OpenAI affirme qu’un de ses modèles a produit une solution proposée au problème du millénaire de Navier–Stokes, accompagnée d’un exposé mathématique et d’une preuve formalisée dans Lean. L’annonce pourrait être majeure, non seulement parce qu’elle concerne l’un des problèmes du prix du millénaire, mais aussi parce que l’entreprise fournit un objet formel vérifiable en plus d’un raisonnement rédigé en langage mathématique habituel.
Il faut toutefois parler aujourd’hui d’une proposition, et non d’un résultat définitivement établi. Nature présente l’annonce comme une avancée potentiellement considérable qui doit encore être examinée par la communauté mathématique. OpenAI emploie lui-même le terme de solution proposée. Une preuve vérifiée par machine peut confirmer qu’un enchaînement logique respecte les définitions et lemmes encodés ; elle ne garantit pas à elle seule que l’énoncé formel correspond parfaitement au problème mathématique visé ni que toutes les hypothèses seront acceptées par les spécialistes.
Lean déplace une partie de la vérification vers un artefact formel
Dans la pratique mathématique classique, des experts lisent le raisonnement, reconstruisent les étapes implicites et vérifient l’usage des hypothèses. Une formalisation dans Lean transfère une partie importante de ce travail vers un assistant de preuve qui contrôle chaque étape selon des règles explicites.
Le rôle humain ne disparaît pas. Il faut toujours établir que le théorème encodé est bien celui dont on parle, que les définitions correspondent à la formulation reconnue et qu’aucun décalage n’a été introduit entre l’énoncé informel et l’objet formel. Une fois cette correspondance établie, la vérification automatique rend néanmoins certaines erreurs logiques beaucoup plus difficiles à dissimuler.
Pour des mathématiques produites par une IA, ce second support est particulièrement précieux. Les modèles de langage peuvent construire des arguments convaincants contenant une faille subtile. Une preuve formelle offre une représentation moins dépendante de la qualité rhétorique du texte.
Une preuve vérifiée n’est pas encore une preuve acceptée
L’analyse d’Aipolix distingue ici trois étapes : cohérence logique, adéquation exacte avec le problème et acceptation scientifique.
Lean peut contribuer fortement à la première. Des mathématiciens doivent encore vérifier la seconde, c’est-à-dire confirmer que l’énoncé formalisé correspond exactement au problème du millénaire. L’acceptation scientifique demande ensuite une revue indépendante, la reproduction du raisonnement et son inscription dans la littérature existante.
Cette distinction dépasse le cas Navier–Stokes. À mesure que les systèmes d’IA produisent davantage de recherche, les organisations devront conserver une chaîne de preuves indiquant ce qui a été vérifié automatiquement, ce qui relève encore du jugement humain et quelles incertitudes persistent.
La provenance devient une exigence de qualité scientifique
Pour un résultat de cette importance, la provenance du travail devient elle aussi opérationnelle. Les examinateurs doivent pouvoir savoir quelles parties ont été générées par le modèle, quels lemmes ou définitions viennent de bibliothèques existantes, quelles indications humaines ont été fournies et comment l’énoncé final a évolué.
La formalisation aide en créant un artefact versionnable et inspectable. Elle ne répond cependant pas aux questions de priorité intellectuelle ou de provenance des idées. Celles-ci exigent un historique séparé des sources, des sessions de modèle, des versions intermédiaires et des interventions humaines.
Pour les équipes qui utilisent l’IA en recherche, la conséquence est claire : fichier de preuve, métadonnées d’exécution, références et modifications humaines devraient rester reliés. Plus l’affirmation est importante, moins il est acceptable de ne conserver que l’article final.
Ce résultat ne se juge pas comme un score de benchmark
Beaucoup d’annonces sur l’IA et les mathématiques reposent sur des ensembles de problèmes et des taux de réussite. Un problème du millénaire ne se prête pas à ce raccourci. La valeur du résultat dépend de la résistance d’un nouvel argument à un examen expert prolongé.
Le processus de vérification devient donc une partie centrale de l’histoire. La capacité intéressante n’est pas seulement d’avoir produit un texte mathématique sophistiqué, mais d’avoir présenté un artefact destiné à être contrôlé par deux voies : l’expertise humaine et un système de preuve formelle.
Si le travail est confirmé, son importance dépassera largement une amélioration de benchmark : il montrerait qu’un système d’IA peut participer à une recherche mathématique réellement frontalière. S’il est infirmé, le dossier restera instructif pour comprendre ce que la vérification formelle attrape et ce qu’elle laisse à l’interprétation humaine.
Les prochaines étapes à surveiller
Les preuves les plus importantes viendront désormais de la revue indépendante : inspection publique des fichiers Lean, tentatives de reproduction ou de simplification, commentaires sur l’adéquation exacte entre l’énoncé formel et le problème du millénaire, ainsi que d’éventuelles corrections publiées par OpenAI.
Il faudra également observer la manière dont OpenAI documente la frontière entre le travail du modèle et celui des chercheurs humains. Dans la gouvernance de la recherche assistée par IA, cette frontière devient presque aussi importante que la capacité du modèle.
Pour l’instant, la conclusion défendable reste précise : OpenAI a publié une solution proposée à Navier–Stokes accompagnée d’une preuve formelle Lean. Cet artefact renforce la possibilité de vérification, mais l’acceptation du résultat comme solution définitive reste à établir par la communauté mathématique.