OpenAI revendique une percée mathématique en 88 heures

Une annonce spectaculaire, mais pas encore un verdict

L’affaire tient en une phrase vertigineuse: OpenAI dit avoir mobilisé environ 10 000 agents d’IA coordonnés pour produire une preuve liée au problème d’existence et de régularité de Navier–Stokes, l’un des sept problèmes du millénaire du Clay Mathematics Institute [2]. La démonstration revendiquée porterait sur l’apparition d’une singularité en temps fini: un fluide tridimensionnel initialement régulier, soumis à une force extérieure régulière, verrait sa vitesse devenir non bornée tout en conservant une énergie totale finie [2].

Mais le mot essentiel reste “revendiquée”. En mathématiques, un résultat de ce niveau ne devient pas vrai parce qu’un laboratoire l’annonce, parce qu’un modèle le déclare ou parce qu’un dépôt de code affiche une vérification formelle. Il devient accepté lorsque des spécialistes peuvent vérifier que la démonstration est correcte, que la formalisation correspond exactement à l’énoncé visé et que les idées utilisées sont correctement attribuées. Plusieurs synthèses récentes insistent sur ce point: la publication d’OpenAI demeure une affirmation d’entreprise, pas un prix du millénaire officiellement attribué [2][6].

Le chiffre de 88 heures reste néanmoins frappant. Selon les analyses disponibles, OpenAI a indiqué que l’effort consacré à Navier–Stokes aurait produit environ 2,7 millions de messages et 130 milliards de jetons de sortie, tandis que l’ensemble de la campagne sur les problèmes du millénaire aurait atteint environ 300 milliards de jetons de sortie [2]. Une estimation fondée sur les prix publics de GPT-6 Astra évalue le seul coût de sortie de la partie Navier–Stokes autour de 6,5 millions de dollars, et l’effort plus large autour de 15 millions de dollars [2]. Même si les coûts internes d’OpenAI sont différents, l’ordre de grandeur signale l’arrivée d’un nouvel instrument de recherche: une usine mathématique pilotée par centre de données.

Ce que demande le problème de Navier–Stokes

Les équations de Navier–Stokes décrivent le mouvement des fluides: l’eau dans une conduite, l’air autour d’une aile, le sang dans un vaisseau, les phénomènes atmosphériques et une partie du monde turbulent. Le problème mathématique central est de savoir si des solutions tridimensionnelles lisses restent toujours lisses, ou si les équations peuvent conduire à une singularité où certaines quantités, comme la vitesse, deviennent infinies. Des présentations récentes rattachent la forme moderne de la question aux travaux de Jean Leray en 1934, qui ont établi des solutions faibles sans clore la question de la régularité [3].

La voie revendiquée par OpenAI est celle de la réponse négative: la régularité pourrait échouer. Les synthèses techniques décrivent une construction de type vortex: le mouvement tourbillonne vers l’intérieur, s’étire le long d’un axe et accélère, tout en gardant une énergie finie [2]. Si la démonstration établit effectivement les alternatives pertinentes dans la formulation du Clay Institute, elle ne représenterait pas seulement un progrès dans les performances de l’IA; elle résoudrait l’un des problèmes ouverts les plus célèbres de l’analyse mathématique [3].

La vérification par Lean change le niveau de discussion, sans l’abolir. Un assistant de preuve peut vérifier mécaniquement qu’une conclusion découle des définitions et des lemmes formalisés. Il ne garantit pas à lui seul que l’énoncé formalisé correspond parfaitement au problème historique, que toutes les hypothèses ont été traduites correctement, ni que la contribution intellectuelle de travaux antérieurs est justement reconnue [4]. Lean peut donc fournir une piste d’audit remarquable, mais la décision scientifique reste collective.

Comment OpenAI dit avoir travaillé

Le récit qui émerge ne ressemble pas à un chatbot solitaire ayant une illumination. Il ressemble plutôt à une organisation parallèle de recherche. OpenAI aurait lancé des groupes d’agents après avoir entendu des rumeurs de progrès sur des problèmes du millénaire; ces agents exploraient des pistes différentes, partageaient des résultats intermédiaires et utilisaient des environnements outillés pour tester des fragments de raisonnement [2][3]. Un résultat apparent sur les équations d’Euler, voisines de Navier–Stokes mais sans viscosité, serait apparu d’abord après environ 50 heures et aurait ensuite orienté davantage de ressources vers Navier–Stokes [2].

La distinction entre le modèle public et le modèle interne est également importante. Dans un entretien publié le 15 septembre par Fortune, Sam Altman a précisé que le modèle ayant produit le travail sur Navier–Stokes n’était pas Astra, mais “One Beyond”, et qu’OpenAI ne comptait pas le lancer rapidement tant qu’elle ne saurait pas le faire de manière sûre [1]. Cette phrase déplace immédiatement le sujet: on ne parle plus seulement d’une prouesse mathématique, mais de gouvernance de modèles capables, selon l’entreprise, d’étendre la frontière de la connaissance.

Pour les chercheurs, le mécanisme le plus significatif est peut-être l’association entre exploration massive et vérification formelle. Des agents peuvent générer de nombreuses pistes fausses; un assistant de preuve peut les rejeter beaucoup plus systématiquement qu’un humain ne pourrait tout relire. Le saut de productivité apparaît lorsque le système produit assez de conjectures, de lemmes et de fragments formalisés utiles pour que le vérificateur devienne un filtre plutôt qu’un goulot d’étranglement. Une réflexion récente venue du monde de l’ingénierie voit dans ce schéma un possible bouleversement pour les domaines théoriques où les problèmes sont bien spécifiés et formalisables [5].

Le nœud de la vérification et du crédit

À ce stade, la situation est donc ambivalente: le matériau est assez public pour être examiné, mais il n’est pas encore accepté comme fait mathématique établi. Un compte rendu récent indique que la preuve d’OpenAI attend l’évaluation par les pairs, que le conflit de priorité n’est pas réglé et que le prix du Clay Institute n’a pas été attribué [4]. Une autre synthèse du processus du Clay rappelle qu’une solution proposée doit passer par une publication évaluée par les pairs, rester au moins deux ans sous examen et obtenir une acceptation générale de la communauté avant qu’un prix puisse être envisagé [6].

Cette lenteur n’est pas une lourdeur administrative: elle protège la discipline. Un problème du millénaire n’est pas un concours de programmation où une coche verte suffit. La communauté doit vérifier la correspondance exacte entre le code et l’énoncé, comprendre la preuve, tester ses traductions, comparer les hypothèses et repérer d’éventuels écarts entre l’intuition mathématique et la formalisation. Plus l’annonce est spectaculaire, plus cette lenteur est précieuse.

L’annonce est aussi prise dans une controverse de priorité. Des articles récents rapportent que Tristan Buckmaster, de NYU, et Levent Alpöge, d’Anthropic, travaillaient sur un résultat très proche concernant les équations d’Euler avant l’annonce d’OpenAI, et que Buckmaster a demandé si des travaux privés conservés dans l’environnement Codex d’OpenAI avaient pu influencer le modèle ou la démarche de l’entreprise [3]. Techweez rapporte qu’OpenAI a nié tout accès direct à leur travail et affirmé que ni ses chercheurs ni ses agents n’avaient vu ces résultats avant leur publication, tout en reconnaissant ne pas pouvoir exclure totalement que des données anonymisées issues de l’usage de ses produits aient contribué au développement de modèles [3].

Pour les mathématiques, ce n’est pas une querelle secondaire. Le crédit fait partie de la preuve. La valeur d’un théorème ne réside pas seulement dans la dernière ligne, mais aussi dans les idées, réductions, analogies, méthodes et résultats partiels qui rendent cette dernière ligne possible. Si des systèmes d’IA peuvent compresser des mois ou des années d’intuitions humaines en quelques heures de recherche automatisée, il faudra des règles plus nettes sur la provenance, les données privées, la paternité et les remerciements.

Ce que l’épisode annonce

Si la preuve d’OpenAI résiste à l’examen, l’épisode marquera un passage majeur: l’IA ne serait plus seulement une aide au calcul, au code ou à la recherche bibliographique, mais un acteur capable de produire un résultat mathématique de tout premier plan sous contrainte de vérification formelle. Cela augmenterait la demande en calcul haut de gamme, en assistants de preuve, en bibliothèques formelles et en spécialistes capables d’auditer des démonstrations générées par machine.

Si la preuve échoue, l’affaire restera tout aussi importante. Elle deviendra un avertissement contre la confusion entre puissance de calcul, apparence formelle et vérité mathématique. Dans les deux cas, le sujet n’est plus simplement “un modèle contre un benchmark”. C’est un ensemble: modèles, agents, logiciels de vérification, gouvernance des données, règles d’attribution et communauté experte chargée de décider ce qui entre réellement dans le savoir.

La position raisonnable, aujourd’hui, n’est donc ni le triomphe ni le rejet réflexe. OpenAI a peut-être produit une démonstration historique; elle a peut-être produit un artefact coûteux qui doit encore être réparé, traduit ou rejeté. Tant que la communauté mathématique n’a pas fini son travail, la percée de 88 heures reste une percée proposée. Même P contre NP demanderait une pull request avant de fusionner.

Sources des dernières 72 heures

1. [1]Sam Altman on the burden of leading OpenAI amid AI safety concerns: ‘You get used to anything’15 sept. 2026, 16:20 UTC
2. [2]What OpenAI Navier-Stokes 10,000-Agent Run Really Cost13 sept. 2026, 00:00 UTC
3. [3]OpenAI Claims It's Solved the 90-Year-Old Navier-Stokes Problem14 sept. 2026, 00:00 UTC
4. [4]10,000 agents did in 88 hours what nobody managed in 90 years. Why did their creators immediately ask for the brakes?14 sept. 2026, 00:00 UTC
5. [5]Theory and Practice in the Age of AI13 sept. 2026, 00:00 UTC
6. [6]Clay Institute to OpenAI: Millennium Prize Waits for Peer Review13 sept. 2026, 21:07 UTC

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.