Après un score de niveau médaille d’or à l’Olympiade internationale de mathématiques 2025, Google DeepMind a déplacé Gemini Deep Think vers un terrain plus difficile à évaluer : les problèmes ouverts de la recherche professionnelle.
En février 2026, le laboratoire a présenté une série de collaborations en mathématiques, physique et informatique, ainsi qu’un agent interne nommé Aletheia.
Pourquoi les problèmes de recherche sont différents
Un exercice d’olympiade est conçu pour être résolu en quelques heures et dispose d’une solution de référence. Un problème de recherche peut exiger une littérature très spécialisée, contenir des formulations ambiguës et ne pas avoir de solution connue.
Dans sa présentation, DeepMind reconnaît deux difficultés centrales : le manque de données dans les domaines avancés et la tendance des modèles à produire une justification plausible mais fausse.
Aletheia : générer, critiquer, recommencer
Aletheia associe Gemini Deep Think à un vérificateur en langage naturel. L’agent produit une solution candidate, cherche ses faiblesses, puis la révise. Il peut consulter la littérature et utiliser des calculs pour tester certaines étapes.
Une fonctionnalité paraît presque banale, mais elle est déterminante : le système peut admettre qu’il n’a pas résolu le problème. Dans la recherche, un refus argumenté vaut mieux qu’une preuve imaginaire.
DeepMind décrit aussi le « balanced prompting », qui consiste à demander simultanément une preuve et une réfutation. Cette symétrie limite le biais de confirmation : l’agent ne doit pas seulement défendre la première intuition proposée.
Des contributions de plusieurs natures
Les travaux présentés ne relèvent pas tous du même niveau d’autonomie. Certains problèmes d’Erdős auraient été traités directement par l’agent ; d’autres résultats sont issus d’une collaboration étroite dans laquelle les humains choisissent une direction, apportent du contexte et corrigent les étapes.
Cette classification est utile. Une formule comme « l’IA a découvert » masque souvent plusieurs réalités :
- autonomie presque complète après formulation du problème ;
- résolution guidée par des indications humaines ;
- vérification ou extension d’une idée proposée par un chercheur ;
- accélération de calculs et de recherches bibliographiques.
Le véritable produit est une méthode de travail
La leçon dépasse Gemini. Les résultats les plus robustes apparaissent quand un modèle est entouré de garde-fous : vérificateur, exécution de code, accès aux sources, historique des tentatives et supervision experte.
Pour les entreprises et laboratoires, cela change la question d’adoption. Il ne suffit pas de choisir « le meilleur LLM ». Il faut concevoir un processus où chaque affirmation importante laisse une trace, où l’échec est autorisé et où la validation finale revient à une personne compétente.
Ce qu’il faudra observer
Les articles et sorties publiés permettront une évaluation par les communautés concernées. Il faudra mesurer combien de résultats résistent à cette lecture, combien se simplifient en idées fécondes et quel coût de calcul est nécessaire pour chaque succès.
Le passage des compétitions à la science ne se résume donc pas à une médaille supplémentaire. Il demande une nouvelle culture de preuve, d’attribution et de reproductibilité.
Source principale
- Google DeepMind — Accelerating mathematical and scientific discovery with Gemini Deep Think, 11 février 2026.
FAQ
Aletheia est-il simplement le modèle Gemini ?
Non. C’est un agent de recherche qui combine Gemini Deep Think avec des mécanismes de vérification, de révision, de navigation documentaire et de calcul.
Les résultats sont-ils entièrement autonomes ?
Les cas publiés couvrent plusieurs niveaux de collaboration, de contributions autonomes à des travaux guidés étroitement par des chercheurs.