Nexus Europa

OpenAI revendique une preuve de Navier-Stokes — mais un différend sur le crédit expose le déséquilibre de puissance de calcul de l'IA

Elise Aranda
Publié 9 septembre 2026 · 2 vues
Suivre
Partager
OpenAI revendique une preuve de Navier-Stokes — mais un différend sur le crédit expose le déséquilibre de puissance de calcul de l'IA
Editorial Collage

OpenAI affirme avoir résolu le problème de Navier-Stokes, mais un différend sur le crédit avec des mathématiciens expose le déséquilibre de puissance de calcul dans la science de pointe.

Le calendrier des événements est au cœur du conflit. Le mathématicien de NYU Tristan Buckmaster et le mathématicien d'Anthropic Levent Alpöge avaient passé près d'un an à développer une stratégie relativement inhabituelle pour établir la singularité dans les équations de Navier-Stokes. Leurs travaux se concentraient sur des approches identifiées comme options C et D dans la formulation du problème par Charles Fefferman, s'appuyant largement sur Codex d'OpenAI au cours de leurs recherches.

Le 1er septembre, OpenAI a mobilisé un effort de calcul massif après avoir, selon ses propres dires, entendu des rumeurs dans l'industrie selon lesquelles deux problèmes du prix du millénaire avaient été résolus. Quelques jours plus tard, elle a publié son rapport, On the Navier-Stokes Millennium Prize Problem.

La course qui en résulte expose une crise structurelle qui s'étend bien au-delà d'une seule équation : dans la science de pointe, les chercheurs qui trouvent la voie conceptuelle ne sont peut-être plus les acteurs disposant de la puissance de calcul nécessaire pour mener à bien le parcours.

Les mathématiques sont difficiles. Le déséquilibre de pouvoir l'est encore plus

Les équations de Navier-Stokes sont utilisées depuis plus d'un siècle pour décrire le comportement des fluides, de l'eau et de l'air aux courants océaniques et aux systèmes atmosphériques. Leur importance pratique n'a jamais été remise en question. La question non résolue est de savoir si des conditions initiales physiquement raisonnables et lisses restent nécessairement lisses indéfiniment, ou si les équations peuvent produire une singularité en temps fini.

Cette question est devenue l'un des sept problèmes du prix du millénaire établis par l'Institut de mathématiques Clay en 2000, avec un prix d'un million de dollars pour une solution satisfaisante.

L'approche rapportée par OpenAI est remarquable non seulement parce qu'elle prétend avoir résolu le problème, mais aussi à cause de la machinerie industrielle déployée derrière. Environ 10 000 agents IA auraient fonctionné simultanément pendant une exécution d'environ 88 heures. Ils ont échangé 2,7 millions de messages et généré environ 130 milliards de jetons de sortie, avec des chiffres plus larges pour le projet atteignant jusqu'à 300 milliards. OpenAI a évalué le calcul Astra correspondant à environ 22,5 millions de dollars.

La génération mathématique initiale a été suivie de 17 heures supplémentaires consacrées à la formalisation et à la vérification automatique dans Lean, un assistant de preuve capable de vérifier chaque étape déductive formelle.

Cela change l'économie de la recherche mathématique.

Un chercheur universitaire peut passer des mois à identifier une conjecture ou une stratégie de preuve prometteuse. Une entreprise technologique peut potentiellement répondre en déployant des milliers d'agents et des dizaines de millions de dollars en calcul presque immédiatement. Une fois le goulot d'étranglement conceptuel difficile franchi, le coût et la vitesse d'achèvement du travail peuvent devenir radicalement différents pour les deux parties.

La hiérarchie traditionnelle du travail mathématique - d'abord l'intuition, ensuite la formalisation minutieuse - est donc perturbée par une automatisation à forte intensité de capital.

Un différend de priorité aux enjeux inhabituels

Le travail de Buckmaster et Alpöge est important pour la controverse car OpenAI n'a pas commencé son effort dans le vide. L'entreprise a reconnu que des rumeurs de progrès académiques ont déclenché sa mobilisation du 1er septembre.

Les mathématiciens ont ensuite appris que des informations sur leurs recherches étaient parvenues à OpenAI. Buckmaster a contacté l'entreprise pour s'enquérir du calendrier de ses travaux et de l'étendue de l'implication humaine, mais dit avoir reçu des réponses évasives.

Le différend est ensuite devenu plus sérieux. Buckmaster allègue que le mathématicien d'OpenAI Sébastien Bubeck a cherché un compromis selon lequel Alpöge, dont l'affiliation professionnelle est avec Anthropic, serait retiré du crédit. Buckmaster dit que lorsqu'il a menacé de rendre le désaccord public, Bubeck a répondu par des avertissements concernant l'effet sur sa carrière et a déclaré qu'il ne serait plus « gentil » si Buckmaster ne coopérait pas.

OpenAI conteste ces allégations. L'entreprise a catégoriquement nié avoir accédé aux données privées de Buckmaster et affirme que ses chercheurs et agents n'ont pas accédé à des données utilisateur spécifiques avant la publication publique des travaux. Elle a néanmoins reconnu qu'elle ne peut pas complètement exclure la possibilité que de la télémétrie désidentifiée ou des données dérivées de l'utilisation du produit aient contribué aux capacités de ses modèles sous-jacents.

Cette distinction est susceptible de devenir de plus en plus importante.

Il n'y a aucune allégation dans le briefing selon laquelle OpenAI aurait simplement copié une preuve privée. OpenAI affirme également que sa preuve mathématique diffère substantiellement de l'approche de Buckmaster. La question la plus difficile est de savoir si des informations générées au cours d'un travail scientifique privé peuvent indirectement influencer les capacités d'un modèle commercial, et où se situe la responsabilité lorsqu'un utilisateur emploie les outils de la même entreprise pour mener des recherches non publiées.

Codex transforme un outil de recherche en conflit d'intérêts potentiel

Pour les universitaires, les systèmes de codage et de raisonnement IA deviennent des instruments de recherche ordinaires. Pourtant, la relation est fondamentalement différente lorsque le fournisseur de l'instrument est également en concurrence pour réaliser la percée scientifique.

Un mathématicien peut raisonnablement considérer le travail effectué dans un environnement de développement commercial comme faisant partie d'un processus de recherche non publié. L'entreprise d'IA, quant à elle, exploite l'infrastructure, contrôle le modèle et collecte potentiellement de la télémétrie associée à l'utilisation du produit. Même lorsque les données utilisateur individuelles ne sont pas directement exposées aux chercheurs, la frontière entre l'interaction avec le produit et l'intelligence d'entreprise devient difficile à expliquer du point de vue de l'utilisateur.

Cela crée une nouvelle catégorie de risque de recherche.

Le problème ne se limite pas aux mathématiques. Si un chercheur universitaire utilise un modèle de pointe tout en développant un nouvel algorithme, une méthode scientifique ou un concept d'ingénierie, le fournisseur commercial peut disposer d'une position informationnelle indisponible pour les universités concurrentes.

L'épisode de Navier-Stokes rend cette asymétrie particulièrement visible car l'entreprise et les chercheurs semblent avoir convergé vers le même problème de pointe en quelques jours.

La présence d'Alpöge ajoute une autre couche. Son affiliation avec Anthropic a placé le travail à la frontière entre deux entreprises d'IA concurrentes. Pour OpenAI, revendiquer une priorité indépendante aurait une valeur stratégique au-delà de la reconnaissance académique. Pour les chercheurs, la collaboration au-delà des lignes institutionnelles peut créer des opportunités d'expertise et de ressources - mais aussi potentiellement les exposer à des conflits d'entreprise que les normes académiques traditionnelles n'ont jamais été conçues pour gérer.

Lean peut régler la preuve, mais pas la priorité

Il y a une distinction importante entre prouver une proposition mathématique et établir qu'une communauté scientifique reconnaît une solution particulière.

La vérification formelle répond au premier problème. Une preuve encodée dans Lean et acceptée sans erreurs fournit un contrôle extrêmement puissant que les déductions logiques formelles sont valides. Elle peut éliminer des classes entières d'erreurs qui pourraient survivre à un examen de manuscrit conventionnel.

Mais la correction formelle ne règle pas automatiquement les questions de découverte, d'attribution ou de priorité.

Le processus de l'Institut de mathématiques Clay exige toujours une publication dans une grande revue à comité de lecture suivie d'une période de deux ans pendant laquelle la solution est examinée par la communauté mathématique avant qu'un prix puisse être décerné.

OpenAI a publié sa preuve et son référentiel Lean pour examen par les pairs, mais dit qu'elle ne cherchera pas à obtenir le prix d'un million de dollars. La décision supprime l'incitation financière évidente du différend tout en laissant intacte la question la plus conséquente : qui est reconnu pour avoir découvert la voie vers le résultat ?

Cette question devient particulièrement délicate lorsqu'un système d'IA peut générer et formaliser d'énormes volumes de matériel mathématique plus rapidement que les humains ne peuvent l'évaluer.

Un seul des problèmes du prix du millénaire avait été résolu auparavant : les travaux de Grigori Perelman sur la conjecture de Poincaré en 2002-03. Cet épisode appartenait à une économie intellectuelle dans laquelle le mathématicien, plutôt que l'infrastructure de calcul, restait le centre incontestable de la découverte.

Le nouveau modèle est différent.

L'arrivée du vol de calcul

Le danger émergent pour les chercheurs indépendants n'est pas nécessairement que l'IA remplace les mathématiciens. C'est que les mathématiciens peuvent encore être nécessaires pour identifier les idées, tout en devenant incapables de rivaliser pour la propriété du résultat final.

L'effort d'un an de Buckmaster et Alpöge illustre la valeur de la recherche conceptuelle sur une voie moins courante vers la singularité. Le déploiement ultérieur d'OpenAI illustre la valeur de l'échelle.

Si la percée décisive consiste à identifier une stratégie obscure mais viable, tandis que la tâche restante peut être attaquée par des milliers d'agents coordonnés, l'avantage économique se déplace fortement vers celui qui contrôle le calcul.

Cela crée ce qui pourrait devenir une forme de « vol de calcul » : les chercheurs absorbent le risque intellectuel et professionnel d'explorer une idée, tandis qu'une entreprise disposant de ressources considérablement plus importantes peut aller plus vite une fois la direction visible.

Les systèmes de preuve formelle peuvent intensifier ce changement plutôt que de l'empêcher. Lean, Coq et Isabelle peuvent fournir une vérification exceptionnellement solide, mais la vérification elle-même devient une autre étape qui peut être industrialisée.

Le résultat est un nouveau goulot d'étranglement scientifique. Il ne suffit peut-être plus d'avoir la meilleure idée. Les chercheurs peuvent avoir besoin de protéger l'idée jusqu'à ce qu'ils puissent se permettre de la prouver.

Cela a des implications pour les universités et les institutions de recherche qui encouragent déjà l'utilisation de systèmes d'IA commerciaux. Les garanties autour du travail non publié, de la télémétrie, de la formation des modèles et de la confidentialité de la recherche ont été conçues pour un monde dans lequel le fournisseur d'un outil n'était pas nécessairement un concurrent direct pour la découverte faite avec lui.

L'IA de pointe a effondré cette séparation.

La question la plus conséquente soulevée par la revendication de Navier-Stokes par OpenAI pourrait donc avoir peu à voir avec la capacité des machines à faire des mathématiques d'élite. Si la preuve survit à l'examen par les pairs, cette question aura une réponse puissante.

La question la plus difficile est de savoir si un système scientifique construit autour de la collaboration ouverte peut rester véritablement ouvert lorsqu'une classe de participants contrôle les modèles, l'infrastructure de développement, la machinerie de vérification - et suffisamment de calcul pour transformer une rumeur sur l'idée de quelqu'un d'autre en une opération de recherche de 88 heures.

Sources : Techcrunch, Xeno Spectrum, OpenAI.com

Partager