OpenAI annonce une solution au problème de Navier-Stokes

Les progrès récents de l’intelligence artificielle en mathématiques redéfinissent les frontières entre calcul automatisé et recherche humaine. Si les systèmes d’IA ont longtemps été faibles en arithmétique de base, ils ont ensuite excellé dans des concours de raisonnement mathématique. Après la médaille d’argent obtenue par Google DeepMind en 2024, OpenAI a décroché l’or un an plus tard. En mai 2026, l’IA a franchi un cap en avançant sur un problème proposé par Paul Erdős en 1946: à partir d’un nombre fixé de points sur un plan, combien de paires peuvent se trouver exactement à une unité l’une de l’autre? Les spécialistes avaient longtemps défendu une prédiction, mais l’IA l’a renversée. En septembre, OpenAI a annoncé que ses agents avaient trouvé une solution au problème de Navier-Stokes, qui décrit le mouvement des fluides. L’entreprise a évoqué environ 88 heures de calcul, contre près de 90 ans de recherches humaines, ainsi que plus de 10 000 agents mobilisant des décennies de littérature mathématique. Pour Ken Duffy, professeur de mathématiques à Northeastern, ces cas sont utiles parce qu’ils sont bien définis, mais ils ne résument pas toute la recherche mathématique. Une grande partie du travail des mathématiciens consiste à poser de bonnes questions, à concevoir des méthodes et à rendre les raisonnements explicables. Or l’IA reste souvent incapable de montrer clairement comment elle parvient à une solution. Ses preuves peuvent être vérifiées dans des systèmes comme Lean, mais certaines ont été retirées après publication faute de confirmation. L’IA brille toutefois dans les tâches de force brute, la collecte massive de données et les connexions rapides entre des faits distants. Pour le problème d’Erdős, elle a relié des outils de la théorie des nombres à la géométrie, révélant une piste que les spécialistes n’avaient pas exploitée. Ses capacités dépassent d’ailleurs les mathématiques: en biologie, des modèles ont prédit la forme de plus de 200 millions de protéines, aidant à comprendre leurs fonctions. Dans des laboratoires comme ceux de Duffy, l’IA a aussi automatisé l’analyse d’images de cellules dans la moelle osseuse, épargnant aux chercheurs des heures de tri manuel. James Boyd, cofondateur du Wolfram Institute, estime que cette évolution invite les mathématiques à élargir leurs méthodes, notamment vers une approche expérimentale. Les machines peuvent observer des motifs numériques et tester leur solidité, tandis que les humains restent maîtres du cadre méthodologique et de l’interprétation. Ces avancées ne condamnent pas les formations en mathématiques. Les diplômés restent recherchés en finance, en ingénierie et dans d’autres secteurs où la résolution de problèmes complexes compte. Comme le rappelle Duffy, l’IA peut encore halluciner ou produire des résultats absurdes. Elle ne remplace donc pas, pour l’instant, la vigilance humaine, la pensée critique et la capacité à expliquer un raisonnement.