OpenAI annonce trois percées en mathématiques, informatique et physique
Sommaire
En bref
- OpenAI présente trois résultats majeurs : une preuve de la conjecture locale de lissage en toutes dimensions (résolvant aussi Kakeya), une réfutation de l'Hypothèse du temps exponentiel (ETH) en informatique théorique, et une avancée en physique théorique.
- La stratégie de publication diffère par domaine : pour les maths, diffusion immédiate du résultat brut ; pour l'informatique, collaboration externe organisée ; pour la physique, report de la divulgation.
- OpenAI teste ainsi un modèle de collaboration avec la communauté académique avant publication, avec transparence et sans recherche de crédit scientifique direct.
Ce que dit la source
OpenAI affirme avoir produit trois découvertes via ses modèles, formalisées en Lean. La réfutation de l'ETH est particulièrement frappante : ce conjecture était considérée comme vraie et a servi de base à des centaines de papiers en théorie de la complexité, biologie computationnelle, bases de données et géométrie computationnelle. L'entreprise souligne aussi avoir résolu la conjecture de Kakeya en toutes dimensions (Wang et Zahl l'avaient prouvée en trois dimensions seulement en 2025), et avoir avancé sur l'existence de Yang–Mills en septembre 2026. L'annonce porte aussi sur le processus lui-même : OpenAI teste trois stratégies de divulgation selon le domaine, en collaboration avec des experts externes qui agissent comme « bergers » organisateurs.
- La preuve de l'ETH produit un algorithme déterministe en temps superpolynomial mais sous-exponentiel : 2^(n/(log n)^0.5), bien mieux que l'exponentiel pur supposé inévitable.
- Pour les maths (Kakeya), OpenAI diffuse immédiatement le résultat brut en traitement du langage naturel et preuve Lean sur GitHub, sans collaboration préalable imposée.
- Pour l'informatique (ETH), une équipe externe coordonnée par Russell Impagliazzo (UC San Diego) et Ramamohan Paturi explicitera et vérifiera le résultat, avec documents publiés immédiatement.
- Pour la physique, les collaborateurs externes choisissent de retarder la divulgation des artefacts produits par l'IA et de rédiger eux-mêmes une exposition.
- Les collaborations reposent sur quatre principes : transparence (pas de NDA), pas de crédit académique revendiqué par OpenAI, reconnaissance des expliciteurs, indépendance des participants (non rémunérés).
- Yang–Mills a été formalisé en Lean le 16 octobre 2026, soit un mois après la première preuve en langage naturel du 9 septembre.
Dans les commentaires
Débat partagé entre admiration pour l'exploit technique et skepticisme sur les enjeux de gobernance scientifique et d'allocation des ressources.
- Plusieurs commentateurs contestent le modèle : OpenAI entraîne ses modèles sur les données produites par les chercheurs (qui utilisent ses services), puis « bat » la communauté avec ses propres résultats et l'invite à valider l'annonce. Un commentateur compare à un fabricant de vélos annonçant ses victoires en cyclisme professionnel après avoir sélectionné les meilleurs cyclistes pour arbitrer.
- Tension sur l'allocation des ressources : sharmajai pointe que les budgets de recherche académique sont serrés (UCLA a réduit ses crédits) tandis que Terence Tao a dû lever 60 000 dollars via collaboration avec OpenAI cette année. La question implicite : cet argent aurait-il produit plus de résultats répartis en subventions traditionnelles ?
- Craintes sur la propriété intellectuelle et la faisabilité post-IPO : aucune garantie qu'OpenAI maintienne cet effort une fois les investisseurs externes impliqués.
- Sur l'ETH spécifiquement : plusieurs commentateurs notent que réfuter ETH ne prouve pas P=NP (mlinsey), et mlinsey demande si cela devrait shift significativement les priors sur P=NP parmi les experts. La portée exacte du résultat pour la théorie de la complexité reste à clarifier.
- KolenCh signale une imprécision sur la physique : si le résultat concerne Yang–Mills sans le « mass gap », ce n'est pas une véritable théorie unifiée au sens des prix du millénaire, et SU(5) est expérimentalement réfuté. L'article source est vague ici.
- Un commentaire soulève que ces avancées sont concentrées dans des domaines « formellement vérifiables » (maths, théorie de la complexité), et questionne si les LLM ont des limites dans les sciences plus « brouillonnes » (biologie). Absence de progrès similaires rapportés hors de ces domaines.
Notre lecture
Ce qui compte ici, c'est moins le statut philosophique des découvertes (qui les produit réellement ? la part de l'IA ?) que le réalignement des incitations de publication. OpenAI teste explicitement trois modèles de collaboration, demande de la transparence et passe le rôle d'arbitre à la communauté plutôt que de se poser en découvreur. C'est un changement d'approche après les frictions de l'annonce précédente (Terence Tao). Mais les questions de gobernance restent pertinentes : cet effort pourrait creuser les inégalités d'accès aux outils de recherche (seuls les « bergers » choisis au départ voient le résultat brut), et aucun engagement sur la continuité. Pour une DSI ou une équipe R&D, cela signale une évolution : les résultats d'IA en domaines formels sont crédibles et vérifiables, la collaboration académique devient un élément de légitimation standard. À surveiller surtout pour son modèle processuel, moins pour prétendre des révolutions mathématiques imminentes.