Astra d’OpenAI : dix problèmes mathématiques résolus, mais où sont les preuves ?

Le 1er août 2026, OpenAI a frappé un grand coup : Astra, son futur modèle d’IA encore inédit, aurait résolu dix problèmes mathématiques restés sans solution pendant des décennies, pour un coût dérisoire de 2 000 dollars. Une prouesse qui suscite autant d’admiration que de scepticisme dans la communauté scientifique.

Une annonce spectaculaire qui bouscule la recherche mathématique

Des problèmes qui ont résisté aux meilleurs mathématiciens pendant dix, vingt, parfois trente ans, résolus en quelques heures par une intelligence artificielle. Voilà ce qu’affirme OpenAI dans un billet de blog publié début août 2026. Selon l’entreprise de Sam Altman, une version interne d’Astra — le nom de code de son prochain modèle majeur — a produit de nouveaux résultats sur dix problèmes ouverts en mathématiques et informatique théorique.

Les domaines concernés couvrent un spectre impressionnant : géométrie en haute dimension, théorie des codes, complexité des circuits arithmétiques, théorie des groupes, algèbres d’opérateurs, complexité quantique, cryptographie sur réseaux et combinatoire extrémale. Parmi les résultats annoncés figurent notamment une avancée sur l’existence des groupes non sofiques — une question centrale en théorie des groupes — et des progrès sur la conjecture de rigidité de Connes.

Le coût computationnel ? Environ 2 000 dollars en tokens, selon les tarifs de l’API Sol (le modèle haut de gamme de GPT-5.6), soit l’équivalent d’un billet d’avion Paris-Lisbonne. Une somme dérisoire comparée aux années de travail humain que ces problèmes ont mobilisées.

Lean 4 et GitHub : une validation par la machine plutôt que par les pairs

Pour étayer ses affirmations, OpenAI a publié un manuscrit de 249 pages détaillant les solutions, accompagné de preuves formalisées dans Lean 4, un langage de vérification formelle de théorèmes. Contrairement aux publications scientifiques classiques déposées sur des serveurs de preprint comme arXiv, les documents ont été mis en ligne directement sur les serveurs d’OpenAI et sur GitHub.

Cette approche présente un avantage indéniable : n’importe qui disposant d’un ordinateur peut vérifier mécaniquement que les preuves respectent les règles logiques. Lean 4 garantit qu’aucune étape de raisonnement ne contient d’erreur formelle. Mais cette validation automatique ne répond pas à toutes les questions. Comme le souligne un chercheur cité par DataCamp : « La vérification par Lean garantit la cohérence logique, pas la signification mathématique ni l’importance du résultat. »

Surtout, l’absence de validation peer-review — le processus où des mathématiciens indépendants examinent en profondeur une démonstration — fragilise la portée de l’annonce. Selon plusieurs sources, aucun mathématicien reconnu n’est mentionné comme ayant supervisé ces travaux. Une omission qui interroge dans un domaine où la rigueur et la validation collective sont la norme depuis des siècles.

Astra : le nouveau visage de l’IA d’OpenAI

Au-delà des résultats mathématiques, cette annonce lève le voile sur Astra, que Sam Altman présente comme « notre prochain modèle majeur ». D’après The Information, Astra constituerait une nouvelle famille de modèles, distincte des gammes Sol, Terra et Luna introduites avec GPT-5.6. Son architecture serait conçue pour permettre à plusieurs agents IA de collaborer sur des tâches complexes pendant des heures, voire des jours.

Le PDG d’OpenAI aurait déjà fait une démonstration du système à des responsables politiques à Washington, signe que l’entreprise mise gros sur ce projet. Reste à savoir si Astra sortira sous ce nom ou sera intégré à la gamme GPT sous l’appellation GPT-6. OpenAI n’a communiqué ni date de sortie, ni détails techniques sur l’architecture du modèle, ni informations sur sa disponibilité future.

Entre révolution scientifique et opération marketing

L’annonce d’OpenAI intervient dans un contexte particulier pour l’entreprise. Après le départ de figures clés comme Ilya Sutskever et Jan Leike, et face à une pression concurrentielle intense, la startup doit régulièrement démontrer son avance technologique pour justifier sa valorisation estimée entre 80 et 100 milliards de dollars.

Le choix de communiquer via un billet de blog plutôt que par une publication scientifique traditionnelle interroge. « C’est davantage une opération marketing qu’une annonce scientifique classique », analyse un observateur du secteur. Cette stratégie permet de générer un buzz maximal tout en évitant l’examen critique immédiat de la communauté académique.

Plusieurs mathématiciens contactés par différents médias ont exprimé leur prudence. Sans connaître précisément les dix problèmes résolus ni leur importance reconnue, impossible de juger de la portée réelle de l’annonce. Certains problèmes « ouverts » peuvent être des questions techniques pointues intéressant une poignée de spécialistes, tandis que d’autres représentent des défis majeurs pour toute une discipline.

Un coût dérisoire qui change la donne

Paradoxalement, l’information la plus révolutionnaire n’est peut-être pas la résolution elle-même, mais son coût. Si résoudre des problèmes mathématiques complexes ne nécessite que 2 000 dollars de calcul — contre des millions pour entraîner les modèles de base —, cela signifie que cette capacité pourrait rapidement se démocratiser.

« Nous passons de la science comme privilège institutionnel à la science comme commodity », résume un analyste. N’importe quel chercheur, laboratoire ou même amateur éclairé pourrait bientôt accéder à ces outils de raisonnement avancé, sans nécessiter de supercalculateurs ni de budgets pharaoniques.

Cette accessibilité soulève autant d’opportunités que de questions. Qui possédera la propriété intellectuelle des découvertes faites par l’IA ? Comment attribuer les mérites scientifiques ? Quel sera le rôle des chercheurs humains si l’IA peut résoudre des problèmes de manière autonome ?

Les zones d’ombre persistent

Plusieurs questions essentielles demeurent sans réponse. OpenAI n’a pas révélé quels sont précisément les dix problèmes résolus, rendant impossible une évaluation indépendante de leur importance. L’entreprise ne précise pas non plus le niveau d’intervention humaine nécessaire : les problèmes ont-ils été formulés par des mathématiciens ? Les solutions ont-elles nécessité des ajustements manuels ?

La méthodologie reste également floue. Combien de tentatives ont été nécessaires avant d’aboutir aux solutions ? Le coût de 2 000 dollars inclut-il uniquement les calculs ayant mené aux bonnes réponses, ou également les nombreuses pistes explorées sans succès ? Ces détails sont cruciaux pour évaluer la reproductibilité et l’efficacité réelle du système.

Enfin, la capacité d’Astra reste à déterminer : peut-il s’attaquer à n’importe quel type de problème mathématique, ou seulement à certaines catégories particulières ? S’agit-il d’une avancée généralisable ou de résultats ponctuels sur des problèmes dont la structure se prêtait particulièrement bien au traitement par IA ?

L’IA, nouveau chercheur autonome ?

Si les affirmations d’OpenAI se confirment, nous franchirions un cap symbolique majeur : l’IA ne serait plus un simple outil d’assistance pour les chercheurs, mais deviendrait capable de produire de manière autonome des résultats scientifiques de haut niveau.

Cette perspective soulève des questions philosophiques profondes. Comme le souligne un observateur : « Si l’IA peut faire de la recherche fondamentale, quels domaines restent exclusivement humains ? » La créativité mathématique, longtemps considérée comme le summum de l’intelligence abstraite humaine, serait-elle sur le point d’être automatisée ?

Pour l’instant, la communauté scientifique reste prudente. Les prochaines semaines seront décisives : des mathématiciens reconnus valideront-ils ces résultats ? OpenAI publiera-t-il des détails permettant une évaluation rigoureuse ? Les concurrents — Google DeepMind, Anthropic — annonceront-ils des capacités similaires ?

Conclusion : révolution annoncée ou marketing bien huilé ?

L’annonce d’OpenAI sur Astra marque potentiellement un tournant dans l’histoire de l’intelligence artificielle et de la recherche scientifique. Résoudre dix problèmes mathématiques non résolus depuis des décennies serait une prouesse historique, comparable à AlphaFold pour la biologie structurale.

Mais entre l’annonce spectaculaire et la validation scientifique rigoureuse, un fossé demeure. L’absence de peer-review, le manque de transparence sur les problèmes résolus, et le timing — alors qu’OpenAI fait face à des départs et à une pression concurrentielle — invitent à la prudence.

La véritable question n’est peut-être pas de savoir si Astra a résolu ces problèmes, mais plutôt : sommes-nous prêts à redéfinir ce que signifie « faire de la science » à l’ère de l’intelligence artificielle ? Et surtout, qui contrôlera cette nouvelle forme de production de connaissances ?