Une progression spectaculaire dans la résolution de problèmes scientifiques

Publiée le 13 octobre 2026, l’étude AI Disruption and Falling Costs in Theory Research, menée par Gabriel Manso, Claudio Mayrink Verdun et Neil Thompson, chercheurs associés au MIT, met en évidence une accélération remarquable des capacités de raisonnement de l’intelligence artificielle.

Les scientifiques ont évalué six modèles d’OpenAI, de o1 à GPT-5.5, sur des problèmes issus de 254 publications scientifiques récentes.

Les résultats sont frappants : alors que le modèle o1 parvenait à retrouver la bonne conclusion dans seulement 2,8 % des cas, GPT-5.5 atteint désormais 34,6 %.

En seize mois, les performances ont ainsi été multipliées par plus de douze.

Plus surprenant encore, cette progression concerne plusieurs disciplines : théorie des probabilités, statistiques, économie, physique des hautes énergies, gravitation, cosmologie et physique quantique.

Les chercheurs n’observent pas, à ce stade, de ralentissement manifeste de cette dynamique. Un constat qui laisse entrevoir de profondes transformations dans la manière de produire des connaissances scientifiques.

Des problèmes que l’IA ne pouvait pas simplement mémoriser

L’une des particularités de cette étude réside dans sa méthodologie.

Pour éviter que les modèles ne se contentent de restituer des solutions déjà mémorisées pendant leur entraînement, les chercheurs ont sélectionné des problèmes provenant d’articles scientifiques récents, dont les réponses n’étaient pas disponibles dans leurs données d’apprentissage.

Les intelligences artificielles ont également été privées d’accès à Internet pendant les tests.

L’objectif était de mesurer leur capacité à raisonner face à des questions inédites, plutôt que leur aptitude à retrouver une réponse connue.

Les travaux portaient exclusivement sur des problèmes théoriques pouvant être résolus sans expériences physiques ni simulations informatiques.

Cette précision est essentielle : les modèles n’ont pas démontré leur capacité à mener seuls une recherche scientifique complète. Ils ont montré qu’ils pouvaient reproduire certains raisonnements et atteindre les conclusions de chercheurs humains.

Une différence importante, mais qui n’enlève rien à l’ampleur des progrès constatés.

Après les mathématiques, la physique pourrait-elle être la prochaine révolution ?

Ces résultats interviennent dans un contexte d'accélération des avancées de l'IA en mathématiques.

En septembre 2026, OpenAI a annoncé qu’un système expérimental avait produit une démonstration concernant le célèbre problème de Navier-Stokes, relatif aux équations décrivant le mouvement des fluides.

Cette annonce, qui a suscité un débat sur la validation des preuves et l'attribution des découvertes, illustre les ambitions croissantes des laboratoires d’intelligence artificielle.

Mais les mathématiques ne constituent peut-être qu’une première étape.

En physique théorique, les chercheurs tentent notamment de comprendre les lois fondamentales de l’Univers, le comportement des particules ou encore les propriétés de l’espace-temps.

Ces disciplines reposent sur des constructions mathématiques particulièrement complexes, qui nécessitent parfois des années de travail.

Si l’IA devient capable d’explorer rapidement différentes hypothèses, elle pourrait considérablement accélérer certaines découvertes.

Il serait néanmoins prématuré d’affirmer qu’elle surpasse déjà les physiciens dans leur ensemble : réussir un tiers des problèmes d’un benchmark ne signifie pas maîtriser une discipline scientifique.

Le chercheur humain est-il voué à disparaître ?

L’arrivée de l’intelligence artificielle dans la recherche théorique soulève une question incontournable : quel rôle restera-t-il aux scientifiques ?

Pour les auteurs de l’étude, les progrès des modèles ne rendent pas l’expertise humaine obsolète.

La recherche ne consiste pas uniquement à résoudre des équations. Elle implique aussi de formuler les bonnes questions, d’imaginer de nouvelles hypothèses et de relier des découvertes issues de domaines différents.

Surtout, les intelligences artificielles demeurent faillibles.

Certaines solutions mathématiques annoncées par OpenAI ont ainsi été retirées après publication, rappelant qu’un raisonnement apparemment convaincant peut contenir des erreurs.

Une réponse correcte ne garantit pas toujours une démonstration rigoureuse, et une découverte scientifique ne peut reposer uniquement sur l’assurance d’une machine.

La vérification, l’interprétation et la compréhension des résultats restent donc essentielles.

L’IA pourrait ainsi transformer le métier de chercheur plutôt que le remplacer, en devenant un outil capable d’explorer des pistes que les humains n’auraient pas nécessairement envisagées.

Vers une science où l’humain ne raisonne plus seul ?

Les résultats du MIT suggèrent que l’intelligence artificielle pourrait bientôt occuper une place centrale dans certaines activités de recherche théorique.

Son principal atout ne serait pas seulement sa rapidité, mais aussi sa capacité à rendre l’exploration de problèmes complexes beaucoup moins coûteuse et plus accessible.

Cependant, une interrogation demeure : si les machines deviennent capables de produire des démonstrations que seuls quelques experts peuvent vérifier, comment préserver notre compréhension des découvertes scientifiques ?

Car résoudre un problème n’est pas toujours équivalent à le comprendre.

L’enjeu pourrait donc dépasser la simple compétition entre l’humain et la machine. Il s’agirait plutôt d’inventer une nouvelle manière de faire de la science, où l’intelligence artificielle accélère les découvertes sans faire disparaître le jugement critique.

Après les mathématiques, la physique théorique semble désormais à portée des modèles les plus avancés. Mais une question reste ouverte : la prochaine révolution scientifique sera-t-elle réalisée par l’intelligence artificielle ou grâce à une collaboration inédite entre chercheurs et machines ?