Les problèmes du millénaire tombent. Le débat porte sur ce qui est tombé.

Le 8 septembre, OpenAI a publié une preuve vérifiée par Lean d’une explosion en temps fini pour les équations de Navier–Stokes, et le 26 octobre, elle a annoncé une preuve d’existence pour la théorie de Yang–Mills. Claude, d’Anthropic, a réfuté l’hypothèse du temps exponentiel le même mois. Deux des sept problèmes du millénaire ont désormais été touchés par des machines — mais l’article sur Yang–Mills n’est toujours pas publié, le gap de masse n’est pas traité, et les mathématiciens contestent que le résultat sur les fluides réponde à la question telle qu’elle a été posée.

En deux mois et quatre dates, la frontière de ce qu’une machine peut apporter aux mathématiques a été repoussée plus loin qu’elle ne l’avait été au cours des trente années précédentes.

Ce qui a été réellement affirmé

La précision compte, car les gros titres l’ont obscurcie.

Navier–Stokes est l’un des sept problèmes du prix du millénaire posés par l’Institut Clay de mathématiques en 2000, chacun doté d’un million de dollars. La question est de savoir si les solutions des équations tridimensionnelles restent toujours régulières, ou si elles peuvent exploser en temps fini. L’article d’OpenAI s’intitule Explosion en temps fini pour Navier–Stokes : il affirme la seconde issue, pour certaines données initiales.

Yang–Mills est un autre des sept. Ce problème comporte deux volets. Le premier consiste à montrer que la théorie existe en tant qu’objet mathématique rigoureux. Le second consiste à montrer qu’elle possède un gap de masse — que la particule la plus légère prédite par la théorie a une masse strictement supérieure à zéro, ce qui explique pourquoi la force forte est à courte portée.

La revendication d’OpenAI en octobre correspond au volet de l’existence. Ce n’est pas le gap de masse. Le problème de Clay exige les deux, donc aucun prix ne peut être revendiqué sur la base de ce qui a été annoncé, et la déclaration d’OpenAI elle-même décrit le résultat comme une preuve d’existence plutôt que comme une solution au problème du Millénaire.

La controverse autour du résultat fluide

L’affirmation concernant Navier–Stokes est la plus contestée des deux, et non parce que quelqu’un aurait trouvé une erreur.

Les critiques — dont Scientific American — soutiennent qu’OpenAI a démontré l’explosion pour une version des équations qui n’est pas celle sur laquelle porte le problème de Clay, et que cette différence constitue une échappatoire plutôt qu’un détail. Trois mathématiciens ont ensuite publié une preuve que la méthode d’OpenAI ne peut pas être étendue au problème complet, ce qui ferme l’échappatoire dans l’autre sens : la technique fonctionne, et elle ne peut pas atteindre la question telle qu’elle est posée.

Il y a également un différend de priorité en arrière-plan. Les mathématiciens Levent Alpöge et Tristan Buckmaster travaillaient publiquement sur des résultats liés à Euler et à Navier–Stokes ; OpenAI a déclaré que ses travaux avaient été motivés par des rumeurs concernant ces recherches, et que les deux preuves différaient sensiblement. Le New York Times a rapporté cet affrontement en septembre.

Rien de tout cela ne rend le résultat sans valeur. Une preuve d’explosion produite par machine et vérifiée par machine, pour une variante bien définie, est un véritable objet mathématique. Ce n’est simplement pas la même chose qu’un problème du millénaire résolu, et c’est dans l’écart entre ces deux phrases que réside l’essentiel de l’argument.

La réponse d’Anthropic, et pourquoi elle compte

Le 16 octobre, Anthropic a publié une réfutation de l’hypothèse du temps exponentiel — la conjecture selon laquelle certains problèmes de calcul exigent réellement un temps exponentiel — trouvée par un modèle Claude interne. L’article crédite le modèle et inclut une preuve Lean 4 vérifiée par un second noyau indépendant.

Ce dernier détail est celui qui compte. Un second noyau signifie que la preuve n’a pas été simplement produite par une machine et crue par son producteur ; elle a été vérifiée par un logiciel différent mettant en œuvre les mêmes règles logiques. La vérification indépendante est ce qui transforme une affirmation en résultat, et c’est la partie de cette histoire qui survivra aux annonces.

Le goulot d’étranglement n’est plus la génération

Pendant la majeure partie de l’histoire de l’informatique, la partie difficile d’un résultat mathématique était de le trouver. Cela n’est plus manifestement vrai.

Peter Woit, le mathématicien de Columbia dont le blog est une source de scepticisme fiable, a décrit sans détour la situation Yang–Mills : un résultat gardé privé pendant que des experts sont réunis pour le vérifier n’est pas encore des mathématiques au sens où la discipline l’entend. C’est un critère juste, et il s’applique aussi aux bons résultats.

Pourquoi les fondements valent la peine qu’on s’en préoccupe

Les mathématiques et la physique ne sont pas deux matières parmi tant d’autres. Elles sont la couche sur laquelle les autres sont bâties.

L’IA devient si intelligente qu’elle résout les problèmes les plus difficiles des mathématiques, un par un. Je ne serais pas surpris que, d’ici un an ou deux, tous les problèmes de mathématiques à un million de dollars restants soient résolus par l’IA. Cela me rappelle l’époque où l’IA a pratiquement résolu les échecs en battant le meilleur humain. Aujourd’hui, l’IA bat les meilleurs mathématiciens, et l’écart est énorme. Mais je pense que cette fois, c’est différent, car l’IA est désormais une intelligence généralisée, ce qui signifie qu’elle couvre presque tous les domaines et disciplines.

Donc le potentiel et les possibilités sont presque infinis.

Quand on pense aux mathématiques et à la physique, ce sont les briques de base, le fondement d’une grande partie de notre compréhension du monde. Ainsi, à mesure que l’IA aide à résoudre les problèmes de mathématiques et de physique les plus difficiles, elle va conduire à d’innombrables découvertes dans des domaines qui reposent sur les mathématiques ou la physique. C’est l’une des raisons pour lesquelles Anthropic est si optimiste concernant la biologie et la médecine, et pourquoi elle développe ses propres activités de laboratoire.

Lorsque le fondement mathématique d’une théorie de la matière devient traitable, les conséquences arrivent plus tard et ailleurs : dans des matériaux conçus plutôt que découverts, dans des cibles médicamenteuses trouvées par simulation avant même qu’un laboratoire soit réservé, dans une chimie qui cesse d’être une affaire d’essais et d’erreurs. Le pari public d’Anthropic sur la biologie et la médecine n’est pas un virage qui l’éloigne de ses modèles ; c’est le pari qu’un meilleur raisonnement sur les systèmes physiques se convertit en meilleur raisonnement sur les systèmes biologiques.

Le point de vue de l’auteur

Ceci est une opinion, pas un reportage. C’est l’argument développé dans la vidéo accompagnant cet article.

Je pense que nous allons aussi voir d’innombrables nouvelles découvertes dans le domaine des sciences des matériaux — nous trouverons de nouvelles façons de fabriquer des choses, de construire des choses.

En gros, l’IA nous aide à comprendre comment fonctionnent le monde et notre corps, et c’est cette compréhension qui mènera à des découvertes époustouflantes à un rythme jamais vu dans l’histoire. C’est pourquoi ce sujet est si intéressant. Nous sommes à un grand tournant. Les choses s’accélèrent. Je ne dis pas qu’il n’y aura pas de défis — il y en aura. Mais le rythme des nouvelles découvertes s’accélère, et ce n’est que le début.

La version sobre de cet argument est plus étroite et plus difficile à écarter. Les machines sont passées d’une assistance aux mathématiciens à la production de résultats qu’un assistant de preuve peut vérifier, sur des problèmes restés ouverts pendant des décennies. La vérification est lente, certaines affirmations n’y résisteront pas, et un prix que personne n’a reçu n’est pas un prix remporté. Mais l’orientation ne fait plus aucun doute.

Source : OpenAI, « Sur le problème du prix du millénaire de Navier–Stokes » (8 septembre 2026) et « Travailler avec les communautés universitaires pour construire une compréhension scientifique » (26 octobre 2026) ; Anthropic, réfutation de l’hypothèse du temps exponentiel (16 octobre 2026) ; Scientific American, « OpenAI a-t-il résolu le mauvais problème de Navier–Stokes ? » (21 septembre 2026) ; Quanta Magazine (8 septembre 2026) ; The New York Times (10 septembre 2026) ; Clay Mathematics Institute, énoncés des problèmes du prix du millénaire.

Contact : [email protected]

Veuillez noter que la version française est assistée par Ai, des erreurs mineures peuvent donc exister.

Auteur

Ai-Banking-NetworkSecurity (ABN), ABN ASIA a été fondée par des personnes ayant des racines profondes dans le milieu académique, avec une expérience professionnelle aux États-Unis, aux Pays-Bas, en Hongrie, au Japon, en Corée du Sud, à Singapour et au Vietnam. ABN ASIA est l'endroit où l'académie et la technologie rencontrent l'opportunité. Avec nos solutions de pointe et nos services de développement logiciel compétents, nous aidons les entreprises à se développer et à s'imposer sur la scène mondiale. Notre engagement : Plus vite. Mieux. Plus fiable. Dans la plupart des cas : moins cher également.

N'hésitez pas à nous contacter chaque fois que vous avez besoin de services informatiques, de conseils en matière de numérique, de solutions logicielles prêtes à l'emploi, ou si vous souhaitez nous envoyer des demandes de propositions (RFP). Vous pouvez nous contacter à l'adresse [email protected]. Nous sommes prêts à vous aider avec tous vos besoins technologiques.

© ABN ASIA