OpenAI Publie 722 Preuves De Maths Écrites Par Une IA : Peut-On Leur Faire Confiance ?
OpenAI vient de publier 722 travaux de recherche en mathématiques, tous rédigés par une intelligence artificielle. Certains prétendent résoudre des problèmes sur lesquels les mathématiciens butent depuis plus de 100 ans. Et ce qui m'a le plus surpris, c'est la vitesse annoncée : en moyenne, seulement 3 heures de calcul par famille de résultats. Sauf que « publié » ne veut pas dire « correct » : moins de 24 heures après la mise en ligne, trois de ces travaux étaient déjà retirés. Alors, vraie rupture pour la recherche scientifique, ou annonce à prendre avec des pincettes ? On regarde ce qui est réellement sur la table.
Ce qu'OpenAI a réellement publié
Commençons par les chiffres. OpenAI a réparti ses 722 travaux en 372 familles de résultats. D'après les informations disponibles, le laboratoire aurait d'abord soumis environ 4 000 problèmes ouverts à son modèle, avant de publier ses travaux. Et le détail qui frappe, c'est la durée : le modèle aurait consacré en moyenne 3 heures de calcul à chaque famille de résultats. Trois heures, pour des problèmes qui ont parfois résisté à plusieurs générations de chercheurs.
Soyons honnêtes : ça ne veut absolument pas dire que toutes ces démonstrations sont correctes. On va voir que certaines contenaient des erreurs, et c'est justement ce qui rend l'histoire intéressante. Mais avant ça, deux exemples pour comprendre à quel genre de problème l'IA s'est attaquée.
Premier exemple : un laser dans une pièce en forme de triangle
Imaginez une pièce triangulaire avec des miroirs sur les trois murs. Vous placez un laser à l'intérieur, vous l'allumez, et vous laissez le rayon rebondir sur les parois. À chaque fois que la lumière touche un mur, elle repart dans une autre direction. Maintenant, imaginez que ce laser reste allumé pendant un million d'années. Est-ce que son rayon finira par explorer toutes les régions de la pièce, dans toutes les directions ?
Ça peut paraître évident, mais en mathématiques, c'est un problème extrêmement compliqué : selon les angles du triangle, le rayon peut se comporter de façon très différente. Depuis des décennies, les mathématiciens cherchent à comprendre ce qui se passe dans certains triangles particulièrement difficiles à étudier. Des progrès avaient été réalisés dans les années 1980, mais une grande question restait ouverte.
OpenAI affirme aujourd'hui avoir trouvé une démonstration : dans les triangles concernés, presque toutes les trajectoires finiraient par explorer uniformément les positions et les directions possibles. Dit comme ça, ça peut sembler anecdotique. Mais pour des chercheurs qui travaillent dessus depuis des décennies, ce serait un résultat majeur.
Deuxième exemple : une question posée en 1908
Le deuxième problème a plus de 100 ans. En 1908, un mathématicien allemand, Paul Koebe, s'est posé une question assez étrange. Imaginez une surface remplie de trous : certains sont parfaitement ronds, d'autres ont des formes complètement irrégulières. Maintenant, imaginez que vous puissiez déformer cette surface, un peu comme une matière élastique, tout en conservant certaines propriétés géométriques. Koebe voulait savoir s'il était toujours possible de transformer ces trous en cercles ou en points sans modifier localement les angles.
Pour certaines surfaces, les mathématiciens savaient déjà le faire. Mais lorsque les trous deviennent extrêmement nombreux, parfois même infiniment nombreux, le problème devient beaucoup plus difficile, et la question est restée ouverte pendant plus d'un siècle. OpenAI affirme avoir trouvé une démonstration qui couvre aussi ces cas particulièrement compliqués. Si elle est confirmée, ce serait une conjecture formulée en 1908 qui trouverait enfin une réponse.
Moins de 24 heures plus tard : trois travaux retirés
Sauf qu'il y a un détail important. Une IA peut parfaitement écrire une démonstration très convaincante tout en ayant commis des erreurs. Et c'est exactement ce qui s'est passé. Une fois les travaux publiés, les mathématiciens ont commencé à les examiner, et en moins de 24 heures :
- Une erreur de signe a été découverte dans une étape importante du raisonnement d'un des travaux.
- Deux autres travaux reposaient sur ce même résultat : ils ont donc été retirés eux aussi, ce qui fait trois travaux retirés au total.
- 14 travaux supplémentaires ont dû être corrigés.
Une erreur de signe, ça peut sembler minuscule. Mais en mathématiques, un simple plus à la place d'un moins peut suffire à invalider toute une démonstration. Après, ça ne veut pas dire que les centaines d'autres démonstrations sont fausses : ça montre simplement pourquoi il faut rester prudent avec cette annonce. Et ce n'est pas la première fois qu'une annonce mathématique d'OpenAI se retrouve vite contestée : on avait déjà vu la même chose avec l'affaire Navier-Stokes en 88 heures.
Lean 4 : le logiciel qui ne se laisse pas convaincre
Une démonstration mathématique, ce n'est pas quelque chose qu'on valide parce que le raisonnement a l'air logique. Chaque étape doit être correcte. Et pour ça, OpenAI utilise un outil assez particulier : Lean 4. En gros, c'est un logiciel qui permet de vérifier une démonstration mathématique étape par étape. Vous lui donnez une preuve écrite dans un langage spécial, et il contrôle que chaque conclusion découle bien des règles et des hypothèses utilisées. C'est beaucoup plus strict qu'un chatbot qui relit un texte et vous répond que tout semble correct.
Le hic : OpenAI a publié des preuves vérifiées avec Lean pour une partie de ses résultats, mais pas pour tous. Et même avec cet outil, les chercheurs doivent s'assurer que le problème traduit dans le logiciel correspond bien à celui qu'ils voulaient résoudre. Il reste donc un énorme travail de vérification.
Une preuve correcte mais impossible à comprendre, ça compte ?
Il y a une autre difficulté dont on parle beaucoup moins. Quand on pense à une grande découverte mathématique, on imagine un chercheur qui trouve une idée brillante, une nouvelle manière de voir un problème. Or certaines démonstrations produites par les IA peuvent être extrêmement longues : elles accumulent des calculs, des étapes intermédiaires, des raisonnements techniques. Même correctes, elles ne sont pas forcément faciles à comprendre.
Prenons le théorème de Pythagore. Il existe des centaines de façons de le démontrer, mais pour savoir qu'il est vrai, une seule preuve correcte suffit. Les autres restent utiles, parce qu'elles offrent différentes manières de comprendre le même résultat. Maintenant, imaginez qu'une IA vous fournisse une preuve de plusieurs centaines de pages : vous pouvez passer des semaines à la vérifier sans en retirer la moindre idée nouvelle pour résoudre d'autres problèmes.
Ça a créé un vrai débat chez les chercheurs. Pour certains, si une démonstration est correcte, c'est déjà une avancée énorme. D'autres considèrent qu'une bonne démonstration doit aussi nous permettre de mieux comprendre les mathématiques. Personnellement, je pense que les deux approches sont utiles : une idée très compliquée donnée à un mathématicien humain peut l'inspirer à trouver une autre preuve beaucoup plus facile à comprendre.
De GPT-3 aux problèmes de recherche : six ans de progrès
Pour mesurer le chemin parcouru, un petit retour en arrière :
- 2020 : GPT-3 impressionne déjà beaucoup de monde par sa capacité à écrire du texte, mais il peut encore se tromper sur des opérations mathématiques assez basiques.
- 2024 : les modèles ont énormément progressé.
- 2025 : des systèmes d'IA atteignent un niveau correspondant à une médaille d'or aux Olympiades internationales de mathématiques.
- 2026 : OpenAI publie des centaines de travaux portant sur de véritables problèmes de recherche.
Évidemment, réussir une compétition et résoudre un problème de recherche, ce sont deux choses très différentes : un problème de recherche peut rester sans solution pendant des décennies. C'est pour ça que ces résultats attirent autant l'attention, et que la tendance s'accélère, comme on l'avait vu quand Claude a amélioré un résultat sur l'hypothèse de Riemann après 650 échecs.
On entend parfois que les IA se contentent de réutiliser des méthodes déjà connues. C'est possible pour certains de ces travaux, mais n'oublions pas que les mathématiciens humains font eux aussi avancer leur discipline en combinant des idées qui existaient déjà. Si une nouvelle combinaison résout un problème jusque-là ouvert, le résultat mérite qu'on s'y intéresse.
Un modèle interne, et un risque de fossé entre les labos
Dernier point, et pas le moindre : le modèle utilisé par OpenAI pour produire ces travaux n'est pas disponible pour le grand public. C'est un système interne dont on ne connaît pas précisément toutes les capacités. Maintenant, imaginez que dans quelques années, ces modèles proposent régulièrement des solutions à des problèmes scientifiques majeurs : les laboratoires qui possèdent ces outils pourraient avancer beaucoup plus vite que les autres. Et développer les modèles les plus puissants demande aujourd'hui des moyens considérables.
C'est aussi pour ça que les modèles à poids ouvert ont leur importance. Ils permettent à davantage de chercheurs d'accéder aux paramètres d'une IA, de la faire tourner sur leur propre infrastructure et parfois de l'adapter à leurs travaux. Ça demande toujours de la puissance de calcul, bien sûr, mais au moins la recherche ne dépend pas uniquement de quelques systèmes privés.
Mon avis
Ce qui me marque dans cette histoire, ce n'est pas tant le chiffre de 722, c'est ce qui s'est passé juste après. OpenAI a produit les travaux, mais ce sont des mathématiciens extérieurs qui ont repéré les erreurs en moins de 24 heures. Ça montre que la communauté scientifique reste indispensable : une IA peut maintenant produire des démonstrations plus vite que les humains ne peuvent les vérifier, et le vrai goulot d'étranglement, c'est la vérification. Des outils comme Lean 4 vont devenir indispensables, parce qu'« ça a l'air logique » ne suffira plus.
Alors non, je ne pense pas que les 722 travaux soient tous faux. Mais je ne pense pas non plus qu'on puisse les prendre pour argent comptant. Si une partie importante de ces démonstrations est confirmée, on pourrait assister à un vrai changement dans la manière dont les mathématiques progressent, avec des machines capables de proposer des solutions à une vitesse que les chercheurs humains ne peuvent même pas suivre. Et la question que je vous laisse, c'est : est-ce qu'une démonstration produite par une IA a autant de valeur qu'une démonstration produite par un humain, même quand elle est très difficile à comprendre ? Dites-le-moi en commentaire sous la vidéo.

🎬 Tu préfères la version vidéo ?
Cet article est tiré de ma vidéo YouTube — clique pour la voir.
Regarder sur YouTube →🛠️ Outils que tu peux tester en lien avec cet article
Une sélection de mes outils testés, pertinents pour aller plus loin.
🛠️ Tu cherches des outils IA testés ?
J'ai testé plus de 20 outils IA en vidéo — résumé, mode d'emploi, mon verdict.
Voir mon annuaire d'outils →



