Percées en mathématiques d’OpenAI : ce que signifient les derniers résultats

Le 6 octobre 2026, OpenAI a déposé 722 manuscrits de mathématiques sur GitHub. Produits par un modèle interne de pointe non publié, ils couvrent l’algèbre, la théorie des nombres, la topologie, l’informatique théorique et la logique mathématique, le tout en quelques semaines. L’ampleur dépasse tout ce que la communauté de recherche avait vu d’un système d’IA.

Pour comprendre en quoi cela diffère d’un simple score de benchmark, il faut prendre du recul. Il s’agit du même modèle qui, quelques semaines plus tôt, affirmait avoir résolu le problème du prix du millénaire de Navier-Stokes, après la série éclair d’Astra en août, qui avait réglé en une journée dix problèmes ouverts vieux de plusieurs décennies. Chacun de ces épisodes a soulevé ses propres questions. Mais la publication du 6 octobre est d’une autre nature, pas seulement d’une autre échelle. OpenAI présente 722 manuscrits comme de véritables contributions à la littérature de recherche mathématique : ni des réponses de benchmark, ni des solutions de concours.

Je suis cette poussée d’OpenAI en mathématiques depuis la sortie d’Astra en août, et cette publication exige davantage de précautions d’interprétation que les précédentes. Ci-dessous, nous verrons ce que l’IA a réellement produit, les résultats qui ressortent, comment la vérification fonctionne concrètement et ce qui inquiète les mathématiciens.

Qu’a réellement accompli l’IA d’OpenAI ?

OpenAI a orienté un modèle interne de pointe non publié vers des problèmes de recherche ouverts en mathématiques. Le modèle n’a pas seulement obtenu un bon score à un test de compétition. Il a produit des raisonnements mathématiques structurés en manuscrits, déposés sur GitHub avec des formalisation de preuves en Lean et des résumés de raisonnement du modèle.

Briller à l’AMC ou à l’IMO prouve qu’une IA sait traiter des problèmes de concours astucieux. Produire des manuscrits qui prétendent résoudre des questions ouvertes de longue date dans des domaines de recherche actifs, c’est autre chose. Les sorties sont présentées comme des contributions potentielles au savoir mathématique. Qu’elles résistent à l’examen est une autre question, qui prendra du temps.

Combien de résultats mathématiques OpenAI a-t-il publiés ?

Vous verrez plusieurs chiffres dans les articles, sans contradiction : ils ne comptent pas la même chose.

Le dépôt contient 722 manuscrits regroupés en 372 familles de résultats. Une famille rassemble des travaux liés : un résultat principal accompagné d’arguments complémentaires, de preuves alternatives ou de conséquences aval. Ainsi, 372 familles donnent 722 manuscrits, car nombre de résultats s’accompagnent de matériaux de soutien. Parler de « centaines de résultats » est à peu près juste ; 372 est le décompte le plus précis des trouvailles distinctes.

Le README prévient que certains résultats peuvent comporter des problèmes, et OpenAI indique qu’il corrigera les erreurs tout en ajoutant des formalisation Lean. Gardez cette réserve en tête lorsque des couvertures médiatiques donnent aux chiffres une allure plus définitive qu’ils ne le sont.

Sur quels domaines de mathématiques l’IA d’OpenAI a-t-elle travaillé ?

La publication couvre une vingtaine de sous-domaines. Voici une cartographie approximative, certains champs étant moins familiers à un public technique mais non spécialiste des maths :

• Algèbre et théorie des groupes étudient des structures construites à partir d’opérations et de leurs symétries. C’est là que tombent certains des résultats les plus discutés.
• Théorie des nombres s’intéresse aux propriétés des entiers et des nombres premiers. La fonction zêta de Riemann, qui encode la répartition des nombres premiers, apparaît dans plusieurs résultats.
• Topologie étudie les propriétés préservées par déformation continue. La conjecture de Hodge (voir plus bas) se situe à l’interface entre topologie et géométrie algébrique.
• Informatique théorique pose des questions fondamentales sur le calcul : que peut-on calculer, avec quelle efficacité, et quels problèmes résistent aux algorithmes efficaces. Le modèle d’OpenAI a produit plus de 80 articles rien que dans ce domaine.
• Logique mathématique examine les fondements formels du raisonnement mathématique lui-même.

Quels sont les résultats les plus marquants ?

La prudence s’impose. Il y a une vraie différence entre un résultat généré par l’IA, une preuve vérifiée par Lean, une preuve validée par un mathématicien et un résultat reconnu indépendamment par la communauté comme une avancée majeure. La publication mêle ces quatre catégories.

Cela dit, plusieurs résultats ont suscité un intérêt réel chez des mathématiciens indépendants.

Fonction zêta de Riemann : une nouvelle région sans zéros

L’hypothèse de Riemann reste non résolue, et le modèle d’OpenAI ne l’a pas réglée. Ce qu’il aurait établi, c’est une nouvelle région sans zéros : montrer qu’il n’existe aucun zéro pour Re(s) > 11/12. Ce type de résultat partiel compte en théorie analytique des nombres, car les régions sans zéros contraignent la distribution des nombres premiers. Le texte a été édité par des humains pour la lisibilité, une exception notable au processus de production des manuscrits. Une relecture indépendante du résultat lié « quasi-Riemann » a passé une première inspection.

Conjecture de finitude directe de Kaplansky en caractéristique deux

Irving Kaplansky a conjecturé il y a des décennies que les anneaux de groupe possèdent une propriété algébrique dite « finitude directe ». Le cas de la caractéristique deux résistait particulièrement. Le modèle l’aurait résolu. Une formalisation Lean est indiquée comme disponible.

Isomorphisme des facteurs de groupes libres

Cela concerne les algèbres de von Neumann, structures d’analyse fonctionnelle qui encodent certaines symétries de systèmes quantiques. La question de savoir si les facteurs de groupes libres sont tous isomorphes était ouverte depuis des décennies. Le modèle affirme trancher une conjecture de de la Harpe et Voiculescu, en montrant que les algèbres de von Neumann des groupes fondamentaux de surfaces fermées orientables de genre ≥ 2 sont des facteurs de groupes libres. Une vérification indépendante a abouti.

Exposant de multiplication de matrices

L’un des résultats les plus concrets en pratique : le modèle établirait ω ≤ 2,25 sur les nombres complexes, où ω est l’exposant de multiplication de matrices. C’est l’objet mathématique qui sous-tend l’efficacité de la multiplication de matrices par les ordinateurs, avec des implications réelles pour de nombreux algorithmes en informatique. À noter pour les profils finance ou ingénierie : l’efficacité de la multiplication de matrices est au cœur de quasiment tout calcul numérique à grande échelle.

Formule de Mézard–Parisi pour les verres de spin dilués

À l’interface entre physique statistique et théorie des probabilités : cela porte sur l’énergie libre de systèmes magnétiques désordonnés. La formule de Mézard–Parisi était conjecturée, mais pas pleinement démontrée dans le cas dilué.

Conjecture de Hodge pour les variétés abéliennes à CM

Un cas restreint de l’un des sept problèmes du prix du millénaire. La conjecture de Hodge demande si certaines caractéristiques topologiques des variétés algébriques peuvent toujours être représentées algébriquement. Le modèle l’établirait pour les variétés abéliennes à multiplication complexe (CM), une classe spécifique et structurée. Ce n’est pas la conjecture de Hodge au complet, qui reste ouverte, mais un cas particulier vers lequel la communauté progressait. Ce résultat a aussi été signalé comme exception à la procédure standard.

Le résultat sur l’aimantation spontanée pour le ferromagnétique de Heisenberg quantique et les bornes quasi-polynomiales pour les progressions arithmétiques suscitent également l’intérêt des chercheurs qui évaluent la publication, même si une vérification indépendante exhaustive prendra du temps.

Comment l’IA d’OpenAI a-t-elle produit ces résultats ?

OpenAI a livré plus de détails méthodologiques que lors de certaines publications précédentes, même si l’ensemble reste partiel.

Environ 4 000 problèmes ont été posés au modèle pendant l’évaluation. La plupart des résultats proviennent d’une procédure fixe, avec le même modèle interne. Deux résultats dérogent à ce processus standard : la région sans zéros pour la zêta de Riemann et la conjecture de Hodge pour les variétés abéliennes à CM. En moyenne, chaque résultat a mobilisé un calcul équivalent à trois heures de réflexion de ChatGPT Pro. C’est un point de repère utile, mais cela ne signifie pas que chaque problème a pris trois heures : il s’agit d’une moyenne de calcul par résultat, pas du temps écoulé ni du coût des tentatives infructueuses.

À titre de contexte, cette méthodologie est nettement plus systématique que les précédentes. Quand Astra a résolu dix problèmes ouverts en août, chaque solution aurait coûté environ 2 000 $ d’inférence. Avant cela, le sprint Navier–Stokes a mobilisé 10 000 agents en parallèle pendant 88 heures, pour un coût estimé à 22,5 millions $ de calcul total, une approche de force brute qui a produit à la fois un résultat et une contestation majeure de l’attribution. La publication du 6 octobre ressemble moins à un sprint qu’à un programme de recherche soutenu : calcul par résultat plus faible, couverture plus large, structure délibérée en familles de résultats liés.

OpenAI a publié des résumés de raisonnement pour 10 résultats, avec des estimations de calcul et des statistiques sur les problèmes tentés. Le groupe consultatif sur les mathématiques et l’intelligence artificielle a demandé d’aller plus loin et de publier l’ensemble des invites et des chaînes de pensée. Il reste un écart entre ce qu’OpenAI fournit et ce que souhaite une partie de la communauté.

Comment les preuves mathématiques d’OpenAI ont-elles été vérifiées ?

La vérification est probablement l’aspect le plus déterminant. Il vaut la peine d’être précis sur les différents niveaux concernés.

Formalisation en Lean

Lean est un langage et assistant de preuve qui permet d’exprimer des démonstrations dans une forme qu’un ordinateur peut vérifier mécaniquement. Si une preuve est validée par Lean, les étapes logiques sont correctes formellement au regard des hypothèses. Beaucoup des 722 manuscrits ont une formalisation Lean associée, mais pas tous.

Ce que prouve Lean, c’est la correction formelle. Ce que Lean ne prouve pas : si l’énoncé formel correspond bien au problème visé, si le résultat est véritablement inédit, ou si le raisonnement est exploitable par les mathématiciens qui voudront s’en servir.

Vérification mathématique humaine

C’est ici que le rythme ralentit. Il faut encore déterminer si l’énoncé formel capture réellement le problème ouvert visé, si la technique de preuve est nouvelle, et si le résultat est original au regard de la littérature existante. La théoricienne de la complexité Dana Moshkovitz a décrit ces manuscrits comme « ressemblant à quelque chose écrit par quelqu’un sous psychédéliques » et suffisamment difficiles à lire sans aide de l’IA, tout en reconnaissant qu’il y a beaucoup à apprendre. La justesse technique combinée à une exposition difficile à décrypter crée une vraie charge pour les vérificateurs humains.

Évaluation par les pairs et vérification indépendante

Publier sur GitHub n’est pas une évaluation par les pairs. Le conseil consultatif a été clair : cette publication marque « le début, pas l’achèvement, du processus de compréhension humaine et d’intégration au savoir mathématique ». Avec 722 manuscrits sur 20 sous-domaines, une évaluation indépendante complète prendra des années.

Correction formelle, compréhension mathématique, nouveauté et importance scientifique sont des questions distinctes. Une preuve validée par Lean peut satisfaire la première sans résoudre les autres.

Quelle part des mathématiques a vraiment été faite par l’IA ?

Il n’y a pas de réponse tranchée.

Des humains ont choisi ou formulé nombre des problèmes posés. La littérature existante a fourni le contexte intellectuel. Le modèle a généré les arguments. Des chercheurs ont aidé à préparer les manuscrits, et Lean a formalisé les preuves. Autrement dit, « qui a fait les maths ? » renvoie à une chaîne de contributions, pas à un seul acteur.

Certains mathématiciens soulèvent une inquiétude plus aiguë : le modèle compléterait parfois des pistes humaines existantes plutôt que de découvrir de manière indépendante une approche nouvelle. Cela a été vif après l’annonce sur Navier–Stokes. Le mathématicien Tristan Buckmaster, dont des travaux assistés par IA sur des équations proches sont parus quelques heures avant l’annonce d’OpenAI, a posé de sérieuses questions d’attribution. Il affirme qu’une année de recherches non publiées de sa part aurait, volontairement ou non, orienté le sprint d’OpenAI ; OpenAI a nié tout accès à des invites privées ou à des travaux inédits. Le différend n’est pas tranché. La même question — sur les fondations intellectuelles sur lesquelles s’appuie un résultat d’IA — plane en octobre, même sans chercheur unique nommé.

L’économiste Joshua Gans propose un cadre utile : la découverte mathématique se déroule en trois étapes. Choisir le problème, le résoudre, comprendre et appliquer le résultat. L’IA pourrait de plus en plus automatiser l’étape centrale. Cela ne gomme pas la distinction entre contributions humaines et machines, mais redistribue l’effort.

Pourquoi les mathématiciens sont-ils inquiets ?

Les inquiétudes ne sont pas homogènes. Dire que la communauté mathématique résiste à l’IA serait inexact. Voici ce qui préoccupe réellement les critiques les plus sérieux.

La compréhension pourrait prendre du retard sur la découverte

Lorsqu’un mathématicien humain produit une preuve, le processus génère des outils, des intuitions, des éclairages qui irriguent la culture mathématique. Quand un modèle produit une preuve correcte mais opaque, le résultat existe sans cet entourage de compréhension. Terence Tao, qui avant Navier–Stokes alertait déjà sur le coût d’opportunité de transformer des problèmes ouverts historiquement féconds en moments viraux de benchmark, craint qu’accumuler des réponses justes sans comprendre le comment et le pourquoi nuise, à long terme, à la pratique des mathématiques. Ce n’est pas qu’une question d’esthétique.

Des centaines de résultats sont difficiles à évaluer

La capacité d’évaluation par les pairs est limitée. Si une IA peut générer des travaux plus vite que la communauté ne peut les examiner, un arriéré se forme et perturbe la manière dont le savoir s’établit. Un critique a qualifié la publication de « soupçon de Gish Gallop », inondant la zone d’assez de manuscrits pour que des erreurs persistent des années. Le précédent est récent : les dix problèmes publiés par Astra en août ne sont pas tous évalués des mois plus tard. Soixante-douze fois ce volume change d’échelle.

Recherche humaine existante et attribution

Nombre de résultats s’appuient sur des travaux préalables précis de chercheurs identifiés. La manière de représenter cette dette intellectuelle est vraiment débattue. L’épisode Navier–Stokes l’a illustré : un chercheur a consacré un an à un travail inédit qui a peut-être orienté un sprint d’IA à plusieurs millions, et s’est retrouvé à répondre à des questions sur sa carrière. Les recommandations du groupe consultatif abordent spécifiquement les procédures de citation pour cette raison.

Des modèles propriétaires créent un accès inégal

Le modèle à l’origine de ces résultats n’est pas public. Les universitaires n’ont pas les mêmes outils que les équipes internes d’OpenAI pour travailler à ce niveau. Le 29 septembre, le groupe consultatif a explicitement demandé aux laboratoires d’IA d’arrêter de tester des problèmes mathématiques avancés sur des modèles propriétaires inaccessibles à la communauté. OpenAI a pris acte sans adopter pleinement cette demande.

La recherche mathématique pourrait se concentrer dans les labs d’IA

Si la frontière de la découverte exige un accès à du calcul et à des modèles propriétaires de pointe, alors les décisions sur les problèmes à traiter et les résultats à mettre en avant pourraient se prendre au sein d’un petit nombre d’organisations privées. C’est très différent de la structure historique de la discipline.

Ce sont des préoccupations exprimées par des membres de la communauté, pas des conclusions arrêtées, et elles ne sont pas partagées uniformément.

La nouvelle approche d’OpenAI pour publier des travaux de maths par IA

OpenAI a pris certaines mesures pour répondre aux inquiétudes, même si le groupe consultatif en demande davantage.

La publication est sur GitHub sous licence Apache-2.0, avec des protocoles de révision. Les versions précédentes restent accessibles lorsque des corrections sont apportées. Chaque manuscrit inclut un bloc BibTeX pour la citation. De nombreuses preuves sont formalisées en Lean. OpenAI a publié des résumés de raisonnement pour 10 résultats et des estimations de calcul exprimées en heures de ChatGPT Pro.

OpenAI a consulté le groupe consultatif sur les mathématiques et l’IA de l’Institute for Advanced Study tout au long de la préparation. Le groupe réunit Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford), et d’autres : neuf mathématiciens éminents, indépendants et non rémunérés par OpenAI.

Leur position : cette publication est un point de départ. Melanie Wood l’a qualifiée de « début, pas achèvement, du processus de compréhension humaine ». Le groupe a demandé la publication de toutes les invites et chaînes de pensée, l’usage de répositories académiques avec identifiants pérennes plutôt que GitHub, et le soutien à la construction de la compréhension via des institutions indépendantes des labs d’IA. OpenAI s’est engagé à aller dans ce sens, sans encore satisfaire toutes les demandes.

Quel est l’impact de l’IA sur le rôle des mathématiciens ?

La vraie question n’est pas de savoir si l’IA remplace les mathématiciens. Ce n’est pas le cas, du moins pas encore, et sans doute pas sur l’essentiel. La vraie question est : comment le travail change-t-il lorsque la génération de preuves devient beaucoup moins coûteuse ?

Revenons au triptyque choisir → résoudre → comprendre : si l’IA prend de plus en plus en charge l’étape « résoudre », l’expertise humaine gagne en valeur aux extrémités. Décider quels problèmes valent l’effort, formuler de bonnes conjectures, interpréter la portée d’un résultat, relier une trouvaille au corpus existant, appliquer des découvertes dans de nouveaux contextes. Ce sont les étapes où le jugement humain reste indispensable. Comme je l’écrivais à propos des résultats d’août d’Astra, l’art de poser un bon problème et de savoir lequel mérite d’être attaqué est précisément ce que l’IA ne sait pas encore reproduire. Cette observation est encore plus vraie aujourd’hui.

Le mathématicien Mehtaab Sawhney, qui a rejoint OpenAI en 2026 après Columbia, observe que, à mesure que l’IA accélère la découverte, le goulet d’étranglement principal pour les humains se déplace de la génération de preuves vers l’absorption et la contextualisation des mathématiques produites par l’IA.

Lorsque la génération de preuves devient moins chère, la rareté se déplace. La ressource rare n’est peut-être plus la capacité à démontrer, mais celle de choisir ce qu’il faut démontrer et de comprendre pourquoi cela compte.

Conclusion

La publication du 6 octobre s’inscrit dans une trajectoire qui s’accélère depuis le début de l’année. En août, Astra a résolu dix problèmes en une journée. En septembre, un sprint de 88 heures avec 10 000 agents a produit une affirmation contestée mais vérifiée par Lean sur la variante du prix du millénaire Navier–Stokes, avec un différend d’attribution non résolu révélant de vraies tensions entre IA et recherche indépendante. Désormais, en octobre, le même modèle de pointe a produit 722 manuscrits dans 20 sous-domaines en quelques semaines.

Certains résultats — la région sans zéros pour la zêta de Riemann, la borne sur la multiplication de matrices, l’isomorphisme des facteurs de groupes libres — attirent déjà sérieusement l’attention de spécialistes. Mais le nombre de manuscrits n’est pas l’histoire. Ce qui compte, c’est la tenue de chaque résultat, leur réelle nouveauté et la capacité de la communauté à les absorber. Lean établit la correction formelle, pas la compréhension mathématique. Publier sur GitHub n’est pas une évaluation par les pairs. À 722 manuscrits, une évaluation indépendante exhaustive prendra des années.

Le champ fait face à une question inédite : non pas si l’IA peut résoudre des problèmes difficiles, mais ce qui se passe lorsqu’elle peut produire des travaux plus vite que les humains ne peuvent les évaluer. Si la génération de preuves devient assez peu coûteuse pour inonder la littérature, la rareté se déplace de la production de réponses vers le choix des bonnes questions et la compréhension de l’importance des réponses. C’est un changement dans ce que les mathématiques exigent des mathématiciens. Pas la fin du travail.