Je suis particulièrement d'accord avec le point de vue de Terence Tao : à ce stade, la meilleure utilisation de l'IA n'est pas de prendre directement le modèle d'IA le plus puissant pour résoudre les problèmes mathématiques les plus difficiles, mais plutôt d'utiliser des outils d'IA de performance intermédiaire pour aider les mathématiciens à accélérer l'accomplissement de tâches de recherche fondamentale quotidiennes, fastidieuses mais indispensables. Il y a quelques jours, j'ai entendu une personne de CVS partager que les pharmacies CVS sont très occupées, mais que la plupart du temps est gaspillée sur des tâches fastidieuses, comme compter les pilules, car le nombre de pilules pour chaque patient est différent. Cela nécessite deux pharmaciens professionnels : l'un est responsable de mettre le nombre spécifié de pilules dans le flacon, et l'autre est chargé de vérifier si le nombre de pilules dans le flacon est correct. Un groupe de pharmaciens hautement qualifiés et formés passe donc beaucoup de temps chaque jour sur ces tâches. C'est pourquoi ils ont récemment automatisé ce processus en utilisant l'IA et des robots, permettant ainsi aux pharmaciens de se libérer pour faire des choses plus importantes. Dans ma vie quotidienne, j'utilise également l'IA de manière similaire. Elle ne peut pas toujours m'aider à résoudre de nombreux problèmes techniques, mais je peux utiliser l'IA pour développer de petits outils ou simplement en utilisant des mots-clés spécifiques, ce qui m'aide à accomplir de nombreuses tâches fastidieuses. Cela a déjà considérablement amélioré mon efficacité globale. --- La traduction originale se trouve dans les commentaires.

Terence Tao : Mes réflexions sur les applications récentes de l'IA dans le domaine des mathématiques Récemment, je ressens de plus en plus que l'intelligence artificielle (IA) pourrait avoir des applications à court terme dans le domaine des mathématiques qui ne consistent pas nécessairement à utiliser les modèles d'IA les plus puissants pour résoudre les problèmes mathématiques les plus difficiles. Bien sûr, nous voyons parfois des cas particulièrement réussis, mais ceux-ci nécessitent souvent d'énormes ressources de calcul et l'expertise de spécialistes de haut niveau. L'utilisation plus large et plus pratique pourrait en fait résider dans l'utilisation d'outils d'IA de performance intermédiaire pour aider les mathématiciens à accélérer l'accomplissement de tâches de recherche fondamentale quotidiennes, mais essentielles. Ces tâches apparemment banales peuvent déjà être réalisées par des experts humains, mais elles demandent plus de temps et d'efforts. Cependant, c'est en réalité un grand avantage de l'application de l'IA, et non un défaut. Les experts humains ont déjà accumulé une riche expérience et une intuition qui leur permettent de juger rapidement et avec précision si les résultats de l'IA sont fiables et de les intégrer en toute sécurité dans leur processus de recherche. Prenons un exemple simple : la recherche bibliographique. Avant d'étudier un problème, les mathématiciens doivent généralement consulter une grande quantité de littérature de recherche existante. Si le problème a déjà un nom reconnu et qu'il existe une communauté de recherche active, alors les moteurs de recherche et les bases de données académiques actuels sont déjà suffisants. Les mathématiciens n'ont qu'à commencer par un article important, suivre la chaîne de citations en avant et en arrière, et ils peuvent rapidement saisir l'état d'avancement de la recherche sur le problème. Cependant, il arrive souvent qu'un problème de recherche n'ait pas de nom unifié, et que des chercheurs de différents domaines agissent de manière indépendante. La littérature pertinente est dispersée dans différentes revues, conférences et livres, et les relations de citation sont chaotiques. Parfois, un article ne mentionne qu'une petite partie du problème, mélangé à une grande quantité de contenu non pertinent. Trouver des documents vraiment précieux dans ce contexte devient particulièrement compliqué : il peut falloir chercher des articles partout, filtrer à plusieurs reprises, et il est probable qu'après avoir passé beaucoup de temps, on se rende compte qu'ils n'ont rien à voir avec son propre problème. Mais une fois qu'un expert a trouvé des articles pertinents, il lui suffit de les parcourir rapidement pour juger immédiatement si cet article apporte une contribution au problème actuel. Cette capacité de validation rapide rend l'IA particulièrement adaptée à la recherche bibliographique (à condition, bien sûr, que le chercheur possède les connaissances spécialisées nécessaires pour évaluer la qualité de la littérature). Surtout lorsque le chercheur doit se concentrer sur plusieurs problèmes de recherche en même temps, l'avantage de l'utilisation de l'IA devient encore plus évident. Dans ce scénario, l'IA n'a pas besoin d'être précise à 100 %, tant que le taux de réussite est suffisamment élevé, l'efficacité globale sera bien supérieure à celle des méthodes traditionnelles. De plus, le chercheur qui consacre un certain temps à apprendre à utiliser efficacement les outils d'IA peut également réduire progressivement les coûts au fil des utilisations. Récemment, un exemple très typique s'est produit dans le cercle mathématique : Le célèbre mathématicien Paul Erdős a proposé de nombreux problèmes mathématiques intéressants de son vivant. Actuellement, le site Erdős Problems, qui collecte et organise ces problèmes, compte plus de mille problèmes, dont environ 600 sont marqués comme "non résolus" (open). Bien que certains problèmes aient été largement étudiés, il existe également de nombreux problèmes relativement obscurs pour lesquels il est difficile de déterminer s'il existe des solutions simplement par une recherche manuelle. Ces derniers jours, certains chercheurs ont commencé à essayer d'utiliser systématiquement des outils d'IA pour aider à la recherche de littérature. Ils ne publient pas directement les résultats de l'IA sur le site, mais vérifient d'abord manuellement, et ne commentent ou ne notent que les résultats confirmés. En quelques jours, grâce à cette méthode "recherche bibliographique assistée par IA + confirmation manuelle", ils ont déjà réussi à découvrir au moins 6 solutions à des problèmes. Ces problèmes étaient initialement marqués comme "non résolus", mais leur statut a maintenant été changé en "résolus" (solved). Par exemple : problème 339, problème 1043, problème 494, problème 621, problème 822, problème 903. Une dizaine d'autres problèmes, bien qu'ils ne soient pas encore résolus, ont vu leur littérature pertinente retrouvée et ajoutée aux commentaires sur la page des problèmes après confirmation manuelle. Bien que chaque commentaire ne précise pas nécessairement l'utilisation de l'IA, l'augmentation significative du nombre de ces commentaires à court terme suggère la contribution de l'IA. Un autre avantage potentiel de ces outils d'IA est qu'ils peuvent rapporter plus naturellement les "résultats négatifs" (negative results, c'est-à-dire les cas où "aucune littérature pertinente n'a été trouvée"). En général, si un chercheur effectue une recherche bibliographique et ne trouve rien, il ne le rapporte généralement pas, de peur de manquer un article important, ce qui serait embarrassant. Ce silence entraîne en réalité beaucoup de travail redondant - différents chercheurs ont peut-être tous passé beaucoup de temps à chercher des documents inexistants, ou ont cru à tort qu'un problème n'était pas résolu, alors qu'il n'avait simplement jamais fait l'objet d'une recherche bibliographique sérieuse. En utilisant des outils d'IA pour traiter systématiquement des tâches de recherche bibliographique à grande échelle, les chercheurs seront naturellement plus enclins à signaler ces "résultats négatifs". Par exemple : "Les outils d'IA ont vérifié 36 problèmes, dont 24 (66 %) ont trouvé de nouvelles littératures valides, tandis que 12 (33 %) n'ont renvoyé que des résultats connus ou non pertinents". Cette approche ouverte et transparente permet à l'ensemble de la communauté académique de mieux comprendre l'état de la recherche sur un problème donné, tout en évitant de nombreux travaux redondants. En résumé, dans le domaine de la recherche mathématique, la manière la plus efficace d'utiliser l'IA à court terme pourrait être précisément cette tâche fondamentale qui peut sembler "banale" pour les experts humains, mais qui est cruciale pour le travail de recherche. L'IA ne joue pas ici le rôle d'un génie super-intelligent, mais plutôt celui d'un accélérateur d'efficacité. Elle peut aider les chercheurs à libérer plus d'énergie précieuse des tâches de base fastidieuses, pour mieux se concentrer sur les domaines qui nécessitent véritablement innovation et réflexion approfondie.