Cursus
Principes fondamentaux des agents IA
6 h
Introduction aux agents d'intelligence artificielle
Apprenez les principes fondamentaux des agents d'intelligence artificielle, leurs composants et leur utilisation dans le monde réel - aucun codage n'est nécessaire.
En mai 2026, des chercheurs de Google DeepMind ont publié un préprint sur arXiv intitulé : « AI co-mathematician : Accelerating mathematicians with agentic AI », décrivant un atelier d'IA agentique qui orchestre tout le cycle de travail mathématique, de l'idéation à la recherche bibliographique, en passant par le calcul, les essais de preuve et la construction théorique.
Le co-mathématicien IA, actuellement en accès limité pour un petit groupe de chercheurs, n'est ni un solveur ni un chatbot, mais un espace de travail étatique qui pilote un flux de travail mathématique non linéaire. Il gère des pistes de recherche en parallèle, suit les incertitudes et conserve les tentatives infructueuses pour référence. Les sorties sont en LaTeX, le format standard de rédaction en mathématiques et en physique.
Il s'appuie sur Gemini 3.1. À ce jour, il utilise Gemini Deep Think en interne pour les tentatives de preuve et s'intègre à l'exécution Python pour l'exploration computationnelle. Il n'intègre pas encore les moteurs mathématiques spécialisés de DeepMind (AlphaProof, AlphaEvolve, Aletheia) comme composants internes, mais l'architecture est prévue pour les accueillir.
Pourquoi le co-mathématicien IA est-il important ?
Les mathématiciens utilisent des LLM pour différentes tâches :
- Revue de littérature
- Esquisse de preuves informelles
- Gabarits LaTeX
- Code exploratoire
Ils recourent aussi à des assistants de preuve formelle pour vérifier mécaniquement des démonstrations.
Si chaque outil excelle à une étape du flux, c'est au mathématicien d'en assembler les résultats au cas par cas. Jusqu'à présent, il n'existait pas d'infrastructure pour orchestrer le processus non linéaire propre à la recherche mathématique.
Comment fonctionne le co-mathématicien IA
Le modèle de flux de travail s'inspire librement des outils de codage IA, comme Claude Code ou Codex. Mais on ne peut pas le transposer tel quel : un logiciel dispose d'un cahier des charges et d'une batterie de tests. La recherche mathématique, elle, est non linéaire : l'objectif peut être flou ou indéfini au départ, et les découvertes en cours de route peuvent redéfinir la question.
Le flux de travail du co-mathématicien est alimenté par un système multi-agents et se déroule comme suit :
- Exploration initiale. Plutôt que d'exiger une invite parfaite en un coup, le chercheur ouvre un dialogue interactif avec le système pour affiner les objectifs de haut niveau et formaliser la question de recherche. L'intention de recherche est ainsi rendue explicite avant de commencer.
- Revue de littérature. Le co-mathématicien réalise une revue, identifie les articles clés et extrait les preuves et techniques pertinentes.
- Cadre computationnel. Le co-mathématicien crée une bibliothèque Python de calcul, avec jeux d'essai et tests associés.
- Exécution de la recherche. Une fois le cadre en place, la bibliothèque sur mesure est importée et la recherche est mise à l'échelle sur un cluster cloud. Le système fournit des bilans d'avancement de haut niveau sans noyer le chercheur sous les journaux techniques.
- Sortie finale. La sortie finale est un rapport LaTeX compilé. Ce document explique la démarche, pas uniquement le résultat, et comporte des annotations en marge reliant les affirmations aux références ou aux sorties de code. Un rapport n'est marqué comme finalisé qu'après approbation par tous les agents relecteurs. Les rapports refusés sont quand même présentés au chercheur, signalés comme non résolus — c'est ainsi que la preuve défectueuse est parvenue à Lackenby.
Architecture des flux de travail du co-mathématicien IA
L'architecture du co-mathématicien IA est un système multi-agents avec un agent coordinateur de projet au sommet et des sous-agents spécialisés.
Coordination du flux
Avant toute action, le coordinateur de projet engage un dialogue avec le chercheur pour clarifier l'objectif. Par exemple, si l'on s'intéresse aux bornes supérieures du « sofa problem », une question ouverte en géométrie algorithmique, il demandera sur quelle variante se concentrer. L'objectif précis, arrêté d'un commun accord, circonscrit le problème avant de déployer les agents.
Une fois l'objectif fixé, le coordinateur délègue aux agents et sous-agents, qui travaillent en parallèle sauf dépendances. L'un conduit la revue de littérature, un autre construit le cadre computationnel, un troisième exécute la recherche. Il existe toutefois une dépendance : la recherche ne peut démarrer avant l'existence de la bibliothèque personnalisée issue du cadre computationnel.
Éviter les hallucinations
Les agents standards cherchent parfois des raccourcis invalides, hallucinent des lemmes ou proclament trop tôt la victoire. Le co-mathématicien IA emploie des mécanismes pour y rémédier, dont des agents relecteurs.
Par exemple, si l'espace de recherche explose lors de l'exploration computationnelle, le sous-agent de codage ne peut pas marquer le code comme terminé tant que tous les tests ne passent pas et que l'agent relecteur n'a pas validé ses résultats, ce qui bloque le flux. Cet échec est journalisé et transmis au coordinateur de projet, qui en informe le chercheur dans le chat. Celui-ci peut alors proposer une autre approche.
Ces impasses ne sont pas seulement consignées : elles sont traitées comme des informations. Elles sont versionnées et conservées au dossier de recherche. En mathématiques, une voie sans issue révèle souvent une contrainte ou suggère une autre piste.
Tout au long du processus, le coordinateur filtre par défaut le bruit de bas niveau, mais le chercheur peut examiner en détail n'importe quel flux et le modifier si nécessaire.
Premières études de cas et modes de collaboration
Quelques cas initiaux illustrent différents modes de collaboration : une preuve erronée qui a débloqué une intuition humaine, un commentaire en marge qui a reframé une question, et une détection rapide d'impasse qui a épargné une semaine d'efforts.
Réparer une preuve que le système avait signalée comme fausse
Marc Lackenby, professeur de mathématiques à l'Université d'Oxford, a appliqué le système à un problème du cahier de Kourovka (répertoire de problèmes ouverts en théorie des groupes). L'IA a proposé une preuve, un agent relecteur y a décelé une faille et l'a signalée à Lackenby. Il savait comment combler l'intervalle.
C'est précisément là l'intérêt : l'humain repère ce qui échappe à la machine, et la machine fait le gros du travail autour.
D'un commentaire en marge à une idée nouvelle
Un autre professeur de mathématiques, Gergely Bérczi, a travaillé sur un problème lié à des conjectures sur les coefficients de Stirling. Pour la revue initiale, il a fourni au co-mathématicien IA le thème, le contexte, les méthodes connues et une piste proposée par des expériences AlphaEvolve.
Le co-mathématicien IA a produit des preuves (actuellement en vérification par des mathématiciens) pour deux de ces conjectures, accompagnées d'éléments computationnels détaillés. Bérczi indique que le système l'a aidé grâce à un commentaire en marge dans le document final, qui a attiré son attention sur une idée clé, qu'il a ensuite approfondie via le chat.
Détecter une impasse avant d'y perdre une semaine
Enfin, Semon Rezchikov a posé un problème technique sur les difféomorphismes hamiltoniens. Lui et le coordinateur de projet ont discuté jusqu'à s'accorder sur une définition précise de la tâche. Le rapport produit par l'IA comprenait un lemme clé avec preuve (vérifiée ultérieurement) qui résolvait pour l'essentiel la question.
En chemin, une approche a été explorée mais a buté sur une impasse. L'IA y est parvenue bien plus vite, évitant ainsi de gaspiller une semaine sur une fausse piste. Le système a compressé une semaine d'efforts inutiles en quelques heures.
Résultats au benchmark FrontierMath
AI Co-mathematician est un outil de flux de travail, pas un solveur de problèmes mathématiques à proprement parler. Néanmoins, il est important pour les auteurs d'afficher de bons résultats de benchmark pour plusieurs raisons :
- Montrer que le moteur mathématique sous-jacent est assez performant pour collaborer utilement sur des questions de pointe.
- Démontrer que les benchmarks offrent un cadre contrôlé pour mesurer la valeur ajoutée de la couche d'orchestration.
- Fournir un proxy d'efficacité collaborative, faute de mesure standardisée aujourd'hui.
Les résultats : le co-mathématicien IA a obtenu 48 % sur FrontierMath Tier 4, un benchmark de niveau recherche. Il s'agit du meilleur score rapporté, y compris face à Gemini 3.1 Pro de Google, qui a obtenu 19 % au même test, même palier. Epoch AI a relevé des erreurs dans environ un tiers des problèmes FrontierMath (Tiers 1à 4) et mène une revue humaine.
Le co-mathématicien IA a atteint 87 % sur un benchmark interne à Google comprenant 100 problèmes inédits de niveau recherche avec réponses vérifiables par code, fournis par des mathématiciens professionnels, tandis que Gemini 3.1 Pro a obtenu 57 % et Gemini 3.1 Deep Think 70 %.
Limites connues du co-mathématicien IA
L'article est transparent sur plusieurs limites structurelles :
- Le principal contrôle qualité vient des agents relecteurs et des agents de preuve. Le cycle de revue adverse peut introduire un biais « pour plaire au relecteur », amenant les agents à converger vers des arguments satisfaisant l'agent relecteur plutôt que vers la vérité. C'est une vulnérabilité réelle.
- Un LaTeX soigné peut donner une illusion de rigueur. Un document bien mis en forme paraît achevé, que le fond mathématique soit correct ou non.
- Le système fonctionne bien uniquement avec un véritable expert du domaine. Un non-spécialiste risque de confier un problème vague au système et de se fier aveuglément à sa sortie.
- Les preuves générées par l'IA exigent encore une vérification humaine. Les preuves de Bérczi, par exemple, étaient encore en revue humaine lors de la publication.
En guise de conclusion
Le co-mathématicien IA marque un passage de la demande « résous-moi ce problème » à une collaboration sur le processus itératif et désordonné de la recherche mathématique. Le vrai goulot d'étranglement, c'est l'infrastructure de flux de travail qui reflète la pratique réelle des mathématiciens.
Si vous souhaitez construire vous-même des systèmes agentiques de ce type, les parcours Associate AI Engineer for Developers et Associate AI Engineer for Data Scientists de DataCamp sont un excellent point de départ.