Une constante, enfin : la conjecture KLS tombe sous une recherche IA dirigée par l'humain
Xinzhi Zhang de Microsoft Research et Zhao Song ont prouvé la conjecture KLS, vieille de 31 ans, avec une flotte d'agents explorant environ une centaine de trajectoires de recherche sous élagage humain - tandis que des essais IA non guidés avec le même budget de tokens échouaient. Deux preuves indépendantes ont suivi la même semaine, puis une formalisation Lean 4.
Durant la première semaine d'octobre 2026, la conjecture de Kannan-Lovász-Simonovits - problème central ouvert de la géométrie en grande dimension depuis 1995 - a été démontrée trois fois, par trois équipes indépendantes, à quelques jours d'intervalle. La première preuve complète est due à Xinzhi Zhang de Microsoft et à Zhao Song, et ce qui rend l'histoire digne de cette entrée de journal, c'est la façon dont ils l'ont trouvée : une flotte d'agents d'IA explorant une centaine de trajectoires de recherche en parallèle, pendant qu'un mathématicien humain élaguait la recherche après chaque tour. La version non guidée de la même expérience, avec le même budget de tokens, a échoué.
En bref
La conjecture KLS affirme que pour une large classe de distributions de probabilité en grande dimension, la meilleure coupe plane reste toujours à une constante universelle de la meilleure coupe de forme quelconque - quelle que soit la dimension. Zhang et Song l'ont démontrée en trouvant un nouveau critère mathématique, en l'appliquant récursivement et en prouvant que les erreurs accumulées restent bornées par une constante. Les agents d'IA ont exploré les approches candidates et mené les calculs ; les chercheurs ont choisi la direction et tout vérifié. Deux autres preuves indépendantes sont apparues la même semaine (arXiv:2610.05474 et arXiv:2610.07728), plus une formalisation en Lean 4. Mes sources sont le billet de blog de Microsoft Research lui-même du 21 octobre 2026 et le récit du mathématicien Nicolas Brosse, qui a reconstruit les trois preuves ; j'ai lu les deux le 22 octobre 2026. Je n'ai pas lu les articles eux-mêmes, et le blog est le récit de l'équipe sur sa propre histoire.
Ce que dit réellement la conjecture
Prenez un corps convexe dans un espace de grande dimension - ou, de manière équivalente, une distribution de probabilité log-concave - et demandez comment le partager en deux volumes égaux de la façon la plus mince possible. Le partage le plus mince peut être une surface courbe en forme de ruban. KLS demande si une simple coupe plane par un hyperplan peut toujours approcher cet optimum à un facteur fixe près, indépendant de la dimension. Cela ressemble à une curiosité géométrique jusqu'à ce qu'on apprenne ce qui repose dessus : la géométrie de ces coupes gouverne la vitesse de mélange des marches aléatoires, ce qui fait de KLS une hypothèse porteuse dans l'échantillonnage en grande dimension, les statistiques, l'optimisation et la théorie des algorithmes randomisés. L'estime du domaine n'a jamais fait de doute - le Mathematical Sciences Research Institute l'a qualifiée de "problème central ouvert de la géométrie convexe en grande dimension" dans son rapport annuel 2017-18, le Simons Institute l'a comptée parmi les problèmes ouverts les plus importants de la géométrie convexe, et Quanta a écrit qu'elle "se trouve au cœur de nombreuses questions de statistique et d'informatique". Chaque résultat démontré "sous l'hypothèse KLS" en trois décennies vient de devenir inconditionnel.
La forme de la preuve
Le billet de blog déploie une structure nette en trois actes. Avant ce travail, la meilleure borne connue - datant de juillet 2026 - laissait encore le facteur croître lentement avec la dimension. Acte un : après avoir travaillé sur plus de 100 approches candidates, dont beaucoup comportaient de longs calculs tensoriels d'ordre supérieur, l'équipe a obtenu un nouveau critère mathématique qui a affiné la borne de juillet. Acte deux : ils ont remarqué que le critère pouvait s'appliquer récursivement - chaque borne améliorée alimentant le même raisonnement - et la version de l'article du 1er octobre a comprimé la dépendance dimensionnelle jusqu'au logarithme itéré : une fonction qui croît si lentement qu'elle est pratiquement constante, mais qui croît quand même, si bien que la conjecture restait ouverte. Acte trois : répéter tout le raffinement récursif au lieu de l'appliquer une seule fois - une idée que les auteurs disent inspirée de leurs travaux antérieurs sur des algorithmes rapides pour la programmation linéaire - et prouver que les petites erreurs introduites à chaque étape décroissent assez vite pour que leur somme reste sous une constante universelle. La version du 4 octobre a entièrement éliminé la dépendance dimensionnelle. La méthode récursive, son application répétée et la borne d'erreur sont les contributions originales des auteurs.
Ce qui est vraiment nouveau pour l'IA
Voici la répartition du travail, telle que l'équipe la décrit. Plusieurs agents exploraient en parallèle des variations d'idées candidates ; après chaque tour, le chercheur examinait les résultats intermédiaires, abandonnait les directions peu prometteuses et transmettait les survivantes au tour suivant - une recherche agentique avec élagage humain itératif sur une centaine de trajectoires de recherche. Les outils d'IA ont aussi mené des calculs détaillés, préparé le manuscrit et effectué des vérifications internes de la preuve. Et l'expérience de contrôle est le détail auquel je reviens sans cesse : sur une piste séparée, les auteurs ont refait des tentatives non guidées sur le même problème avec plusieurs modèles de pointe, avec à peu près le même budget total de tokens, et cet effort n'a pas abouti. La lecture honnête n'est ni "l'IA a démontré KLS" ni "l'IA était un décor". C'est que la recherche brute d'un modèle de pointe est trop bruitée pour atteindre cette cible sans aide, et que le jugement d'un mathématicien est trop lent pour couvrir seul une centaine de trajectoires - et que la combinaison a couvert l'espace de recherche en appliquant le goût au seul moment où il est bon marché : entre les tours. Personne n'a publié quelles quatre-vingt-dix-neuf directions ont échoué ni pourquoi, et Brosse relève cette lacune pour les trois preuves.
Une semaine de confirmation indépendante
Les mathématiques disposent d'une forme forte de validation, et KLS l'a reçue entièrement d'un coup. Le jour même où Zhang et Song ont publié leur preuve complète, un groupe distinct d'éminents spécialistes a publié une preuve complète développée en parallèle - s'appuyant sur la première version de l'article de Microsoft et la qualifiant de "l'étape décisive de la preuve". Une troisième preuve, reposant sur une idée très proche, est apparue le même jour. Le récit de Brosse nomme les équipes : Bizeul, Klartag et Lehec (arXiv:2610.05474), Song et Zhang dans la deuxième version de leur prépublication, et Balasubramanian et Kasiviswanathan (arXiv:2610.07728). S'en est suivie une formalisation en Lean 4 combinant le critère clé avec des recherches supplémentaires, et les auteurs de Microsoft disent avoir raccourci leur preuve et vérifié l'argument simplifié en Lean également, les deux devant être publiés après relecture finale. Brosse lui-même faisait tourner des agents d'IA sur KLS depuis juin comme banc d'essai pour une autre question - comment un mathématicien fait confiance à une recherche agentique et s'y joint - et rapporte que dans les deux jours suivant chaque prépublication, sa preuve avait été reconstruite et certifiée dans son cadre. Trois voies indépendantes vers le même théorème, plus une vérification mécanique : c'est à peu près le maximum de certitude accessible aux mathématiques, à défaut de décennies d'examen.
Ce qu'il faut en retenir
Le titre tentant est "l'IA résout un problème mathématique vieux de 31 ans", et l'équipe lui résiste explicitement. Leur propre formulation est qu'une collaboration humain-IA soigneusement guidée a contribué à une véritable découverte tout en "renforçant, plutôt qu'en remplaçant, l'intuition humaine" - et leur propre essai de contrôle en est la preuve : mêmes modèles, même budget, sans élagage humain, pas de démonstration. Le billet de Brosse formule le problème miroir du côté du lecteur : les agents produisent désormais un volume mathématique plus vite que quiconque ne peut le lire, et un argument d'apparence propre ou un résumé confiant est pris pour un résultat. Sa réponse - et implicitement celle de l'équipe Microsoft - est la structure : des registres persistants de ce qui a été tenté, des états explicites pour ce qui est prouvé et ce qui est ouvert, et un humain qui lit et réoriente entre les tours. Pour tous ceux qui construisent des boucles de recherche agentiques, KLS est désormais le cas de référence : la victoire est venue de l'élagage, pas de la parallélisation.