbitrage et de validation. Selon Schwartz, l’IA accélérera la science sans remplacer la méthode scientifique, fondée sur l’observation et l’expérimentation. Une question demeure : à qui revient le mérite d’une découverte ? Pour Schwartz, c’est le chercheur qui choisit la question, oriente le travail et juge si le résultat a de la valeur. L’IA, elle, exécute.

Validation par des chercheurs

Ces annonces appellent toutefois à la plus grande prudence. Elles proviennent pour l’essentiel d’entreprises engagées dans une compétition intense, et certaines annonces passées ont dû être corrigées. Leur validation par des chercheurs indépendants reste indispensable.
Mais une évolution se dessine : l’IA ne se contente plus de résumer des publications, elle intervient dans la production même des résultats. Si elle se confirme, la question sera de savoir comment organiser une recherche où générer un calcul, une hypothèse ou une preuve devient beaucoup moins coûteux que décider lesquels méritent d’être poursuivis, et lesquels doivent être crus.