Jihao Liu affirme que l’IA a réfuté la conjecture YTD, mais le résultat réel est plus précis

Jihao Liu affirme que l’IA générative a contribué à construire le premier contre-exemple dans son préprint de 79 pages sur YTD, malgré des décennies de travaux étayant certaines versions de la conjecture. L’article présente une variété projective lisse de dimension cinq qui est K-polystable mais qui, selon l’auteur, ne possède pas de métrique kählérienne à courbure scalaire constante. Si la démonstration résiste à l’examen des experts, cet objet invalide la formulation générale classique de la conjecture de Yau-Tian-Donaldson.

Liu a soumis l’article à arXiv le 19 août 2026, à 17 h 19 UTC. Le résumé attribue l’obtention du résultat principal à GPT-5.6-sol, Fable 5 et au système Danus. Une annexe rédigée avec Bin Dong et Guoxiong Gao explique comment l’IA générative a été utilisée.

Cette divulgation explique pourquoi l’histoire s’est rapidement propagée. Elle ne tranche pas à elle seule la question mathématique. L’article est un nouveau préprint, et non une publication évaluée par les pairs, et le contre-exemple revendiqué exige une vérification spécialisée à plusieurs niveaux techniques.

L’histoire de fond est également plus restreinte que le résumé viral selon lequel « l’IA a réfuté YTD ». Le résultat vise l’équivalence entre la K-polystabilité ordinaire et l’existence de métriques kählériennes à courbure scalaire constante pour les variétés polarisées générales. Les théorèmes YTD importants relatifs aux variétés de Fano restent valables, tandis que des formulations de stabilité plus fortes remplaçaient déjà l’énoncé classique.

Ce que le préprint YTD assisté par IA affirme réellement

L’affirmation centrale porte sur une divergence mathématique précise, et non sur une déclaration générale selon laquelle des décennies de géométrie kählérienne seraient erronées.

La conjecture de Yau-Tian-Donaldson relie deux descriptions différentes d’un objet géométrique. L’une demande si une variété polarisée admet une métrique canonique. L’autre demande si cette variété satisfait une condition de stabilité algébrique.

Une variété polarisée est une variété projective associée à un fibré en droites ample, qui fournit les données de plongement utilisées en géométrie algébrique. La métrique considérée possède une courbure scalaire constante, ce qui signifie que sa courbure scalaire reste uniforme sur la variété kählérienne sous-jacente.

L’intérêt de la conjecture vient de ce pont. Un difficile problème analytique non linéaire d’existence deviendrait équivalent à un critère algébrique appelé K-polystabilité. Les mathématiciens pourraient étudier la géométrie canonique au moyen de dégénérescences et d’invariants numériques, plutôt que de résoudre directement une équation différentielle.

Le préprint YTD de Liu affirme séparer ces deux aspects. Il construit une variété projective lisse polarisée de dimension cinq, une variété projective complexe de dimension complexe cinq, qui satisfait le critère de K-polystabilité mais n’admet pas la métrique kählérienne à courbure scalaire constante attendue.

Un seul exemple valide suffit. Une équivalence échoue lorsqu’un objet satisfait la condition proposée sans posséder la conséquence promise.

La distinction entre « K-polystable » et « ne possède aucune métrique à courbure scalaire constante » porte donc tout le résultat. Si l’une ou l’autre moitié échoue, l’article ne réfute pas la conjecture classique. Les évaluateurs doivent vérifier la construction, le calcul de stabilité, l’obstruction analytique et le lien logique entre eux.

La date du préprint compte, car la tendance sur Bilibili est apparue seulement quelques jours après la soumission à arXiv. Au 23 août, l’article n’a pas eu le temps de passer par l’évaluation habituelle des revues. Sa présence sur arXiv établit que l’affirmation a été publiée publiquement, non que l’argument a été certifié.

L’auteur n’est pas un compte anonyme sur les réseaux sociaux. Liu est géomètre algébrique à l’Université de Pékin et membre du Beijing International Center for Mathematical Research. Son profil de recherche cite notamment la géométrie birationnelle, les singularités, les feuilletages et la géométrie algébrique explicite parmi ses principaux intérêts.

Ce parcours place l’affirmation au-dessus d’une sortie non étayée de chatbot. Il laisse néanmoins un écart de vérification. Des auteurs professionnels peuvent se tromper, des arguments générés par IA peuvent dissimuler des erreurs subtiles, et arXiv assure une modération plutôt qu’une véritable évaluation par les pairs.

Le titre correct est donc conditionnel. Liu et son article revendiquent une réfutation, tandis qu’un consensus mathématique indépendant est encore en train de se former.

Pourquoi YTD était déjà plus complexe qu’une seule conjecture

L’expression « la conjecture YTD » recouvre désormais plusieurs énoncés aux portées, notions de stabilité et résultats établis différents.

L’idée générale s’est développée à partir de travaux associés à Shing-Tung Yau, Gang Tian et Simon Donaldson. Elle prédit que l’existence de métriques kählériennes canoniques devrait correspondre à une stabilité algébrique.

Ce principe a produit des théorèmes majeurs. Il ne s’agit pas d’une proposition unique et intacte qui aurait survécu sans changement jusqu’à ce qu’un système d’IA découvre un contre-exemple.

Pour les variétés de Fano, d’importantes formulations de YTD reliant la K-polystabilité aux métriques de Kähler-Einstein ont été démontrées. Une variété de Fano possède un fibré anticanonique ample, ce qui la place dans un cadre géométrique particulier doté d’une structure supplémentaire. L’exemple revendiqué par Liu n’efface pas ces théorèmes.

Le nouveau préprint concerne le problème plus large de la courbure scalaire constante pour les variétés polarisées générales. Ce cadre est plus difficile car les espaces analytiques et algébriques pertinents y sont plus complexes. La définition appropriée de la stabilité est également restée au cœur du débat.

La K-stabilité ordinaire examine une variété polarisée au moyen de dégénérescences algébriques appelées configurations de test. Chaque configuration reçoit un invariant numérique. En gros, un comportement négatif révèle une dégénérescence déstabilisante, tandis que la polystabilité n’autorise que certains cas triviaux à la frontière.

La question est de savoir si cet ensemble de tests algébriques capture toutes les façons analytiques dont une métrique peut ne pas exister. L’exemple proposé par Liu affirme que ce n’est pas le cas. La variété satisfait la K-polystabilité ordinaire, mais une obstruction analytique demeure.

Cette possibilité n’est pas apparue sans avertissement. Les chercheurs ont développé des notions plus fortes, notamment la K-stabilité uniforme et des formulations non archimédiennes. Ces conditions quantifient la stabilité au lieu d’exiger simplement un invariant non négatif.

Sébastien Boucksom et Mattias Jonsson ont décrit une version fondée sur une K-stabilité modifiée uniforme dans leur approche non archimédienne de 2026. Leur cadre travaille avec un espace complété de métriques non archimédiennes, allant au-delà des configurations de test classiques.

Un autre préprint de mai 2026 a présenté une formulation uniforme reliant les métriques à courbure scalaire constante à une forme de K-stabilité uniforme ajustée par les automorphismes. Ces travaux illustrent pourquoi les experts peuvent considérer le résultat de Liu comme une correction de la condition de stabilité, et non comme l’effondrement de l’ensemble du programme YTD.

C’est la principale ligne de partage dans l’interprétation. La version virale dit que l’IA a vaincu une célèbre conjecture. La version technique dit que la K-polystabilité ordinaire semble trop faible pour le problème le plus général de la courbure scalaire constante.

Ces affirmations diffèrent par leur portée. La première attire l’attention, tandis que la seconde indique aux mathématiciens ce qui doit changer.

Un contre-exemple valide montrerait que le test algébrique original omettait certains comportements déstabilisants. Il renforcerait l’argument en faveur de notions de stabilité complétées, uniformes ou fondées sur les filtrations, capables de voir davantage que les configurations de test standard.

Le résultat pourrait donc étayer la philosophie générale de YTD. La stabilité algébrique pourrait toujours caractériser les métriques canoniques, mais la définition algébrique correcte doit être plus forte.

Le véritable adversaire est la K-polystabilité ordinaire

Cet article oppose la K-polystabilité ordinaire à des cadres de stabilité plus forts, et non l’IA à toutes les démonstrations humaines de YTD.

La formulation classique promet que la K-polystabilité suffit à garantir une métrique kählérienne à courbure scalaire constante. La variété de dimension cinq de Liu exposerait, selon l’auteur, un cas où cette promesse échoue.

Les cadres plus forts réagissent en élargissant ce qui compte comme direction déstabilisante. Au lieu de vérifier uniquement les configurations de test algébriques conventionnelles, ils examinent des filtrations, des métriques non archimédiennes ou des bornes inférieures quantitatives.

Cette différence peut sembler abstraite, mais sa fonction est simple. Un test de stabilité n’est utile que s’il détecte tout obstacle pertinent à l’existence d’une métrique. Un test qui manque une classe de dégénérescences peut qualifier un objet de stable alors que la géométrie analytique indique le contraire.

La construction de Liu exploiterait précisément cette lacune. La variété polarisée de dimension cinq est K-polystable selon la définition ordinaire. Toutefois, l’article soutient qu’elle ne satisfait pas la condition uniforme plus forte nécessaire pour garantir la métrique.

Si cet argument est correct, le contre-exemple ne laisse pas le domaine sans solution de remplacement. Il identifie la frontière entre une condition plus faible et une condition conçue pour capturer le comportement analytique manquant.

C’est pourquoi les dimensions et la catégorie comptent. Une variété de dimension cinq est très éloignée des surfaces ou des variétés de dimension trois les plus simples, qui guident souvent l’intuition géométrique. Les constructions en dimension supérieure peuvent combiner fibrés, symétrie et données d’intersection d’une manière impossible dans les exemples de dimension inférieure.

L’exemple de l’article n’implique pas non plus que la K-polystabilité ordinaire soit inutile. Elle reste nécessaire dans des cadres larges et suffisante dans des cas particuliers importants. L’échec allégué concerne sa suffisance en toute généralité.

On peut considérer cette distinction comme un test de diagnostic. Un résultat négatif peut identifier de manière fiable un problème, tandis qu’un résultat positif peut encore manquer une condition rare. Le test conserve sa valeur, mais sa prédiction positive exige un seuil plus élevé.

Ce cadre explique aussi pourquoi les résultats positifs antérieurs ne sont pas automatiquement contredits. Un théorème démontré sous une hypothèse de Fano, une condition de discrétude ou de stabilité uniforme demeure un théorème. Un contre-exemple général ne réfute que les énoncés dont les hypothèses incluent le nouvel exemple.

Les actualités mathématiques perdent souvent ces quantificateurs. « Pour toute variété projective lisse polarisée » devient « YTD », tandis que « K-polystable » devient « stable ». Une fois ces détails effacés, une correction apportée à une formulation semble être le rejet de tout le programme de recherche.

L’issue la plus conséquente serait un consensus révisé : la K-polystabilité ordinaire est nécessaire mais insuffisante, tandis qu’une condition non archimédienne ou uniforme renforcée fournit la bonne équivalence.

Ce serait tout de même un résultat majeur. Il réorienterait les démonstrations, les exemples et les questions de modules vers l’invariant plus fort. Il clarifierait également pourquoi les tentatives antérieures de démontrer la formulation ordinaire se sont heurtées à des obstacles techniques persistants.

Le contre-exemple pourrait devenir un objet de référence. Les chercheurs demanderaient quelles définitions de stabilité le rejettent, quels invariants révèlent l’obstruction et si des exemples apparentés existent dans des dimensions inférieures.

Ces questions comptent davantage que de savoir si l’événement constitue une victoire pour un fournisseur d’IA. La valeur mathématique durable réside dans le diagnostic de la condition manquante.

Comment GPT-5.6-sol, Fable 5 et Danus sont intervenus dans les travaux

L’article présente l’IA comme une composante d’un système de recherche, tandis qu’un mathématicien nommé demeure responsable de la démonstration publiée et de ses affirmations.

Le résumé identifie précisément GPT-5.6-sol, Fable 5 et Danus. Ce niveau de divulgation est inhabituellement direct par rapport aux articles qui ne reconnaissent qu’une assistance générique de modèles de langage.

GPT-5.6-sol et Fable 5 sont décrits comme des modèles génératifs utilisés pour obtenir le résultat principal. Danus est un framework logiciel destiné à coordonner l’exploration mathématique pilotée par l’IA. Son dépôt Danus public fournit un artefact concret que les chercheurs peuvent examiner et adapter.

Un flux de travail multi-modèles peut répartir le travail mathématique entre génération de candidats, recherche bibliographique, manipulation symbolique, critique et révision. Un modèle propose une construction, un autre en attaque les hypothèses, tandis qu’un orchestrateur maintient l’état évolutif.

Ce processus diffère du fait de poser une seule question à un chatbot grand public. Les longs raisonnements mathématiques exigent une notation stable, des objectifs persistants et des vérifications répétées. Une couche d’orchestration peut conserver les affirmations intermédiaires et les faire passer par plusieurs tentatives.

Toutefois, l’orchestration ne transforme pas la sortie d’un modèle en théorème. Les modèles de langage peuvent reproduire des définitions plausibles tout en inversant un quantificateur, en appliquant un résultat hors de ses hypothèses ou en négligeant un cas singulier.

La construction de la variété de dimension cinq doit donc tenir indépendamment de son processus de découverte. Les lecteurs doivent pouvoir vérifier chaque lemme sans faire confiance aux modèles qui l’ont suggéré.

Ce principe évite également deux erreurs opposées. Les sceptiques ne devraient pas rejeter une preuve simplement parce que l’IA a contribué à sa découverte. Les enthousiastes ne devraient pas accepter la preuve simplement parce que plusieurs modèles avancés y ont participé.

Les mathématiques jugent en définitive l’argument écrit. Une preuve correcte le reste, que sa première idée vienne d’une personne, d’une recherche informatique ou d’un modèle de langage.

L’attribution est plus complexe. L’entrée arXiv désigne Liu comme auteur de l’article, tandis que Dong et Gao rejoignent l’annexe consacrée à l’utilisation de l’IA. Les modèles sont crédités comme outils plutôt que comme auteurs, car ils ne peuvent assumer de responsabilité, résoudre des questions éditoriales ou répondre aux objections.

Le flux de travail signale néanmoins une évolution des pratiques de recherche. Un spécialiste peut désormais demander à des modèles d’explorer des constructions voisines, de combiner des techniques et de rechercher des exceptions à une échelle qui mobiliserait beaucoup de temps humain.

Les contre-exemples sont particulièrement compatibles avec ce style. Le système doit trouver un objet satisfaisant une collection finie de propriétés. Une fois proposé, cet objet peut parfois être vérifié grâce à des calculs explicites et à des théorèmes établis.

Une preuve universelle impose une contrainte différente. Elle doit couvrir chaque objet d’une classe et maîtriser tous les cas exceptionnels. Un argument fluide mais incomplet peut survivre à de nombreuses passes de relecture avant que sa lacune cachée ne devienne visible.

L’affirmation de Liu se situe entre ces deux catégories. L’existence d’une seule variété de dimension cinq réfuterait l’équivalence, mais prouver que sa métrique analytique n’existe pas exige davantage que l’affichage d’un simple témoin numérique.

Le travail ne doit donc pas être décrit comme une recherche automatisée produisant une réponse immédiatement vérifiable. Selon l’article, il s’agit d’un long argument géométrique dont la découverte, la synthèse et la rédaction ont été assistées par l’IA.

Cette distinction importe pour les entreprises qui évaluent des agents de recherche IA. La capacité pertinente n’est pas la production autonome de vérité. C’est une génération accélérée d’hypothèses, associée à une vérification experte et à des dossiers auditables.

Les équipes qui adoptent des flux de travail similaires doivent conserver les prompts, les versions des modèles, les sorties intermédiaires, les branches abandonnées et les corrections humaines. Une base de connaissances IA consultable peut aider à préserver cette provenance, même si elle ne peut pas valider les mathématiques.

La leçon la plus forte est opérationnelle. Les modèles peuvent élargir l’espace de recherche, mais la responsabilité reste entre les mains des chercheurs qui sélectionnent, vérifient et publient le résultat.

Ce que l’affirmation sur YTD ne prouve toujours pas

Une nouvelle soumission sur arXiv peut établir la priorité d’une affirmation, mais elle ne peut se substituer à une vérification indépendante par des experts.

Au 23 août, seuls quatre jours séparent la date de soumission de la présente analyse. C’est trop peu pour le cycle habituel de discussions en séminaire, de vérification ligne par ligne, de révisions et d’évaluation par une revue.

L’incertitude la plus évidente porte sur le fait de savoir si la variété de dimension cinq est véritablement K-polystable selon la définition exacte employée par la conjecture classique. Les calculs de stabilité peuvent dépendre de toutes les configurations tests possibles, et non d’une simple famille évidente.

Une deuxième incertitude concerne l’absence revendiquée d’une métrique kählérienne à courbure scalaire constante. L’obstruction doit s’appliquer à la polarisation spécifiée et résister à toutes les questions pertinentes de symétrie ou d’automorphisme.

Une troisième concerne le passage entre stabilité ordinaire et stabilité uniforme. Si la preuve importe silencieusement un théorème à l’hypothèse plus forte, la construction peut révéler une inadéquation définitionnelle plutôt qu’un contre-exemple.

Il ne s’agit pas d’accusations d’erreur. Ce sont les questions standards soulevées par un preprint ambitieux, avec une attention accrue parce que des systèmes génératifs ont contribué à produire l’argument.

La divulgation de l’IA crée aussi un problème de reproductibilité. Nommer les modèles indique aux lecteurs quels systèmes ont participé, mais pas si d’autres chercheurs peuvent reconstruire le parcours de découverte. Les modèles hébergés évoluent, les versions internes peuvent ne pas être disponibles et les sorties stochastiques varient.

Même une transcription complète des prompts ne rendrait pas la preuve vraie. Elle montrerait comment les auteurs y sont parvenus et aiderait à identifier les étapes ayant fait l’objet d’un examen humain substantiel.

La vérification formelle pourrait répondre à une partie de cette préoccupation, mais le preprint n’est pas présenté comme une preuve vérifiée par machine dans un système tel que Lean. Traduire la géométrie kählérienne et algébrique avancée dans un assistant de preuve exigerait lui-même un travail fondationnel considérable.

L’évaluation par les pairs n’est pas non plus infaillible. La meilleure norme est une vérification convergente par des spécialistes qui tentent de reproduire l’analyse de stabilité, contestent l’obstruction analytique et simplifient la construction.

Le débat public a déjà montré à la fois enthousiasme et prudence. Certains mathématiciens considèrent les contre-exemples assistés par l’IA comme une preuve que l’automatisation de la recherche s’accélère. D’autres soulignent que l’encadrement spécialisé et la vérification des preuves constituent encore l’essentiel de la charge intellectuelle.

Ces deux points de vue peuvent être vrais. L’IA a peut-être généré la construction décisive, tandis que l’expertise humaine demeure nécessaire pour en reconnaître la pertinence et établir chaque affirmation qui l’entoure.

Les lecteurs devraient également éviter de tirer des conclusions sur le marché du travail à partir d’un seul article. Un résultat assisté par modèle dans un domaine très structuré ne montre pas que des systèmes autonomes peuvent sélectionner des problèmes utiles, soutenir un programme de recherche ou former la prochaine génération de mathématiciens.

L’événement montre toutefois que le rejet n’est plus suffisant. Lorsqu’un chercheur établi attribue publiquement à plusieurs modèles un résultat majeur au niveau d’une conjecture, la communauté de recherche doit évaluer sérieusement la preuve et le flux de travail.

Le verdict actuel le plus sûr est précis : un expert crédible a publié une affirmation détaillée de réfutation assistée par l’IA, mais cette affirmation n’a pas encore accumulé une validation indépendante à la hauteur de son importance.

Trois signaux qui détermineront l’évolution de ce résultat

La prochaine étape n’est pas un autre titre viral. C’est la réplication par des experts, une cartographie révisée de la stabilité et un récit durable du flux de travail IA.

Le premier signal est une vérification mathématique indépendante. Des spécialistes doivent confirmer la construction de la variété de dimension cinq, sa K-polystabilité ordinaire et l’inexistence de la métrique revendiquée. Une preuve indépendante concise, un consensus de séminaire ou une correction publique pèseraient davantage que des chiffres d’engagement.

Si des experts reproduisent l’argument, son interprétation se renforce immédiatement. S’ils identifient une lacune réparable, l’attention se porte sur la possibilité de sauver la construction. Si l’affirmation centrale de stabilité ou d’obstruction échoue, la réfutation ne tient pas.

Le deuxième signal est la manière dont les chercheurs positionnent l’exemple face à des formulations plus fortes de YTD. Un contre-exemple utile devrait révéler exactement quelle condition renforcée détecte son instabilité.

Cette comparaison déterminera si l’article clôt un programme ou l’affine. L’interprétation durable la plus probable est que la K-polystabilité ordinaire était trop faible, tandis que la stabilité uniforme ou la stabilité non archimédienne complétée saisit la direction manquante.

Surveillez les articles de suivi qui calculent ces invariants plus forts sur l’exemple de Liu. Surveillez également les tentatives de réduire sa dimension ou de produire une famille plus large de contre-exemples. L’un ou l’autre développement montrerait que l’objet révèle une frontière structurelle plutôt qu’une anomalie isolée.

Le troisième signal est la qualité de la divulgation. L’annexe crée un précédent en nommant les modèles et le système d’orchestration. Les révisions futures peuvent rendre ce dossier plus utile en distinguant les propositions de la machine, les interventions humaines, les arguments abandonnés et la vérification finale.

Ces éléments façonneront la manière dont les revues et les institutions de recherche évaluent les mathématiques assistées par l’IA. Des flux de travail transparents peuvent soutenir l’attribution du crédit et l’analyse des erreurs. Des affirmations vagues selon lesquelles « l’IA l’a résolu » ne le peuvent pas.

Pour les développeurs et les travailleurs du savoir, la leçon immédiate est de considérer la provenance comme une partie du résultat. Préservez les sources, le contexte des modèles, les décisions et les corrections au moyen d’un flux de travail de recherche rigoureux. Cette même pratique s’applique lorsque l’IA analyse du code, des contrats, des expériences ou des données de marché.

L’histoire de YTD n’est donc ni un triomphe limpide de la machine ni une raison d’ignorer la recherche générée par l’IA. C’est un test en conditions réelles d’un processus hybride : les modèles recherchent et synthétisent, les experts choisissent et vérifient, et la communauté élargie tente de mettre le résultat en défaut.

La question à poser au cours des prochains mois est concrète. Des géomètres indépendants peuvent-ils valider la variété de dimension cinq, identifier la condition de stabilité plus forte qu’elle enfreint et reconstruire suffisamment du processus IA pour faire confiance à la manière dont le résultat a été produit ?