OpenAI affirme qu’un nouveau modèle interne a résolu plus de 100 problèmes mathématiques restés ouverts pendant des années. L’entreprise indique avoir commencé son entraînement le 28 août 2026 et reconnaît que la vitesse de ses progrès a surpris ses propres mathématiciens. Mais « résoudre » un problème ne signifie pas qu’une annonce suffit : chaque démonstration doit être publiée, comprise et validée par des spécialistes indépendants. Alors, assistons-nous à un tournant scientifique ou à une promesse encore difficile à évaluer ?
Key points to remember
- OpenAI affirme que son modèle interne a résolu plus de 100 problèmes ouverts dans plusieurs domaines des mathématiques.
- L’entreprise n’a pas publié, dans cette annonce, la liste complète des problèmes et toutes les démonstrations correspondantes.
- Une preuve mathématique n’est considérée comme établie qu’après examen par des spécialistes indépendants.
- OpenAI a créé un groupe consultatif réunissant des chercheurs de grandes institutions, notamment l’ENS-PSL, le Collège de France, Cambridge, Oxford, Stanford et Harvard.
- Ce groupe est présenté comme indépendant, non rémunéré par OpenAI et libre de rendre ses avis publics.
- Si les résultats sont confirmés, l’IA pourrait accélérer la recherche fondamentale, mais aussi bouleverser les règles d’attribution, de publication et d’évaluation scientifique.
Que signifie « résoudre un problème mathématique » ?
Un problème ouvert est une question dont personne ne possède encore de démonstration acceptée. Certains problèmes sont faciles à énoncer mais résistent pendant des décennies. D’autres sont si spécialisés que seuls quelques chercheurs au monde peuvent réellement examiner une solution.
Une réponse convaincante ne suffit pas. Il faut une démonstration complète : une chaîne logique dans laquelle chaque étape découle des précédentes. Si un seul passage contient une hypothèse cachée, une définition mal appliquée ou un raisonnement circulaire, l’ensemble peut s’effondrer.
C’est pourquoi l’annonce d’OpenAI doit être lue comme une affirmation de l’entreprise, et non comme la validation définitive de 100 découvertes. Certaines solutions peuvent être justes, d’autres incomplètes ou moins importantes que le mot « problème ouvert » ne le laisse penser.
Comment une IA peut-elle produire une démonstration ?
Un modèle de raisonnement peut explorer de nombreuses pistes, utiliser des théorèmes connus, tester des exemples et rédiger une proposition de preuve. Plusieurs agents peuvent travailler en parallèle : certains cherchent une stratégie, d’autres vérifient des étapes, repèrent une contradiction ou reformulent le résultat.
Des outils formels comme Lean permettent ensuite de représenter une preuve dans un langage contrôlé par ordinateur. Le logiciel vérifie mécaniquement que chaque étape respecte les règles logiques. Cette formalisation réduit le risque d’une démonstration séduisante mais fausse.
Elle ne règle toutefois pas tout. Le problème peut avoir été mal interprété, le résultat peut dépendre d’une hypothèse différente de celle étudiée par les chercheurs, ou la preuve peut être techniquement correcte mais moins générale qu’annoncé. Les mathématiciens doivent donc encore comprendre la portée du résultat.
Pourquoi l’annonce provoque-t-elle autant de débats ?
OpenAI affirme que son modèle a également résolu le problème de Navier–Stokes, l’un des sept problèmes du millénaire définis par le Clay Mathematics Institute. L’entreprise a publié un texte et une formalisation, mais elle précise ne pas réclamer le prix associé. Une validation scientifique de cette ampleur ne se décide pas en quelques jours.
L’entreprise reconnaît aussi les inquiétudes d’une partie de la communauté mathématique. Des chercheurs redoutent que les laboratoires d’IA utilisent des problèmes ouverts comme simples bancs d’essai, publient trop rapidement ou perturbent les règles de crédit scientifique. Une preuve peut s’appuyer sur des années de travail humain, des conjectures intermédiaires ou des discussions qui ne sont pas toujours visibles dans les données finales.
Qui doit vérifier les résultats ?
OpenAI annonce la création d’un groupe consultatif consacré aux mathématiques et à l’intelligence artificielle. Ses premiers membres comprennent notamment Timothy Gowers, Edward Witten, Martin Hairer, Ravi Vakil et plusieurs autres chercheurs reconnus.
Selon OpenAI, le groupe pourra évaluer la portée des résultats, conseiller leur diffusion et commenter publiquement l’impact de l’entreprise. Ses membres ne seront pas rémunérés par OpenAI. Cette architecture peut renforcer la crédibilité du processus, mais elle ne remplace ni l’examen par les pairs ni la publication détaillée des preuves.
La transparence sera déterminante : liste des problèmes, énoncés exacts, démonstrations, outils utilisés, part du travail humain et critiques reçues. Sans ces éléments, le public ne peut pas distinguer une percée historique d’un chiffre impressionnant mais impossible à auditer.
À quoi cela peut-il servir dans la vie réelle ?
Les mathématiques fondamentales finissent souvent par irriguer des technologies concrètes. La théorie des nombres protège les communications grâce à la cryptographie. Les équations différentielles décrivent les fluides, le climat ou la circulation sanguine. L’optimisation améliore la logistique, l’énergie et les réseaux.
Une IA capable de proposer des idées véritablement nouvelles pourrait aider les chercheurs à explorer davantage d’hypothèses, formaliser une démonstration ou relier des domaines éloignés. Elle pourrait aussi accélérer la recherche en physique, en matériaux, en biologie ou en informatique théorique.
Cela ne signifie pas que l’IA remplacera les mathématiciens. Il faut encore choisir les questions importantes, interpréter le résultat, repérer les hypothèses utiles et décider comment une découverte s’inscrit dans le savoir existant. L’outil change surtout la quantité de pistes qu’une équipe peut examiner.
Les risques à surveiller
- Des preuves apparemment solides mais contenant une erreur subtile.
- Une course aux annonces avant l’examen indépendant.
- Une attribution insuffisante des contributions humaines antérieures.
- La publication de résultats pouvant accélérer des usages sensibles, notamment en cryptographie.
- Une concentration de la recherche autour de quelques entreprises disposant de très grandes capacités de calcul.
Our reading
Le chiffre de 100 problèmes est spectaculaire, mais la véritable révolution ne sera confirmée que lorsque des chercheurs indépendants auront étudié les preuves et expliqué leur importance. La bonne question n’est pas seulement « combien de problèmes l’IA a-t-elle résolus ? », mais « quels problèmes, avec quelles méthodes et selon quelle validation ? ».
Si une part significative des résultats résiste à l’examen, l’IA franchira un cap : elle ne sera plus uniquement un outil qui explique la science, mais un système capable d’y contribuer. Cette transition mérite mieux qu’un titre triomphaliste. Elle exige des preuves, du temps et des règles scientifiques adaptées.
Frequently Asked Questions
Les 100 problèmes sont-ils officiellement considérés comme résolus ?
Non. OpenAI affirme les avoir résolus, mais l’annonce ne contient pas la liste complète et toutes les validations indépendantes nécessaires.
Un ordinateur peut-il vérifier automatiquement une preuve ?
Oui, si la preuve est traduite dans un langage formel compatible avec un assistant comme Lean. Cela vérifie sa cohérence logique, mais pas automatiquement l’importance ou la portée scientifique du résultat.
Cette IA est-elle disponible dans ChatGPT ?
OpenAI parle d’un modèle interne encore en entraînement. L’entreprise n’a pas annoncé sa disponibilité générale dans ChatGPT.
