Navier-Stokes : les doutes s’accumulent sur la preuve d’OpenAI

OpenAI fait face à des critiques croissantes sur sa prétendue avancée autour du problème de Navier-Stokes, après avoir présenté début septembre une proposition de solution de 166 pages. Selon plusieurs spécialistes cités par Scientific American, la démonstration ne reprend pas vraiment l’approche annoncée par l’entreprise. Le débat compte, car il touche à la fois à la crédibilité scientifique d’OpenAI et à la façon dont les modèles d’IA sont évalués quand ils interviennent sur des problèmes de recherche ouverts. À ce stade, la communauté mathématique avance avec prudence. Et avec un peu de fatigue aussi.

Une preuve potentielle qui divise les spécialistes

La société avait présenté en septembre une solution potentielle au problème de Navier-Stokes, en expliquant qu’elle suivait la voie tracée par les mathématiciens espagnols Diego Córdoba et Luis Martínez-Zoroa. Des experts interrogés par Scientific American contestent cette lecture. Gonzalo Cao-Labora, mathématicien à l’EPFL, estime que « When you go to the details, it is a different approach ». Autrement dit, les ressemblances seraient surtout superficielles, pas structurelles.

Le document a été rédigé en Lean, un langage de vérification formelle qui contrôle chaque étape logique d’un raisonnement. Ce choix permet de vérifier la cohérence interne d’une preuve, mais ne la rend pas lisible pour un humain sans travail de traduction mathématique supplémentaire. Le Clay Mathematics Institute examine toujours la proposition depuis sa publication. Rien n’indique, pour l’instant, qu’un verdict définitif soit imminent.

Ce que la communauté reproche aussi à OpenAI

Avant la publication, le mathématicien de NYU Tristan Buckmaster a accusé OpenAI de s’appuyer sur des travaux menés avec des modèles accessibles au public par lui-même et Levent Alpöge, d’Anthropic. L’entreprise a démenti, affirmant ne pas avoir utilisé les données de Buckmaster. Camillo De Lellis, de l’Institute for Advanced Study, rappelle qu’une réponse définitive est sans doute hors de portée, car les modèles de langage restent des boîtes noires. Sur ce point, chacun campe sur sa lecture des traces laissées par les systèmes.

La controverse ne se limite pas à l’attribution scientifique. Début octobre, OpenAI a aussi publié environ 400 autres résultats sous forme de lot diffusé sur GitHub, ce qui a irrité une partie des mathématiciens. Beaucoup y ont vu une manière de banaliser un travail qu’ils considèrent comme exigeant et fragile. Le geste a été perçu comme un signal de plus : les sorties d’IA peuvent impressionner, mais leur mise en contexte compte autant que leur volume.

Les 10 000 agents ont-ils vraiment changé le résultat ?

OpenAI affirme avoir mobilisé environ 10 000 instances de modèle pendant 88 heures et 130 milliards de tokens pour développer la solution potentielle du problème de Navier-Stokes. Pourtant, selon le chercheur Noam Brown, personne ne sait vraiment ce que cet essaim d’agents a apporté au résultat final. Les expériences comparatives à cette échelle coûtent trop cher, et il n’existe pas de test permettant de mesurer proprement l’avantage de 10 000 agents face à 1 000 ou à une configuration plus simple.

Noam Brown dit attribuer à moins de 10 % le rôle du système multi-agents dans le succès obtenu. Son argument est clair : les architectures multi-agents attirent l’attention parce qu’elles sont nouvelles, mais ce n’est pas forcément elles qui portent l’essentiel du travail. Selon lui, ce qui compte surtout, c’est le modèle de base, capable d’avancer longtemps sur une tâche et d’exécuter plusieurs calculs en parallèle. Dans ce contexte, la question n’est pas seulement de savoir si l’IA peut aider les mathématiciens. C’est aussi de savoir quelle partie du dispositif mérite réellement le crédit.