Claude formalise le dernier théorème de Fermat en Lean : 13 millions de lignes de code en 11 jours
Anthropic a publié le résultat d'un run où Claude a travaillé de façon largement autonome pendant onze jours pour produire la première preuve formelle vérifiable du dernier théorème de Fermat en langage Lean, générant 13 millions de lignes de code et démontrant plus de 30 000 théorèmes intermédiaires. Lean a validé le résultat, un mathématicien y voyant la plus grande preuve formelle jamais écrite, tout en précisant qu'il s'agit d'une formalisation d'une preuve existante et non d'une découverte nouvelle.
Ce type de démonstration ouvre un terrain d'expérimentation pour les laboratoires de mathématiques et d'informatique formelle, qui peuvent désormais tester des IA sur des tâches de vérification à grande échelle. Cela interroge aussi la pédagogie des cursus quantitatifs : si une machine formalise une preuve en quelques jours, la valeur ajoutée d'un enseignant-chercheur se déplace vers la conception des problèmes et l'interprétation des résultats plutôt que la seule exécution formelle.
Analyse produite par l’AI Transformation Office de l’ISC Paris, co-écrite avec Claude (Anthropic).
À lire aussi
Microsoft : son système MAI-DxO pose le bon diagnostic dans 83 % des cas complexes, contre 36 % pour des médecins seuls
Une étude publiée dans Science évalue MAI-DxO, un orchestrateur d'agents IA qui délibèrent collectivement, atteignant 83 % de bons diagnostics sur des cas complexes contre 36 % pour des médecins seuls travaillant sans assistance. L'essentiel du gain provient des modèles sous-jacents (GPT-5 et GPT-5.5), avec un apport plus faible sur les cas d'urgence, et une évaluation en conditions réelles démarre avec un centre hospitalier.
Ce type d'architecture multi-agents délibérative constitue un cas d'étude concret pour les formations en intelligence artificielle, en informatique médicale et en sciences de la santé. Il invite les enseignants-chercheurs à interroger, dans leurs cursus, la complémentarité entre expertise humaine et systèmes d'IA plutôt que leur simple substitution, et à intégrer ces méthodes d'évaluation rigoureuses (comparaison à des références publiées) dans les enseignements de recherche.
Perplexity et NVIDIA entraînent une IA « professeur » qui ajuste ses explications au niveau de l'élève
Une méthode baptisée JOLT, développée conjointement, entraîne un modèle à jouer à la fois le rôle d'enseignant et d'élève, récompensant le professeur lorsque ses explications restent accessibles au niveau de l'élève plutôt que lorsqu'il fournit la meilleure réponse. Sur les mathématiques, cette approche atteint la précision d'une méthode de référence avec environ 6,5 fois moins de données d'entraînement, et le code doit être publié en open source.
Cette recherche illustre un changement d'optimisation des IA éducatives, désormais conçues pour l'étayage pédagogique et non plus seulement pour la justesse de la réponse. C'est un signal fort pour les enseignants-chercheurs qui développent ou évaluent des tuteurs intelligents destinés aux étudiants, et la publication en open source facilitera des expérimentations pédagogiques dans les établissements.
Anthropic lance Claude Duet, un agent qui travaille entre deux conversations
Anthropic a annoncé le 21 octobre Claude Duet, un agent en préversion de recherche doté de sa propre machine virtuelle et de son navigateur, qui surveille les outils connectés d'un utilisateur et soumet chaque action sensible à validation avant exécution. L'accès est limité aux abonnés Pro et Max aux États-Unis, sur liste d'attente.
Ce type d'agent branché en continu sur messagerie et agenda manipule par nature des données personnelles d'étudiants et de personnels, ce qui impose aux établissements de cadrer précisément les accès avant toute expérimentation. Les enseignants-chercheurs devront aussi réfléchir à l'usage pédagogique de tels agents dans la gestion du travail administratif et universitaire, tout en respectant les chartes IA et le RGPD.