La percée Navier–Stokes revendiquée par OpenAI réunit plusieurs jugements dans un même titre. L’entreprise affirme qu’un système interne a construit une singularité en temps fini en 88 heures, puis une formalisation Lean. Correspondance de l’énoncé au problème officiel, acceptation par les spécialistes et attribution du mérite sont des questions différentes. Le travail décrit n’avait pas achevé le processus habituel d’examen mathématique.
Le Heidelberg Laureate Forum de septembre a exposé cette tension. Les chercheurs ne défendaient pas simplement la résolution humaine contre les machines. Ils demandaient si produire vite des réponses vérifiables engendre aussi compréhension, attribution équitable et capacité scientifique partagée, ou laisse des entreprises propriétaires décider quels problèmes constituent un progrès.
Un contre-exemple précis, pas tous les écoulements
Les équations de Navier–Stokes modélisent les fluides comme un milieu continu sans suivre chaque molécule. Elles restent utiles pour avions, météo, eau et circulation sanguine. La difficulté concerne les écoulements tridimensionnels incompressibles réguliers : des conditions initiales régulières le restent-elles, ou une quantité comme la vitesse peut-elle devenir non bornée en temps fini ? L’effet lissant de la viscosité rend difficile une singularité admissible.
OpenAI dit avoir construit un tourbillon spiralant vers l’intérieur et s’étirant, dont le centre rétrécit lorsque la vitesse augmente, avec une énergie totale finie. Point crucial, une force externe régulière resterait régulière même lorsque la vitesse diverge. L’entreprise revendique deux formulations de contre-exemple permises officiellement. Cela ne signifie pas résoudre toutes les variantes sans force, ni démontrer que les équations sont simplement « fausses ».
L’entreprise situe le début au 1er septembre 2026 après des rumeurs sur des équations voisines, en testant un modèle interne inédit sur tous les problèmes du millénaire ouverts et des questions connexes. Environ 10 000 agents simultanés exploraient preuve et réfutation, avec outils et échanges limités. Le résultat serait arrivé le 5 septembre, environ 88 heures après le lancement ; GPT-6 Astra aurait pris 17 heures supplémentaires pour formaliser et vérifier en Lean.
Pour Navier–Stokes, OpenAI a déclaré 2,7 millions de messages et environ 130 milliards de tokens de sortie ; sur toutes les tentatives, 4,9 millions et environ 300 milliards. Ces chiffres non audités décrivent une recherche coordonnée parmi propositions, échecs et contrôles, pas un prompt unique. Le modèle générateur serait supérieur à Astra public : publier article et preuve ne permet donc pas à l’utilisateur ordinaire de reproduire la recherche.
Ce que Lean vérifie et ce qu’il ne tranche pas
Lean représente les mathématiques avec définitions et règles explicites et vérifie que les étapes découlent des fondements acceptés. Il peut fermer des lacunes manquées en prose. Les spécialistes doivent néanmoins confirmer que l’énoncé et les hypothèses codés correspondent au problème visé. La cohérence formelle interne ne produit pas automatiquement un accord sur la portée ou l’interprétation.
Le vérificateur n’attribue pas la priorité, ne reconstruit pas l’origine d’une stratégie et ne juge pas les remerciements suffisants. Il ne rend pas l’argument éclairant et ne décide pas si les idées s’enseignent, se réutilisent ou s’étendent. Une longue preuve peut être valide sans que beaucoup comprennent son mécanisme. C’est une difficulté de compréhension, non une raison de rejeter l’informatique.
Les règles Clay demandent une publication admissible, une large acceptation et au moins deux ans d’examen rigoureux avant l’évaluation détaillée du prix. OpenAI ne compte pas le réclamer. Renoncer à l’argent ne raccourcit pas la revue ni ne crée un consensus instantané. Les spécialistes doivent comparer théorème formel, construction lisible et travaux antérieurs.
Geordie Williamson a averti d’une séparation entre résoudre et comprendre alors que les carrières récompensent toujours les questions résolues. Jacob Tsimerman a insisté sur l’accélération des capacités et l’importance d’une résolution Navier–Stokes. Peter Scholze a interrogé la valeur intrinsèque d’une production plus rapide quand la compréhension manque déjà. Le désaccord porte sur le contenu du progrès, non sur un simple optimisme opposé à la peur.
Les accusations de priorité ne réfutent pas techniquement la preuve
OpenAI a relié les rumeurs initiales à Tristan Buckmaster de NYU et Levent Alpöge, employé d’Anthropic. Ils travaillaient sur un problème d’Euler avec force externe. Euler omet la viscosité : ce projet n’est pas interchangeable avec la revendication Navier–Stokes. OpenAI dit que ses agents avaient obtenu auparavant, indépendamment et par d’autres méthodes, un résultat d’Euler sans force, tout en reconnaissant une stratégie de forçage apparentée dans l’approche plus large.
L’entreprise nie que les participants aient vu les travaux privés du duo avant l’achèvement. Elle affirme aussi qu’une enquête interne a exclu l’influence des anciens prompts Codex de Buckmaster par entraînement ou autre voie. Buckmaster a contesté les événements, pressions, signatures et communications. Scientific American a rapporté sa conviction qu’OpenAI avait appris leurs avancées avant son propre résultat ; le mathématicien de l’entreprise Sébastien Bubeck a nié l’utilisation de leurs prompts ou preuves.
Les contributions antérieures de Diego Córdoba et Luis Martínez-Zoroa aux méthodes de forçage appartiennent également à l’histoire. Córdoba a expliqué que l’achèvement revendiqué les avait surpris. Les mathématiques avancent par méthodes, résultats partiels, conversations et idées parfois inédites. L’attribution signale la nouveauté et influence emplois, financements, invitations et réputation. Tout attribuer à un modèle masque cette chaîne.
Deux questions restent distinctes. Les preuves publiques n’avaient pas établi définitivement un accès indu à des matériaux inédits, nié par OpenAI. Critiquer communication, attribution ou pouvoir inégal n’exige pas de le prouver. Williamson a sévèrement critiqué la conduite ; Michael Harris décrivait une couverture présentant l’entreprise comme intimidante et perturbant les normes. OpenAI n’avait pas commenté auprès d’IEEE avant publication. Cela ne réfute pas le théorème, pas plus que la courtoisie ne valide une preuve erronée.
Les ressources propriétaires changent la compétition
Les mathématiques attirent les laboratoires : leurs réponses formelles sont souvent plus objectivement vérifiables que textes ou prévisions, et les problèmes célèbres donnent de la publicité. Anthropic aurait testé un Claude interne sur l’hypothèse de Riemann sans la résoudre, mais avec une avancée sur une borne connexe. Google et des projets spécialisés poursuivent preuve, formalisation et découverte. Ce ne sont pas tous des problèmes du millénaire résolus.
Scholze craignait que benchmarks et publicité orientent vers des lignes d’arrivée reconnaissables. Théories, connexions et clarification conceptuelle peuvent mûrir des décennies sans conclusion célèbre. Si financement et recrutement suivent les solutions visibles des machines, des travaux importants peuvent perdre leur soutien.
IEEE a relaté l’inquiétude de Mita Ramabulana après deux avancées recoupant sa recherche : quelqu’un pourrait donner le problème d’un chercheur à un modèle et publier avant lui. La doctorante en cryptographie Ailsa Robertson décrivait des collègues dépensant beaucoup pour l’accès et se sentant obligés d’utiliser les modèles dans la compétition professionnelle. L’article citait aussi 100 000 licences de modèles de pointe offertes par OpenAI aux universitaires.
Ces programmes aident tout en préservant une asymétrie : l’université utilise l’accès public d’une entreprise concurrente dotée de systèmes internes supérieurs. Les instruments coûteux créent déjà des inégalités, mais les grandes installations publiques ou internationales ont une gouvernance différente de services propriétaires capables de changer, retirer l’accès ou réserver le meilleur. Le faible seuil matériel des mathématiques évolue.
Signaux d’embauche et d’auteur exigent donc une divulgation. Des articles classiques peuvent cacher des degrés différents d’exploration, formalisation et découverte automatiques et un accès inégal. Revues et universités ont besoin d’une provenance distinguant assistance ordinaire et contribution substantielle, sans mettre tous les usages au même niveau.
La vérification nécessite un processus lisible et responsable
Les mathématiques acceptent déjà le calcul, du contrôle exhaustif du théorème des quatre couleurs aux grands projets d’assistants de preuve. La nouvelle pression est l’échelle : des objets formels pourraient arriver plus vite que leur compréhension, créant un retard d’audit et d’explication. Les humains traduiraient davantage le travail automatique tandis que les incitations récompensent les résultats finaux.
La perspective de Tsimerman laisse aux humains les questions et les connexions, aux systèmes l’exploration. Williamson demande si les carrières optimiseront plutôt la production de machines. Torsten Hoefler a prédit l’automatisation de tout ce qui est vérifiable. C’est une prévision, non la preuve du choix de bonnes questions, d’explications éclairantes ou de directions d’intérêt public.
La distinction concerne aussi code, circuits et calculs : un artefact correct peut rester difficile à maintenir ou manquer d’histoire transparente. Notes, hypothèses rejetées, sources et décisions humaines deviennent plus importantes quand le résultat arrive vite. Un logiciel de connaissances conserve le contexte sans établir normes scientifiques ou attribution.
Une publication en couches pourrait fournir preuve formelle, explication lisible, provenance et réplication indépendante. Une expertise confidentielle avant les grandes annonces améliorerait la crédibilité au détriment de l’avantage publicitaire. Un accès externe à des outils capables et à l’infrastructure soutiendrait une reproduction dépassant la vérification d’une preuve finie. Ce sont des propositions pour renforcer les institutions, non rejeter la découverte automatisée.
Trois tests restent : confirmation indépendante de la correspondance entre théorème, construction et formulation Clay ; chaîne intelligible de sources, décisions et interventions plutôt que millions de messages bruts ; découvertes acceptées répétées aux méthodes réutilisables. Accès, divulgation éditoriale et recrutement décideront en partie si une capacité propriétaire devient mathématique partagée. D’ici là, le résultat demeure une revendication attribuée avec pièces à l’appui, non une résolution officielle déjà acquise.
Sources
Revendication d’OpenAI · Règles du prix du millénaire · Débat à Heidelberg · Récit indépendant de la controverse · Contexte des connaissances · Analyse IEEE Spectrum