L’IA résout dix problèmes mathématiques irrésolus : prouesse ou coup marketing ?

La guerre des démonstrations entre géants de l’IA

Le 28 juillet 2026, Anthropic faisait sensation en annonçant la découverte de failles cryptographiques grâce à Claude et son mode Mythos Preview, pour un investissement de 100 000$ en tokens. Les prompts incluaient explicitement : « nous ne cherchons pas les fruits à portée de main, nous voulons une vraie recherche pour trouver des résultats véritablement difficiles ».

Quatre jours plus tard, le 1er août, c’est au tour d’OpenAI de frapper un grand coup. L’entreprise publie un billet annonçant que Astra, une version interne de leur prochain modèle majeur, a résolu dix problèmes mathématiques et d’informatique théorique sur lesquels « aucun progrès n’a été réalisé depuis au moins une décennie ». Le coût revendiqué ? Moins de 2 000$ par problème aux tarifs des tokens GPT-5.6 Sol.

Cette séquence rapprochée n’est pas anodine. Elle révèle une compétition intense entre les deux leaders de l’IA générative, chacun cherchant à démontrer la supériorité de ses modèles sur des tâches de plus en plus complexes. Mais comme le souligne avec pertinence Simon Willison, développeur et observateur attentif de l’écosystème IA : « Pas de nouvelles sur le nombre de problèmes sur lesquels ils ont dépensé 2 000$ sans atteindre de solution ».

Dix problèmes, dix domaines, une démonstration de polyvalence

Les dix avancées revendiquées par OpenAI couvrent un spectre remarquablement large de la recherche mathématique fondamentale. Selon les informations disponibles, elles touchent notamment :

• L’empilement de sphères en haute dimension : de nouvelles bornes supérieures sur la densité maximale d’empilement
• Les codes binaires et sphériques : des améliorations exponentielles des bornes sur la taille maximale des codes à distance minimale donnée
• La théorie des groupes : la construction de groupes non-sofiques, démontrant l’existence d’une catégorie de structures mathématiques jusqu’alors hypothétique
• La géométrie non-commutative : la réfutation de la conjecture de rigidité de Connes, une hypothèse de longue date sur l’unicité des groupes via leurs algèbres de von Neumann
• La complexité des circuits arithmétiques : de nouvelles bornes inférieures sur le nombre d’opérations nécessaires

Selon Sunny Madra, VP chez Nvidia, qui a commenté l’annonce sur LinkedIn : « Découvrir un groupe non-sofique signifierait que notre boîte à outils mathématique actuelle manque toute une catégorie de structures. Cela forcerait les mathématiciens à inventer des manières entièrement nouvelles de penser pour les décrire. »

OpenAI a publié les preuves dans un dépôt GitHub baptisé openai/ten-proofs, offrant une apparence de transparence. Cependant, comme le note Stephen Pimentel sur LinkedIn, « les humains ont préparé les manuscrits avant que le modèle ne les formalise en Lean », suggérant un niveau d’intervention humaine significatif dans le processus.

Le coût réel : une question à 2 000 dollars

Le chiffre de 2 000$ par problème est devenu l’argument marketing central d’OpenAI, offrant un contraste saisissant avec les 100 000$ d’Anthropic. Mais cette comparaison est-elle pertinente ?

Premièrement, les tâches ne sont pas comparables. Anthropic cherchait des vulnérabilités cryptographiques inconnues dans un espace de recherche ouvert – une exploration sans carte. OpenAI a ciblé des problèmes connus et définis, avec des objectifs clairs. C’est la différence entre chercher un trésor caché et résoudre un puzzle dont on connaît l’existence.

Deuxièmement, et c’est le point crucial soulevé par Simon Willison, OpenAI ne communique pas sur le taux d’échec. Si l’entreprise a tenté 500 problèmes à 2 000$ chacun pour en résoudre 10, le coût réel par succès grimpe à 100 000$ – exactement le montant d’Anthropic. Ce biais de publication, où seuls les succès sont mis en avant, est un classique de la communication scientifique et commerciale.

Troisièmement, les 2 000$ représentent uniquement le coût des tokens – les unités de calcul facturées à l’utilisation. Ils n’incluent pas les coûts de développement du modèle Astra lui-même, qui se chiffrent probablement en centaines de millions de dollars. C’est comme annoncer qu’on a construit une maison pour le prix des clous, en oubliant de mentionner le coût du terrain, des matériaux et de la main-d’œuvre.

Validation scientifique : le test décisif à venir

Dans les semaines et mois à venir, la communauté mathématique internationale va scruter ces preuves ligne par ligne. C’est le processus normal de validation par les pairs, pierre angulaire de la méthode scientifique.

Les preuves ont été formalisées dans Lean 4, un langage de programmation et assistant de preuve qui permet une vérification automatique de la rigueur logique. Lean vérifie que chaque étape d’un raisonnement découle correctement de la précédente, éliminant les erreurs de logique. Cependant, Lean ne peut pas vérifier que le bon problème a été résolu – un modèle pourrait produire une preuve formellement correcte d’un énoncé légèrement différent de celui visé.

Plusieurs scénarios sont possibles :

Scénario optimiste : Les preuves sont validées, confirmant une révolution dans la recherche mathématique. L’IA devient un outil standard dans les laboratoires, accélérant considérablement le rythme des découvertes. Les problèmes qui auraient pris des décennies sont résolus en mois.

Scénario sceptique : Certaines preuves sont invalidées ou révèlent des lacunes. Le taux d’échec élevé est dévoilé. On reconnaît que seuls certains types de problèmes – peut-être les plus « mécaniques » – sont accessibles à l’IA. L’usage reste limité à l’assistance, pas à la découverte autonome.

Scénario hybride (le plus probable) : Les preuves sont globalement valides mais nécessitent des ajustements. Un nouveau paradigme émerge : l’IA génère des pistes et des ébauches de preuves, que les mathématiciens humains affinent, vérifient et comprennent en profondeur. La collaboration homme-machine devient la norme.

Les questions que personne ne pose (encore)

Au-delà de l’enthousiasme médiatique, plusieurs interrogations fondamentales demeurent sans réponse :

La reproductibilité : D’autres chercheurs, utilisant les mêmes modèles avec les mêmes prompts, obtiendraient-ils les mêmes résultats ? La recherche scientifique repose sur la reproductibilité, mais les modèles d’IA ont une part d’aléatoire (la « température » des paramètres).

L’originalité réelle : Les preuves sont-elles véritablement nouvelles, ou des reformulations sophistiquées de travaux existants que le modèle aurait « vus » dans ses données d’entraînement ? Les LLM (Large Language Models) sont entraînés sur des quantités massives de textes mathématiques.

La généralisation : Ces dix problèmes ont-ils des caractéristiques communes qui les rendent particulièrement accessibles à l’IA ? Ou la méthode peut-elle s’appliquer à n’importe quel problème ouvert ? La sélection des problèmes par OpenAI n’était probablement pas aléatoire.

La propriété intellectuelle : Qui est l’auteur d’une découverte mathématique générée par IA ? OpenAI ? Les chercheurs qui ont guidé le modèle ? Le modèle lui-même ? Cette question juridique et philosophique n’a pas de réponse claire.

Le risque de fausses preuves : Les modèles d’IA peuvent générer des textes extrêmement convaincants mais incorrects (le phénomène des « hallucinations »). Comment s’assurer qu’une preuve complexe de 50 pages générée par IA ne contient pas d’erreur subtile que même des experts mettraient des mois à détecter ?

Impact sur la recherche mathématique : révolution ou évolution ?

Si ces résultats sont confirmés, les implications pour la recherche fondamentale sont considérables. Historiquement, les problèmes mathématiques ouverts servaient de « preuve d’intelligence humaine supérieure » – des défis que seul l’esprit humain, avec son intuition et sa créativité, pouvait relever.

Comme l’explique Jacques Hadamard dans son « Essai sur la psychologie de l’invention dans le domaine mathématique », l’invention mathématique repose sur la capacité à identifier, parmi un nombre astronomique de combinaisons possibles, les quelques-unes qui sont fécondes. Si l’IA peut désormais explorer cet espace de manière efficace, cela redéfinit notre conception de la créativité intellectuelle.

Pour les chercheurs en mathématiques et informatique théorique, l’IA devient un outil incontournable. Ne pas l’utiliser pourrait devenir un désavantage compétitif, comme refuser d’utiliser un ordinateur dans les années 1980. Cela nécessite de développer de nouvelles compétences : « prompt engineering » pour la recherche, compréhension des assistants de preuve comme Lean, collaboration avec des experts en IA.

Pour les institutions académiques, cela pose la question de l’investissement. L’accès aux modèles les plus avancés a un coût. Les universités riches pourront se les offrir, créant potentiellement une fracture dans la recherche mondiale. Ou bien, si ces outils se démocratisent, on pourrait voir une accélération globale des découvertes.

Pour la validation scientifique, de nouveaux protocoles devront être établis. Comment peer-reviewer une preuve générée par IA ? Faut-il exiger la publication des prompts, des paramètres du modèle, du nombre de tentatives ? Les éditeurs scientifiques devront adapter leurs processus.

La bataille commerciale derrière les annonces

Le timing de cette annonce – exactement quatre jours après celle d’Anthropic – n’est pas fortuit. OpenAI avait probablement ces résultats en réserve et a choisi stratégiquement le moment de les dévoiler pour maximiser l’impact médiatique et contrer son concurrent.

Cette « guerre des benchmarks » est devenue centrale dans l’industrie de l’IA. Chaque entreprise cherche à démontrer que son modèle est le plus performant, le plus efficace, le moins cher. Les annonces sont soigneusement orchestrées, les métriques choisies pour mettre en valeur les forces de chaque acteur.

Pour les investisseurs, ces démonstrations influencent directement les valorisations. OpenAI, qui prépare une nouvelle levée de fonds, a tout intérêt à montrer que ses modèles surpassent la concurrence. Le ratio coût/performance annoncé (50 fois moins cher qu’Anthropic) est un argument commercial puissant, même si, comme nous l’avons vu, la comparaison est discutable.

Cela ouvre aussi de nouveaux marchés : l’IA pour la recherche fondamentale devient un segment viable. Des startups pourraient émerger, proposant des services de « recherche en tant que service », des plateformes de validation de preuves, ou des outils spécialisés pour différents domaines mathématiques.

Vers une redéfinition de l’intelligence créative ?

Au-delà des aspects techniques et commerciaux, cette annonce pose une question philosophique fondamentale : qu’est-ce qui constitue l’intelligence créative humaine ?

Pendant des siècles, la capacité à résoudre des problèmes mathématiques complexes était considérée comme l’une des manifestations les plus pures de l’intelligence humaine. Alan Turing lui-même, pionnier de l’informatique théorique, avait proposé son célèbre « test de Turing » en partie pour évaluer si une machine pouvait faire preuve d’intelligence comparable à l’humain.

Si l’IA peut désormais résoudre des problèmes que les meilleurs mathématiciens humains n’ont pas résolus en dix ans, cela ne signifie pas nécessairement que l’IA est « plus intelligente ». Mais cela nous force à reconsidérer ce que nous valorisons dans l’intelligence humaine. Peut-être que la vraie valeur réside moins dans la capacité à trouver des solutions que dans la capacité à poser les bonnes questions, à identifier les problèmes importants, à donner du sens aux découvertes.

Comme le soulignent plusieurs chercheurs ayant réfléchi aux dimensions psychologiques de l’IA, notamment Yoshua Bengio (pionnier du deep learning et Prix Turing), cette évolution soulève des défis psychologiques pour les chercheurs eux-mêmes. Que signifie consacrer sa vie à résoudre des problèmes mathématiques si une machine peut le faire en quelques heures pour 2 000$ ?

Conclusion : Prouesse technique, questions ouvertes

L’annonce d’OpenAI représente indéniablement une prouesse technique impressionnante. Que les dix preuves soient toutes validées ou non, le simple fait qu’un modèle d’IA puisse produire des résultats de ce niveau en mathématiques fondamentales marque un tournant.

Mais comme souvent dans l’industrie de l’IA, l’enthousiasme doit être tempéré par l’esprit critique. Les questions sans réponse – taux d’échec réel, reproductibilité, niveau d’intervention humaine, validation par les pairs – sont aussi importantes que les résultats annoncés. La transparence partielle (publication sur GitHub) ne remplace pas la reproductibilité complète et la validation scientifique rigoureuse.

Dans les mois à venir, la communauté mathématique aura le dernier mot. Si ces preuves sont confirmées, nous assisterons peut-être à l’émergence d’un nouveau paradigme de recherche, où l’IA et l’intelligence humaine collaborent pour repousser les frontières de la connaissance. Si elles sont infirmées ou nuancées, cela rappellera que les annonces spectaculaires doivent toujours être examinées avec rigueur.

Une chose est certaine : la question n’est plus de savoir si l’IA transformera la recherche mathématique, mais comment elle le fera, et quelles en seront les conséquences pour les chercheurs, les institutions et notre compréhension même de la créativité intellectuelle.