# The Gradient repense la place des maths face à l’ingénierie IA > The Gradient affirme que les mathématiques restent centrales en apprentissage automatique, mais qu’elles passent des garanties théoriques à l’analyse des modèles. Type : Actualité IA · Catégorie : Tendances · Publié le 2026-09-11 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/the-gradient-redefinit-le-role-des-maths-en-ia Tags : mathématiques, apprentissage automatique, modèles, recherche, théorie --- ## En résumé - Les modèles entraînés à grande échelle dépassent parfois les approches guidées par la théorie. - Les mathématiques peuvent expliquer après coup des phénomènes observés pendant l’entraînement. - La dimension intrinsèque aide à étudier les données, les activations et la robustesse. **Le signal :** The Gradient défend un rôle renouvelé des mathématiques, de l’analyse postérieure des modèles aux choix d’architectures fondés sur les symétries. **The Gradient soutient** que les mathématiques conservent un rôle central dans la recherche en [apprentissage automatique](/signal-ia/actu/lia-deplace-les-mathematiques-vers-les-donnees). L’article décrit toutefois un déplacement de leurs usages. Les architectures conçues avec des principes mathématiques produisent parfois des améliorations marginales. À l’inverse, des méthodes centrées sur l’ingénierie, le calcul et l’augmentation des jeux d’entraînement ont généré des capacités nouvelles. Ces progrès n’étaient pas toujours prévus par les théories existantes. Cette situation rappelle la « Bitter Lesson », selon laquelle les méthodes capables d’exploiter davantage de calcul ont régulièrement pris l’avantage. L’article publié par [The Gradient](https://thegradient.pub/shape-symmetry-structure/) analyse cette évolution sans conclure à la disparition de la théorie. **La recherche devient interdisciplinaire** car les [mathématiques](/signal-ia/actu/shape-repense-le-role-des-mathematiques-face-aux-grands-modeles) ne sont plus seules à guider l’apprentissage automatique. L’article cite notamment la biologie, qui étudie des systèmes irréductiblement complexes, et les sciences sociales, utiles pour analyser l’intégration de l’IA dans la société. Les auteurs prévoient que les mathématiques serviront davantage à expliquer après coup des phénomènes observés dans l’entraînement et les performances. Ce rôle est rapproché de celui des mathématiques en physique. Leur intuition pourrait aussi se déplacer vers des décisions de niveau supérieur. Il s’agirait notamment d’associer une architecture à la structure de la tâche ou aux symétries des données. ## Les architectures suivent les symétries **La convolution équivariante** illustre cette évolution depuis plus de 40 ans. Elle associe l’architecture d’un réseau neuronal convolutionnel aux symétries des données. L’article présente cette idée comme un exemple ancien d’un usage mathématique orienté vers la structure globale d’un problème. Les domaines mobilisés s’élargissent également. La [topologie](/signal-ia/actu/mathematiques-et-ia-comment-lalgorithme-les-redefinit), l’algèbre et la géométrie rejoignent les champs plus traditionnellement appliqués, comme les probabilités, l’analyse et l’algèbre linéaire. Ces domaines permettent d’étudier des espaces, des objets algébriques et des processus combinatoires très abstraits. Ils sont présentés comme des outils pour comprendre les modèles d’apprentissage profond et leurs comportements complexes. **Un modèle reste difficile** à décrire avec quelques statistiques de performance. Un réseau de 7 milliards de paramètres et 50 couches peut afficher une précision donnée sur des tests, tout en possédant des propriétés différentes de généralisation hors distribution, de calibration ou de robustesse adversariale. Les activations internes ajoutent une autre difficulté. Elles sont souvent de grande dimension et ne présentent pas une structure directement compréhensible. L’espace des poids ouvre encore davantage de directions d’analyse, jusqu’à des millions ou des milliards de directions orthogonales. L’article compare cette situation à une description d’éléphant obtenue par le contact d’une seule pointe. ## La dimension mesure les degrés **La dimension intrinsèque** fournit un outil pour caractériser la complexité d’un jeu de données, d’une représentation apprise ou d’un ensemble de matrices de poids. L’hypothèse des variétés suppose que certaines données résident approximativement sur une variété de faible dimension, même lorsqu’elles sont plongées dans un espace plus vaste. Des travaux cités dans l’article indiquent que cette dimension semble corrélée à la facilité de généralisation entre entraînement et test. Elle peut aussi expliquer des différences de performance et de robustesse dans des domaines comme l’imagerie médicale. D’autres recherches l’utilisent pour étudier les activations cachées, les exemples adversariaux, les contenus générés, les hallucinations et les lois de changement d’échelle. La [référence sur l’équivariance](https://distill.pub/2020/circuits/equivariance) complète l’exemple architectural présenté.