Astra fait franchir un cap aux preuves mathématiques automatisées

OpenAI dit avoir obtenu, avec une version interne d’Astra, dix résultats sur des problèmes mathématiques ouverts, annoncés le 3 août 2026. Les preuves ont ensuite été formalisées en Lean, un langage de démonstration utilisé pour vérifier mécaniquement des arguments. L’enjeu dépasse la seule arithmétique : ce type de succès mesure aussi la capacité des modèles à accélérer la recherche là où une vérification existe.

Une moisson de résultats dans des domaines très différents

Les dix problèmes couvrent des pans variés des mathématiques théoriques : géométrie des sphères, codes binaires et sphériques, groupes non sofiques, rigidité de Connes, complexité des circuits arithmétiques, répétition parallèle quantique, problème du vecteur le plus proche, conjecture d’Ehrhart, nombres de Ramsey multicolores et théorie extrémale des graphes. Autrement dit, Astra ne s’est pas contenté d’un exercice de style sur un sujet unique. Le modèle a produit des arguments pour des questions réputées difficiles, souvent restées sans réponse pendant des années.

OpenAI précise que la résolution aurait coûté environ 2 000 dollars en appels API Sol pour l’ensemble des problèmes, selon son estimation. Une somme modeste au regard de la valeur académique des résultats, mais qui doit être replacée dans le contexte plus large du coût de développement du modèle et des essais infructueux. C’est le genre de facture qui ferait sourire un laboratoire, et tousser un budget de thèse.

La vérification change la donne, pas le débat

Le cœur de l’affaire tient à la nature des problèmes visés. Dans des domaines formalisés, la solution peut être contrôlée par machine ou par des spécialistes, ce qui rend les gains plus crédibles que dans des tâches floues. Les sources concordent toutefois sur un point : cela ne prouve pas qu’Astra soit une intelligence générale. Nabeel S. Qureshi estime même que le modèle n’est pas encore de l’AGI, car il manque encore de généralité et d’efficacité d’échantillonnage.

Des voix internes et externes invitent aussi à la prudence. OpenAI dit avoir tenté d’autres problèmes majeurs “sans succès”, et certains chercheurs relèvent qu’une partie des résultats était peut-être atteignable par d’autres modèles, une fois les bonnes questions posées [à vérifier]. Ce débat n’enlève rien à la portée technique de l’annonce, mais il rappelle qu’en IA, la frontière entre prouesse et extrapolation se déplace vite.

Pourquoi les mathématiciens regardent ça de près

Le témoignage de Henry Yuen résume bien le trouble du milieu. Il dit avoir été frappé par des résultats touchant directement des sujets qu’il juge importants, dont les théorèmes de répétition parallèle quantique sur lesquels il a travaillé pendant des années. Il souligne aussi que la partie la plus difficile n’est pas toujours la preuve elle-même, mais l’explication de l’idée initiale qui rend la preuve intelligible pour un humain.

Cette remarque compte pour la suite. Si les modèles trouvent des démonstrations que les chercheurs peinent ensuite à digérer, le risque n’est pas seulement celui d’une recherche plus rapide. C’est aussi celui d’une recherche plus opaque, où l’on accumule des résultats sans toujours garder la main sur le sens. Dans ce contexte, le formalisme Lean aide, mais il ne remplace pas la compréhension.

Ce que cela dit d’OpenAI et du marché

Au-delà des mathématiques, l’annonce sert de démonstration sur la recherche automatisée elle-même. OpenAI met en avant un système capable de produire des avancées sur des tâches vérifiables, ce qui nourrit l’idée que les prochains gains viendront d’abord des domaines où l’on peut mesurer proprement la qualité du résultat : code, cybersécurité, optimisation, puis une partie croissante de la R&D en IA. Dans les sources, plusieurs intervenants voient déjà là un signal pour les boucles d’amélioration interne des modèles.

Reste une limite simple : ce qui est vérifiable progresse plus vite que ce qui ne l’est pas. C’est aussi pour cela que l’annonce fait autant de bruit dans la recherche fondamentale. Elle ne dit pas que tout est résolu. Elle dit que le plafond est monté, et que la marche suivante paraît moins lointaine qu’avant.