# Shape réhabilite les mathématiques face à la Bitter Lesson > L’article de Shape affirme que les modèles à grande échelle déplacent les mathématiques vers l’analyse des phénomènes empiriques. Type : Actualité IA · Catégorie : Tendances · Publié le 2026-08-25 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/shape-repense-le-role-des-mathematiques-face-aux-grands-modeles Tags : mathématiques, apprentissage automatique, modèles génératifs, recherche, interdisciplinarité --- ## En résumé - Les modèles entraînés avec davantage de données et de paramètres ont produit des capacités difficiles à prévoir théoriquement. - Les mathématiques peuvent analyser les activations cachées, les poids et les symétries des modèles. - La dimension intrinsèque aide à étudier la généralisation, la robustesse et certaines hallucinations des modèles génératifs. **Le signal :** Shape défend un rôle renouvelé des mathématiques, de la garantie théorique vers l’analyse des modèles entraînés à grande échelle. **Shape défend** un rôle renouvelé pour les mathématiques dans la recherche en [apprentissage automatique](/signal-ia/actu/the-gradient-revele-le-nouveau-role-des-mathematiques-en-ia). L’article publié le 25 août 2026 décrit un déplacement observé depuis dix ans. Les architectures conçues avec des principes mathématiques produisent parfois des progrès marginaux. Les approches centrées sur l’ingénierie augmentent les volumes d’entraînement et le nombre de paramètres. Elles ont généré des capacités remarquables, souvent imprévues par les théories existantes. Cette évolution remet régulièrement en avant la « Bitter Lesson », selon l’article. Shape ne conclut pas à la disparition des mathématiques. Le texte soutient plutôt que leurs usages et leurs domaines d’impact sont en train de changer. **L’analyse s’élargit** également à d’autres disciplines. L’article estime que les [mathématiques](/signal-ia/actu/la-topologie-bouscule-lia-au-detriment-des-maths-classiques) devront partager leur rôle avec la biologie et les sciences sociales. La biologie étudie des systèmes complexes difficiles à réduire. Les sciences sociales deviennent pertinentes lorsque l’IA s’intègre davantage dans la société. Selon Shape, cette interdisciplinarité doit être considérée positivement par les chercheurs. Les mathématiques pourraient désormais expliquer après entraînement des phénomènes observés dans les performances des modèles. Cette fonction rappellerait leur usage en physique. Elles pourraient aussi guider des choix de niveau supérieur, comme l’association entre une architecture, la structure d’une tâche et les symétries des données. ## Les modèles dépassent les statistiques **Un score ne suffit** pas pour comprendre un modèle d’apprentissage profond. Shape prend l’exemple d’un réseau de 7 milliards de paramètres et de 50 couches. Sa précision sur des évaluations standard constitue une première mesure, mais elle reste limitée. Deux modèles peuvent afficher la même précision tout en différant sur les données hors distribution. Ils peuvent aussi présenter des écarts de calibration et de robustesse face aux attaques adversariales. Les activations cachées permettent de suivre la transformation d’une entrée en prédiction. Cependant, elles évoluent dans des espaces de grande dimension peu accessibles à l’intuition humaine. Les poids ajoutent encore des millions ou milliards de directions possibles. **Les outils abstraits** offrent une autre voie pour étudier ces espaces. L’article explique que les mathématiciens analysent notamment la structure algébrique des rotations. En dimension 512, un espace de rotations se décrit dans un espace de dimension 512². La visualisation directe devient alors difficile. La géométrie permet pourtant de considérer cet ensemble comme une variété. Cette approche généralise des intuitions familières en deux ou trois dimensions. Shape relie ce type d’outils à l’étude des poids, des activations cachées et des données. Les domaines dits purs, comme la topologie, l’algèbre et la géométrie, rejoignent ainsi la probabilité, l’analyse et l’algèbre linéaire. ## La dimension intrinsèque structure les données **La dimension intrinsèque** mesure les degrés de liberté effectifs d’un jeu de données, d’une représentation ou d’un ensemble de matrices. L’hypothèse des variétés suppose que certaines données résident approximativement sur une variété de faible dimension. Des travaux cités par Shape relient cette dimension à la facilité de généralisation entre les ensembles d’entraînement et de test. Elle peut aussi expliquer des différences de performance et de robustesse dans des domaines comme les images médicales. Des recherches l’utilisent dans certaines explications des lois d’échelle des données. Elles observent également des changements caractéristiques de dimension dans les activations cachées pendant le traitement de l’information ou durant la diffusion. **Ces usages s’étendent** à plusieurs tâches d’analyse des modèles. La dimension intrinsèque a été mobilisée pour détecter des exemples adversariaux et des contenus générés par l’IA. Elle aide aussi à repérer les couches contenant le plus de contenu sémantique. Des travaux l’emploient enfin dans l’étude des hallucinations des [modèles génératifs](/signal-ia/actu/discoformer-reduit-lerreur-du-kde-de-plus-de-37-fois). L’article rappelle que les réseaux convolutifs équivariants par translation appliquent depuis plus de 40 ans l’idée d’associer architecture et symétries des données. Shape présente cette continuité comme un exemple d’évolution des usages mathématiques. Les mathématiques ne disparaissent donc pas. Elles interviennent davantage dans la caractérisation et l’interprétation de phénomènes empiriques complexes. **La source détaille** cette évolution dans l’article de Shape, [« Shape, Symmetries, and Structure »](https://thegradient.pub/shape-symmetry-structure/). Pour replacer l’exemple des réseaux convolutifs équivariants dans son histoire, l’article renvoie également à [Distill](https://distill.pub/2020/circuits/equivariance). Le texte ne présente pas une méthode unique pour comprendre les modèles. Il décrit plutôt un ensemble d’outils adaptés aux espaces de grande dimension. La topologie, la géométrie et l’algèbre y complètent les méthodes statistiques traditionnelles. Selon Shape, leur contribution se déplacera vers les structures générales des tâches, des données et des représentations. Les garanties théoriques resteront présentes, mais elles ne constitueront plus l’unique rôle des mathématiques.