Les preuves mathématiques d’OpenAI sont arrivées en masse, mais pas la compréhension humaine

OpenAI a publié 719 manuscrits mathématiques, mais ses preuves mathématiques ont immédiatement révélé un conflit entre la vérification machine et la compréhension académique. L’entreprise a présenté cette collection comme le fruit des progrès d’un modèle interne non publié. Les mathématiciens doivent désormais déterminer quels résultats sont corrects, originaux, utiles et compréhensibles.

Cette distinction est importante, car une preuve ne se résume pas à une conclusion qui réussit une vérification mécanique. La recherche mathématique repose également sur des arguments clairs, des citations exactes, l’évaluation par les pairs, les séminaires et des chercheurs capables de défendre chaque étape. OpenAI a fourni des artefacts à examiner publiquement, mais pas l’ensemble de ce processus académique.

La publication a suivi des recommandations formulées par un groupe indépendant de neuf mathématiciens éminents. Ces recommandations demandaient aux laboratoires d’IA de préserver la compréhension humaine et de révéler comment chaque résultat avait été produit. OpenAI a adopté certaines parties de ce cadre, mais son propre dépôt révèle d’importantes lacunes dans la formalisation et la divulgation du raisonnement.

La question centrale n’est donc pas de savoir si un système d’IA a généré des mathématiques intéressantes. Il s’agit de savoir si la publication de centaines de résultats transfère une charge de vérification déraisonnable aux chercheurs censés les comprendre.

OpenAI a publié 719 manuscrits issus d’un même modèle interne

L’ampleur même de cette publication constitue l’événement, car elle transforme la vérification des preuves, d’une tâche académique individuelle, en une charge de travail institutionnelle.

OpenAI a publié cette collection le 6 octobre 2026. Sa publication mathématique décrivait un large éventail de nouveaux résultats produits par un modèle de pointe interne. L’entreprise a déclaré vouloir que les mathématiciens examinent, comprennent et prolongent ces travaux.

Le dépôt public associé répertorie actuellement 719 manuscrits organisés en 372 familles. Une famille peut contenir un résultat principal, des arguments de soutien, des conséquences ou des preuves alternatives. Cette structure explique pourquoi le total de manuscrits dépasse le nombre de directions de recherche distinctes.

La collection couvre de nombreuses disciplines mathématiques. Elle inclut des avancées revendiquées sur des problèmes de longue date, plutôt qu’un benchmark fondé sur de courtes réponses. Son évaluation est donc plus difficile, car un manuscrit peut être cohérent en interne tout en comportant une faille subtile, une citation manquante ou un résultat antérieur non identifié.

OpenAI indique avoir soumis environ 4 000 problèmes au modèle durant l’évaluation. Les manuscrits représentent les résultats qui ont franchi les filtres d’agrégation et de pertinence de l’entreprise. En moyenne, chaque résultat aurait mobilisé une puissance de calcul équivalente à environ trois heures de réflexion de ChatGPT Pro.

Ces chiffres décrivent la génération, non l’acceptation. La présence d’un manuscrit dans un dépôt ne fait pas de son théorème central une partie du savoir mathématique établi. Chaque affirmation importante requiert encore un examen d’experts, une mise en contexte et une comparaison avec la littérature existante.

OpenAI reconnaît cette limite. Son dépôt avertit que certains résultats non formalisés peuvent contenir des problèmes et indique que des corrections suivront si nécessaire. L’entreprise décrit également la collection comme regroupant des travaux à différents stades de vérification.

Cette transparence est utile, mais elle crée un modèle de publication inhabituel. Un auteur traditionnel vérifie normalement un résultat, le rédige pour ses pairs, le soumet à l’évaluation et répond à des questions détaillées. Ici, un système privé a généré une vaste collection avant que la communauté scientifique élargie n’atteigne un niveau de compréhension comparable.

OpenAI n’a publié que 10 résumés abrégés de raisonnement. Ils couvrent certains résultats, notamment des travaux sur l’exposant d’irrationalité de pi, les conjectures de Mahler et la complexité computationnelle.

La plupart des manuscrits ne disposent donc pas d’un compte rendu équivalent du chemin suivi par le modèle pour aboutir au résultat. Les chercheurs peuvent examiner les articles finis, mais ils ne peuvent généralement pas reconstituer la séquence complète des prompts, tentatives intermédiaires, corrections et approches abandonnées.

La différence est importante. Un manuscrit final soigné peut masquer si un modèle a trouvé un argument cohérent, assemblé des fragments de littérature voisine ou abouti à un énoncé valide par un raisonnement instable. La reproductibilité exige davantage qu’un PDF mis en ligne.

OpenAI indique prévoir d’améliorer les citations, l’exposé et la présentation dans de futures publications. Cet engagement reconnaît également que le lot actuel ne répond pas à un standard académique achevé.

La collection devrait donc être lue comme un vaste ensemble d’affirmations de recherche en attente d’évaluation. La présenter comme une réussite mathématique achevée irait au-delà des éléments actuellement disponibles.

Les preuves mathématiques d’OpenAI n’ont pas atteint les recommandations du groupe consultatif

OpenAI a suivi les recommandations là où publier était le plus simple, mais n’a pas pleinement satisfait leurs exigences en matière d’accès, de traçabilité et de responsabilité humaine.

L’Advisory Group on Mathematics and Artificial Intelligence, ou AGMAI, a publié ses recommandations pour une publication responsable le 29 septembre. Ce groupe indépendant réunit neuf chercheurs issus d’institutions telles que Harvard, Stanford, Oxford, Berkeley et l’Institute for Advanced Study.

AGMAI a élaboré ses recommandations après avoir reçu plus de 600 réponses de la communauté mathématique. Le groupe a identifié une norme académique centrale : les auteurs doivent comprendre leurs arguments, les vérifier et assumer la responsabilité de leur contenu.

Les systèmes d’IA compliquent cette norme. Une personne peut demander à un modèle de résoudre un problème sans suffisamment comprendre la réponse pour pouvoir la défendre. Le résultat peut ressembler à un article, tout en étant dépourvu de l’auteur responsable qui constitue normalement le fondement d’une publication mathématique.

AGMAI a réparti les publications responsables en deux catégories. Un article compris par un mathématicien humain devrait suivre les pratiques académiques conventionnelles. Cela comprend le dépôt d’une prépublication, la recherche d’une évaluation par les pairs, des présentations et des réponses aux questions.

Les résultats que personne ne comprend encore nécessitent un processus différent. AGMAI a indiqué que les laboratoires devraient améliorer les citations et l’exposé avant publication, divulguer les détails de production, formaliser les preuves lorsque cela est possible et financer des travaux menés par la communauté afin de développer la compréhension humaine.

OpenAI a satisfait une partie de cette demande. L’entreprise a publié les manuscrits, créé des procédures de révision et de citation, divulgué des informations agrégées sur son processus de recherche et inclus des formalisations Lean pour une partie de la collection.

Lean est un assistant de preuve, ce qui signifie qu’il vérifie si des étapes formellement exprimées découlent de définitions et d’axiomes spécifiés. Il peut révéler des lacunes logiques que la prose ordinaire peut dissimuler. C’est un élément de preuve utile lorsque l’énoncé formel correspond au théorème visé.

Cependant, le dépôt d’OpenAI indique qu’environ 42 % de ses résultats phares ont été formalisés. La plupart de ces résultats ne bénéficient donc pas de cette couche de vérification machine. Même un résultat formalisé exige encore que des humains confirment que son code exprime la même affirmation que son article en langage naturel.

AGMAI a également demandé aux laboratoires de publier, pour chaque résultat, le nom du modèle, les prompts, un raisonnement résumé, le temps écoulé et le coût informatique estimé. OpenAI a fourni des statistiques de production agrégées et 10 résumés de raisonnement, mais pas de traces de raisonnement au niveau de chaque résultat pour l’ensemble de la collection.

Le groupe consultatif a recommandé des métadonnées lisibles par machine reliant les articles en langage naturel à leurs artefacts formels. Cette connexion aiderait les évaluateurs à identifier précisément quelles déclarations Lean correspondent à quels théorèmes et affirmations intermédiaires. La publication actuelle ne fournit pas systématiquement cette correspondance.

Il existe aussi un désaccord plus fondamental. AGMAI a explicitement demandé aux laboratoires de pointe de cesser de tester des problèmes mathématiques avancés sur des modèles propriétaires. Le groupe a averti que des systèmes inaccessibles pourraient créer un environnement de recherche à deux vitesses.

OpenAI affirme néanmoins avoir généré la collection en évaluant un modèle interne sur des problèmes de recherche ouverts. L’entreprise soutient que ces évaluations l’aident à concevoir des outils pour les scientifiques et à préparer une publication responsable du modèle. L’objection du groupe consultatif reste sans réponse.

AGMAI n’a pas certifié ce lot. Dans sa réponse du 6 octobre, le groupe a qualifié la publication de commencement, plutôt que d’aboutissement de la compréhension humaine. Il a laissé à la communauté mathématique élargie l’évaluation des travaux et de la conformité d’OpenAI.

OpenAI ne peut donc pas traiter cette consultation comme une approbation. Les conseillers ont fourni un cadre, tandis que la responsabilité de le suivre restait celle de l’entreprise.

Cette distinction est au cœur du paradoxe des preuves mathématiques d’OpenAI. L’entreprise a consulté des chercheurs de premier plan pour établir des normes responsables, puis a publié des travaux qui ne satisfaisaient que partiellement ces normes.

Une vérification Lean ne valide pas automatiquement la preuve écrite

La vérification formelle peut établir qu’un code prouve un énoncé formel, mais elle ne peut pas établir automatiquement que ce code représente fidèlement l’article qui l’accompagne.

L’avertissement le plus concret vient de chercheurs étudiant le résultat revendiqué par OpenAI sur Navier-Stokes. Les équations de Navier-Stokes décrivent le mouvement des fluides, et leur problème de régularité en trois dimensions fait partie des problèmes du prix du millénaire du Clay Mathematics Institute.

OpenAI a annoncé une solution proposée en septembre. L’entreprise a publié un manuscrit en langage naturel et du code Lean associé, présentant la formalisation comme un artefact majeur de vérification.

Une analyse de traduction ultérieure, menée par A. Bastounis, F. Circelli et A. C. Hansen, a identifié des divergences entre l’argument en langage naturel et sa représentation Lean. Les auteurs n’ont pas affirmé que l’intégralité de la preuve en langage naturel d’OpenAI était fausse.

Leur conclusion plus limitée reste néanmoins sérieuse. Un fichier Lean peut être compilé tout en prouvant quelque chose de plus faible, de différent ou de structuré différemment par rapport à la prose qui l’accompagne. L’acceptation mécanique ne suffit pas à établir la fidélité sémantique.

L’article décrit deux tâches distinctes qui sont facilement confondues. La première consiste à produire une preuve formelle valide d’un théorème. La seconde consiste à traduire fidèlement chaque définition pertinente, affirmation intermédiaire et argument d’un manuscrit en langage naturel.

Un système peut réussir la première tâche tout en échouant à la seconde. Il peut corriger un argument écrit incorrect, le remplacer par une autre preuve ou modifier les hypothèses jusqu’à ce que l’énoncé formel devienne démontrable.

Dans une divergence concernant les travaux d’OpenAI sur Navier-Stokes, le manuscrit en langage naturel utilisait une borne exigeant quatre dérivées supplémentaires. Le résultat Lean associé en exigeait cinq. Cette différence modifie les conditions formelles qui soutiennent l’estimation.

Le code Lean peut toujours prouver un énoncé significatif. Toutefois, il ne certifie pas automatiquement l’énoncé plus fort formulé en prose que les lecteurs découvrent dans l’article. Un évaluateur doit comparer les deux artefacts ligne par ligne et comprendre les mathématiques qui sous-tendent chacun d’eux.

C’est pourquoi la formalisation ne devrait pas être considérée comme un label binaire. La question utile n’est pas simplement de savoir si un fichier Lean existe. Les évaluateurs doivent savoir quel théorème il prouve, quelles hypothèses il utilise et comment chaque composant formel correspond à l’argument écrit.

AGMAI avait anticipé ce problème en demandant des corrélations lisibles par machine entre les artefacts en langage naturel et les artefacts formels. Sans ces correspondances, la vérification formelle peut produire une confiance mal placée plutôt que de la clarté.

Le problème dépasse un seul manuscrit sur Navier-Stokes. La formalisation automatisée deviendra plus fréquente à mesure que les modèles généreront des volumes croissants de recherche technique. Tout écart entre une présentation lisible et du code vérifié peut s’amplifier avec cette production.

Le lot d’OpenAI rend ce risque visible. Avec des centaines de manuscrits, les experts ne peuvent pas supposer que chaque fichier formel correspond à chaque énoncé écrit. Ils doivent valider ces liens séparément.

Cela ne rend pas Lean inefficace. Les assistants de preuve restent précieux, car ils peuvent vérifier la logique formelle avec précision. La limite concerne la frontière de traduction entre ce que les humains veulent dire et ce que la machine vérifie réellement.

Un problème similaire apparaît en ingénierie logicielle. Un programme peut réussir une suite de tests tout en implémentant la mauvaise exigence. Les tests confirment le comportement dans les conditions qu’ils encodent, et non l’exhaustivité de la spécification initiale.

Pour les mathématiciens, cela signifie que la formalisation générée par l’IA ne peut pas remplacer l’évaluation par les pairs. Elle crée un artefact supplémentaire que les évaluateurs doivent examiner. Réalisé avec soin, cet artefact peut renforcer la confiance. Traité comme une certification automatique, il peut masquer l’écart précis qui exige une attention.

La réaction du domaine rapportée dans la couverture originale reflète cette préoccupation. Melanie Wood, professeure de mathématiques à Harvard, a déclaré que la compréhension humaine était absente au moment de la publication, laissant ce travail commencer après coup.

Cette déclaration saisit le problème avec plus de justesse qu’un simple débat sur des preuves correctes ou incorrectes. OpenAI a accéléré la production de résultats candidats, mais n’a pas automatisé leur intégration dans le savoir mathématique partagé.

L’abondance de preuves transfère le coût aux mathématiciens humains

Le goulot d’étranglement passe de la génération de preuves plausibles à la décision de savoir quelles preuves méritent l’attention limitée des experts.

Terence Tao a décrit une transition de la rareté des preuves vers leur abondance. Cette possibilité semble productive, mais l’abondance modifie l’économie de la recherche. Produire un manuscrit supplémentaire devient peu coûteux comparé au fait de le lire, le vérifier, l’expliquer et le prolonger.

Tao a critiqué un flux de travail dans lequel les personnes qui formulent des requêtes à l’IA passent à autre chose dès qu’un objectif paraît résolu. Si ces opérateurs ne peuvent pas répondre aux questions, présenter des séminaires ou relier un résultat à son domaine plus large, la charge de vérification est transférée à des mathématiciens extérieurs.

Cette charge n’est pas répartie uniformément. Un manuscrit portant sur un problème ouvert spécialisé peut nécessiter des jours ou des semaines de travail de la part de l’un des relativement rares experts qualifiés. Des centaines de manuscrits peuvent exiger davantage d’attention que les communautés concernées ne peuvent raisonnablement en fournir.

Le problème ressemble au spam dans d’autres systèmes d’information. Chaque élément individuel peut avoir de la valeur, mais les destinataires supportent le coût de distinguer le travail utile du bruit. Un volume élevé peut donc réduire l’accès à des résultats précieux en submergeant les personnes capables de les reconnaître.

L’utilité mathématique exige également plus que la justesse. Un théorème peut être vrai tout en étant sans importance, redondant, mal motivé ou isolé des méthodes qui le rendent applicable ailleurs.

Stephen Wolfram a exprimé cette distinction lors des discussions autour de la publication. Produire un très grand nombre de théorèmes est plus facile que produire des théorèmes qui intéressent les gens. L’importance dépend de questions humaines, d’une structure conceptuelle et des relations au sein d’un domaine.

OpenAI a bien appliqué un filtre d’importance avant de publier son catalogue. Toutefois, l’entreprise n’a pas communiqué suffisamment de détails au niveau des résultats pour que des tiers puissent reproduire ce processus de sélection. Le modèle aurait tenté environ 4 000 problèmes, mais les chercheurs ne peuvent pas évaluer pleinement comment les problèmes retenus ou les résultats réussis se comparent aux échecs.

La sélection influe sur la manière dont les lecteurs interprètent les capacités du modèle. Une collection de centaines de réussites paraît différente lorsqu’elle est replacée dans le contexte de milliers de tentatives, de variations répétées et d’impasses non publiées. Les chiffres agrégés apportent du contexte, mais ils ne révèlent pas la distribution de difficulté.

Le modèle non publié crée une autre asymétrie. Les mathématiciens extérieurs peuvent étudier ses résultats, mais ils ne peuvent pas réexécuter indépendamment le même système, tester des problèmes voisins ou examiner à quel point les résultats sont sensibles aux requêtes.

Cet écart d’accès met sous pression l’ensemble du domaine. OpenAI peut générer des résultats candidats grâce à des ressources de calcul et des modèles privés. Les universités et les chercheurs individuels doivent ensuite consacrer des ressources publiques ou académiques à l’évaluation de ces affirmations.

AGMAI a proposé un remède partiel. Les laboratoires devraient financer les ateliers, conférences, groupes de travail, étudiants et travaux de vulgarisation nécessaires pour comprendre une production substantielle de l’IA. Des institutions indépendantes à but non lucratif, plutôt que les laboratoires, devraient décider de la répartition de ce soutien.

OpenAI affirme qu’il financera des ateliers, des conférences et des programmes spéciaux autour de grands résultats générés par l’IA. C’est une réponse significative, bien que la structure, l’ampleur et l’indépendance de ces programmes restent non précisées.

Le financement seul ne résout pas la question de la paternité des travaux. Les articles mathématiques traditionnels ont des chercheurs identifiables qui défendent leur travail. Un manuscrit généré par l’IA soulève la question de savoir qui est responsable de le corriger, de répondre aux objections et de maintenir les artefacts qui l’étayent.

Le financement n’élimine pas non plus la possibilité de priorités de recherche déformées. Si les laboratoires de pointe choisissent les questions, produisent les réponses candidates et financent le processus de compréhension, leurs objectifs de développement de modèles peuvent influencer ce qui reçoit de l’attention.

AGMAI a averti que les mathématiques ne peuvent pas devenir uniquement un exercice d’interprétation de résultats sélectionnés par des laboratoires d’IA. Les chercheurs doivent conserver la capacité de formuler leurs propres questions et de poursuivre des orientations qui ne servent pas de démonstrations des capacités d’un modèle.

OpenAI fait face à un véritable compromis. Une publication précoce permet aux experts d’examiner les résultats et empêche une entreprise de détenir en privé des mathématiques potentiellement importantes. Pourtant, une publication de masse sans explication adéquate peut transférer du travail inachevé à la communauté.

La voie responsable exige à la fois ouverture et retenue éditoriale. Les laboratoires doivent présenter rapidement leurs affirmations tout en fournissant suffisamment de documentation, d’attribution et d’implication humaine pour rendre l’évaluation praticable.

Les rivaux d’OpenAI sont soumis à la même norme de vérification

La controverse établit une norme à l’échelle du domaine qui devrait s’appliquer à toute entreprise revendiquant des progrès dans la science générée par l’IA.

OpenAI n’est pas seul à utiliser des modèles de pointe pour les mathématiques avancées. Anthropic et Google ont également fait état de capacités mathématiques, tandis que les chercheurs utilisent de plus en plus plusieurs modèles avec des assistants de preuve et des outils de recherche.

La course à l’IA mathématique s’est déjà étendue au-delà des évaluations de concours. Les laboratoires décrivent désormais des systèmes contribuant à des problèmes ouverts, améliorant des bornes, explorant des conjectures et coordonnant de vastes recherches computationnelles.

La concurrence peut accélérer les découvertes, mais elle peut aussi récompenser les annonces spectaculaires. Une entreprise attire l’attention lorsque son système semble résoudre un problème célèbre. La longue période de vérification génère rarement la même visibilité.

Cette incitation rend essentielles des normes de publication communes. Chaque laboratoire devrait divulguer le modèle, les requêtes, les ressources de calcul, les tentatives échouées, la recherche bibliographique, l’implication humaine et l’état de formalisation derrière un résultat majeur.

La même règle devrait régir les affirmations des chercheurs indépendants. L’utilisation d’un modèle externe ne dispense pas l’auteur de son obligation de comprendre et de défendre un article. L’assistance de l’IA modifie le processus de production, non la norme académique.

L’annonce antérieure d’OpenAI sur Navier-Stokes a montré à quelle vitesse les questions techniques et d’attribution peuvent s’entremêler. L’entreprise a commencé ses travaux après avoir appris que d’autres chercheurs travaillaient sur des problèmes connexes de mécanique des fluides. OpenAI a ensuite déclaré que son équipe n’avait pas accédé à leurs travaux spécifiques et que les preuves obtenues différaient.

Cet épisode a contribué à motiver l’accent actuel sur des processus transparents. Lorsque des systèmes privés travaillent sur des problèmes ouverts, les journaux et les chronologies deviennent des éléments de preuve concernant l’originalité, l’indépendance et l’attribution.

Le dépôt d’octobre améliore la transparence en exposant des manuscrits et certains artefacts de soutien. Les chercheurs peuvent examiner les fichiers, identifier des erreurs, proposer des corrections et comparer les résultats avec des travaux antérieurs. C’est préférable à l’annonce de résultats sans les publier.

Pourtant, la transparence devrait être mesurée résultat par résultat. Un vaste dépôt ouvert peut rester opaque si les manuscrits individuels ne disposent pas d’historiques clairs, de formalisations mises en correspondance ou d’experts responsables.

Le meilleur résultat ne serait ni une victoire ni un échec d’OpenAI. Ce serait une norme reproductible permettant à tout laboratoire de publier des mathématiques générées par l’IA sans inonder les chercheurs d’affirmations mal documentées.

Une telle norme pourrait prendre la forme d’un dossier de recherche structuré. Chaque résultat porterait un identifiant persistant, des informations sur le modèle et les requêtes, l’historique des tentatives, les citations pertinentes, les évaluateurs humains, l’état de formalisation et les limites connues.

Les historiques de révision devraient distinguer les corrections de présentation des changements apportés au théorème ou à la preuve. Les artefacts formels devraient identifier les énoncés exacts en langage naturel qu’ils étayent. Les affirmations retirées devraient rester visibles plutôt que de disparaître silencieusement.

Les lecteurs qui suivent la recherche à travers les articles, les discussions et les révisions ont également besoin d’archives durables. Une base de connaissances interrogeable peut préserver les sources et les décisions, mais elle ne peut pas remplacer le jugement mathématique des experts.

La leçon plus vaste s’applique à l’ensemble des sciences. Les modèles peuvent désormais produire davantage d’hypothèses, d’analyses et de documents techniques candidats que les spécialistes ne peuvent immédiatement examiner. La capacité de vérification doit croître parallèlement à la capacité de génération.

Sans cet équilibre, une production de recherche plus rapide peut créer un chemin plus lent vers un savoir fiable.

Trois signaux montreront si cette publication devient de véritables mathématiques

Le prochain test n’est pas un nouveau décompte de manuscrits, mais la capacité de mathématiciens indépendants à valider, expliquer et prolonger les résultats les plus solides.

Le premier signal est l’évaluation au niveau des résultats. Au cours des prochains mois, les experts devraient identifier quelles affirmations phares résistent à un examen approfondi, lesquelles nécessitent une révision et lesquelles dupliquent des travaux antérieurs. Les corrections publiques ne discréditeront pas nécessairement l’ensemble du projet. Elles révéleront si le dépôt soutient un processus académique efficace.

Un ensemble croissant de résultats évalués indépendamment renforcerait l’affirmation d’OpenAI selon laquelle son modèle interne apporte des mathématiques significatives. Des retraits répétés, des précédents non cités ou des lacunes non résolues l’affaibliraient.

Le deuxième signal est la correspondance complète entre la prose et le code formel. OpenAI affirme qu’il ajoutera davantage de formalisations Lean, mais la couverture seule ne suffit pas. Chaque artefact doit établir une correspondance claire avec le théorème et les affirmations intermédiaires de son manuscrit associé.

La reproduction indépendante sera importante ici. Les évaluateurs devraient pouvoir compiler le code, examiner ses hypothèses et confirmer que le théorème formel correspond au résultat annoncé dans un langage mathématique courant.

Si OpenAI ajoute ces correspondances et que des spécialistes extérieurs les valident, la préoccupation actuelle liée à la traduction devient gérable. Si la formalisation continue surtout à servir de label général, la confiance devrait rester limitée.

Le troisième signal est une participation humaine responsable. OpenAI a promis des ateliers, des conférences et des programmes spéciaux consacrés à la compréhension de résultats importants. Les détails montreront si ce soutien développe une recherche indépendante ou prolonge principalement la campagne de publication de l’entreprise.

Des programmes utiles produiraient des séminaires, des articles de synthèse, des soumissions évaluées par les pairs, ainsi que des chercheurs capables de répondre aux objections techniques. Leurs décisions de financement devraient rester en dehors du contrôle éditorial direct d’OpenAI, conformément à la recommandation d’AGMAI.

L’entreprise devrait également préciser à quel moment le modèle interne deviendra accessible aux scientifiques. Un accès plus large permettrait aux chercheurs de tester des questions connexes et de comparer les exemples concluants avec les échecs ordinaires. Le maintien de l’exclusivité préserverait la structure à deux vitesses contre laquelle les conseillers ont mis en garde.

Ces signaux comptent au-delà des mathématiques. Les développeurs et les acheteurs en entreprise rencontrent de plus en plus des systèmes d’IA capables de produire un travail technique convaincant plus vite que les organisations ne peuvent le valider. La leçon est d’évaluer l’ensemble de la chaîne de preuves, et non la fluidité apparente du résultat.

Les preuves mathématiques d’OpenAI ont démontré une hausse substantielle du volume de recherche. Elles n’ont pas encore démontré une hausse tout aussi substantielle d’une compréhension partagée et fiable.

La prochaine annonce la plus utile contiendrait donc moins d’affirmations percutantes et davantage de preuves d’appropriation. Quelles preuves ont passé un examen indépendant ? Quelles formalisations correspondent fidèlement à leurs articles ? Quelles méthodes d’autres mathématiciens ont-ils apprises et réutilisées ?

Ces réponses détermineront si ce dépôt devient une base pour de nouvelles mathématiques ou un arriéré exceptionnellement sophistiqué. D’ici là, les lecteurs devraient considérer cette collection comme une recherche prometteuse en cours d’examen, et non comme des centaines de résultats établis.