OpenAI a publié des centaines de manuscrits mathématiques produits par un modèle interne. Une annonce qui pourrait marquer une étape importante pour la recherche assistée par intelligence artificielle. Mais entre une démonstration proposée, une preuve vérifiée par ordinateur et un résultat compris par les chercheurs, plusieurs distinctions restent essentielles.
Dans une vidéo d’environ 15 minutes, la chaîne AI Revolution en Français revient sur cette publication et les débats qu’elle suscite. Riemann, Hodge, conjecture des jeux uniques et équations de Navier–Stokes : les sujets évoqués touchent à des questions profondes des mathématiques.
Derrière le titre spectaculaire de la vidéo, une question mérite toutefois d’être posée : qu’a réellement publié OpenAI, et comment évaluer la portée de ces travaux ?
Des centaines de manuscrits, pas autant de problèmes définitivement réglés
Le 6 octobre 2026, OpenAI a annoncé la mise à disposition de nouveaux résultats mathématiques générés par un modèle de pointe interne. L’entreprise les a réunis dans un dépôt GitHub, avec des documents de recherche et des éléments destinés à faciliter leur examen.
Le catalogue, initialement présenté avec 722 manuscrits, en affiche 719 répartis en 372 familles lors de notre consultation. Une famille peut rassembler un résultat principal, des arguments complémentaires, des conséquences ou plusieurs démonstrations.
Ces chiffres ne signifient donc pas que l’IA aurait résolu 719 grands problèmes indépendants. Le dépôt précise également que les résultats se trouvent à différents stades de vérification et que certains travaux non formalisés pourraient contenir des erreurs.
Cette réserve n’annule pas l’intérêt scientifique de la publication. Elle indique le travail qui reste à effectuer pour déterminer ce qui est correct, nouveau et important.
Pourquoi la formulation exacte d’un résultat compte
Les chapitres de la vidéo évoquent notamment une avancée autour de l’hypothèse de Riemann. Pour le lecteur, la nuance est capitale : un résultat lié à une conjecture ne constitue pas nécessairement une démonstration de cette conjecture dans toute sa généralité.
Il faut examiner l’énoncé précis, ses hypothèses et ses limites. Un résultat valable dans un cas particulier peut représenter une avancée considérable, tout en laissant d’autres questions ouvertes.
Le même principe s’applique aux annonces concernant Hodge ou les jeux uniques. Avant de conclure qu’un problème célèbre est réglé, il faut identifier exactement ce que le manuscrit affirme et comment cette affirmation a été vérifiée.
Lean : une vérification informatique, avec un périmètre précis
OpenAI accompagne une partie des travaux de formalisations dans Lean, un langage et assistant de preuve permettant de vérifier des raisonnements mathématiques par ordinateur. L’entreprise prévoit d’en ajouter d’autres.
Le dépôt indique qu’environ 42 % des résultats principaux disposent d’une formalisation. Cela ne permet donc pas de présenter l’ensemble de la collection comme intégralement vérifié de cette manière.
La formalisation apporte un contrôle précieux. Elle doit néanmoins être accompagnée d’énoncés clairs et d’une présentation accessible aux spécialistes. Le groupe consultatif AGMAI recommande justement de publier les éléments de vérification et d’indiquer explicitement leur statut lorsqu’ils restent incomplets.
Navier–Stokes : une annonce antérieure qui nourrit le débat
Cette publication arrive après l’annonce d’OpenAI du 8 septembre 2026 concernant le problème d’existence et de régularité de Navier–Stokes.
Ces équations décrivent le mouvement des fluides. OpenAI affirme avoir produit une démonstration montrant l’apparition d’une singularité en temps fini dans une configuration avec une force extérieure lisse. L’entreprise présente ce résultat comme répondant à certaines formulations du problème du prix du millénaire et fournit un texte ainsi qu’une formalisation en Lean.
Il faut conserver cette attribution : il s’agit de la solution annoncée par OpenAI. La publication de ses travaux ne doit pas être confondue, à elle seule, avec une reconnaissance officielle par toutes les instances scientifiques concernées.
Les objections portent aussi sur la manière de faire de la recherche
Le désaccord dépasse la question « l’IA sait-elle faire des mathématiques ? ».
Dans ses recommandations du 29 septembre, l’Advisory Group on Mathematics and Artificial Intelligence, ou AGMAI, critique l’évaluation de problèmes avancés sur des modèles propriétaires inaccessibles à la communauté scientifique. Le groupe demande notamment des références rigoureuses, des preuves intelligibles et davantage de transparence sur la production des résultats.
Il insiste aussi sur la responsabilité des laboratoires : lorsque les arguments générés ne sont pas encore compris par des humains, il faut soutenir le travail nécessaire pour les étudier.
OpenAI indique avoir consulté ce groupe et annonce vouloir financer des ateliers, conférences et programmes consacrés à la compréhension des résultats produits par IA. Cette consultation ne signifie toutefois pas que l’AGMAI approuve la démarche : ses recommandations expriment explicitement des objections.
Une transformation possible, à mesurer résultat par résultat
Si les travaux résistent à l’examen, ils pourraient ouvrir de nouvelles pistes et accélérer certaines recherches. Leur valeur dépendra aussi de la capacité des mathématiciens à en comprendre les méthodes, à les transmettre et à s’en servir pour développer d’autres idées.
La publication soulève ainsi une question qui dépasse les performances d’un modèle : comment transformer une production massive de démonstrations en connaissances fiables et partagées ?
C’est sur ce terrain que se jouera la portée durable de ces annonces.
