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/openai-math-release-backlash-ahm-statemen-ac66e132.md.
La publication mathématique d’OpenAI du 6 octobre 2026 a déclenché l’un des débats les plus vifs à ce jour sur ce qui se produit lorsque l’I...
La publication mathématique d’OpenAI du 6 octobre 2026 a déclenché l’un des débats les plus vifs à ce jour sur ce qui se produit lorsque l’IA de pointe commence à produire des travaux de recherche plus rapidement que les communautés humaines ne peuvent les assimiler.
OpenAI a publié des centaines de manuscrits mathématiques générés par un modèle interne de pointe, couvrant de nombreux domaines des mathématiques et de l’informatique théorique. Le dépôt initial contenait 722 manuscrits organisés en 372 familles de résultats.
La publication a immédiatement suscité une attention considérable.
Certains mathématiciens y ont vu une accélération historique du rythme des découvertes.
D’autres ont craint que des centaines d’arguments complexes aient été versés dans le domaine public avant que les experts humains aient eu le temps de les comprendre, de les vérifier, de les contextualiser ou de les expliquer.
La critique organisée la plus virulente est venue de l’Association for Human Mathematics (AHM), qui a publié le 7 octobre une déclaration appelant les mathématiciens à cesser de travailler avec OpenAI et défendant une conception de la science centrée sur la compréhension humaine.
Terence Tao a donné davantage de visibilité à cette déclaration en la republant sous forme de billet invité sur son blog personnel consacré aux mathématiques.
Ce détail est important.
Tao n’a pas rédigé la déclaration de l’AHM, et la déclaration publique de l’AHM est signée par le Communications Working Group de l’organisation. Son blog la présente explicitement comme un billet invité, reproduit depuis la page des déclarations de l’AHM.
L’histoire ne peut donc pas être résumée correctement par l’affirmation selon laquelle « Terence Tao aurait mené les mathématiciens à déclarer la guerre à OpenAI ».
Une description plus précise serait la suivante :
L’AHM a publié une déclaration très critique à l’égard du modèle de publication d’OpenAI, et Tao lui a donné une visibilité supplémentaire en la republiant.
La déclaration de l’AHM est concise, mais sa position est exceptionnellement directe.
L’organisation estime que la publication à grande échelle de travaux mathématiques générés par l’IA par OpenAI entre en conflit avec les normes scientifiques existantes ainsi qu’avec les recommandations formulées précédemment par l’Advisory Group on Mathematics and Artificial Intelligence (AGMAI), un groupe consultatif indépendant.
Les objections centrales de l’AHM ne se limitent pas à la question de savoir si chaque preuve est correcte.
La déclaration porte principalement sur le processus.
Sa position peut être résumée en quatre points :
La déclaration de l’AHM se conclut par un appel aux mathématiciens à cesser de travailler avec OpenAI.
Il s’agit bien d’un appel au boycott.
Mais il ne faut pas le confondre avec une position consensuelle de l’ensemble de la communauté mathématique.
L’AHM est une organisation de membres qui défend publiquement les mathématiques produites par des humains et fixe des limites à la collaboration avec les entreprises commerciales d’IA. Son adhésion est ouverte aux membres de la communauté de recherche mathématique ayant un niveau universitaire supérieur ou équivalent.
Au moment de la dernière vérification, la page publique des membres de l’AHM recensait 809 membres, dont 532 membres dans son caucus sans IA.
Il s’agit d’une organisation significative, mais pas d’un organisme officiellement représentatif de l’ensemble des mathématiciens.
Scott Aaronson a ensuite formulé explicitement la même distinction : les membres de l’AHM parlent en leur propre nom, et non au nom de toute la communauté mathématique.
Le différend devient plus facile à comprendre lorsque l’on examine les recommandations de l’AGMAI.
L’AGMAI est un groupe indépendant hébergé par l’Institute for Advanced Study. Ses membres comprennent notamment des mathématiciens tels que Timothy Gowers, Martin Hairer, Edward Witten et Ravi Vakil.
OpenAI a approché certains de ses membres afin de créer un groupe consultatif externe, mais le groupe fonctionne indépendamment et n’accepte aucun paiement d’OpenAI.
Le 29 septembre, l’AGMAI a publié ses recommandations intitulées Responsible Release of AI-Generated Mathematics.
Le tout premier paragraphe indique que le groupe ne soutient pas l’idée que les laboratoires d’IA de pointe testent des problèmes mathématiques avancés sur des modèles propriétaires inaccessibles au reste de la communauté scientifique.
Il leur demande explicitement de cesser de le faire.
C’est précisément ce point que l’AHM a ensuite mis en avant.
OpenAI a néanmoins continué à évaluer son modèle interne sur des problèmes de recherche ouverts.
Parallèlement, OpenAI affirme avoir consulté l’AGMAI sur la question de la manière de publier les résultats de façon responsable une fois ces résultats obtenus.
Il s’agit de deux questions différentes :
Les laboratoires d’IA de pointe doivent-ils tester des modèles propriétaires sur des problèmes de recherche ouverts ?
et :
S’ils disposent déjà d’importants résultats générés par l’IA, comment ces résultats doivent-ils être publiés ?
L’AHM estime qu’OpenAI a ignoré la première question tout en s’appuyant sur la consultation concernant la seconde pour légitimer la publication.
La position d’OpenAI est que la poursuite de l’évaluation scientifique interne est importante pour développer de meilleurs outils de recherche, tandis que le processus de publication peut encore être amélioré grâce aux retours de la communauté.
Les recommandations de l’AGMAI du 29 septembre vont au-delà d’un simple message demandant l’arrêt de ces pratiques.
Pour les résultats mathématiques générés par l’IA qui ne sont pas encore compris par les humains, le groupe recommande aux laboratoires de :
OpenAI a mis en œuvre certaines de ces recommandations.
L’entreprise a publié les documents dans un dépôt GitHub public doté d’un historique des versions et de protocoles de citation.
Elle a publié des formalisations Lean pour de nombreuses preuves.
Elle a publié 10 synthèses abrégées du raisonnement.
Elle a communiqué des estimations approximatives de l’utilisation des ressources de calcul ainsi que des statistiques d’évaluation.
Elle a également promis de financer des ateliers, des conférences et d’autres programmes destinés à aider les humains à comprendre les principaux résultats produits par l’IA.
La publication est néanmoins devenue controversée en raison de son ampleur sans précédent et du fait qu’une grande partie des travaux n’avait pas encore été assimilée par les mathématiciens humains.
La publication initiale contenait :
| Détail de la publication | Données publiques d’OpenAI |
|---|---|
| Manuscrits initiaux | 722 |
| Familles de résultats | 372 |
| Nombre approximatif de problèmes soumis au modèle | 4 000 |
| Temps de calcul moyen par résultat | environ 3 heures, équivalent à une session de réflexion ChatGPT Pro |
| Synthèses abrégées du raisonnement | 10 |
| Formalisations Lean | Nombreuses, mais pas tous les manuscrits |
Le dépôt officiel décrit une « famille » comme un groupe d’articles apparentés pouvant inclure un résultat principal, des preuves alternatives, des conséquences ou des arguments complémentaires.
Cela est important, car :
722 manuscrits ≠ 722 problèmes résolus sans lien entre eux
Les manuscrits sont regroupés en 372 familles de résultats.
OpenAI n’a pas non plus indiqué que le modèle avait réussi tous les problèmes qui lui avaient été soumis.
Le dépôt précise qu’environ 4 000 problèmes ont été soumis au modèle interne pendant l’évaluation.
La source de la BAAI reprend un chiffre cité par Scott Aaronson dans son billet du 7 octobre intitulé « Mathocalypse » : environ 8 000 problèmes tentés et un taux de réussite approximatif de 5 %.
Aaronson a écrit que c’était ce qu’il avait apparemment entendu.
Le dépôt officiel d’OpenAI indique désormais un autre chiffre :
environ 4 000 problèmes
Le dépôt constituant la source de première main de la publication, cet article utilise le chiffre d’OpenAI comme référence principale.
Il est également préférable de ne pas calculer un simple « taux de réussite » en divisant 372 par 4 000.
Une famille de résultats ne correspond pas nécessairement à un prompt tenté, et le dépôt précise que le catalogue a été filtré et agrégé selon l’importance des résultats.
Le nombre initial de « 722 manuscrits » ne correspond plus au décompte actuel.
L’historique du dépôt d’OpenAI montre qu’une erreur de signe a invalidé un manuscrit et deux articles qui en dépendaient.
Trois manuscrits ont été retirés.
OpenAI a également révisé 14 autres manuscrits en corrigeant les preuves, les énoncés, les hypothèses, les dépendances et les références bibliographiques.
Au moment de la dernière vérification, le dépôt contient :
719 manuscrits
372 familles de résultats
Il s’agit d’un élément important pour les deux camps du débat.
Pour les critiques, cela montre pourquoi une publication massive avant une compréhension humaine complète peut créer des problèmes de contrôle qualité.
Pour les partisans, cela montre qu’OpenAI maintient un processus visible de révision et de retrait, plutôt que de prétendre que la première publication est immuable.
Le dépôt conserve les anciennes versions et comprend des avis de retrait expliquant les lacunes précises identifiées.
L’impact émotionnel de la publication apparaît le plus clairement dans la réaction des informaticiens théoriciens.
Scott Aaronson a qualifié l’événement de « Mathocalypse ».
Son article recense des affirmations importantes en théorie de la complexité, algorithmique, théorie des nombres, physique mathématique et dans d’autres domaines.
L’un des résultats qui l’a personnellement le plus marqué est une preuve annoncée de la conjecture des jeux uniques (Unique Games Conjecture, UGC).
Son épouse, Dana Moshkovitz, a travaillé sur des questions liées à l’UGC pendant une grande partie de sa carrière.
Le manuscrit publié était accompagné d’un certificat Lean, mais Aaronson a souligné que la vérification formelle n’était pas équivalente à la compréhension humaine.
La réaction initiale de Moshkovitz n’a pas simplement été de dire que « la preuve était fausse ».
Elle a plutôt décrit le manuscrit comme extrêmement difficile à lire.
Elle a critiqué l’utilisation peu claire de résultats antérieurs, les citations déroutantes, les constructions inhabituelles et une exposition qui rendait l’argument presque impossible à suivre sans l’aide de l’IA.
Dans le même temps, sa réaction n’était pas entièrement négative.
L’article d’Aaronson la cite également en train d’imaginer un avenir où les mathématiciens dotés d’une vision créative pourraient utiliser l’IA pour vérifier et mettre en œuvre leurs idées, et où les constructions inhabituelles pourraient offrir beaucoup à apprendre.
Cette réaction est plus complexe que le cadrage de la source, qui parlait de « désespoir ».
La difficulté ne réside pas seulement dans la capacité de l’IA à résoudre un problème.
Elle réside dans la capacité des humains à assimiler réellement ce que l’IA a découvert.
L’une des distinctions les plus importantes du débat concerne la différence entre :
la correction formelle
et :
la compréhension mathématique humaine
Lean peut vérifier mécaniquement qu’une preuve formelle découle des axiomes énoncés et des lemmes déjà vérifiés.
Il s’agit d’une forme d’assurance extrêmement puissante.
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.
Mais une preuve Lean ne répond pas automatiquement à des questions telles que :
Les mathématiques traditionnelles font davantage que certifier la vérité.
Elles construisent autour de la vérité une structure intellectuelle réutilisable.
C’est le cœur de ce que l’AHM et l’AGMAI veulent dire lorsqu’elles mettent l’accent sur la compréhension humaine.
L’annonce d’OpenAI du 6 octobre ne prétend pas que la mise en ligne du dépôt achève le processus scientifique.
L’entreprise affirme vouloir faire progresser les connaissances humaines grâce à ces résultats et financer :
OpenAI indique également étudier des alternatives hébergées par la communauté afin que les documents ne restent pas uniquement dans un dépôt contrôlé par l’entreprise.
L’entreprise s’est engagée à améliorer ses futures publications.
Cela inclut une meilleure exposition et une meilleure présentation mathématiques.
L’argument d’OpenAI est, en substance, le suivant :
Les résultats existent déjà. Les publier avec des éléments justificatifs, des révisions et des preuves formelles permet à la communauté de commencer à les comprendre.
La réponse de l’AHM est la suivante :
Produire et publier des résultats plus rapidement que la communauté ne peut les comprendre transforme l’écosystème de la recherche lui-même, et l’existence d’une charge de vérification n’est pas neutre.
Le désaccord ne se résume donc pas à « l’IA est bonne » contre « l’IA est mauvaise ».
Il oppose deux conceptions de ce qui constitue un progrès scientifique responsable.
Le titre de la BAAI présente l’épisode comme si Tao avait « mené » un boycott collectif contre OpenAI.
Les sources primaires ne justifient pas cette formulation.
Le blog de Tao indique :
Il s’agit d’un billet invité de l’Association for Human Mathematics,
republié depuis sa page de déclarations.
La déclaration elle-même est signée :
Association for Human Mathematics
Communications Working Group
Le nom de Tao n’apparaît pas dans la liste publique actuelle des membres de l’AHM.
Cela ne signifie pas qu’il soit en désaccord avec toutes les préoccupations soulevées par l’AHM.
Tao a évoqué à plusieurs reprises les difficultés créées par l’accélération extrêmement rapide de l’IA dans les mathématiques, notamment le risque de ce qu’il a appelé une forme d’« indigestion des preuves » : les résultats peuvent arriver plus vite que la communauté ne peut les assimiler.
Mais republier une déclaration n’est pas la même chose que l’avoir écrite, signée ou diriger l’organisation qui l’a publiée.
La section conceptuelle la plus forte de l’article source porte sur ce qui se produit après qu’un problème difficile a été « résolu ».
Dans les mathématiques traditionnelles, un résultat majeur engendre souvent des années de travaux secondaires :
La preuve elle-même n’est que le début.
Une technique nouvelle et puissante peut être plus précieuse que le théorème qu’elle permet initialement de démontrer.
La crainte est que l’IA puisse désormais produire davantage d’arguments de niveau avancé que la communauté n’a le temps d’en assimiler.
Cela crée une asymétrie :
Capacité de génération de l’IA
↓
des centaines de preuves
Capacité des experts humains
↓
lecture, vérification, explication et enseignement lents
Si la production augmente beaucoup plus vite que la compréhension, les chercheurs pourraient passer de plus en plus de temps à interpréter les mathématiques produites par des machines, au lieu de choisir eux-mêmes leurs orientations de recherche.
L’AGMAI formule explicitement cette préoccupation.
Dans sa réponse du 6 octobre, le groupe affirme que l’avenir de la recherche mathématique ne peut pas se limiter à des humains comprenant des résultats sélectionnés et produits par des laboratoires d’IA.
Les mathématiciens doivent encore pouvoir choisir leurs propres questions et poursuivre des orientations qui ne sont pas définies par les priorités d’évaluation d’une entreprise privée.
La réaction de Yann LeCun représente le point de vue opposé.
Dans un commentaire public, il a soutenu que les mathématiques entraient dans une nouvelle ère au lieu de disparaître.
Selon lui, à mesure que la preuve formelle s’automatise, l’attention humaine peut se déplacer vers :
L’analogie est familière :
Une technologie peut rendre une compétence humaine moins centrale tout en élargissant l’éventail des choses que les personnes peuvent accomplir.
Selon cette perspective, la preuve automatisée ne tue pas les mathématiques.
Elle modifie l’avantage comparatif des mathématiciens humains.
Scott Aaronson adopte une position tout aussi nuancée.
Il critique vivement les entreprises d’IA lorsqu’il estime que leur comportement le justifie, mais il rejette également l’idée que les entreprises devraient simplement s’abstenir de résoudre des problèmes mathématiques ouverts parce que les chercheurs humains souhaitent les résoudre en premier.
Sa conclusion est que les mathématiques devront s’adapter.
Il est encore trop tôt pour savoir combien des résultats du 6 octobre résisteront à un examen détaillé des experts dans leur forme actuelle.
OpenAI elle-même avertit que certains résultats non formalisés pourraient comporter des problèmes.
Les trois retraits immédiats montrent que la prudence est justifiée.
Dans le même temps, il est également difficile de rejeter l’ensemble de la publication comme du « contenu mathématique médiocre généré par l’IA ».
Certains manuscrits disposent de formalisations Lean vérifiables par machine.
Des experts étudient activement les principaux résultats.
La collection contient des affirmations portant sur des problèmes auxquels des chercheurs sérieux travaillent depuis des années.
La bonne approche n’est donc ni l’acceptation aveugle ni le rejet automatique.
Chaque résultat a besoin de son propre parcours de vérification :
Manuscrit généré par l’IA
↓
vérification formelle lorsque cela est possible
↓
lecture par des experts
↓
vérification de la littérature et de l’originalité
↓
reconstruction pédagogique
↓
acceptation ou rejet par la communauté
Ce processus prendra du temps.
| Affirmation | État actuel |
|---|---|
| OpenAI a publié plus de 700 manuscrits mathématiques générés par l’IA | Confirmé |
| Le dépôt initial contenait 722 manuscrits | Confirmé |
| Le dépôt actuel contient 719 manuscrits | Confirmé après 3 retraits |
| La collection contient 372 familles de résultats | Confirmé |
| Le modèle a été testé sur environ 8 000 problèmes | Rapporté par Scott Aaronson, mais le dépôt d’OpenAI indique environ 4 000 problèmes |
| Le temps de calcul moyen était d’environ 3 heures de réflexion ChatGPT Pro par résultat | Confirmé par OpenAI |
| De nombreux manuscrits disposent de formalisations Lean | Confirmé |
| Tous les manuscrits sont formellement vérifiés | Faux |
| Chaque résultat est pleinement compris par les experts humains | Non |
| L’AHM a appelé les mathématiciens à cesser de travailler avec OpenAI | Confirmé |
| Terence Tao a rédigé ou dirigé la déclaration de l’AHM | Non étayé par les sources primaires |
| Tao a republié la déclaration de l’AHM sur son blog | Confirmé |
| L’AGMAI a approuvé l’ensemble du processus d’OpenAI | Non ; elle précise explicitement que son rôle ne constitue pas une approbation |
| OpenAI finance des programmes destinés à favoriser la compréhension humaine | Confirmé |
| Les 372 familles de résultats sont déjà des théorèmes mathématiques acceptés | Non |
La controverse devrait survivre à ce dépôt particulier.
Si les modèles de pointe continuent de progresser, la communauté mathématique aura besoin de méthodes de travail capables d’évoluer avec eux.
Plusieurs exigences deviennent évidentes.
Chaque résultat devrait préciser quel modèle l’a produit, quels prompts ont été utilisés, quelle quantité de calcul a été mobilisée et quelles modifications humaines ont été apportées.
Lorsque cela est possible, les preuves devraient être accompagnées d’éléments vérifiables par machine.
Une preuve correcte ne suffit pas si les experts ne peuvent pas comprendre pourquoi elle fonctionne.
Les systèmes d’IA ont besoin de méthodes plus solides pour identifier les techniques antérieures liées et attribuer correctement le mérite.
Les résultats scientifiques ne devraient pas dépendre entièrement d’une infrastructure contrôlée par l’entreprise qui les a générés.
Lorsqu’un laboratoire publie des centaines de résultats avancés, la charge de leur explication ne devrait pas être transférée entièrement à des universitaires non rémunérés.
Une communauté de recherche ne peut pas rester intellectuellement indépendante si seules quelques entreprises ont accès aux systèmes mathématiques les plus puissants.
Ces points sont beaucoup plus proches du véritable débat de l’AGMAI que le titre simplificateur « les humains contre l’IA ».
OpenAI a publié un vaste dépôt public de manuscrits mathématiques et d’éléments de preuve produits par un modèle interne de pointe. La publication initiale contenait 722 manuscrits regroupés en 372 familles de résultats.
OpenAI a retiré trois manuscrits après avoir découvert une erreur de signe dans un argument qui affectait également deux articles dépendants. Le dépôt conserve l’historique des versions et les avis de retrait.
Les sources primaires ne justifient pas cette description. La déclaration a été publiée par le Communications Working Group de l’Association for Human Mathematics ; Tao l’a republiée sous forme de billet invité sur son blog personnel.
L’AHM est une organisation qui cherche à préserver les mathématiques comme pratique intellectuelle humaine à l’ère de l’IA. L’adhésion est ouverte aux chercheurs ayant un niveau universitaire supérieur ou équivalent qui acceptent ses engagements, notamment des restrictions concernant certaines collaborations avec des entreprises commerciales d’IA et la publication de textes mathématiques générés par l’IA.
L’AGMAI est l’Advisory Group on Mathematics and Artificial Intelligence, un groupe consultatif indépendant hébergé par l’Institute for Advanced Study. Il conseille les laboratoires d’IA sur leurs interactions responsables avec la recherche mathématique, mais ne dispose d’aucun pouvoir décisionnel sur OpenAI.
L’AGMAI affirme que son rôle consultatif ne doit pas être interprété comme une approbation du processus ayant produit les résultats. Elle a salué les échanges constructifs, mais a déclaré que la communauté mathématique devait évaluer dans quelle mesure ses recommandations avaient été suivies.
Non. OpenAI indique que de nombreuses preuves disposent de formalisations Lean, mais pas toutes. Le dépôt avertit explicitement que certains résultats non formalisés pourraient comporter des problèmes.
Une preuve formellement correcte établit la validité logique, mais les mathématiques reposent également sur l’explication, les idées réutilisables, la structure conceptuelle, le contexte historique et les nouvelles orientations de recherche. La compréhension humaine transforme un théorème isolé en élément d’une discipline vivante.
La publication mathématique d’OpenAI du 6 octobre constitue à la fois une avancée de recherche et un test de résistance pour les normes de la recherche mathématique. L’entreprise a publié des centaines de manuscrits générés par l’IA, dont beaucoup accompagnés d’éléments formels, mais la compréhension humaine n’a pas suivi le rythme du volume produit.
L’AHM a réagi en appelant les mathématiciens à cesser de travailler avec OpenAI et à préserver une science centrée sur la compréhension humaine. Tao a amplifié cette déclaration en la republiant, mais il ne l’a ni rédigée ni dirigée. L’AGMAI adopte une position davantage procédurale : elle s’oppose aux tests de modèles propriétaires sur des problèmes de recherche ouverts tout en publiant des recommandations détaillées pour une publication responsable lorsque de tels résultats existent.
Le dépôt lui-même évolue déjà. Trois manuscrits ont été retirés, d’autres ont été révisés, et les communautés d’experts commencent le travail beaucoup plus lent qui consiste à comprendre ce que le modèle a réellement découvert.
Le conflit central n’oppose pas simplement les mathématiciens humains à l’IA. Il porte sur la question de savoir si la production de nouveaux théorèmes peut évoluer beaucoup plus rapidement que les processus humains qui permettent de les vérifier, de les expliquer, de les contextualiser et de choisir ce que les mathématiques doivent devenir.
Partez d’une phrase et obtenez un site complet en quelques minutes.
