La controverse sur l’attribution chez OpenAI montre pourquoi le crédit accordé à la recherche en IA nécessite de nouvelles règles

OpenAI a revendiqué un résultat mathématique historique le 8 septembre, mais la controverse sur l’attribution chez OpenAI a rapidement déplacé l’attention de la preuve vers ses origines intellectuelles. L’entreprise affirme qu’un système d’IA interne a résolu le problème d’existence et de régularité de Navier–Stokes après 88 heures de travail. Pourtant, des chercheurs travaillant sur une approche étroitement liée se sont demandé si les pratiques conventionnelles d’attribution peuvent survivre aux découvertes assistées par IA.

OpenAI a publié une preuve écrite et une version formelle en Lean, un langage qui permet aux ordinateurs de vérifier les arguments mathématiques. L’entreprise a également indiqué que son système utilisait environ 10 000 agents simultanés au pic du projet. Ces agents ont échangé 2,7 millions de messages et généré environ 130 milliards de tokens de sortie en poursuivant ce résultat.

Le différend ne se résume pas à OpenAI contre un laboratoire rival. Il concerne la recherche en IA des entreprises et le système universitaire qui a fourni les théories, les prompts, les retours et les travaux non publiés entourant le résultat. La question centrale est de savoir si les entreprises peuvent établir une attribution fiable lorsque leurs modèles servent aussi les chercheurs dont les idées pourraient influencer de futurs systèmes.

L’affirmation d’OpenAI sur Navier–Stokes a créé deux récits simultanés

Le résultat mathématique et le différend sur ses origines sont devenus indissociables quelques heures après l’annonce d’OpenAI.

Les équations de Navier–Stokes décrivent le mouvement des fluides tels que l’air et l’eau. Elles soutiennent les travaux de conception aéronautique, de prévision météorologique, de modélisation du flux sanguin et d’autres domaines. Ces équations traitent les fluides comme des substances continues au lieu de suivre chaque molécule.

Les mathématiciens se demandent depuis longtemps si un mouvement fluide tridimensionnel lisse peut développer une singularité. Une singularité est un point où la vitesse mathématique croît sans limite en un temps fini. Un tel comportement indiquerait que la description lisse des équations peut s’effondrer dans les conditions autorisées.

Le problème récompensé fait partie d’un ensemble de sept défis annoncés par le Clay Mathematics Institute en 2000. Seule la conjecture de Poincaré avait auparavant été résolue. Cette histoire a donné à l’annonce d’OpenAI une importance allant bien au-delà d’un nouveau résultat de benchmark.

Selon la chronologie de recherche d’OpenAI, l’entreprise a commencé à entraîner un nouveau modèle interne le 28 août. Elle affirme que des rumeurs de progrès sur deux problèmes du prix du millénaire sont parvenues à ses chercheurs le 1er septembre. L’entreprise a ensuite évalué son modèle sur les problèmes non résolus et plusieurs questions connexes.

OpenAI a d’abord affecté des agents à des variantes des équations d’Euler, qui décrivent le mouvement des fluides sans viscosité. Un groupe aurait trouvé un résultat d’explosion en temps fini pour un problème d’Euler non forcé. OpenAI a ensuite concentré ses ressources sur Navier–Stokes et fourni ce résultat intermédiaire à des agents supplémentaires.

L’entreprise affirme que ses agents sont parvenus au résultat sur Navier–Stokes le 5 septembre. La formalisation et la vérification ont nécessité 17 heures supplémentaires. OpenAI a publié l’article, sa représentation Lean et un compte rendu du projet trois jours plus tard.

Cependant, un autre effort de recherche s’approchait déjà du même territoire mathématique. Le mathématicien de l’Université de New York Tristan Buckmaster et le mathématicien Levent Alpöge avaient passé environ un an à prolonger une approche développée par Diego Córdoba et Luis Martínez-Zoroa. Alpöge travaille pour Anthropic, bien que le duo ait décrit ses recherches comme une collaboration personnelle.

Buckmaster et Alpöge ont utilisé des modèles d’Anthropic et d’OpenAI au cours de leurs travaux. Leurs outils comprenaient Claude et Codex, les chercheurs humains formulant à plusieurs reprises des questions, lisant les résultats, corrigeant les erreurs et affinant l’approche.

Le duo a déclaré avoir réalisé des progrès substantiels le 15 août. Il a indiqué avoir formellement vérifié un résultat connexe le 22 août. Ses travaux portaient sur l’explosion pour Euler et d’autres équations des fluides, ouvrant une voie possible vers le problème de Navier–Stokes.

Buckmaster a publié trois articles et une déclaration détaillée peu avant qu’OpenAI n’annonce sa solution revendiquée. Ce calendrier a transformé l’annonce en deux récits simultanés. L’un concernait un système d’IA réalisant une preuve exceptionnelle. L’autre portait sur la manière dont l’entreprise avait sélectionné le problème et crédité le travail humain qui l’entourait.

L’éditorial de Nature sur l’attribution a soutenu que les circonstances devraient servir d’avertissement aux chercheurs et aux institutions. La publication a indiqué que les informations nécessaires pour résoudre les préoccupations n’avaient pas été rendues publiques. Elle a néanmoins considéré cet épisode comme la preuve que les pratiques d’attribution scientifique exigent une attention urgente.

OpenAI maintient que ses chercheurs et ses agents n’avaient pas vu les travaux non publiés de Buckmaster et Alpöge avant leur publication publique. L’entreprise affirme également que sa preuve diffère considérablement des résultats du duo. Ces déclarations répondent à la question d’une copie directe, mais ne résolvent pas le problème plus large de gouvernance.

Un système peut éviter de copier une preuve spécifique tout en opérant dans un environnement intellectuel créé par d’autres chercheurs. Les rumeurs, la sélection des problèmes, les interactions avec les outils, les articles antérieurs, les prompts et les retours humains peuvent tous façonner cet environnement. Le crédit scientifique doit prendre en compte davantage que la séquence finale d’énoncés formels.

La controverse sur l’attribution chez OpenAI concerne bien plus que les données d’entraînement

L’attribution devient difficile lorsque la même entreprise fournit l’outil de recherche, exploite le modèle, stocke les enregistrements d’interaction et publie un résultat concurrent.

La déclaration de recherche de Buckmaster distingue soigneusement ce qu’il savait de ce qu’il soupçonnait. Il a écrit qu’il n’avait pas vu la preuve d’OpenAI et ne savait pas si les données du duo avaient été utilisées. Il s’est explicitement abstenu d’accuser l’entreprise d’avoir repris leurs travaux.

Son inquiétude est née de la chronologie environnante. Buckmaster a déclaré que des informations sur sa collaboration étaient parvenues à OpenAI alors que les travaux demeuraient privés. Il savait également que le duo avait placé des brouillons et des discussions de recherche dans des sessions Codex.

Cela a soulevé plusieurs questions distinctes. Le personnel d’OpenAI a-t-il inspecté ces sessions ? Le modèle interne pouvait-il les récupérer ? Des interactions désidentifiées ont-elles été utilisées durant l’entraînement ou l’apprentissage par renforcement ? Les rumeurs sur le projet ont-elles déterminé où OpenAI a orienté ses capacités de calcul ?

Ces questions décrivent différentes voies d’influence. Un démenti couvrant une voie ne répond pas automatiquement aux autres.

OpenAI a d’abord déclaré que ses chercheurs et ses agents n’avaient pas consulté les travaux du duo. L’entreprise a ensuite indiqué qu’une enquête avait établi que leurs prompts Codex des deux mois précédents n’auraient pas pu influencer le système, y compris via l’entraînement. Elle a expliqué que le modèle interne utilisait un apprentissage par renforcement à grande échelle sur un modèle préentraîné antérieur.

Cette déclaration plus ferme réduit matériellement la portée du différend. Elle indique que les prompts récents se situaient hors de la fenêtre d’entraînement pertinente. Elle laisse également une question de gouvernance : les chercheurs ne disposaient initialement pas d’assez d’informations pour déterminer si cette séparation existait.

La confiance ne devrait pas dépendre d’une entreprise menant une enquête interne après qu’un conflit est devenu public. Les utilisateurs de la recherche ont besoin de règles claires avant d’introduire des idées non publiées dans un modèle. Ces règles devraient expliquer la conservation des données, l’accès humain, l’accès du modèle, l’éligibilité à l’entraînement, l’utilisation à des fins d’évaluation et les garanties liées à la recherche concurrentielle.

La question dépasse l’entraînement conventionnel. OpenAI affirme que les rumeurs de progrès externes ont contribué à déclencher sa campagne d’évaluation. Même si aucun prompt privé n’est entré dans un modèle, le fait de savoir qu’une autre équipe était proche pouvait influer sur l’allocation des ressources.

La sélection des problèmes fait partie du travail scientifique. Les chercheurs choisissent des directions prometteuses en lisant la littérature, en assistant à des séminaires, en échangeant des messages privés et en évaluant des résultats partiels. Une entreprise qui réagit à des informations privilégiées peut obtenir un avantage sans copier un théorème ou une preuve.

Cette possibilité n’établit pas une faute dans ce cas. OpenAI affirme avoir évalué tous les problèmes ouverts du prix du millénaire plutôt que de cibler uniquement une stratégie de preuve révélée. Ses agents ont également trouvé un résultat intermédiaire sur Euler avant que l’entreprise ne consacre davantage de ressources à Navier–Stokes.

L’épisode révèle néanmoins une asymétrie. Les chercheurs universitaires travaillent souvent avec des capacités de calcul limitées et ne publient qu’après avoir soigneusement vérifié un argument. Une entreprise d’IA peut apprendre qu’une direction semble prometteuse, mobiliser des milliers d’agents et publier un résultat formellement vérifié en quelques jours.

L’entreprise peut agir de manière indépendante à chaque étape technique. Pourtant, le signal extérieur peut encore déterminer quand et où ses capacités sont déployées. Les pratiques actuelles d’attribution n’offrent aucun moyen cohérent de reconnaître cette contribution.

La priorité scientifique dépend traditionnellement des archives publiques, des manuscrits datés, des présentations en conférence, de la correspondance et de la publication évaluée par les pairs. Les systèmes d’IA ajoutent des journaux d’interaction privés qui peuvent contenir à la fois des éléments de preuve de recherche et des données de plateforme commercialement sensibles.

Ces journaux pourraient aider à résoudre les différends. Ils pourraient aussi révéler des recherches non publiées, des informations personnelles ou le comportement propriétaire d’un système. Ni une divulgation sans restriction ni le secret complet ne constituent une réponse satisfaisante.

Le crédit scientifique lié à l’IA exige donc des preuves procédurales. Les entreprises ont besoin de registres protégés que des examinateurs indépendants qualifiés peuvent inspecter lorsque des différends surviennent. Les chercheurs ont également besoin de méthodes prévisibles pour documenter leurs contributions sans publier prématurément des travaux inachevés.

Le crédit scientifique inclut désormais le parcours de recherche, et pas seulement la preuve finale

Une preuve formellement correcte peut établir la validité sans identifier qui a fourni les idées, orientations ou découvertes intermédiaires décisives.

La vérification Lean est importante car elle contrôle si une preuve découle d’hypothèses explicitement énoncées et de règles formelles. Elle peut détecter des étapes manquantes que l’examen ordinaire pourrait négliger. Pour de longs arguments générés par IA, cette capacité offre un précieux niveau d’assurance.

Toutefois, la vérification formelle répond à une question limitée. Elle peut confirmer qu’un argument représenté est logiquement valide dans son cadre formel. Elle ne reconstitue pas l’histoire sociale et intellectuelle qui a produit cet argument.

Un certificat Lean ne peut pas révéler pourquoi les chercheurs ont choisi une formulation particulière. Il ne peut pas déterminer qui a reconnu une analogie utile ni quel article antérieur a fourni la construction productive. Il ne peut pas non plus décider si une variation générée par un modèle mérite un crédit conceptuel indépendant.

Cette distinction est au cœur de la controverse sur l’attribution chez OpenAI. Córdoba et Martínez-Zoroa ont développé le programme plus large d’explosion forcée que des chercheurs ultérieurs ont étendu. Buckmaster et Alpöge leur ont attribué l’origine de l’orientation clé.

Buckmaster a décrit leur idée comme le fondement intellectuel de sa collaboration. Sa propre équipe a ensuite utilisé des systèmes d’IA pour faire progresser le programme vers un forçage lisse et des résultats sur Euler. La construction d’OpenAI pour Navier–Stokes aurait suivi une voie de forçage apparentée, bien que l’entreprise affirme que les preuves et les résultats précis diffèrent.

L’expression « l’IA l’a résolu » réduit cette chaîne à un seul acteur. Elle masque le programme mathématique antérieur, les choix humains intégrés aux prompts et les chercheurs qui ont évalué des résultats inutilisables. Elle masque également les ingénieurs de l’entreprise qui ont entraîné, orchestré et vérifié le modèle.

La paternité ne peut pas simplement être attribuée à chaque machine contributrice. Les modèles ne peuvent pas assumer la responsabilité, déclarer des conflits d’intérêts, défendre des choix méthodologiques ou répondre seuls à l’évaluation par les pairs. Les auteurs humains et institutionnels doivent rester responsables des travaux publiés.

Dans le même temps, ne citer qu’une entreprise peut effacer la filiation des idées. Une signature d’entreprise renseigne peu sur les personnes qui ont formulé le problème ou guidé les agents. Elle peut aussi donner l’impression que des contributions indépendantes sont nées au sein du modèle.

Les communautés de recherche ont besoin de déclarations de contribution plus détaillées. Celles-ci devraient préciser qui a choisi le problème, conçu les prompts, apporté des méthodes antérieures, examiné les résultats intermédiaires, formalisé la preuve et approuvé les conclusions finales.

Les entreprises d’IA devraient également publier des rapports de provenance pour les principaux résultats scientifiques. Un rapport de provenance documenterait l’origine et le développement d’un résultat sans dévoiler chaque détail privé du modèle.

Au minimum, un tel rapport devrait inclure la chronologie du projet, les prompts initiaux, les sources bibliographiques accessibles aux agents, les principales interventions humaines, les résultats intermédiaires et le processus de vérification. Il devrait également indiquer si les interactions des utilisateurs étaient techniquement accessibles au système de recherche.

Les fournisseurs de modèles produisent déjà des fiches système et des rapports de sécurité pour les grandes versions. La provenance scientifique exige un artefact comparable, centré sur l’origine intellectuelle. L’objectif n’est pas de révéler les poids du modèle ni des données utilisateur sans rapport.

L’objectif est de rendre les affirmations de recherche extraordinaires auditables. Si une entreprise affirme qu’un modèle a développé une preuve de manière indépendante, les évaluateurs devraient pouvoir tester cette affirmation au regard d’éléments conservés.

Les équipes universitaires ont besoin de pratiques complémentaires. Les chercheurs qui utilisent des systèmes d’IA hébergés devraient consigner les prompts, les versions des modèles, les dates, les résultats et les corrections importantes. Une base de connaissances structurée peut préserver cet historique tout en séparant le matériel de travail de l’article final.

La documentation seule n’attribuera pas automatiquement le crédit. Elle donnera aux institutions les éléments nécessaires pour le faire. Sans ces archives, les litiges seront tranchés à partir de déclarations d’entreprise, de publications sur les réseaux sociaux et de souvenirs incomplets.

Le véritable compromis oppose la vitesse à la légitimité scientifique

L’IA peut ramener des années d’exploration mathématique à quelques jours, mais cette rapidité crée une pression pour publier avant que l’attribution et l’explication ne soient prêtes.

Le récit d’OpenAI présente l’échelle comme une part importante de la réussite. Des milliers d’agents ont essayé différentes variantes du problème, partagé des résultats utiles et aidé à consolider les pistes prometteuses. L’entreprise a déplacé les agents entre les tâches à mesure que les éléments s’accumulaient.

Cette approche diffère d’un seul chatbot produisant une preuve après un unique prompt. Elle ressemble à une organisation de recherche très parallèle dont les membres peuvent générer, tester et échanger des idées en continu. Les chercheurs humains choisissent toujours les objectifs et décident quels résultats méritent davantage de ressources.

De tels systèmes peuvent explorer davantage de possibilités qu’un petit groupe universitaire. Ils peuvent aussi déclencher une course intense dès qu’un problème semble solvable. Les concurrents savent qu’un retard peut permettre à un autre laboratoire de publier en premier.

Cette pression peut nuire à la communication scientifique. Buckmaster a déclaré que son équipe avait publié des articles avant d’atteindre le niveau d’explication qu’elle souhaitait. Il a décrit un manuscrit comme bien plus proche d’une sortie brute du modèle que d’un article humain abouti.

Cet aveu importe, car la compréhension est l’un des objectifs de la publication. Une preuve devrait permettre à d’autres mathématiciens d’examiner son mécanisme central, de la relier à des travaux antérieurs et de développer de nouvelles questions. Passer un vérificateur formel ne garantit pas que les humains puissent apprendre du résultat.

La publication d’OpenAI incluait une présentation conventionnelle et une formalisation Lean. Cette combinaison est plus solide que la publication d’un simple communiqué de presse. Pourtant, l’évaluation par des experts exige toujours du temps, surtout pour une affirmation qui résout un problème de longue date.

La légitimité scientifique dépend de bien davantage que de l’exactitude. Elle dépend aussi d’un raisonnement accessible, de citations soigneuses, d’un examen indépendant et d’un compte rendu équitable des contributions antérieures.

Le reportage indépendant a saisi cette tension. Des mathématiciens ont reconnu l’ampleur possible du résultat tout en questionnant sa filiation intellectuelle. Des chercheurs ont également noté qu’il est particulièrement difficile de retracer l’origine d’idées mathématiques générées par l’IA.

Les entreprises d’IA ont des incitations commerciales à annoncer rapidement des avancées spectaculaires en matière de capacités. Un résultat scientifique majeur démontre les performances d’un modèle plus vivement qu’un nouveau score de référence. Il peut influencer les clients, les investisseurs, les recrues et les décideurs publics.

Les normes universitaires évoluent souvent dans le sens opposé. Les chercheurs sont censés faire circuler des brouillons, inviter la critique, réviser leurs explications et citer une longue chaîne de travaux connexes. La priorité compte, mais la compréhension et la continuité aussi.

Aucune de ces cultures ne peut simplement remplacer l’autre. Attendre des années avant de divulguer un résultat vérifié gaspillerait des connaissances utiles. Publier immédiatement sans provenance stable affaiblirait la confiance et encouragerait le secret défensif.

Le compromis praticable est une divulgation par étapes. Une entreprise peut annoncer qu’elle dispose d’un résultat candidat tout en publiant suffisamment d’éléments pour une évaluation indépendante. Elle peut ensuite mettre à jour le dossier public à mesure que les évaluateurs analysent la preuve et son lien avec les travaux antérieurs.

Les affirmations majeures devraient également faire l’objet d’un examen de l’attribution distinct de la vérification technique. Les évaluateurs examineraient la littérature, les chronologies, les limites liées aux données utilisateur, les registres de contribution et les communications avec les équipes potentiellement concernées.

Ce processus devrait inclure des chercheurs extérieurs à l’entreprise. L’examen interne peut clarifier les faits, mais il ne peut pas résoudre tous les conflits d’intérêts. Une participation indépendante offre à la fois à l’entreprise et aux universitaires concernés un cadre plus crédible.

Les laboratoires d’IA peuvent résister à une provenance détaillée parce qu’elle peut révéler leur stratégie de recherche. Les chercheurs universitaires peuvent également hésiter à partager des prompts ou des brouillons qui exposent des idées inachevées. Des dispositifs d’examen confidentiel peuvent protéger ces intérêts tout en permettant un contrôle significatif.

L’objectif n’est pas de ralentir chaque article assisté par l’IA. Les travaux ordinaires peuvent suivre les pratiques habituelles de divulgation. Les affirmations exceptionnelles, notamment celles liées à des problèmes ouverts célèbres, justifient des procédures plus rigoureuses.

Des limites claires sur les données protégeraient à la fois les chercheurs et les entreprises d’IA

La meilleure politique d’attribution commence avant la découverte, avec des limites applicables autour des recherches inédites des utilisateurs.

Les chercheurs utilisent de plus en plus les modèles commerciaux comme collaborateurs. Ils demandent aux systèmes de chercher des contre-exemples, de traduire des arguments dans des langages formels, d’examiner du code, d’améliorer l’explication et de tester des stratégies de preuve.

Chaque interaction peut révéler davantage que ne le suggère le prompt final. Une séquence de tentatives échouées peut montrer quelle direction une équipe considère comme prometteuse. Les corrections peuvent encoder des connaissances d’expert que le modèle n’avait pas manifestées auparavant.

Cela crée un canal de transfert de connaissances des chercheurs vers les fournisseurs de plateformes. Les utilisateurs pourraient accepter une amélioration limitée du produit issue de conversations ordinaires. Ils s’attendent moins probablement à ce que des programmes scientifiques inédits soutiennent les recherches concurrentes d’un fournisseur.

Les conditions d’utilisation ne peuvent pas porter tout le fardeau. De longs documents juridiques expliquent rarement les risques propres à la recherche dans un langage opérationnel. Les institutions ont aussi besoin de contrôles qu’elles peuvent évaluer et faire respecter.

Les fournisseurs de modèles devraient proposer un mode de recherche protégé. Dans ce mode, les prompts et les résultats seraient exclus de l’entraînement, de l’évaluation des modèles, de la recherche interne et de l’examen humain, sauf pour des besoins de sécurité étroitement définis.

Ce mode devrait exposer les périodes de conservation et les journaux d’accès. Il devrait permettre aux équipes de recherche d’exporter un historique signé des interactions. Les institutions pourraient alors préserver des éléments de preuve sans se fier à des captures d’écran ou à des archives personnelles.

Les entreprises devraient également séparer les données produit des systèmes de recherche de pointe au niveau de l’infrastructure. Les promesses de politique sont plus solides lorsque des contrôles techniques empêchent les modèles internes et le personnel de recherche d’accéder au matériel protégé.

Ces contrôles profiteraient aux fournisseurs lors de litiges. OpenAI a répondu à cette controverse en cherchant à déterminer si des prompts Codex récents avaient pu influencer son système. Une piste d’audit prédéfinie aurait pu répondre plus rapidement à cette question et avec une vérification externe.

Des auditeurs indépendants devraient tester cette séparation. Leurs rapports n’ont pas besoin de divulguer le contenu des utilisateurs ni l’architecture propriétaire. Ils peuvent confirmer si les données issues de sessions protégées ont été intégrées à l’entraînement, aux systèmes de récupération, aux évaluations ou aux mémoires d’agents.

Les universités ont également des responsabilités. Les bureaux de recherche devraient traiter les plateformes d’IA comme des infrastructures de recherche plutôt que comme de simples logiciels d’écriture. Les projets sensibles nécessitent des outils approuvés, des classifications de données, des règles de conservation et un consentement documenté entre les collaborateurs.

Les revues et conférences devraient mettre à jour leurs exigences de divulgation. Les auteurs devraient identifier les modèles utilisés, leurs paramètres pertinents et le rôle joué par chaque système. Ils devraient conserver les registres d’interaction pendant une période définie au cas où les évaluateurs soulèveraient des questions de provenance.

La divulgation doit rester proportionnée. Publier chaque prompt exploratoire submergerait les lecteurs et exposerait du matériel sans intérêt. Une déclaration de contribution concise peut résumer l’utilisation courante, tandis que des archives sécurisées conservent le dossier détaillé.

La question la plus difficile concerne l’apprentissage dérivé. Une entreprise pourrait exclure les prompts bruts tout en utilisant des retours agrégés, des signaux de récompense ou des schémas comportementaux. Ces dérivés peuvent influencer les modèles sans conserver de texte reconnaissable.

Les politiques de recherche devraient donc définir largement l’influence interdite. Elles devraient couvrir l’entraînement, le réglage fin, l’apprentissage par renforcement, la conception des évaluations, la récupération, la génération de données synthétiques et la sélection interne des problèmes.

Aucune de ces protections n’implique qu’OpenAI ait utilisé des travaux privés dans cette affaire. L’entreprise affirme que son enquête a exclu toute influence des prompts récents pertinents. Le point est que les chercheurs ne devraient pas avoir besoin d’un litige public pour obtenir cette assurance.

L’attribution des travaux de recherche d’OpenAI restera contestée tant que les éléments de preuve résideront entièrement chez OpenAI. Des limites solides sur les données et des audits indépendants peuvent transformer les garanties institutionnelles en procédures vérifiables.

Ce dont l’attribution de la recherche en IA a besoin ensuite

Le prochain test sera de savoir si les entreprises et les institutions de recherche transforment ce litige en règles communes avant qu’une autre découverte très médiatisée ne crée le même conflit.

Le premier signal à surveiller est l’évaluation mathématique indépendante. Les experts doivent déterminer si la preuve d’OpenAI est correcte, si sa formalisation correspond au théorème écrit et comment sa construction se rapporte aux travaux antérieurs.

Une preuve formelle réduit certaines incertitudes, mais elle n’élimine pas le besoin d’une analyse experte. Les évaluateurs doivent examiner les définitions, les hypothèses importées, les énoncés formels et le lien entre le certificat et l’affirmation publique.

Si le résultat résiste à ce processus, l’argument en faveur d’une IA avancée comme véritable instrument de recherche deviendra beaucoup plus solide. Si des lacunes majeures apparaissent, la publication rapide par les entreprises fera face à des questions plus difficiles sur la vérification et la communication.

Le deuxième signal est la publication d’un dossier crédible sur la provenance. OpenAI a publié des dates, le nombre d’agents, des totaux de tokens et une description de son flux de travail interne. Un dossier plus complet identifierait les prompts décisifs, les sources, les interventions humaines et les limites entourant les données des utilisateurs.

Ces éléments renforceraient l’affirmation d’indépendance d’OpenAI. Un refus de fournir une provenance vérifiable ne prouverait pas une influence indue, mais laisserait irrésolu le problème central de confiance.

Le troisième signal est l’action institutionnelle. Les universités, les revues, les entreprises d’IA et les organismes de financement doivent élaborer des règles pour les sessions de recherche protégées, les déclarations de contribution, la conservation des audits et les attributions contestées.

Une réponse limitée aux seules mathématiques passerait à côté du risque plus large. Le même problème peut survenir dans la découverte de médicaments, la science des matériaux, la sécurité informatique, l’ingénierie et tout domaine où des idées non publiées sont introduites dans des systèmes d’IA hébergés.

La concurrence entre OpenAI et Anthropic renforce l’urgence. Les chercheurs pourraient hésiter à collaborer au-delà des frontières institutionnelles si l’employeur d’un contributeur influence l’attribution ou l’accès. Cet effet dissuasif compromettrait l’ouverture nécessaire au progrès scientifique.

Les entreprises doivent distinguer la concurrence commerciale de la reconnaissance scientifique. L’affiliation d’un chercheur peut créer des obligations de divulgation et de gestion des conflits d’intérêts. Elle ne devrait pas effacer des contributions intellectuelles documentées.

La communauté scientifique doit également repenser la priorité. L’IA permet de combler rapidement des lacunes lorsqu’une voie productive devient visible. Les systèmes de reconnaissance qui ne valorisent que la preuve finale sous-évalueront de plus en plus les personnes qui découvrent ces voies.

Un meilleur modèle distinguerait l’origine conceptuelle, l’achèvement technique, la vérification formelle, le développement du système et la direction du projet. Différents contributeurs peuvent être reconnus pour chacun de ces rôles sans prétendre que toutes les contributions se valent.

Les lecteurs devraient résister à deux conclusions faciles. Le différend ne démontre pas qu’OpenAI a copié le travail d’une autre équipe. Il ne démontre pas non plus qu’une preuve valide rend sans importance les questions de provenance.

Le fait déterminant est que les outils scientifiques et les concurrents scientifiques occupent désormais la même infrastructure. La controverse sur l’attribution liée à OpenAI montre pourquoi une confiance informelle ne peut régir cet arrangement.

Les chercheurs qui envisagent de placer des travaux non publiés dans un système d’IA devraient poser des questions directes. Le fournisseur entraînera-t-il ses modèles sur ces sessions ? Des chercheurs internes peuvent-ils y accéder ? Les journaux sont-ils exportables, vérifiables de manière indépendante et protégés contre une utilisation concurrentielle ?

Les entreprises d’IA devraient répondre à ces questions avant que les utilisateurs ne commencent un projet. Des protections claires peuvent encourager les chercheurs à utiliser des outils avancés sans craindre que leurs premières idées ne deviennent des actifs d’entreprise.

La prochaine découverte majeure réalisée avec l’IA mettra à l’épreuve bien plus que les capacités des modèles. Elle déterminera si les organisations derrière ces systèmes peuvent préserver l’histoire des idées humaines tout en accélérant leur développement.

Cette histoire n’est pas une note de bas de page cérémonielle. Elle indique aux futurs chercheurs d’où viennent les méthodes, quelles intuitions ont compté et comment les connaissances ont progressé. La protéger fait partie de la production d’une science fiable.

OpenAI et les autres entreprises d’IA ont désormais le choix. Elles peuvent traiter les différends d’attribution comme des problèmes de communication, ou construire des normes communes avec la communauté de la recherche. La deuxième voie donne à la science assistée par l’IA une base que la vitesse seule ne peut fournir.