L'IA résout un problème de mathématiques du millénaire en 88 heures, suscitant des préoccupations académiques et éthiques

L'IA est devenue si puissante qu'elle peut résoudre les problèmes mathématiques les plus difficiles de l'humanité, et aussi nous éliminer.

Ces propos sont tenus par Ben Cohen, chroniqueur au Wall Street Journal.

Le 11 septembre, il a écrit une chronique sur l'IA et les mathématiques.

Cohen avoue ne pas comprendre les équations de Navier-Stokes, mais il pense que vous n'avez pas besoin de connaître la moindre mathématique pour comprendre ce que signifie la percée revendiquée par OpenAI cette fois-ci :

Les progrès de l'IA s'accélèrent, et cette accélération est effrayante.

Une nouvelle technique du cercle mathématique est devenue soudainement une question concernant le destin de toute l'humanité.

Le même jour, Terence Tao et 25 autres lauréats de la médaille Fields ont publié conjointement une déclaration intitulée : « Un grave désalignement de l'IA en mathématiques ».

Ce qu'ils appellent « inadéquation », c'est que les entreprises d'IA et les mathématiciens n'ont pas les mêmes objectifs : les mathématiciens veulent de nouvelles méthodes et de nouvelles compréhensions, tandis que les entreprises d'IA cherchent à utiliser des problèmes célèbres pour améliorer les scores des modèles.

D'un côté, des chroniqueurs crient à la fin du monde ; de l'autre, des mathématiciens de premier plan parlent de déséquilibre.

Si vous regardez ensemble les événements de cette semaine, vous comprendrez pourquoi ils sont impatients :

Le 3 septembre, GPT-6 Astra a été publié et a obtenu 97,6 % sur FrontierMath Tier 4 ;

Le 5 septembre, un modèle interne encore non publié d'OpenAI a obtenu un ensemble de solutions au problème de Navier-Stokes environ 88 heures après le démarrage des premiers agents ;

Le 8 septembre, OpenAI a rendu public ses résultats, immédiatement accusé par un mathématicien de la NYU d'avoir devancé le travail, et impliqué dans un conflit sur l'attribution des auteurs concernant l'exclusion des employés d'Anthropic ;

Le 10 septembre, Epoch AI a annoncé que le Tier 4 de FrontierMath est saturé ;

Le 11 septembre, 25 lauréats de la médaille Fields ont publié une déclaration conjointe. Ce soir-là, The Wall Street Journal a regroupé la percée mathématique et le risque d'extinction de l'IA dans le même titre.

Sept jours, cinq événements pointent tous vers ce décalage : la vitesse à laquelle l'IA crée des connaissances, la vitesse à laquelle les humains confirment ces connaissances et la vitesse d'ajustement des règles sont gravement désynchronisées.

FrontierMath Tier 4, un ensemble de problèmes mathématiques de niveau recherche conçus par Epoch AI pour tester les modèles les plus puissants.

Les questions ici sont extrêmement difficiles ; certaines prendront même plusieurs jours à des chercheurs de premier plan pour être résolues.

En juillet 2025, au lancement du niveau 4, le meilleur modèle ne pouvait atteindre qu’environ 5 %, soit essentiellement une copie blanche.

Moins de 14 mois plus tard, Epoch annonce : chaque question de niveau 4 a été résolue au moins une fois par une IA.

Parmi celles-ci, la dernière question a été remportée par GPT-6 Astra, et l'auteur de la question est le mathématicien Jay Pantone.

Epoch a également souligné : les mathématiciens ont souvent critiqué les modèles pour contourner leurs questions soigneusement conçues en utilisant des « raccourcis accidentels », mais cette dernière question n'a pas emprunté de raccourci.

Ensuite, Epoch a énoncé une conclusion froide : ce référentiel est saturé.

The exam paper has fallen behind the candidates; it's time to switch papers.

L'époque a également déplacé le champ de bataille vers de véritables questions ouvertes, et les systèmes d'évaluation de l'IA commencent à s'orienter vers des domaines inconnus même pour les humains.

La vitesse de croissance des capacités de l'IA a dépassé nos méthodes de mesure.

Comme le a regretté Greg Burnham d'Epoch : une ère se termine, une autre commence.

Si FrontierMath démontre que « la référence commence à ne plus suivre le modèle », alors l'événement Navier-Stokes présente une image encore plus révolutionnaire :

L'IA ne se contente plus de résoudre des problèmes, elle commence à fonctionner comme un vaste organisme de recherche.

Ce n'est pas du tout un combat individuel, mais une « opération de grande envergure » impliquant jusqu'à dix mille agents.

Ils sont répartis en différents groupes, certains prouvant, d'autres infirmant, communiquant entre eux, partageant des conclusions intermédiaires, et même basculant sans interruption vers les dernières versions du modèle en cours de route.

Environ 88 heures après le démarrage des premiers agents, l’un des groupes a soumis une preuve finale de plus de cent pages.

Schéma du mécanisme de singularité de Navier-Stokes publié par OpenAI : fluide en spirale vers l'intérieur (inward spiral), étirement axial (axial stretching), orange pour les zones à haute vitesse, cyan pour les zones à basse vitesse. Le centre du tourbillon se réduit de plus en plus vite, la vitesse devient infinie tandis que l'énergie totale reste finie.

L'ensemble de ce processus reprend parfaitement le modèle de fonctionnement des plus grandes institutions de recherche humaines.

Dans le monde humain, l'état des équations de Navier-Stokes reste « non résolu ».

Selon les règles du prix du millénaire, une solution doit d'abord être publiée sur un canal qualifié, attendre au moins deux ans après publication, et obtenir l'acceptation générale de la communauté mathématique mondiale avant que Clay ne démarre l'examen formel.

Le président Clay Martin Bridson a déclaré à l'AFP que le processus d'évaluation était « délibérément non pressé » et devait être « absolument rigoureux ». OpenAI a également indiqué qu'elle n'avait pas l'intention de réclamer les 1 million de dollars.

Ainsi, la formulation la plus précise de cet événement est : OpenAI a publié une solution aux problèmes du millénaire, affirmant avoir accompli la formalisation dans Lean, mais sans confirmation indépendante de la communauté mathématique.

Résultat généré par une machine, 88 heures. Résultat confirmé par un humain, au moins deux ans. Cela constitue probablement le contraste le plus frappant en mathématiques IA de la semaine.

Ce n'est pas que la vérification humaine soit trop lente. Le problème vient du fait que les machines ont accéléré la « découverte » de plusieurs centaines de fois, tandis que la « compréhension » humaine n'a pas suivi.

Alors, la vraie question est : quand les machines commenceront à produire des connaissances en masse à un rythme d’un résultat majeur tous les quelques jours, qui fera la lecture, la vérification, l’interprétation, la simplification et l’assimilation qui suivront, pendant des années, voire des décennies ?

Le système de signature a d'abord heurté un mur

Le jour où les résultats de Navier-Stokes ont été rendus publics, la communauté mathématique a été en ébullition.

Le mathématicien de NYU Tristan Buckmaster et Levent Alpöge, qui travaille chez Anthropic, ont également étudié les équations de fluide concernées tout au long du mois d'août.

Selon la reconstitution du New York Times, ces deux personnes travaillent comme suit :

Buckmaster pose une question, Alpöge transmet la question au modèle interne d'Anthropic ; une fois le résultat généré, les deux ajustent la question en fonction de la sortie et continuent à alimenter les données en retour.

Selon Buckmaster, après coup, OpenAI a proposé plusieurs mesures apaisantes : lui permettre de publier d'abord ses propres résultats, le désigner comme premier auteur de l'article d'OpenAI, et lui fournir des ressources de calcul pour continuer ses recherches.

Mais le plus grand obstacle est que OpenAI ne veut pas que Levent apparaisse sur l'article.

Au tableau, la chronologie des progrès de Buckmaster et Alpöge tout au long du mois d’août : équation d’Euler le 15 août, formalisation Lean le 22 août, 31 août… ainsi que les noms de collègues comme Figalli et Hairer.

Dans le commerce, un projet interne de OpenAI ayant fait l'objet de lourds investissements, pourquoi devrait-il porter le nom d'un employé de son concurrent Anthropic ?

Ensuite, la discussion s'est étendue à un autre sujet encore plus sensible. Buckmaster utilise depuis plusieurs mois Codex pour organiser des brouillons mathématiques générés par l'IA.

Alors, les idées de recherche exclusives qu’il a saisies sous le nom de Codex mais qui n’ont pas encore été rendues publiques, pourraient-elles avoir été utilisées, via des canaux de données secrets, comme nourriture pour les modèles de recherche d’OpenAI ?

Buckmaster admet lui-même ne pas avoir de preuve, mais, à son avis, la chronologie des événements et la ligne de preuve d'OpenAI suggèrent tous deux cela.

OpenAI a publié un avis d'urgence le 10 septembre indiquant qu'après une enquête interne approfondie, les invites Codex de Buckmaster au cours des deux derniers mois n'ont absolument pas pu influencer ce modèle interne par le biais de l'entraînement ou de toute autre méthode.

Qui a raison ou tort est pour l’instant devenu un vrai mystère, mais ce qu’il révèle véritablement, c’est un ensemble entier de questions que personne n’a jamais sérieusement répondues jusqu’ici :

Un prompt privé personnel constitue-t-il une donnée de recherche protégée ?

Peut-on attribuer le nom d’un employé d’une entreprise concurrente à un projet de recherche financé en interne ?

Comment délimiter la frontière entre une nouvelle contribution et les travaux existants si le modèle a consulté une quantité massive de données publiques ?

Peter Sarnak de l'Institut d'études avancées de Princeton a déclaré au New York Times : « Ce genre de négociation, je n'en ai jamais entendu parler de ma vie. »

Les règles académiques accumulées pendant des centaines d'années dans le monde des mathématiques n'ont jamais été conçues pour absorber la vitesse débridée de production de cette machine.

Ce que les 25 lauréats de la médaille Fields craignent vraiment

Un jour plus tard, 25 lauréats de la médaille Fields ont publié conjointement une déclaration puissante.

Terence Tao, Peter Scholze, James Maynard, Maryna Viazovska... les cerveaux les plus brillants du monde des mathématiques sont presque tous présents.

Cette déclaration n'est pas un « manifeste anti-IA ».

En fait, Terence Tao a constamment tenté activement d'utiliser l'IA pour aider à la recherche mathématique.

Et la déclaration reconnaît également que l'IA a effectivement le potentiel d'accélérer la compréhension réelle des mathématiques.

Ce qu'ils détestent vraiment, c'est d'équivaloir directement « résoudre des problèmes » à la mathématique ; dans le milieu frénétique de l'IA d'aujourd'hui, les entreprises d'IA, dans une quête impatiente de hausse de leur cours boursier et de communication, considèrent « résoudre des problèmes célèbres » comme l'objectif d'optimisation ultime.

Dans leur esprit, les problèmes du prix du millénaire ne servent qu'à démontrer la puissance du modèle.

Mais la véritable valeur des mathématiques réside dans la naissance de nouvelles méthodes et de nouveaux concepts au cours du processus fastidieux de résolution de problèmes, qui finissent par s'inscrire dans le système commun de connaissances humaines.

Les entreprises d'IA sortent désormais régulièrement des résultats époustouflants, au point que personne n'a le temps de les assimiler. Cette chaîne qui existe depuis des milliers d'années pourrait se rompre à tout moment.

La lettre conjointe souligne également que les résultats ont été publiés trop rapidement, ce qui n'a pas permis de distinguer clairement les nouvelles idées de celles construites sur les travaux antérieurs, entraînant inévitablement une grande confusion en matière de paternité et d'attribution.

Ce qui intéresse réellement les gens ordinaires, ce n'est pas « l'IA a dépassé les mathématiciens ».

La vitesse à laquelle les machines créent des connaissances dépasse pour la première fois, de manière écrasante, la vitesse à laquelle les humains les confirment, les attribuent et les intègrent.

Ce n'est pas une exagération ; le système GPT-6 Astra indique clairement qu'il s'agit du premier modèle d'OpenAI à atteindre le seuil « Critical » en matière de cybersécurité, avec un score de 100 % sur ExploitBench.

La capacité à résoudre les problèmes du millénaire, la capacité d'attaque via des vulnérabilités zero-day, et un raisonnement plus difficile à déchiffrer — trois éléments présents simultanément dans le même modèle.

OpenAI, dans le dernier paragraphe de l'annonce sur Navier-Stokes, a encore une phrase :

Ensuite, ils doivent d'abord bien maîtriser ce nouveau modèle avant de décider à quelle vitesse avancer, et pourraient devoir faire des choix plus prudents concernant la vitesse de progression.

Oui, l'entreprise d'IA qui vient de soumettre sa réponse au problème du millénaire a spontanément évoqué un ralentissement.

Cohen a également mentionné un point en fin de colonne.

Le mois dernier, OpenAI a invité un groupe de mathématiciens de premier plan à une réunion privée à son bureau de San Francisco, en supposant que l'IA dépassera inévitablement les humains en mathématiques, puis a discuté de la manière de gérer l'éducation, la collaboration scientifique, la publication d'articles et la formation des mathématiciens de la prochaine génération.

J'ai discuté toute la journée, sans réponse.

Cette question ne peut pas être empaquetée et soumise à Lean pour vérification automatique.

Seul l'humain peut le déchiffrer.

Références :

https://www.wsj.com/tech/ai/ai-math-millennium-prize-safety-openai-anthropic-05179825

https://epoch.ai/benchmarks/frontiermath-tier-4-v2?view=graph&tab=release-date

https://www.nytimes.com/2026/09/10/science/tristan-buckmaster-openai-math-navier-stokes.html?utm_source=chatgpt.com

https://www.daniellitt.com/blog/2026/8/11/the-end-of-mathematics/

Cet article provient du compte WeChat « Nouvelle Intelligence », auteur : Apocalypses de l'ASI