L’intelligence artificielle transforme progressivement la recherche en mathématiques et en physique théorique. Loin de remplacer la créativité humaine, elle l’augmente en automatisant des tâches fastidieuses et en amplifiant les capacités d’analyse des scientifiques. Les systèmes actuels vérifient les démonstrations, repèrent des erreurs subtiles, recherchent des contre-exemples et proposent des étapes intermédiaires de raisonnement. Cette évolution s’appuie sur des outils développés par plusieurs acteurs technologiques. Des systèmes comme Aristotle, conçu par Harmonic, ainsi que les solutions d’Axiom Math, OpenAI et DeepMind, ont déjà résolu des problèmes de niveau recherche ou des défis mathématiques complexes jusque-là ouverts. Dans un domaine où les expérimentations sont numériques, rapides et peu coûteuses, ces avancées sont d’autant plus significatives que les données sont propres et abondantes. Le processus de découverte théorique peut se décomposer en plusieurs phases. La première, l’identification des questions pertinentes, reste fondamentalement humaine. L’IA dispose actuellement de limitations contextuelles et ne possède pas encore l’intuition nécessaire pour hiérarchiser les pistes de recherche. Toutefois, des outils pourraient aider les chercheurs à explorer des bases de données mathématiques ou des prépublications pour y détecter des connexions structurelles passées inaperçues. La formalisation des idées constitue une autre étape où l’IA montre son utilité. Transformer un raisonnement intuitif en une preuve rigoureuse demandait traditionnellement un effort considérable. Des assistants de preuve comme Lean4 permettent désormais de vérifier chaque inférence. Le mathématicien Terence Tao a d’ailleurs détecté une faille logique dans l’un de ses travaux grâce à cet outil. Des projets collectifs comme Xena, porté par Kevin Buzzard à l’Imperial College London, combinent les efforts humains et l’IA pour numériser les programmes universitaires. Des chercheurs comme Josef Urban explorent également l’automatisation de la formalisation de théorèmes en topologie, l’étude des propriétés des formes déformables. Enfin, l’IA propose régulièrement de nouvelles conjectures. Inspirée par des algorithmes historiques tels que Graffiti et la Ramanujan Machine, l’IA actuelle identifie des motifs cachés et formule des formules mathématiques ou physiques plausibles. Ces propositions restent toutefois soumises à la validation humaine. En résumé, l’intelligence artificielle ne remplace pas le jugement créatif des chercheurs en sciences théoriques. Elle agit comme un levier puissant qui accélère la vérification, réduit la charge de travail formelle et enrichit la génération d’hypothèses. À mesure que les modèles s’amélioreront et s’alimenteront de bases de preuves plus vastes, ils permettront aux mathématiciens et aux physiciens de se concentrer sur l’innovation conceptuelle, tout en renforçant la rigueur et l’efficacité de la recherche scientifique.