La preuve de Navier-Stokes attend toujours son verdict, et OpenAI regarde déjà ailleurs. Selon The Information, qui cite une personne au fait des travaux, des employés de l’entreprise s’attendent à résoudre prochainement la conjecture de Hodge : un deuxième problème du millénaire en quelques mois, alors que personne n’a encore validé le premier.
L’annonce pourrait toutefois tarder. Après la crise de communication autour de Navier-Stokes, l’entreprise veut cette fois soigner le message.
Une preuve par trimestre, une vérification par décennie
Les problèmes du millénaire sont sept questions ouvertes identifiées en 2000 par le Clay Mathematics Institute, chacune dotée d’un million de dollars. Un seul a été résolu à ce jour, la conjecture de Poincaré, par Grigori Perelman. Ses travaux, mis en ligne en 2002 et 2003, n’ont été officiellement reconnus qu’en 2010, au terme de plusieurs années d’examen par des spécialistes du domaine.
Voilà l’échelle de temps de la validation mathématique. Une preuve de ce calibre ne se relit pas en un week-end : il faut que des experts du sous-domaine, souvent une poignée dans le monde, reprennent chaque étape, comblent les ellipses, cherchent la faille. Le rythme d’OpenAI se compte en mois. Celui de la communauté, en années.
Les deux horloges se sont déjà désynchronisées : la solution de Navier-Stokes reste, à ce stade, officiellement non confirmée, et l’entreprise ouvre un second front.
Hodge, un terrain encore plus exigeant
La conjecture de Hodge demande si certaines propriétés géométriques des formes peuvent toujours être décrites à partir de briques algébriques plus simples. Elle appartient à la géométrie algébrique, l’une des branches les plus abstraites des mathématiques contemporaines. Le vivier de relecteurs capables de trancher y est encore plus étroit qu’en analyse des équations aux dérivées partielles, le domaine de Navier-Stokes.
Chaque nouvelle cible rétrécit donc le cercle des vérificateurs possibles. Un modèle peut changer de spécialité d’un problème à l’autre sans effort apparent. Les mathématiciens, eux, ne changent pas de spécialité en quelques semaines.
Les preuves de cette taille produites par une IA posent en outre une difficulté propre. Elles ne suivent pas forcément les chemins qu’un humain aurait empruntés, ce qui rend leur lecture plus coûteuse, pas moins. La machine produit ; toute la charge cognitive glisse vers l’aval.
Des millions de dollars de calcul, et toujours aussi peu de géomètres
Pour Navier-Stokes, OpenAI a mobilisé une variante de son prochain modèle pré-entraîné, désigné en interne sous le nom de code « Doug », pour un coût qui se chiffrerait probablement en millions de dollars. Ce détail éclaire l’asymétrie : d’un côté, un budget de calcul qu’une entreprise peut augmenter à volonté ; de l’autre, un temps d’expertise humaine qui ne s’achète pas.
On peut multiplier les GPU (processeurs graphiques utilisés pour entraîner et faire tourner les modèles). On ne multiplie pas les géomètres algébristes. OpenAI dit avoir accompagné sa preuve de Navier-Stokes d’une formalisation dans Lean, un assistant de preuve qui contrôle chaque étape logique. Le Clay Institute n’en exige pas moins une publication dans une revue à comité de lecture, puis deux ans d’examen public. Tant que la vérification formelle ne suffira pas à convaincre, le débit de découvertes restera plafonné par la relecture humaine.
Plus le modèle va vite, plus il empile des résultats en attente, dont la valeur scientifique reste suspendue.
Les mathématiques comme banc d’essai de l’auto-amélioration
Ce qu’OpenAI cherche avec ces problèmes ne fait pas consensus, y compris chez elle. Lors du lancement d’Astra, le directeur scientifique Jakub Pachocki affirmait que la priorité de l’entreprise serait l’auto-amélioration récursive, c’est-à-dire une IA capable d’optimiser elle-même ses propres performances, plutôt que les mathématiques. Certains en interne estimeraient pourtant que ces problèmes pourraient nourrir cet objectif.
L’hypothèse se tient sur le papier : un problème mathématique fournit un terrain où le raisonnement long se teste sans ambiguïté, du moins en principe. Mais cette absence d’ambiguïté suppose justement une vérification rapide et fiable. Si le signal de réussite dépend d’une relecture humaine qui prend des années, il devient inutilisable comme boucle de rétroaction pour entraîner un modèle.
Faute de vérification, un problème résolu ne sert à rien pour l’auto-amélioration. Il reste une annonce.
Des mathématiciens plus en colère qu’impressionnés
La réaction de la communauté va dans ce sens. Plutôt que l’admiration, c’est la colère qui domine, et certains voient leur discipline entière menacée. On aurait tort d’y lire un simple réflexe corporatiste.
Quand une entreprise privée annonce des résultats que personne n’a encore pu contrôler, elle confie de fait à la communauté académique un travail de vérification colossal et non rémunéré, sur un calendrier qu’elle ne maîtrise pas. La promesse d’accélérer la science se heurte au temps des relecteurs, déjà saturé.
Ce souci de mieux communiquer montre qu’OpenAI a mesuré le coût d’image de l’épisode Navier-Stokes. Soigner la forme ne règle pas le fond : sans preuve validée, l’annonce ne porte que sur une promesse.
Une pull request de trois mille lignes bute sur le même goulot
Le cas dépasse largement les mathématiques. Vous le constatez peut-être déjà dans vos équipes : un agent IA qui génère du code, des analyses ou des rapports plus vite que quiconque ne peut les relire déplace le goulot d’étranglement vers la validation. Une pull request de trois mille lignes produite en dix minutes n’a de valeur qu’une fois revue.
Tout déploiement d’IA générative bute sur la même limite qu’OpenAI face aux mathématiciens. La capacité de production n’est plus la ressource rare. La capacité de contrôle l’est devenue, et c’est elle qu’il faut dimensionner : tests automatisés, vérification formelle quand elle est possible, découpage des livrables en morceaux relisables, relecteurs identifiés en amont.
Si la conjecture de Hodge tombe, la date qui comptera ne sera pas celle du communiqué d’OpenAI. Ce sera celle où des géomètres indépendants auront signé la relecture, et personne ne peut aujourd’hui dire quand elle viendra.
Sources
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 16 évaluations
Faire appel à mes services →
