OpenAI dévoile Astra : un bond de géant en mathématiques pour seulement 2 000 $

Le 1er août 2026, OpenAI a annoncé qu'une version interne de son modèle de nouvelle génération, Astra, avait produit dix nouveaux résultats en mathématiques et en informatique théorique — chacun sur des problèmes ouverts depuis au moins dix ans, et pour la plupart bien plus longtemps . L'entreprise a publié un manuscrit de 249 pages et des certificats de preuve Lean 4 vérifiables par machine sur GitHub, sous licence Apache 2.0 . OpenAI a indiqué que le coût en tokens pour générer ces dix solutions était d'environ 2 000 $ aux tarifs de l'API Sol . L'annonce a suscité à la fois de l'enthousiasme pour les résultats et du scepticisme quant à leur présentation et leurs limites .

Les problèmes spécifiques résolus par Astra

Selon le rapport d'OpenAI, les résultats couvrent huit domaines et incluent des preuves, des contre-exemples et des bornes améliorées :

• Groupes non-sofiques — Première construction explicite prouvant l'existence de groupes non-sofiques, clôturant une question centrale en théorie des groupes qui résistait depuis l'introduction du concept de soficité par Mikhaïl Gromov en 1999 .
• Conjecture de rigidité de Connes — Réfutation d'une conjecture de longue date sur les algèbres de von Neumann .
• Empilement de sphères en haute dimension — Nouvelles bornes supérieures pour l'empilement de sphères dans des dimensions au-delà de celles déjà résolues .
• Trois problèmes posés par Paul Erdős — Résolution de trois problèmes combinatoires ouverts du canon d'Erdős, dont le problème n° 183 sur les nombres de Ramsey multicolores .
• Résultats supplémentaires — Nouveaux résultats en répétition quantique parallèle, problème du vecteur le plus proche en cryptographie sur réseaux, complexité des circuits arithmétiques, codes binaires et sphériques, et conjecture de volume d'Ehrhart .

Comment OpenAI a vérifié les solutions

OpenAI ne s'est pas contenté des sorties du modèle. Chaque résultat a été accompagné d'un certificat de preuve formelle Lean 4 — un fichier de preuve vérifiable par machine que tout lecteur peut contrôler indépendamment sur un ordinateur portable . Lean est un assistant de preuve qui vérifie chaque étape logique, des axiomes à la conclusion, repérant les lacunes, les erreurs de type et les incohérences . OpenAI a publié tous les fichiers Lean sur GitHub, et le nombre de « sorry » dans le dépôt — indiquant des étapes non prouvées — est nul pour les dix preuves .

Cependant, de nombreux commentateurs ont souligné que la vérification formelle a des limites importantes : Lean peut confirmer qu'un énoncé formel découle de ses définitions formelles, mais il ne peut pas certifier qu'un résumé de communiqué de presse reflète fidèlement le théorème formel, que les définitions formelles correspondent au problème souhaité par la communauté mathématique, ou que la nouveauté et le cadre historique du résultat sont corrects . Les experts doivent encore vérifier la fidélité des énoncés, les définitions, les réductions, et le pont entre l'informel et le formel .

Le coût : 2 000 $ en tokens

OpenAI a révélé que le coût de calcul total pour générer les dix solutions était d'environ 2 000 $ en coûts de tokens au tarif de l'API Sol . Ce chiffre est un prix équivalent API pour les tokens de recherche de solutions uniquement — il exclut les tentatives infructueuses, les explorations parallèles et le calcul interne dépensé avant d'aboutir à un certificat . En comparaison, la bourse annuelle d'un seul doctorant en mathématiques dans une grande université peut dépasser 50 000 $, ce qui rend l'efficacité de coût l'aspect le plus frappant de l'annonce pour de nombreux observateurs .

Critiques et scepticisme

La communauté mathématique et les chercheurs en IA ont soulevé plusieurs points de prudence :

• Communauté mathématique divisée — L'évaluation des résultats reste mitigée. Certains chercheurs préviennent que si les certificats Lean prouvent l'exactitude formelle, ils ne garantissent pas que les résultats sont significatifs, surprenants ou correctement présentés comme des solutions aux problèmes ouverts visés .
• Gary Marcus (scientifique cognitif) a soutenu que « le succès en mathématiques est un cas particulier » et que l'expertise dans un domaine n'implique pas une capacité de raisonnement générale. Il a énuméré huit idées fausses courantes, mettant en garde contre une généralisation excessive du résultat à l'ensemble de la science .
• « Qui vérifie les preuves de l'IA ? » — Les observateurs ont soulevé la question ouverte de savoir comment auditer les mathématiques générées par l'IA lorsque le raisonnement est opaque. Il n'existe pas de méthode convenue pour évaluer si le résultat d'un modèle boîte noire est une reconstruction non créditée de travaux connus .
• Manque d'évaluation par les pairs et de transparence — L'annonce est intervenue juste après la « Déclaration de Leiden » en juin 2026, dans laquelle des mathématiciens critiquaient les entreprises d'IA pour avoir contourné l'évaluation par les pairs avec des communiqués de presse . OpenAI n'a pas publié le modèle Astra publiquement, n'a pas fourni de fiche technique du modèle, ni divulgué le taux d'échec derrière le chiffre de 2 000 $ .
• Comparaison avec Google DeepMind — Les sceptiques ont noté que des affirmations antérieures en mathématiques par l'IA (par exemple, AlphaGeometry de DeepMind) avaient ensuite été examinées de près, appelant à la prudence avant de déclarer un changement de paradigme .

Implications plus larges

• Démocratisation de la recherche — Le coût de 2 000 $ suggère un avenir où de petites équipes, voire des individus, pourraient utiliser l'IA pour apporter de véritables contributions à la recherche qui nécessitaient auparavant des années d'expertise humaine .
• Crise de la culture de vérification — Le domaine est désormais confronté à un besoin urgent de normes convenues sur la manière d'évaluer, d'attribuer et d'examiner par les pairs les preuves générées par l'IA lorsque le modèle est une boîte noire propriétaire .
• Contrôle commercial des mathématiques — Si la découverte mathématique de pointe devient dépendante de l'accès par API à des modèles propriétaires, l'infrastructure de recherche fondamentale se déplace des institutions publiques vers les entreprises privées .
• Nouveau benchmark pour les capacités de l'IA — Contrairement à la résolution de problèmes de compétition fixes (par exemple, l'IMO ou MATH), Astra a produit des résultats originaux sur des problèmes ouverts qui ont fait progresser la frontière de la connaissance, relevant la barre de ce que signifie « faire des mathématiques » pour l'IA . Thomas Bloom, mathématicien à l'Université de Manchester, a qualifié les résultats de « grandes nouvelles » tout en rejetant l'idée que l'IA remplace les mathématiciens, notant que l'IA s'appuie sur plus d'un siècle de théorie mathématique et a été construite par des mathématiciens .