OpenAI annonce trois nouveaux résultats scientifiques présentés comme des avancées majeures en mathématiques, en informatique théorique et en physique. Quelques semaines après avoir publié des centaines de manuscrits contenant des solutions proposées à des problèmes mathématiques de longue date, l’entreprise fait évoluer sa méthode : des experts extérieurs sont désormais chargés d’examiner certains travaux générés par ses modèles d’intelligence artificielle.
Les résultats portent notamment sur des conjectures fondamentales en analyse mathématique, une remise en question de l’hypothèse du temps exponentiel en informatique et une preuve d’existence concernant certaines théories quantiques des champs.
Mais, ces annonces doivent encore être examinées par la communauté scientifique. OpenAI publie les éléments disponibles sur GitHub et sollicite des chercheurs pour évaluer les démonstrations, les expliquer et en déterminer la portée réelle.
Une preuve qui pourrait bouleverser l’informatique théorique
Le résultat le plus spectaculaire concerne l’hypothèse du temps exponentiel, ou Exponential Time Hypothesis (ETH). Cette hypothèse, largement considérée comme plausible en informatique théorique, suppose notamment qu’il n’existe pas d’algorithme capable de résoudre certains problèmes comme 3-SAT en temps sous-exponentiel.
Selon OpenAI, son modèle aurait produit un algorithme déterministe permettant de compter exactement, en temps sous-exponentiel et avec un espace mémoire polynomial, les affectations satisfaisant des formules CNF de largeur fixée. Le cas particulier de 3-SAT suffirait à réfuter l’ETH si la démonstration est correcte.
Pour examiner cette affirmation, un groupe indépendant de spécialistes doit analyser la preuve et en proposer une explication. Il réunit Russell Impagliazzo, Ramamohan Paturi et Ryan Williams. Les deux premiers chercheurs ont contribué à formuler l’hypothèse en 1999, tandis que Williams est professeur au MIT. À la demande du groupe, OpenAI a rendu publics le texte produit par son modèle et une preuve formalisée en Lean sur GitHub.
L’enjeu dépasse une simple prouesse algorithmique : si le résultat résiste à la vérification, il pourrait remettre en cause une hypothèse qui structure une grande partie des travaux sur la complexité des algorithmes. Pour l’heure, il s’agit d’une affirmation à vérifier, et non d’un résultat définitivement établi par la communauté.
Des avancées en analyse mathématique et en physique quantique
Le volet mathématique porte sur la régularisation locale de l’équation des ondes euclidienne. OpenAI affirme que la démonstration proposée établit le résultat de régularisation locale de Sogge pour les ondes dans toutes les dimensions spatiales supérieures ou égales à deux.
Selon l’entreprise, cette preuve permettrait également d’obtenir la conjecture maximale de Kakeya, la conjecture de dimension associée ainsi que les estimations de restriction sphérique de Stein dans toute la région intérieure de l’intervalle conjecturé. OpenAI publie directement la sortie de son modèle, comme lors de sa diffusion du 6 octobre, afin que les chercheurs puissent examiner les arguments et construire leurs propres explications.
Cette annonce intervient dans un contexte particulièrement sensible : Hong Wang, professeure à l’université de New York, a récemment reçu la médaille Fields pour ses travaux sur la conjecture de Kakeya en trois dimensions. La portée exacte de la nouvelle démonstration devra être évaluée par des spécialistes, notamment pour déterminer ce qu’elle établit précisément au-delà des résultats déjà connus.
En physique, OpenAI affirme disposer d’une preuve d’existence mathématiquement rigoureuse pour certaines théories quantiques des champs en interaction, avec des champs de jauge et des fermions en quatre dimensions. L’entreprise cite notamment la chromodynamique quantique (QCD), qui décrit les interactions fortes, ainsi qu’une complétion unifiée du Modèle standard de la physique des particules.
Toutefois, le dossier complet n’a pas encore été rendu public. David Gross doit diriger un groupe comprenant Michael Douglas, Arthur Jaffe, Igor Klebanov et Nikita Nekrasov, chargé d’accompagner l’examen de ces travaux. Sans accès à l’ensemble de la démonstration, il reste impossible d’en apprécier indépendamment la solidité et les implications.
La vérification scientifique devient un enjeu central
Le recours à des experts extérieurs constitue l’une des principales différences avec la publication précédente d’OpenAI. Ces spécialistes doivent contribuer à vérifier les résultats, à en clarifier les démonstrations et à identifier d’éventuelles erreurs. L’entreprise reconnaît néanmoins que cette méthode soulève des questions sur l’accès anticipé aux résultats et sur la sélection des personnes chargées de les examiner.
Ces préoccupations ont également été exprimées par le panel de conseillers mathématiques AGMAI, qui a récemment recommandé aux entreprises d’IA de ne pas privilégier un modèle dans lequel certains chercheurs reçoivent les résultats en avant-première. Une telle organisation peut créer des inégalités d’accès, conférer une crédibilité disproportionnée à certaines personnes et introduire des biais dans la sélection des experts.
Le panel préconise plutôt une publication sur des dépôts scientifiques, accompagnée de preuves formalisées en Lean, d’informations sur la manière dont les problèmes ont été choisis et de financements destinés aux chercheurs qui travaillent à comprendre les résultats. L’objectif est de rendre les découvertes vérifiables tout en facilitant leur appropriation par l’ensemble de la communauté.
Le groupe chargé du résultat informatique a également publié une lettre ouverte pour solliciter des contributions sur les règles à adopter. Trois questions sont notamment posées : comment encadrer l’accès anticipé et les conflits d’intérêts, comment attribuer le crédit aux personnes qui découvrent, vérifient, corrigent ou expliquent une preuve, et comment accompagner les étudiants et chercheurs alors que les méthodes de recherche évoluent.
Ces annonces illustrent ainsi un double défi pour l’intelligence artificielle scientifique. Produire une démonstration potentiellement inédite constitue une étape importante, mais il faut encore la vérifier, la comprendre et établir les conditions dans lesquelles elle peut être reconnue par la communauté. La véritable portée de ces trois résultats dépendra donc autant de leur solidité mathématique que de la transparence du processus de validation.
