Le prouveur de théorèmes Lean et l'essor de l'autoformalisation pratique en 2026

Les mathématiciens se tournent de plus en plus vers le prouveur de théorèmes Lean pour garantir la fiabilité absolue des preuves mathématiques. À la fin du printemps 2025, les chercheurs ont commencé à atteindre des jalons significatifs dans l'autoformalisation, un processus où l'intelligence artificielle traduit les preuves sur papier en code vérifiable par machine. Ce changement marque la transition d'une vérification manuelle laborieuse vers une formalisation assistée par IA, modifiant fondamentalement la manière dont la cohérence mathématique est maintenue dans la science et la civilisation.

Ce qui s'est passé

La preuve formelle implique la vérification exhaustive des arguments mathématiques au niveau de la logique fondamentale. Bien que théoriquement possible à la main, le volume considérable d'étapes nécessite l'assistance informatique. Des systèmes logiciels connus sous le nom d'assistants de preuve ou de prouveurs interactifs de théorèmes assurent cette tâche. Parmi les exemples notables figurent Automath, HOL Light, Isabelle, Metamath, Mizar et Coq, qui a été renommé Rocq l'an dernier. Parmi ces outils, Lean est devenu le choix le plus populaire chez les mathématiciens. Développé par Leo de Moura chez Microsoft en 2013, Lean a été publié comme logiciel open source, permettant une adoption généralisée. Jeremy Avigad, directeur de l'institut ICARM de la Carnegie Mellon University soutenu par la NSF, fut un précurseur, animant un séminaire en 2015 qui contribua à susciter l'intérêt de la communauté.

L'écosystème autour de Lean a connu une croissance significative avec la création de mathlib, une vaste bibliothèque de mathématiques formalisées. Initiée en 2017 par Mario Carneiro et Johannes Hölzl, mathlib contient désormais près de 300 000 théorèmes, plus de 100 000 définitions et 2,5 millions de lignes de code contribué par plus de 700 personnes. Cette bibliothèque permet aux mathématiciens de citer des résultats existants, tels que l'inégalité de Cauchy-Schwarz, sans avoir à les reprover. Les formalisations récentes de haut profil achevées cette année incluent l'explosion forcée de Navier-Stokes, l'empilement de sphères dans les dimensions 8 et 24, et le Dernier Théorème de Fermat. Ces projets ont largement sensibilisé le public au potentiel de la vérification formelle.

L'autoformalisation, soit l'utilisation de l'IA pour convertir les preuves sur papier en code formel, est passée d'un rêve théorique à une réalité pratique en 2026. Auparavant, la formalisation d'un seul résultat majeur comme la conjecture de Kepler nécessitait environ 20 années-hommes et produisait 500 000 lignes de scripts de preuve. Désormais, les systèmes d'IA peuvent lire des fichiers PDF ou TeX et générer des preuves formelles. Les jalons atteints fin 2025 et début 2026 ont démontré des progrès rapides. En septembre 2025, Math Inc. a réalisé une quasi-autoformalisation du théorème des nombres premiers, bien qu'elle ait encore nécessité une guidance humaine lorsque l'IA était bloquée. En janvier 2026, J. Urban a publié un preprint arXiv détaillant l'autoformalisation de grandes sections du manuel de topologie de Munkres, générant 130 000 lignes de code en seulement deux semaines.

D'autres avancées ont suivi rapidement. En mars 2026, peu après l'annonce de la formalisation de l'empilement de sphères en 8 dimensions, Math Inc. a annoncé l'autoformalisation du problème d'empilement de sphères en 24 dimensions, basé sur la preuve de Viazovska. Ce projet a initialement généré environ 500 000 lignes de code source, réduites ensuite à 200 000 lignes grâce à l'élagage du code. En mai 2026, une équipe de Meta/Facebook Research a achevé le projet ATLAS, autoformalisant de larges portions de 26 manuels de mathématiques. Ces développements indiquent que l'IA est désormais capable de gérer des tâches substantielles de formalisation mathématique avec une intervention humaine minimale.

Comment cela fonctionne

L'autoformalisation repose sur l'intelligence artificielle pour interpréter les textes mathématiques en langage naturel et les traduire dans la syntaxe logique stricte requise par des assistants de preuve comme Lean. L'IA lit les fichiers d'entrée, tels que les documents PDF ou TeX, et tente de construire une preuve formelle étape par étape. Dans les premières phases, ce processus était « quasi-automatique », ce qui signifiait que les humains devaient fournir une orientation chaque fois que le système rencontrait des difficultés. À mesure que les modèles se sont améliorés, le besoin d'intervention humaine a diminué, permettant la génération rapide de vastes bases de code. Le code résultant peut ensuite être optimisé ou « golfé » pour réduire sa taille tout en maintenant la correction, comme observé lors de la réduction de la preuve d'empilement de sphères en 24 dimensions, passant de 500 000 à 200 000 lignes.

Détails clés

• Lean a été développé par Leo de Moura chez Microsoft en 2013 et publié comme logiciel open source.
• La bibliothèque mathlib pour Lean contient près de 300 000 théorèmes et 2,5 millions de lignes de code provenant de plus de 700 contributeurs.
• L'autoformalisation est devenue une réalité pratique en 2026, avec des jalons significatifs atteints entre la fin 2025 et mai 2026.
• Math Inc. a autoformalisé le problème d'empilement de sphères en 24 dimensions, générant 500 000 lignes de code qui ont été élaguées à 200 000.
• Le projet ATLAS de Meta/Facebook Research a autoformalisé de grandes parties de 26 manuels de mathématiques d'ici mai 2026.
• Les efforts précédents de formalisation manuelle, tels que ceux liés à la conjecture de Kepler, ont nécessité environ 20 années-hommes pour être achevés.

Pourquoi c'est important

Pour les ingénieurs logiciels et les responsables techniques, l'essor de l'autoformalisation signale un changement dans la manière dont les systèmes logiques complexes sont vérifiés. La capacité de l'IA à traduire le raisonnement mathématique informel en code rigoureux et vérifiable par machine suggère que des techniques similaires pourraient être appliquées à la spécification et à la vérification logicielles. Cela réduit la charge liée à la rédaction manuelle de preuves, historiquement un goulot d'étranglement pour assurer la fiabilité des systèmes. À mesure que des outils comme Lean mûrissent et s'intègrent à l'IA, ils offrent une voie vers une assurance accrue dans les systèmes critiques, allant des protocoles cryptographiques aux infrastructures de sécurité vitale.

L'ampleur des réalisations récentes démontre que l'IA peut gérer des structures mathématiques non triviales. L'achèvement des formalisations du Dernier Théorème de Fermat et de l'empilement de sphères en haute dimension montre que ces outils ne sont plus limités à des exercices simples. Pour les développeurs créant des produits dépendant de la justesse mathématique, comprendre ces workflows offre un aperçu des futurs outils. L'intégration de l'IA dans les méthodes formelles pourrait bientôt permettre la vérification automatisée d'algorithmes complexes, réduisant les erreurs et augmentant la confiance dans les systèmes déployés.

Ce que vous pouvez faire

• Explorez le prouveur de théorèmes Lean et sa documentation pour comprendre les bases de la vérification formelle.
• Passez en revue la bibliothèque mathlib pour voir des exemples de définitions et de théorèmes mathématiques formalisés.
• Étudiez les preprints arXiv récents sur l'autoformalisation pour comprendre les capacités et les limites actuelles de l'IA.
• Expérimentez la conversion de petites preuves mathématiques en code Lean pour acquérir une expérience pratique.
• Suivez les développements de groupes comme Math Inc. et Meta Research pour rester informé des améliorations des outils.
• Réfléchissez à la manière dont les principes de vérification formelle pourraient être appliqués à votre propre cycle de vie de développement logiciel.