Dans un message publié sur Mastodon, le mathématicien Terence Tao, lauréat de la médaille Fields, attire l'attention sur un phénomène qu'il juge préoccupant : l'exploitation croissante des problèmes mathématiques ouverts comme matière première pour évaluer et entraîner des systèmes d'intelligence artificielle. Son observation, formulée en quelques phrases, touche à un enjeu méthodologique de fond pour la communauté scientifique.
L'argument central de Tao repose sur une distinction simple mais importante : contrairement à des ressources computationnelles renouvelables, le stock de problèmes mathématiques non résolus constitue une ressource finie. Lorsqu'un problème ouvert est résolu par un système d'IA, ou lorsque sa solution devient accessible et potentiellement absorbée dans les corpus d'entraînement des modèles suivants, il cesse de pouvoir servir de test authentique pour évaluer la capacité d'un système à raisonner sur des questions véritablement inédites. Ce problème, une fois « miné », ne peut plus remplir la même fonction d'évaluation.
Cette remarque s'inscrit dans un débat plus large qui traverse la recherche en apprentissage automatique depuis plusieurs années : celui de la contamination et de la saturation des benchmarks. Des modèles entraînés sur d'immenses volumes de données issues du web peuvent, intentionnellement ou non, avoir eu accès à des solutions ou des indices sur des problèmes réputés difficiles, ce qui fausse l'évaluation de leurs véritables capacités de raisonnement. Les récentes compétitions médiatisées, où des modèles d'IA ont été confrontés à des énoncés de l'Olympiade internationale de mathématiques, ont ravivé cette question.
L'intervention de Tao soulève ainsi une interrogation pratique pour les mathématiciens et les chercheurs en IA : comment continuer à disposer de problèmes suffisamment difficiles et non contaminés pour mesurer honnêtement les progrès des systèmes d'IA, à mesure que ces mêmes systèmes s'attaquent au stock existant de questions ouvertes. La remarque, bien que brève, pointe vers un besoin de réflexion collective sur la curation et la protection de ces ressources scientifiques, à l'heure où les entreprises technologiques valorisent fortement les performances de leurs modèles sur des problèmes mathématiques réputés difficiles.