OpenAI affirme avoir résolu Navier-Stokes : pourquoi les mathématiciens restent prudents

L’annonce d’OpenAI, le 8 septembre, était hors norme : l’entreprise a affirmé avoir progressé sur l’un des problèmes ouverts les plus célèbres des mathématiques. Mais une preuve annoncée — y compris lorsqu’elle s’accompagne d’outils formels — ne devient pas automatiquement un résultat accepté. Elle doit être lue, contrôlée et reconnue de manière indépendante.

Ce qu’OpenAI affirme avoir démontré

OpenAI indique qu’un système interne non publié a produit une preuve analytique, ainsi qu’une formalisation dans Lean, établissant qu’un écoulement tridimensionnel de Navier-Stokes initialement lisse peut développer une singularité en temps fini. Selon l’entreprise, le groupe ayant abouti à ce résultat rassemblait de l’ordre de 10 000 agents exécutés en parallèle. 2

Si cette démonstration résiste à l’examen et répond bien à la formulation officielle du problème, elle apporterait une réponse négative à la question de l’existence et de la régularité : des solutions initialement lisses ne resteraient donc pas nécessairement lisses pour tout temps.

Pourquoi le problème de Navier-Stokes est si important

Les équations de Navier-Stokes modélisent le mouvement des fluides. Elles sont centrales en analyse mathématique et en mécanique des fluides, mais le comportement général de leurs solutions en trois dimensions demeure mal compris, alors même que ces équations remontent au XIXᵉ siècle. 30

Le problème figure parmi les problèmes du prix du Millénaire du Clay Mathematics Institute (CMI). Sa description officielle porte sur l’existence et la régularité de solutions aux équations de Navier-Stokes dans l’espace euclidien à trois dimensions. 18 Il demande, en substance, d’établir que des solutions lisses et physiquement raisonnables existent globalement, ou de fournir une autre résolution satisfaisant aux conditions énoncées. 1721

L’enjeu dépasse donc largement une performance d’IA : une solution valide toucherait une question fondamentale d’analyse et de dynamique des fluides. Mais l’importance du problème rend la vérification plus exigeante, non moins.

Pourquoi la communauté n’a pas validé la solution sur-le-champ

Le 11 septembre, le CMI a déclaré qu’il envisageait l’annonce selon laquelle le problème avait « apparemment été résolu », tout en soulignant que son processus d’évaluation et d’attribution du crédit est volontairement lent. 18

Les règles du CMI imposent trois conditions avant même l’examen d’une solution proposée : sa publication dans un support admissible, l’écoulement d’au moins deux ans après cette publication, et son acceptation générale par la communauté mathématique mondiale. 27 Le CMI doit aussi juger que la réponse traite de façon satisfaisante l’énoncé officiel du problème. 20

Lean est un assistant de preuve : il peut vérifier qu’une chaîne formalisée d’énoncés découle bien des définitions et hypothèses qui y sont encodées. C’est un outil très puissant, mais il ne remplace pas l’expertise humaine. Les mathématiciens doivent encore vérifier que le théorème formalisé, ses hypothèses et le passage entre l’énoncé mathématique usuel et sa version formelle répondent réellement à la question visée.

Le statut le plus exact est donc : résultat revendiqué et en cours d’examen, et non solution universellement acceptée ou déjà certifiée pour le prix.

Une querelle sur la priorité et l’attribution

L’annonce a éclaté dans le contexte d’un différend impliquant Tristan Buckmaster, mathématicien à l’université de New York, et Levent Alpöge, mathématicien affilié à Anthropic. Des informations de presse indiquent que les deux chercheurs travaillaient sur des questions voisines et que Tristan Buckmaster a soulevé des interrogations sur la manière dont OpenAI s’était engagé sur ce problème. 953

Tristan Buckmaster a aussi formulé des accusations de comportement inapproprié dans les discussions relatives à l’attribution et à la collaboration. OpenAI a rejeté les accusations plus générales des chercheurs, affirmant que ses équipes et ses agents n’avaient pas vu leurs travaux avant leur publication, et qu’aucune donnée utilisateur spécifique n’avait été consultée pour résoudre le problème. 53

Ces versions des faits sont contestées et ne constituent pas des conclusions établies. En revanche, l’épisode a transformé une annonce technique en débat sur l’attribution du mérite lorsque des laboratoires d’IA et des chercheurs humains travaillent à proximité d’une même frontière scientifique.

Pourquoi la question des données a pris autant d’ampleur

Un point particulièrement sensible concerne la possibilité que des travaux saisis dans des produits d’IA aient contribué, même indirectement, aux capacités mobilisées ensuite dans le projet. OpenAI a affirmé ne pas avoir accédé aux données utilisateur spécifiques des chercheurs pour ses travaux sur Navier-Stokes. L’entreprise a toutefois ajouté qu’elle ne pouvait pas totalement exclure que des données désidentifiées issues de l’utilisation de ses produits aient aidé à améliorer ses modèles. 59

Cette distinction peut avoir une portée technique réelle. Elle laisse néanmoins entière une question de gouvernance : quelles garanties de traçabilité, de consentement et d’audit les chercheurs peuvent-ils attendre lorsqu’ils utilisent des outils d’IA pour des travaux non publiés ?

Pour les universitaires comme pour les équipes de R&D, l’affaire rappelle l’importance de comprendre les politiques de traitement des données avant de confier à un outil d’IA des brouillons, conjectures, codes ou autres matériaux sensibles.

L’avertissement de 25 médaillés Fields

Le 11 septembre, Terence Tao a publié une déclaration intitulée A Severe Misalignment of AI in Mathematics, signée initialement par 25 médaillés Fields. 43

Le texte reflète la crainte que des entreprises traitent les grands problèmes non résolus comme des benchmarks publics ou des compétitions de communication, plutôt que comme des objets de travail intellectuel collectif. Les critiques redoutent que des annonces précipitées, une exposition insuffisante des démonstrations, une attribution incomplète et l’incitation à devancer d’autres équipes n’incitent les chercheurs à moins partager leurs idées encore fragiles.

L’avertissement ne dit pas que l’IA devrait être exclue des mathématiques. Il souligne plutôt que les normes qui rendent le progrès mathématique possible — contrôle ouvert, exposition rigoureuse, attribution équitable et échanges entre pairs — doivent être protégées à mesure que les systèmes deviennent plus capables.

Les conditions d’une recherche mathématique assistée par IA responsable

Cette controverse dessine un standard pratique pour les revendications scientifiques extraordinaires fondées sur l’IA :

• Des preuves accessibles et inspectables : une revendication majeure devrait être accompagnée d’un manuscrit rigoureux et, lorsque c’est possible, d’une formalisation vérifiable par machine.
• Un examen indépendant : la vérification formelle et l’évaluation par des spécialistes répondent à des questions différentes ; les deux sont nécessaires.
• Une attribution claire : les laboratoires devraient documenter les travaux antérieurs pertinents, les contributions humaines et les limites précises du rôle de l’IA.
• Une provenance des données compréhensible : les chercheurs doivent pouvoir savoir si, et comment, leurs interactions avec un produit contribuent à l’amélioration des modèles.
• Du temps pour délibérer : résoudre un problème majeur ne consiste pas seulement à fournir une réponse binaire. Il faut aussi établir ce qui a été démontré, pourquoi c’est correct et comment le résultat s’inscrit dans le domaine.

À retenir

L’annonce d’OpenAI pourrait marquer une étape importante pour la recherche mathématique assistée par IA. Elle n’a toutefois pas clos le dossier le jour même de sa publication. La question décisive demeure celle de l’acceptation durable et indépendante de la preuve revendiquée, selon les standards de la communauté mathématique et du Clay Mathematics Institute. 1827

La réaction suscitée par l’affaire montre pourquoi ce processus est indispensable. À mesure que l’IA entre dans des domaines de recherche à forts enjeux, la confiance dépendra non seulement de ce que les systèmes découvrent, mais aussi de la possibilité de vérifier ces découvertes, de les expliquer et d’en attribuer équitablement le mérite.