OpenAI revendique une percée sur un problème mathématique vieux de 90 ans

Une annonce spectaculaire, mais pas encore un verdict définitif

Le 8 septembre 2026, OpenAI a présenté son résultat comme une étape majeure à la fois pour les mathématiques et pour l’intelligence artificielle. L’entreprise affirme qu’un modèle interne, décrit comme « nettement plus capable que GPT‑6 Astra », a produit une solution au problème d’existence et de régularité de Navier–Stokes, l’un des problèmes du millénaire associés au Clay Mathematics Institute [1]. La revendication ne porte pas sur une formule universelle permettant de prédire tous les écoulements, ni sur un outil directement applicable à la météo. Elle porte sur la construction d’un cas où un fluide incompressible tridimensionnel, initialement lisse, développe une singularité en temps fini [1].

Le chiffre qui a dominé les titres est celui des 88 heures. Selon OpenAI, l’effort a commencé le 1er septembre après que des rumeurs ont circulé sur la résolution de deux problèmes du millénaire, puis l’entreprise a lancé des groupes d’agents coordonnés sur les problèmes restants et sur plusieurs questions connexes [1]. Le groupe qui a produit le résultat Navier–Stokes aurait réuni environ 10 000 agents concurrents, et la solution aurait été atteinte le 5 septembre, soit environ 88 heures après le lancement des premiers agents [1]. La formalisation et la vérification dans Lean auraient ensuite pris 17 heures supplémentaires avec GPT‑6 Astra [1].

L’échelle du calcul est essentielle pour comprendre ce qui s’est passé. OpenAI indique que l’ensemble des problèmes attaqués a généré 4,9 millions de messages entre agents et environ 300 milliards de jetons de sortie, dont 2,7 millions de messages et environ 130 milliards de jetons pour Navier–Stokes seul [1]. L’AFP a rapporté que des responsables d’OpenAI ont parlé de coûts informatiques se chiffrant en millions de dollars, Sébastien Bubeck évoquant un niveau environ 1 000 fois supérieur à celui de certains résultats mathématiques antérieurs de l’entreprise [4].

Pourquoi Navier–Stokes compte autant

Les équations de Navier–Stokes décrivent le mouvement des fluides, notamment l’air et l’eau, et elles sont utilisées dans des domaines comme la conception aéronautique, la prévision météorologique ou l’étude de la circulation sanguine [4]. Leur utilité pratique n’a jamais signifié que leur théorie était entièrement comprise. Le problème du millénaire demande, en substance, si un écoulement tridimensionnel lisse reste toujours lisse ou s’il peut, dans certaines conditions autorisées, se dégrader jusqu’à une singularité [1].

OpenAI affirme établir les alternatives « C » et « D » de la formulation officielle, avec une force extérieure lisse et une énergie du fluide qui demeure finie au cours de l’évolution [1]. Ce point technique explique une partie de la confusion publique. Pour les mathématiciens, le recours à une force extérieure ne disqualifie pas automatiquement une preuve, puisque la formulation officielle prévoit des variantes où une telle force est permise. La question décisive est de savoir si la force construite, la solution et l’énoncé formalisé correspondent exactement aux exigences du problème de Clay [1].

Quanta a décrit le résultat revendiqué comme une preuve que les équations peuvent parfois « exploser », tout en soulignant que les fluides réels sont composés de molécules et ne peuvent pas littéralement atteindre une vitesse infinie [2]. L’enjeu porte donc sur les limites d’un modèle continu idéalisé, et non sur l’idée que les océans, les avions ou le sang humain adopteraient soudain un comportement physiquement impossible [2].

Lean rassure, mais ne remplace pas la communauté

OpenAI a publié à la fois une preuve écrite et une formalisation dans Lean, ce qui explique pourquoi l’annonce a immédiatement été prise au sérieux [1]. Un assistant de preuve peut vérifier qu’une étape formelle découle bien des hypothèses précédentes, ce qui réduit fortement le risque d’une lacune logique dans un argument long et technique [2]. Le New York Times a souligné que la mise à disposition d’un article et d’une preuve Lean permet aux mathématiciens extérieurs d’examiner le résultat au lieu de dépendre d’une simple déclaration de presse [3].

Mais la vérification formelle ne clôt pas tous les débats. Les experts doivent encore confirmer que l’énoncé encodé dans Lean est bien celui exigé par le problème du millénaire, qu’aucune hypothèse décisive n’a été introduite subrepticement, et que l’explication écrite correspond exactement à la preuve machine. L’AFP a rappelé que, selon les règles de Clay, une solution candidate doit être publiée dans une revue à comité de lecture et survivre deux ans d’acceptation par la communauté avant que l’institut ne réunisse un comité [4]. Le président du Clay Mathematics Institute, Martin Bridson, a déclaré à l’AFP que l’évaluation serait volontairement lente et rigoureuse [4].

L’état actuel du dossier est donc précis. OpenAI revendique une solution, l’entreprise a publié des éléments techniques, plusieurs médias scientifiques et technologiques réputés décrivent le résultat comme potentiellement historique, mais son statut mathématique final dépend encore d’un examen indépendant [2], [3], [4]. OpenAI affirme par ailleurs ne pas vouloir réclamer le prix d’un million de dollars associé au problème [1].

La bataille du crédit scientifique

L’annonce n’a pas seulement déclenché une discussion technique. Elle s’est immédiatement mêlée à une controverse impliquant le mathématicien Tristan Buckmaster, de l’Université de New York, et Levent Alpöge, chercheur chez Anthropic, qui travaillaient sur des résultats très proches en dynamique des fluides [5]. Axios rapporte que Buckmaster a demandé si OpenAI n’avait pas suivi une direction de recherche après avoir eu connaissance de leur travail, et s’il était possible que du contenu privé utilisé dans Codex ait joué un rôle [5].

Scientific American a rapporté que Buckmaster et Alpöge avaient annoncé peu avant OpenAI des résultats sur des équations d’Euler apparentées, et que l’approche dite du « forcing » au centre de la dispute s’appuie sur des travaux antérieurs de Diego Córdoba et Luis Martínez-Zoroa [6]. Quanta insiste également sur le fait que l’effort d’OpenAI comme celui de Buckmaster et Alpöge reposent largement sur la stratégie développée auparavant par Córdoba et Martínez-Zoroa [2].

OpenAI nie avoir utilisé les prompts, les preuves ou les données utilisateur spécifiques du duo pour orienter ses agents [1]. Dans son propre récit, l’entreprise affirme que ni ses chercheurs ni ses agents n’ont vu le travail de Buckmaster et Alpöge avant sa publication, tout en reconnaissant qu’elle ne peut pas exclure que des données désidentifiées issues de l’usage de ses produits aient contribué à améliorer ses modèles [1]. Axios présente cette distinction comme un problème de confiance central pour la science assistée par IA: les chercheurs veulent utiliser les meilleurs outils, mais doivent aussi être certains que leurs travaux non publiés ne renforceront pas indirectement un système capable de les concurrencer [5].

Le désaccord touche aussi aux normes académiques. Scientific American rapporte que Bubeck a nié les accusations concernant l’origine de la preuve et a déclaré que le modèle interne d’OpenAI avait résolu indépendamment le problème d’Euler par une méthode différente, même si la solution Navier–Stokes d’OpenAI suivait une méthode similaire à celle des deux mathématiciens [6]. Le même article cite Luis Silvestre, de l’Université de Chicago, selon qui la communauté discute activement des implications de ces journées [6].

Ce que cela change pour les mathématiques computationnelles

Si la preuve résiste à l’examen, elle sera probablement retenue comme plus qu’un théorème isolé. Elle montrerait que des modèles de pointe, combinés à des essaims d’agents, à l’exécution de code, à la recherche automatisée, à l’orchestration humaine et aux assistants de preuve, peuvent contribuer à des mathématiques de recherche au plus haut niveau [2], [3]. Cela ne signifie pas que le modèle a agi comme un génie solitaire. OpenAI décrit elle-même une procédure très encadrée: choix des problèmes, division en groupes, variantes de prompts, consolidation des idées intermédiaires avec Codex et redéploiement des ressources après un résultat prometteur sur Euler [1].

Le résultat renforce aussi une inquiétude exprimée par des mathématiciens comme Terence Tao. Le New York Times a rapporté son avertissement: l’IA peut produire des réponses sans générer le même apprentissage humain que celui qui naît de la recherche patiente d’une preuve [3]. Dans cette perspective, la découverte mathématique ne se réduit pas au théorème final; elle inclut les méthodes, les impasses, les intuitions et les nouveaux domaines qui émergent en chemin. Un sprint de 10 000 agents peut trouver un sentier vers le sommet sans nécessairement expliquer toute la géologie de la montagne.

Pour les mathématiques computationnelles, l’effet le plus immédiat pourrait être l’accélération des protocoles de vérification. Assistants de preuve, code reproductible, journaux d’audit, déclarations d’usage des modèles et archives horodatées pourraient devenir indispensables pour les grands résultats assistés par IA. L’épisode Navier–Stokes montre que la preuve elle-même peut être plus facile à vérifier que la provenance des idées qui l’ont rendue possible.

Pourquoi la cryptographie et la blockchain observent l’affaire

Les équations de Navier–Stokes ne sécurisent pas directement les blockchains. Les signatures Bitcoin, les rollups Ethereum, les systèmes à preuve à divulgation nulle et les schémas post-quantiques reposent sur des hypothèses cryptographiques, pas sur la mécanique des fluides. Le lien est donc indirect, mais il n’est pas négligeable: si des systèmes d’IA peuvent accélérer la résolution de problèmes mathématiques d’élite, ils peuvent aussi accélérer la découverte, la vérification ou la réfutation de résultats en théorie des nombres, en complexité et en cryptographie.

Des médias spécialisés dans les cryptoactifs ont déjà traité l’annonce comme un sujet pertinent pour l’IA, la vérification et la gouvernance des données, en soulignant que la revendication d’OpenAI s’accompagne de questions sur les données utilisateur, l’examen par les pairs et la reproductibilité [7]. Pour les blockchains, la leçon n’est pas que Navier–Stokes menace immédiatement la cryptographie. Elle est que les IA capables de générer des preuves pourraient raccourcir les cycles de recherche dans les domaines dont dépend la sécurité des protocoles. Cela peut aider les défenseurs à concevoir de meilleurs audits formels, mais aussi aider les attaquants à chercher plus vite des failles.

La conclusion la plus prudente est donc double. OpenAI a peut-être produit une preuve historique. L’entreprise a aussi révélé un vide de gouvernance autour des modèles fermés, des prompts privés et du crédit académique. Tant que les mathématiciens indépendants n’auront pas terminé leur examen, l’histoire n’est pas que « les mathématiques sont terminées ». Elle montre plutôt que la machine de découverte mathématique vient de changer sous nos yeux, et que tous les secteurs fondés sur des mathématiques difficiles, y compris la cryptographie, doivent désormais s’y adapter.

Sources des dernières 72 heures

1. [1]AI Has Solved One of Math’s $1 Million Millennium Prize Problems8 sept. 2026, 00:00 UTC
2. [2]OpenAI Says It Has Cracked One of Math’s ‘Millennium Problems’8 sept. 2026, 21:02 UTC
3. [3]OpenAI says AI solved one of math's hardest problems in days9 sept. 2026, 02:22 UTC
4. [4]OpenAI's historic math solution overshadowed by credit controversy8 sept. 2026, 16:32 UTC
5. [5]OpenAI claims blockbuster math breakthrough amid swirl of controversy8 sept. 2026, 00:00 UTC
6. [6]OpenAI Claims Navier Stokes Breakthrough with agents8 sept. 2026, 17:23 UTC
7. [7]On the Navier–Stokes Millennium Prize Problem8 sept. 2026, 00:00 UTC

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