Son IA résout 100 problèmes de maths : OpenAI crée un conseil de mathématiciens

Neuf des mathématiciens les plus décorés de la planète viennent d'accepter une mission étonnante : encadrer une machine qui prétend avoir dépassé leur discipline en un mois.

Le 21 septembre 2026, OpenAI (l'entreprise américaine derrière ChatGPT) a annoncé la création d'un conseil consultatif indépendant sur les mathématiques et l'IA. Dans le même communiqué, la société affirme qu'un modèle interne a résolu plus de 100 problèmes ouverts, restés sans réponse dans la plupart des domaines mathématiques.

La nouvelle tombe après un mois de tempête. En septembre, OpenAI a publié une solution au problème de Navier-Stokes, l'un des sept « problèmes du prix du millénaire » dotés chacun d'un prix d'un million de dollars. Et une partie du monde académique hurle à la manœuvre.

Dans cet article :

• Neuf sommités pour légitimer une avalanche de preuves
• Ce qu'a vraiment fait la machine et ce que ça a coûté
• Pourquoi les plus grands mathématiciens sont en colère
• Un conseil qui conseille, mais ne décide de rien
• Ce qui va réellement se jouer

Neuf sommités pour légitimer une avalanche de preuves

Le groupe s'appelle l'Advisory Group on Mathematics and Artificial Intelligence et est hébergé par l'Institute for Advanced Study de Princeton, dans le New Jersey, le même institut où travaillait Einstein. Son rôle affiché : servir de pont entre OpenAI et la communauté mathématique.

Les noms font tourner la tête. Parmi les neuf membres fondateurs figurent Timothy Gowers, Martin Hairer et Edward Witten, trois figures mathématiques majeures. Le modèle le plus avancé d'OpenAI s'offre ainsi une caution de prestige rare.

Plus précisément : la liste complète compte François Charles, Camillo De Lellis, Timothy Gowers, Martin Hairer, Nikhil Srivastava, Ulrike Tillmann, Ravi Vakil, Edward Witten et Melanie Matchett Wood [1]. Neuf mathématiciens de premier plan, réunis autour d'une seule entreprise.

Détail intéressant : un seul de ces neuf membres, Camillo De Lellis, avait signé la lettre ouverte qui, quelques jours plus tôt, dénonçait les méthodes des laboratoires d'IA. Le reste du groupe entre donc en terrain déjà miné.

Ce qu'a vraiment fait la machine et ce que ça a coûté

Le modèle en question n'est pas public. OpenAI le décrit comme nettement plus puissant que GPT-6 Astra, sa version la plus avancée accessible aux utilisateurs. Il a commencé son entraînement le 28 août 2026, soit moins d'un mois avant les résultats revendiqués [2].

Pour Navier-Stokes, la démonstration n'a rien d'un éclair de génie solitaire. OpenAI a lancé environ 10 000 agents (des copies du modèle travaillant en parallèle) qui se sont coordonnés pendant 88 heures avant d'aboutir à un résultat [3].

Ces agents ont échangé 2,7 millions de messages et généré près de 130 milliards de jetons de sortie (les unités de texte produites par le modèle) pour la seule preuve. Sur l'ensemble des problèmes attaqués cette semaine-là, le total grimpe à environ 300 milliards de jetons [4].

Le prix suit la même courbe vertigineuse. Le directeur de la recherche d'OpenAI, Mark Chen, a situé le coût de Navier-Stokes « dans l'ordre des millions de dollars », en précisant qu'un précédent jalon de dix résultats avait coûté environ 2 000 dollars, soit un bond d'un facteur mille [10].

Autre nuance rarement rappelée : après la recherche, il a fallu 17 heures supplémentaires à GPT-6 Astra pour formaliser et vérifier la preuve en Lean, un langage qui permet de contrôler mécaniquement chaque étape logique. La machine trouve, puis se relit.

Pourquoi les plus grands mathématiciens sont en colère

Le 11 septembre 2026, vingt-cinq lauréats de la médaille Fields (la plus haute distinction en mathématiques) ont signé une déclaration commune. Leur message : la course des laboratoires d'IA à résoudre des problèmes célèbres menace la culture de leur discipline [5].

Leur argument est subtil. Une bonne réponse ne suffit pas : ce qui compte, c'est la méthode née de l'effort, ces idées qui restent utiles longtemps après la question d'origine. Or, les annonces précipitées laissent trop peu de temps pour les rédactions soignées et l'attribution correcte des mérites.

La déferlante n'est pas isolée. En août, OpenAI avait déjà publié dix résultats de mathématiques et d'informatique théorique. La même semaine que Navier-Stokes, Google annonçait de son côté avoir résolu neuf problèmes ouverts d'Erdős, dont deux vieux de plus de cinquante ans [6].

À cette colère de principe s'ajoute un conflit de crédit. Le mathématicien Tristan Buckmaster, de l'université de New York, et son collaborateur Levent Alpöge, employé d'Anthropic, travaillaient depuis un an sur des problèmes très proches. Buckmaster accuse OpenAI d'avoir lancé son effort après avoir eu vent de leurs avancées [7].

OpenAI dément avoir accédé à leurs travaux. Le mathématicien maison Sébastien Bubeck affirme que le modèle interne a résolu le problème d'Euler associé avec des moyens totalement différents. Chacun campe sur sa version, comme souvent quand l'histoire s'écrit en direct sur les réseaux.

Un conseil qui conseille, mais ne décide de rien

Voici le nœud : le nouveau groupe évaluera l'importance des résultats et coordonnera leur diffusion. Mais OpenAI a posé une limite nette : il ne dictera pas le rythme des recherches internes de l'entreprise [8].

La formule du billet de blog est franche. Le groupe « ne sera pas chargé de nous conseiller sur la manière de cadencer nos progrès internes en mathématiques ». Traduction : donnez votre avis sur la vitrine, pas sur le moteur.

L'Institute for Advanced Study a enfoncé le clou dans son propre communiqué, en rappelant qu'il donne des avis sans détenir aucun pouvoir de décision dans une entreprise d'IA. Les membres ne sont pas rémunérés, peuvent parler publiquement et gardent la main sur leur composition. Une indépendance réelle mais bornée.

Le problème de fond reste entier. OpenAI communique sur un vaste corpus de travaux dont les preuves ne sont pas toujours rendues publiques, pour l'essentiel, tout en confiant à des mathématiciens le soin d'en organiser la publication. Ces experts ne peuvent ni exiger la sortie d'une démonstration, ni imposer un standard de validation.

Et quand les preuves arrivent, elles restent illisibles. La démonstration de Navier-Stokes tient sur 166 pages, jugées correctes mais opaques. Comme le résume un mathématicien de l'université Brown cité par la presse, le texte n'est pas écrit pour des humains [9].

Ce qui va réellement se jouer

Ce conseil ressemble à un pare-feu de réputation autant qu'à un vrai contre-pouvoir. Pour le lecteur, l'enjeu n'est pas de trancher qui a raison, mais de comprendre où regarder pendant que la poussière retombe. Trois lignes de fracture méritent une attention soutenue.

La vérification devient le vrai goulot d'étranglement

Le point le plus concret est le décalage entre annonce et preuve. OpenAI publie des revendications plus vite que quiconque ne peut les vérifier et les preuves, quand elles existent, sont d'énormes pavés produits par la machine.

La formalisation en Lean (consistant à traduire des mathématiques informelles en un code vérifiable par un ordinateur via l'assistant de preuve Lean) rassure sur la correction logique, mais elle ne dit rien de l'intérêt mathématique.

Un résultat peut être exact et pourtant n'apprendre presque rien à un humain, ce que plusieurs chercheurs ont déjà signalé pour Navier-Stokes. À surveiller donc : la publication effective des plus de 100 problèmes annoncés et surtout leur relecture par des pairs indépendants.

Tant que ce corpus reste interne, un chiffre reste un chiffre, pas une contribution scientifique établie.

L'argent redéfinit qui peut faire des mathématiques

La deuxième bascule est économique. Résoudre un problème par la force de calcul brute chiffre désormais en millions de dollars, un terrain où un doctorant et son tableau noir ne pèsent plus rien.

C'est l'inquiétude soulevée par le mathématicien Shing-Tung Yau : l'écart de ressources entre laboratoires d'IA et jeunes chercheurs pourrait décourager ces derniers de s'attaquer aux grandes questions. La compétition risque de basculer de l'intelligence vers le capital.

Le contre-argument existe pourtant. Plusieurs percées récentes sont venues non pas de méga-campagnes, mais de simples requêtes à des modèles grand public, y compris par des amateurs. La puissance industrielle n'est pas encore la seule porte d'entrée, et c'est cette tension qu'il faudra observer.

Le crédit humain reste le vrai champ de bataille

La troisième ligne est la plus humaine. L'affaire Buckmaster montre que la question brûlante n'est plus « la machine peut-elle ? », mais « à qui revient le mérite ? » quand humains et agents travaillent sur les mêmes pistes en même temps.

Une lecture optimiste circule chez certains observateurs, dont le MIT Technology Review : si les agents ont suivi une piste parce que des humains l'avaient ouverte, alors le « goût de la recherche », cette capacité à choisir la bonne question, reste un atout profondément humain. La machine exécute, l'humain oriente encore.

Pour Posthumain, la ligne à tenir est simple. On ne gagne rien à nier la performance technique, ni à gober le récit héroïque servi par l'entreprise. Le vrai signal des prochains mois ne sera pas une nouvelle annonce fracassante, mais la première fois qu'un de ces résultats survivra à une vraie relecture publique, attribution comprise.

C'est là, et nulle part ailleurs, que se jouera la crédibilité de cette révolution.

Sources principales :

1. AI Weekly – "OpenAI Forms Math Advisory Group Amid 100+ Solved-Problems Claim"
   Le conseil de neuf membres est hébergé à l'Institute for Advanced Study de Princeton et compte Gowers, Witten et Hairer. (aiweekly.co)
2. Business Standard – "OpenAI's model solves 100+ maths problems, company forms advisory group"
   Le modèle interne a commencé son entraînement le 28 août 2026 et aurait résolu plus de 100 problèmes ouverts en moins d'un mois. (business-standard.com)
3. CoinDesk – "OpenAI says 10,000 AI agents solved a $1 million 'Navier-Stokes' math problem"
   Environ 10 000 agents ont travaillé de concert pendant 88 heures avant d'aboutir à une solution proposée. (coindesk.com)
4. NPR – "AI solved one of math's hardest problems. Humanity learned nothing (so far)"
   Navier-Stokes seul a consommé environ 130 milliards de jetons ; l'ensemble de l'effort, environ 300 milliards, pour un coût chiffré en millions de dollars. (npr.org)
5. Scientific American – "25 winners of math's 'Nobel Prize' decry the AI invasion of their discipline"
   Vingt-cinq médaillés Fields ont signé le 11 septembre 2026 une déclaration dénonçant une « grave désaffection » entre laboratoires d'IA et mathématiciens. (scientificamerican.com)
6. Understanding AI – "OpenAI's math breakthrough played to AI's strengths"
   Deux jours après OpenAI, Google a annoncé la résolution de neuf problèmes d'Erdős, dont deux ouverts depuis plus de cinquante ans. (understandingai.org)
7. Scientific American – "OpenAI claims blockbuster math breakthrough amid swirl of controversy"
   Tristan Buckmaster accuse OpenAI d'avoir agi après avoir eu connaissance de ses travaux ; l'entreprise le dément. (scientificamerican.com)
8. TechCrunch – "OpenAI forms math advisory group as its AI resolves more than 100 open problems"
   Le groupe évaluera les résultats mais n'aura pas voix au chapitre sur le rythme des recherches internes d'OpenAI. (techcrunch.com)
9. MIT Technology Review – "What OpenAI's latest controversy tells us about the future of math"
   La question du « goût de la recherche » humain reste un obstacle central pour l'IA, même après la preuve de 166 pages jugée difficile à lire. (technologyreview.com)
10. WARP News – "AI agents solved one of mathematics' hardest problems in 88 hours"
    Mark Chen a situé le coût de Navier-Stokes « dans l'ordre des millions de dollars », en précisant qu'un précédent jalon de dix résultats avait coûté environ 2 000 dollars. (warpnews.org)