Euler : maths multi-agents centrées sur l'humain

Contexte

La plupart des travaux d'IA pour les mathématiques visent la seule réponse finale. Les agents à base de modèles de langage résolvent des problèmes difficiles et rédigent des preuves longues, mais les chercheurs peinent à comprendre le cheminement derrière un résultat : ils voient la conclusion, pas les arbitrages ni les pistes abandonnées.

Les recherches de longue durée souffrent aussi d'un contexte fragmenté. Une affirmation sans fondement peut entrer dans une chaîne de raisonnement et être citée à chaque étape suivante, jusqu'à ce que sa source devienne introuvable. Euler est un système de recherche mathématique centré sur l'humain, bâti sur une représentation structurée et partagée du processus de recherche. L'article s'appuie sur trois études de cas et décrit le système implémenté ainsi que sa vérification logicielle. Le résumé ne donne aucun résultat chiffré sur des benchmarks, et ce texte n'en avance donc aucun.

Analyse approfondie

Le cœur technique est le graphe de recherche. Il relie énoncés, hypothèses, dépendances de preuve, pistes alternatives, tentatives échouées et preuves de vérification. Les échecs y restent consignés au lieu d'être effacés du texte final. Le chercheur suit le graphe pour voir comment une conclusion s'est formée et sur quelles prémisses elle repose.

Pour les agents, le graphe est une source persistante de connaissances pertinentes pour la tâche. En planification, en collaboration et en vérification, un agent extrait la portion utile sans porter tout l'historique dans son contexte, ce qui préserve le fil d'une session à l'autre. Les dépendances et les preuves étant rattachées aux nœuds, savoir si une affirmation est étayée devient une question que l'on peut interroger, ce qui freine la propagation des assertions sans fondement.

Le chercheur peut aussi sélectionner un nœud lié à un état d'équipe sauvegardé, relire le raisonnement antérieur des agents et poursuivre l'échange vers d'autres voies, sans repartir de zéro. L'humain reste dans la boucle de décision. L'évaluation reste descriptive : les trois cas illustrent la croissance du graphe, la conservation des échecs et la reprise depuis un nœud, et la vérification logicielle confirme le comportement prévu des composants. Elle ne classe pas Euler face à d'autres systèmes.

Impact sur l'industrie

Euler déplace la question de « la réponse est-elle juste ? » vers « le processus peut-il être compris et réutilisé ? ». C'est proche de la pratique des mathématiciens, pour qui un théorème vaut aussi par la structure de sa preuve, les impasses explorées et les dépendances entre étapes. Conserver tout cela permet de dialoguer avec l'IA plutôt que de subir une boîte noire.

Pour les équipes qui construisent des systèmes multi-agents, le graphe offre un modèle pour les tâches longues : une mémoire externe structurée remplace un contexte qui gonfle, et une nouvelle session reprend le travail antérieur. Le résumé ne traite que de mathématiques. Étendre l'idée à la vérification formelle ou à la revue de code reste une extrapolation, pas un résultat de l'article.

Perspectives

Les preuves actuelles viennent d'études de cas et d'une vérification d'ingénierie. Que le graphe limite vraiment la propagation d'affirmations sans fondement et aide les recherches longues exige des comparaisons contrôlées, des études avec des mathématiciens et des reproductions indépendantes. Sans chiffres dans le résumé, les bénéfices sont plausibles et montrés par l'exemple, non mesurés.

Des questions restent ouvertes. Comment standardiser la structure du graphe entre outils ? Comment relier les preuves de vérification aux assistants de preuve formelle ? Comment rejouer des états d'équipe sauvegardés quand plusieurs chercheurs sont en désaccord ? Les réponses diront si le graphe de recherche devient une interface commune pour les mathématiques humain-IA ou s'il reste une particularité d'un seul système.