ICM 2026 Public Lecture - Geordie Williamson

Valeur des informations & solidité de l’argumentation

La conférence offre une valeur indéniable en présentant des idées complexes de manière accessible, tout en conservant une rigueur scientifique. L’argumentation est solide, s’appuyant sur des exemples concrets et des références historiques. Williamson démontre une grande honnêteté intellectuelle en reconnaissant les limites et les incertitudes de l’IA, tout en soulignant son potentiel. La discussion sur la prédiction du prochain jeton est particulièrement éclairante, reliant des concepts de la théorie de l’information à la compréhension humaine. L’utilisation d’exemples personnels et de collaborations avec DeepMind renforce la crédibilité du propos.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est exemplaire : les sources sont clairement identifiées (Turing, Shannon, Gowers, etc.) et les affirmations sont étayées par des références précises. La qualité des sources est élevée, avec des références à des articles fondateurs et à des travaux récents. L’adéquation entre le titre et le contenu est bonne, bien que le titre soit générique. La conférence respecte les standards académiques et offre une perspective équilibrée sur les avantages et les défis de l’IA en mathématiques.

Le titre est générique mais le contenu correspond bien à une conférence publique sur l'IA et les mathématiques.

9/10

Conférence par un mathématicien de renom, s'appuyant sur des références historiques et des travaux récents, avec une approche critique et nuancée.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction de Geordie Williamson par un collègue, présentant ses réalisations.
• 02:00Williamson commence sa conférence en citant la 'longue conversation' des mathématiques et l'impact de l'IA.
• 05:00Discussion sur Alan Turing et son article fondateur sur l'IA, 'Intelligent Machinery'.
• 10:00Présentation de la prédiction du prochain jeton (next token prediction) et de ses liens avec la compression et la compréhension.
• 15:00Explication des transformers et des lois d'échelle, avec des graphiques de Kaplan et al.
• 20:00Exemples de l'utilité des LLM pour les mathématiciens, notamment la découverte de grands hypercubes.
• 25:00Discussion sur les inquiétudes pour la prochaine génération de mathématiciens et l'importance de la compréhension.
• 30:00Réflexions finales sur l'avenir de la recherche mathématique avec l'IA.

• Intelligent Machinery (1948) — Article fondateur d'Alan Turing sur l'IA, mentionné par Williamson.
• A Mathematical Theory of Communication (1948) — Article de Claude Shannon sur la théorie de l'information, cité pour la prédiction de texte.
• Scaling Laws for Neural Language Models (2020) — Article de Kaplan et al. sur les lois d'échelle, mentionné par Williamson.
• The Philosophy and Fun of Algebra (1909) — Livre de Mary Boole, cité comme exemple de texte pour la prédiction.
• Algebraic Geometry (1977) — Livre de Robin Hartshorne, cité comme exemple de texte mathématique.

• DeepMind's AlphaTensor — Exemple de collaboration entre mathématiciens et IA pour découvrir de nouveaux algorithmes.
• Lean Theorem Prover — Outil de preuve formelle mentionné par Williamson comme un futur possible pour la vérification.

• Critique des lois d'échelle — Certains chercheurs remettent en question la généralité des lois d'échelle, arguant qu'elles pourraient ne pas s'appliquer à tous les domaines.