OpenAI affirme qu’un système d’IA a produit une réfutation de Navier–Stokes formalisée dans Lean

OpenAI affirme qu’un système interne d’IA a produit une preuve analytique montrant qu’un mouvement de fluide incompressible en trois dimensions peut développer une singularité en temps fini, ce qui touche au problème d’existence et de régularité de Navier–Stokes. L’entreprise a publié un argument écrit et une formalisation dans Lean, mais l’affirmation n’a pas été validée de manière indépendante à partir des éléments disponibles.

Cette annonce est importante parce que le problème de Navier–Stokes est l’un des sept problèmes du prix du millénaire, un ensemble de défis mathématiques identifiés par le Clay Mathematics Institute en 2000. Une solution correcte aurait des implications sur les limites de la recherche mathématique automatisée, ainsi que sur la manière dont les systèmes d’IA sont testés sur des problèmes qui ont résisté aux chercheurs humains pendant des décennies.

Le billet de OpenAI est la principale source de ce compte rendu. Le fil de dépêche associé ne contient aucun texte d’article supplémentaire dans les documents disponibles, de sorte que les affirmations les plus solides concernant les performances, l’échelle et le résultat du système proviennent de l’éditeur lui-même.

Ce qu’OpenAI dit avoir résolu

OpenAI affirme que son système a établi la version du problème dans laquelle un fluide lisse, initialement au repos, développe une singularité en temps fini, tout en restant soumis à une force externe lisse et en conservant une énergie finie. Dans la description de l’entreprise, le résultat prouve les énoncés « C » et « D » dans la formulation officielle du problème de Navier–Stokes, ce qui reviendrait à réfuter la régularité universelle plutôt qu’à prouver que toutes les solutions restent régulières.

Le mécanisme proposé est un vortex qui s’enroule vers l’intérieur et s’étire le long de son axe. À mesure que la région centrale se contracte, la vitesse du fluide augmente sans borne dans le modèle mathématique. OpenAI dit que la construction repose sur le fait que les termes d’accélération, de pression, de transfert de quantité de mouvement et de viscosité deviennent importants tout en se compensant de manière précise. La force externe reste lisse, ce qui signifie que la rupture alléguée est générée par la dynamique des fluides elle-même plutôt que par l’ajout direct d’une force infinie.

Les équations de Navier–Stokes modélisent les fluides comme des milieux continus à l’aide des lois du mouvement de Newton. Ingénieurs et scientifiques les utilisent notamment dans la conception aéronautique, la prévision météorologique et l’analyse de l’écoulement sanguin. La question non résolue est de savoir si un écoulement tridimensionnel incompressible lisse à densité constante doit rester lisse pour toujours.

Une vaste expérience multi-agents

Selon OpenAI, le travail a commencé le 1er septembre après que l’entreprise a entendu des rumeurs selon lesquelles deux problèmes du prix du millénaire avaient été résolus. Elle a ensuite demandé à un système coordonnateur d’agents d’IA d’examiner tous les problèmes ouverts et plusieurs questions connexes.

L’entreprise indique que l’effort sur Navier–Stokes a mobilisé environ 10 000 agents concurrents. Ces agents ont été répartis en groupes, ont reçu différentes formulations du problème et ont eu accès à des outils incluant une version mise en cache d’Internet et l’exécution de code. OpenAI dit que les agents ont exploré des variantes de preuve et de réfutation avant que le travail le plus prometteur ne soit consolidé.

OpenAI rapporte aussi que le projet plus large a généré 4,9 millions de messages et utilisé environ 300 milliards de jetons de sortie. Pour l’effort Navier–Stokes en particulier, l’entreprise rapporte 2,7 millions de messages et environ 130 milliards de jetons de sortie. Ces chiffres décrivent l’expérience interne de l’entreprise et ne constituent pas une mesure indépendante et auditée du raisonnement mathématique utile.

L’entreprise dit que les agents ont atteint le résultat Navier–Stokes le 5 septembre, après environ 88 heures de travail. La formalisation et la vérification dans Lean ont pris 17 heures supplémentaires via GPT-6 Astra, selon OpenAI. L’entreprise dit que Codex a été utilisé pour consolider les enseignements issus de différents groupes d’agents pendant la recherche.

La vérification formelle est une preuve, pas une acceptation finale

L’artefact Lean est une composante importante de la divulgation d’OpenAI, car la formalisation peut révéler des hypothèses manquantes et des étapes invalides qui peuvent passer inaperçues dans un brouillon de recherche classique. Cela ne permet toutefois pas, à lui seul, de déterminer si l’énoncé formalisé correspond correctement à la formulation officielle du problème du prix du millénaire, ni si l’implémentation contient une erreur dans les définitions, les lemmes importés ou les hypothèses.

OpenAI a publié le texte de la preuve et la formalisation Lean, mais les éléments fournis n’incluent pas d’examen par le Clay Mathematics Institute ni par des mathématiciens indépendants. L’entreprise dit explicitement qu’elle n’entend pas revendiquer le prix du millénaire pour ce résultat. Cette distinction est importante : une preuve publique générée par l’IA est une revendication de recherche, tandis qu’une reconnaissance par le prix exigerait un examen par des spécialistes et une acceptation selon les règles de l’institut.

Le calendrier impose aussi une attribution prudente. OpenAI dit avoir commencé ce travail après avoir entendu des rumeurs liées à Levent Alpöge, employé d’Anthropic, et à Tristan Buckmaster, professeur de mathématiques à l’Université de New York. L’entreprise dit que leur travail concernait l’Euler forcé et non le même résultat Navier–Stokes, et que les deux efforts différaient à la fois par les méthodes et par les conclusions précises. OpenAI dit ne pas avoir eu accès à leurs données utilisateur spécifiques ni à leur travail avant la publication publique, tout en reconnaissant qu’elle ne peut exclure que des données produit désidentifiées aient contribué à améliorer ses modèles.

Ce que ce résultat pourrait signifier pour les bâtisseurs d’IA

Pour les développeurs d’IA, le changement notable n’est pas simplement qu’un modèle a généré du texte mathématique. OpenAI décrit un flux de travail dans lequel de nombreux agents explorent indépendamment des formulations, échangent des résultats intermédiaires, utilisent des outils logiciels et transmettent une preuve candidate à un système de vérification formelle. Cette architecture ressemble davantage à une chaîne de recherche automatisée qu’à la réponse d’un simple chatbot.

Cette approche met aussi en lumière ses coûts et ses risques opérationnels. Des centaines de milliards de jetons générés et des milliers d’agents concurrents peuvent être pratiques pour une référence de recherche à forte valeur, mais ils sont très éloignés de l’économie des produits logiciels ordinaires. Les développeurs devraient mesurer si l’exploration parallèle produit réellement de nouvelles idées ou augmente surtout le volume de raisonnements plausibles mais redondants.

Pour les acheteurs en entreprise, cet épisode souligne la différence entre la capacité d’un modèle à proposer un résultat et la capacité d’une organisation à lui faire confiance. Dans les flux de travail scientifiques et d’ingénierie, les artefacts reproductibles, les preuves vérifiables par machine, l’examen par des experts et des enregistrements clairs des hypothèses comptent plus qu’un score de référence ou que l’ampleur d’une exécution d’agents. La formalisation Lean peut soutenir ce processus, mais elle n’élimine pas le besoin d’expertise métier.

L’annonce est aussi un signal concurrentiel. OpenAI dit que le modèle interne est plus performant que GPT-6 Astra et que son entraînement se poursuivait encore. Comme ces comparaisons de capacités proviennent d’OpenAI, elles doivent être considérées comme des affirmations internes ou fournies par l’éditeur, et non comme des mesures de marché établies.

Ce qu’il faut surveiller ensuite

Le premier signal sera l’examen indépendant de la preuve publiée et du code Lean, en particulier pour vérifier si la construction satisfait à toutes les conditions de l’énoncé officiel de Navier–Stokes. Une preuve formelle qui dépend d’un domaine, d’une condition de force ou d’une notion de singularité subtilement différente ne résoudrait pas le même problème.

Le second est de savoir si des mathématiciens reproduisent le résultat, identifient des lacunes ou confirment que la formalisation compile et encode fidèlement l’argument. La réponse du Clay Mathematics Institute clarifierait également si le travail répond aux normes de reconnaissance.

Les chercheurs devraient aussi surveiller si OpenAI publie suffisamment de détails d’implémentation pour reproduire la recherche multi-agents, notamment les versions du modèle, les invites, les limites des outils et le comptage du calcul. Sans ces informations, les chiffres d’agents et les totaux de jetons annoncés fournissent un contexte, mais une orientation limitée pour les équipes qui construisent des systèmes similaires.

Point de vue de Creati.ai

L’annonce d’OpenAI doit être comprise avant tout comme une affirmation de capacité importante, et non comme un fait mathématique établi. La combinaison de la coordination d’agents, d’outils de code et de la formalisation Lean constitue une voie crédible pour la recherche assistée par IA, mais le résultat central dépend encore d’un examen extérieur à l’entreprise qui l’a produit.

Pour les bâtisseurs, la leçon pratique est plus étroite et plus utile que le titre : les systèmes avancés de recherche en IA ont besoin de couches de vérification, de spécifications explicites des problèmes et d’un examen indépendant. Si ces contrôles tiennent face à ce résultat, l’épisode pourrait devenir une étude de cas significative en mathématiques assistées par machine. Sinon, il montrera pourquoi des preuves fluides et des artefacts à l’apparence formelle ne peuvent pas remplacer la validation mathématique.