For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/fr/articles/ai-math-after-navier-stokes-justin-solomo-6c97bef7.md.
Les mathématiques générées par IA quittent les problèmes de référence pour s’aventurer sur des terrains que les mathématiciens professionnel...
Les mathématiques générées par IA quittent les problèmes de référence pour s’aventurer sur des terrains que les mathématiciens professionnels s’attendaient autrefois à voir rester difficiles bien plus longtemps.
OpenAI affirme que son modèle frontière interne a résolu plus de 100 problèmes ouverts de longue date dans plusieurs domaines des mathématiques. Le 6 octobre, l’entreprise a publié un dépôt public contenant 722 manuscrits organisés en 372 familles de résultats connexes, accompagnés d’artefacts de preuve et de nombreuses formalisations Lean.
Le résultat le plus visible est arrivé plus tôt : une solution générée par IA au problème d’existence et de régularité de Navier–Stokes, l’un des sept problèmes du prix du millénaire.
La communauté mathématique examine toujours ce résultat. Le Clay Mathematics Institute a déclaré que le problème semble avoir été résolu, tandis que son processus officiel d’évaluation et d’attribution du crédit avancera avec prudence. OpenAI, de son côté, indique ne pas avoir l’intention de réclamer le prix du millénaire d’un million de dollars.
La question la plus troublante est différente :
Que se passe-t-il lorsqu’une preuve peut être vérifiée formellement, alors que même des mathématiciens hautement qualifiés trouvent la preuve elle-même extrêmement difficile à comprendre ?
Cette question était au cœur d’un récent épisode de Odd Lots de Bloomberg, dans lequel Justin Solomon, doyen associé de l’enseignement de l’ingénierie au MIT, a expliqué comment l’IA transforme la recherche mathématique, la vérification, l’enseignement et les incitations académiques.
L’émission Odd Lots de Bloomberg a abordé la manière dont l’IA transforme les mathématiques avec Justin Solomon du MIT.
Le sujet est également directement lié à la conférence Math 2.0 donnée par Terence Tao à Caltech en octobre 2026.
L’argument de Tao n’est pas que les mathématiques prennent fin. Il estime plutôt que le domaine passe d’une ère de rareté des preuves à une ère d’abondance des preuves, dans laquelle produire un résultat formellement correct peut devenir bien moins coûteux que comprendre l’importance de ce résultat.
Les équations de Navier–Stokes décrivent le mouvement des fluides.
Elles interviennent dans des modèles de :
La question difficile est de savoir si des solutions tridimensionnelles lisses doivent rester lisses indéfiniment, ou si une singularité peut se former en temps fini.
Le résultat d’OpenAI publié en septembre soutient la seconde possibilité.
L’entreprise affirme que son système interne a produit une preuve montrant que la dynamique de Navier–Stokes peut développer une singularité en temps fini.
Le théorème publié établit la construction d’explosion en temps fini utilisée dans le résultat d’OpenAI sur Navier–Stokes.
OpenAI a également publié une formalisation Lean de la preuve.
C’est important, car un assistant de preuve peut vérifier si une chaîne d’énoncés formels découle des hypothèses encodées.
Mais la correction formelle et la lisibilité humaine sont deux propriétés différentes.
Dans Odd Lots, Solomon a déclaré que l’article était extrêmement difficile à lire, même compte tenu de son parcours mathématique. Il a expliqué n’avoir pu parcourir que les premières pages avant que la densité des détails techniques ne devienne écrasante.
Son évaluation revenait essentiellement à ceci :
La description du podcast est plus prudente que la version virale : la preuve est difficile à analyser, même pour les mathématiciens professionnels.
Cette formulation est plus exacte que d’affirmer que « personne ne peut la comprendre ».
Le changement essentiel est que la vérification formelle peut désormais progresser plus vite que la compréhension humaine à grande échelle.
L’article source décrit l’IA comme ayant achevé le dernier pour cent d’une construction déjà élaborée presque entièrement par des mathématiciens humains.
Cette formulation reflète l’idée générale selon laquelle les travaux humains antérieurs ont compté, mais l’histoire est plus complexe qu’une simple répartition 99 % / 1 %.
Le compte rendu technique d’OpenAI indique que ses agents ont exploré plusieurs approches et diffusé des idées intermédiaires utiles entre différents groupes.
L’entreprise évoque également des travaux simultanés des mathématiciens Levent Alpöge et Tristan Buckmaster sur un résultat lié aux équations d’Euler.
OpenAI indique que les preuves diffèrent considérablement, notamment dans leur traitement du forçage externe, et précise avoir examiné si des entrées récentes d’utilisateurs avaient pu influencer son résultat.
L’entreprise a conclu que les requêtes Codex pertinentes de Buckmaster au cours des deux mois précédents n’avaient pas pu influencer le modèle interne utilisé pour le résultat sur Navier–Stokes.
La formulation la plus prudente est donc :
Le résultat a émergé dans un domaine où les mathématiciens humains avaient déjà développé d’importantes idées connexes, tandis que le système interne d’OpenAI a produit une nouvelle preuve que l’entreprise présente comme techniquement distincte des travaux humains menés simultanément.
Cette distinction est importante, car l’attribution du crédit devient l’une des questions les plus difficiles de la science assistée par IA.
La preuve n’a pas été générée par une seule réponse de chat.
OpenAI décrit un vaste processus de recherche multi-agents.
L’entreprise indique que :
Le modèle interne utilisé pour découvrir la preuve était, selon OpenAI, nettement plus capable que GPT-6 Astra.
Le flux de travail ressemble donc moins à un chatbot qu’à un programme de recherche computationnelle :
Des milliers d’instances d’agents
↓
De nombreuses approches en parallèle
↓
Des résultats intermédiaires partagés entre les groupes
↓
Des arguments prometteurs consolidés
↓
Formalisation dans Lean
↓
Examen humain et communautaire
Pendant la majeure partie de l’histoire des mathématiques, une preuve remplissait simultanément deux rôles.
Elle établissait qu’un théorème était vrai.
Elle expliquait aussi pourquoi il était vrai dans une forme que les mathématiciens pouvaient étudier, simplifier, réutiliser et enseigner.
Les mathématiques formelles générées par IA peuvent dissocier ces deux rôles.
Une machine peut produire un raisonnement mécaniquement vérifiable tout en restant profondément pénible à lire pour les humains.
Cela crée trois niveaux distincts :
| Niveau | Question principale |
|---|---|
| Validité formelle | La preuve est-elle vérifiée dans le système formel ? |
| Vérification humaine | Des experts peuvent-ils examiner l’argument mathématique avec confiance ? |
| Compréhension humaine | Les personnes peuvent-elles en extraire des concepts, des mécanismes et des enseignements réutilisables ? |
Un certificat Lean constitue un élément de preuve puissant de correction formelle.
Il ne produit pas automatiquement une explication conceptuelle.
La préoccupation de Solomon est que les mathématiques puissent de plus en plus produire des réponses plus vite que les humains ne peuvent les transformer en compréhension.
La construction repose sur un comportement des fluides soigneusement agencé, dans lequel différents termes deviennent très grands tout en restant équilibrés de la manière requise.
OpenAI visualise le mouvement local comme une combinaison de spirale vers l’intérieur et d’étirement axial.
La visualisation d’OpenAI montre une spirale vers l’intérieur et un étirement axial dans la construction locale d’écoulement incompressible.
Cela aide à comprendre pourquoi la preuve peut être valide tout en restant difficile à assimiler.
L’argument exige un contrôle étendu des échelles, des estimations, des termes en interaction, du comportement asymptotique et de bornes soigneusement choisies.
C’est très différent de l’image populaire d’une intuition d’une ligne qui rendrait soudain tout le problème évident.
L’épisode de Odd Lots a également abordé Travis Kalanick, cofondateur d’Uber, et ses commentaires publics sur le fait de faire de la « physique au feeling » avec l’IA.
L’idée est qu’un utilisateur peut explorer de manière conversationnelle des questions scientifiques avancées sans formation traditionnelle dans le domaine.
Le débat sur la « physique au feeling » interroge jusqu’où l’IA conversationnelle peut mener un non-spécialiste dans la recherche scientifique avancée.
Cela met en évidence le mode d’échec opposé à celui des preuves formelles illisibles.
Dans un cas, l’IA produit des mathématiques qui peuvent être correctes mais trop techniques pour être comprises par la plupart des personnes.
Dans l’autre, l’IA rend la science complexe suffisamment accessible pour qu’un non-spécialiste puisse devenir trop confiant dans une idée qui n’a pas été rigoureusement vérifiée.
Le goulot d’étranglement commun est la vérification.
L’IA peut donner aux bonnes comme aux mauvaises idées une apparence aboutie.
La qualité de présentation devient donc un signal plus faible de qualité scientifique.
Terence Tao a formulé plus nettement le même problème dans sa conférence Math 2.0 à Caltech en octobre 2026.
Il demande au public d’imaginer une IA avancée recevant l’instruction suivante :
Trouvez un traitement contre le cancer qui réussisse un essai clinique de phase III.
Ne faites aucune erreur.
L’IA consomme une énorme quantité de calcul et renvoie un cocktail de substances chimiques jusqu’alors inconnues.
Personne ne comprend pleinement comment elle a trouvé le traitement.
Pourtant, l’IA fournit d’une manière ou d’une autre un certificat Lean pour sa prédiction, et le traitement réussit un essai clinique de phase III.
Tao demande si un traitement mathématiquement vérifié et cliniquement concluant inspirerait toujours confiance si aucun humain n’en comprenait le mécanisme.
La question n’est pas simplement de savoir si le médicament fonctionne dans le cadre du test indiqué.
La question est de savoir si le système a pu optimiser contre une faiblesse dans :
Tao pose ensuite une question plus personnelle.
Si vous aviez un cancer et que le traitement avait satisfait aux vérifications formelles et cliniques, vous sentiriez-vous plus rassuré en sachant qu’au moins un expert humain du cancer comprend une partie du mécanisme ?
Ou qu’au moins un mathématicien humain comprend le modèle utilisé pour le trouver ?
Cette expérience de pensée met en évidence un problème central d’alignement :
Une optimisation puissante associée à une faible compréhension humaine peut créer des risques, même lorsque l’objectif mesuré semble avoir été atteint.
L’argument plus large de Tao est que les mathématiques traditionnelles se sont développées sous l’hypothèse de la rareté des preuves.
Trouver une preuve correcte d’un problème ouvert était difficile, lent, rare et dépendait d’une expertise spécialisée.
L’IA modifie cette économie.
Avec suffisamment de puissance de calcul et d’accès à des modèles frontière, certains problèmes ouverts peuvent désormais être abordés beaucoup plus rapidement.
Tao appelle cette condition émergente l’abondance des preuves.
La conférence Math 2.0 de Tao soutient que les mathématiques passent de la rareté des preuves à leur abondance.
Mais Tao rejette explicitement l’idée selon laquelle les mathématiques seraient presque terminées.
Ses diapositives indiquent que la plupart des problèmes de frontière actuels restent non résolus, même avec de grandes quantités de calcul, et que l’espace des problèmes mathématiques demeure de fait illimité.
Sa préoccupation porte sur les incitations.
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
Si les chercheurs considèrent « résoudre des problèmes ouverts célèbres » comme l’unique objectif, l’IA pourrait atteindre la destination tout en contournant l’exploration humaine qui a historiquement produit :
Tao compare les problèmes ouverts à des phares.
La valeur ne consiste pas uniquement à atteindre le phare. Le chemin pour y parvenir peut révéler le paysage environnant.
L’article source passe ensuite des preuves à la publication académique.
Solomon soutient que l’écosystème de la recherche connaît déjà une version du même problème.
L’IA réduit le coût de production de :
Mais l’offre de relecteurs humains qualifiés n’augmente pas automatiquement au même rythme.
Cela crée une asymétrie :
Coût de génération de la recherche
↓↓↓
Coût d’évaluation de la recherche
reste élevé
Même un excellent article peut devenir plus difficile à repérer lorsque le volume environnant explose.
L’article source indique qu’ICLR est passé d’environ un ou deux milliers de soumissions il y a dix ans à 60 000 soumissions cette année.
Solomon a bien utilisé le chiffre de 60 000 dans le podcast.
Mais les données de la conférence nécessitent une précision.
Pour ICLR 2026, la rétrospective officielle de la conférence fait état de :
Le chiffre d’environ 60 000 qui circulait à la fin de 2026 est associé aux inscriptions ICLR 2027 / identifiants de soumission OpenReview, et non à un décompte final d’articles valides.
Des analyses indépendantes placent l’identifiant OpenReview maximal au-dessus de 62 000, tout en précisant qu’il s’agit d’une borne supérieure plutôt que d’un décompte final des articles.
La tendance générale est réelle — la pression des soumissions augmente très rapidement —, mais l’affirmation selon laquelle « ICLR a reçu 60 000 articles terminés » n’est pas encore une statistique officielle exacte.
Le point plus profond reste valable malgré cette correction.
Les chercheurs peuvent utiliser l’IA pour rédiger des travaux bien plus rapidement qu’un expert humain ne peut les évaluer de manière responsable.
Solomon décrit recevoir des e-mails de personnes qui pensent qu’une IA a trouvé un nouveau théorème et souhaitent qu’un expert le valide.
Historiquement, la difficulté à produire un travail mathématique soigné servait elle-même de filtre partiel.
Ce filtre s’affaiblit.
Un raisonnement faible peut désormais arriver avec :
L’apparence du sérieux devient bon marché.
L’attention des experts ne l’est pas.
L’article source pousse l’argument plus loin : si les mathématiques de frontière dépendent de plus en plus d’énormes budgets d’inférence, la puissance de recherche peut se concentrer dans les organisations qui contrôlent les meilleurs modèles et le plus de calcul.
Solomon soulève une préoccupation connexe.
Un chercheur universitaire peut utiliser un système d’IA commercial pour progresser sur un problème.
Mais le fournisseur peut disposer :
Cette asymétrie pourrait remodeler la concurrence entre universités, chercheurs indépendants et grandes entreprises technologiques.
Une question d’attribution des données se pose également.
Si des chercheurs discutent d’idées via des systèmes d’IA commerciaux, quelles garanties existent concernant la manière dont ces interactions sont stockées ou utilisées ?
OpenAI affirme que son système de Navier–Stokes n’a pas été influencé par les requêtes Codex pertinentes de Buckmaster au cours des deux mois précédents.
Mais le problème plus général de l’attribution demeure.
Le résultat sur Navier–Stokes rend concrète la question du crédit.
Les contributeurs potentiels peuvent inclure :
Les conventions traditionnelles d’attribution ne sont pas conçues pour cette structure.
Le Clay Mathematics Institute a reconnu que le problème de Navier–Stokes semble avoir été résolu, mais indique que son processus d’attribution de prix prendra du temps et comprend des règles destinées à évaluer ce qui a été accompli et à attribuer le crédit.
OpenAI déclare séparément ne pas avoir l’intention de réclamer le prix du millénaire.
Cela écarte un différend immédiat sur le prix, mais ne résout pas le problème général de l’attribution de paternité.
La dernière partie de l’argument de Solomon est plus optimiste.
Il affirme qu’une grande partie du travail mathématique actuel de l’IA semble encore se situer à l’intérieur de ce que les mathématiciens pourraient appeler l’enveloppe convexe des connaissances existantes.
Les modèles peuvent être extrêmement performants pour :
Ce qui est moins établi, c’est leur capacité à créer de manière fiable l’équivalent d’une vision mathématique véritablement nouvelle.
Une IA peut-elle inventer la prochaine théorie majeure plutôt que résoudre un problème déjà formulé par les humains ?
Peut-elle identifier la prochaine question qui mérite des décennies d’attention ?
Solomon affirme que cela reste beaucoup moins clair.
Les diapositives Math 2.0 de Tao indiquent que la résolution de problèmes ouverts n’est qu’une partie visible des mathématiques.
D’autres travaux précieux comprennent :
L’avenir des mathématiques humaines pourrait donc dépendre moins de la capacité à être l’entité la plus rapide à atteindre une preuve que de la capacité à décider quelles connaissances doivent être créées autour de cette preuve.
Vers la fin du podcast, les animateurs posent à Solomon la question pratique que se posent de nombreux parents et étudiants :
Si l’IA peut résoudre davantage de problèmes mathématiques, les enfants doivent-ils encore apprendre les mathématiques ?
Sa réponse est oui.
La raison n’est pas que les élèves doivent battre un modèle frontière en manipulation symbolique.
L’enseignement des mathématiques apprend aussi à :
Ces compétences pourraient devenir encore plus précieuses lorsque les réponses bien présentées deviendront abondantes.
Si les réponses sont bon marché, le jugement devient coûteux.
L’idée la plus forte de l’article source est aussi celle qui résiste le mieux à une vérification rigoureuse des faits.
L’IA peut réduire le coût de génération de réponses candidates.
Elle peut réduire le coût de génération de preuves candidates.
Elle peut même réduire le coût de la vérification formelle.
Mais elle ne réduit pas automatiquement le coût de la compréhension humaine.
Cela crée une nouvelle hiérarchie des ressources rares :
Réponses candidates → moins coûteuses
Preuves formelles → moins coûteuses
Articles soignés → moins coûteux
Examen par des experts → toujours coûteux
Interprétation → toujours coûteuse
Jugement scientifique → toujours coûteux
Compréhension humaine → toujours coûteuse
Le danger n’est pas simplement que l’IA devienne meilleure en mathématiques.
Le danger est que la société confonde une production vérifiée mécaniquement avec une connaissance pleinement comprise.
L’opportunité est que les humains réorientent leurs efforts vers les parties de la science qui restent les plus difficiles à automatiser : choisir des objectifs, construire des explications, concevoir de meilleures questions, interpréter les résultats et relier la vérité formelle au monde réel.
OpenAI a publié en septembre 2026 une solution générée par IA montrant la formation de singularités en temps fini et a mis à disposition une formalisation Lean. Le Clay Mathematics Institute indique que le problème semble avoir été résolu, mais son processus officiel d’évaluation et d’attribution du crédit avance délibérément avec prudence.
Non. OpenAI déclare explicitement ne pas avoir l’intention de réclamer le prix. Le Clay Mathematics Institute n’a pas achevé son processus officiel de reconnaissance.
Le dépôt public de mathématiques d’OpenAI contient 722 manuscrits organisés en 372 familles de résultats connexes. L’entreprise affirme que cette publication provient d’une évaluation plus large portant sur environ 4 000 problèmes ; il ne faut donc pas confondre « 722 manuscrits » avec 722 avancées entièrement indépendantes.
Dans Odd Lots de Bloomberg, Solomon a expliqué que l’article était extrêmement difficile à lire et qu’il n’avait pas pu dépasser les premières pages. Il a décrit la preuve comme très technique et probablement correcte, mais pas particulièrement élégante.
Math 2.0 est le cadre proposé par Tao pour les mathématiques à l’ère de l’abondance de preuves alimentée par l’IA. Il soutient que le domaine devrait davantage mettre l’accent sur la compréhension humaine, l’explication, l’expérimentation, les bibliothèques formelles et l’utilisation productive de l’IA, plutôt que d’optimiser aveuglément la résolution de problèmes ouverts célèbres.
Non. Lean peut vérifier qu’une preuve formelle est valide dans son système formel, mais cela ne fournit pas automatiquement une explication accessible aux humains, n’établit pas l’importance scientifique du résultat et ne montre pas comment les idées se transfèrent de manière sûre vers des applications réelles.
Non. La rétrospective officielle d’ICLR 2026 fait état de 19 525 soumissions valides. Le chiffre d’environ 60 000 circulant à la fin de 2026 provient d’inscriptions OpenReview ou d’estimations basées sur des identifiants de soumission pour ICLR 2027 ; il ne doit pas être traité comme un décompte final d’articles valides.
Parce que les mathématiques enseignent bien plus que la production de réponses. La formulation de problèmes, la compréhension des modèles, le jugement logique, la vérification et la capacité à poser de bonnes questions restent essentiels, même lorsque l’IA peut générer des preuves rapidement.
Le résultat d’OpenAI sur Navier–Stokes montre à quelle vitesse les mathématiques assistées par IA évoluent. La preuve possède une formalisation Lean et a été accueillie avec prudence par le Clay Mathematics Institute ; toutefois, sa densité technique illustre également un nouveau problème : la correction mathématique peut arriver plus vite que la compréhension humaine à grande échelle.
La préoccupation de Justin Solomon n’est pas que l’IA ait rendu les mathématiques inutiles. C’est que des systèmes de recherche conçus pour une rareté des preuves et des articles pourraient avoir du mal à fonctionner lorsque les machines peuvent produire les deux à une échelle immense. Terence Tao décrit la même transition comme un passage de la rareté des preuves à leur abondance.
Le principal goulot d’étranglement pourrait donc se déplacer de la production des réponses vers leur évaluation, leur explication, leur mise en relation et leur compréhension.
Lorsque les preuves deviennent abondantes, la compréhension humaine — et non la génération de preuves — pourrait devenir la ressource la plus rare des mathématiques.
Partez d’une phrase et obtenez un site complet en quelques minutes.
