La revendication d’une preuve de Navier-Stokes par OpenAI fait face à un test plus grand que l’IA

OpenAI aurait produit une preuve de Navier-Stokes d’environ 100 pages, mais aucun manuscrit public ne vient encore étayer cette affirmation extraordinaire. Le récit provient du mathématicien de l’Université de New York Tristan Buckmaster, qui affirme que des chercheurs d’OpenAI lui ont décrit ce résultat en privé.

Cette distinction est importante. Une preuve de Navier-Stokes par OpenAI porterait sur l’un des sept problèmes du prix du Millénaire en mathématiques. Pourtant, une description non publiée, relayée par un autre chercheur, ne constitue pas une solution vérifiée.

L’histoire implique aussi une avancée distincte et tangible. Buckmaster et Levent Alpöge ont publié un travail assisté par IA sur l’explosion en temps fini dans trois équations de fluides apparentées. Leurs résultats ont suscité de l’enthousiasme, car la même approche pourrait s’étendre à Navier-Stokes.

Puis cette histoire scientifique est devenue un conflit sur les preuves, la provenance de la recherche et l’attribution du mérite. Buckmaster allègue qu’OpenAI a pris connaissance de son projet privé peu avant de produire un résultat interne étroitement lié. Le chercheur d’OpenAI Sébastien Bubeck a publiquement rejeté comme fausses et incendiaires les allégations concernant sa conduite.

La question centrale dépasse donc celle de savoir si un modèle a généré une preuve valide. Elle est de savoir si les laboratoires de pointe peuvent formuler des revendications scientifiques crédibles tout en contrôlant le modèle, ses archives et les éléments nécessaires à l’audit de l’ensemble.

La preuve de Navier-Stokes d’OpenAI reste une revendication privée

Les éléments publics n’établissent pas qu’OpenAI a résolu le problème de Navier-Stokes.

Buckmaster a publié une déclaration personnelle détaillée le 8 septembre 2026. Il affirme qu’un représentant d’OpenAI lui a indiqué qu’un modèle de recherche interne avait généré une preuve d’explosion en temps fini pour Navier-Stokes forcées.

Selon Buckmaster, la preuve revendiquée couvre un forçage lisse à la fois dans l’espace euclidien tridimensionnel et sur le tore tridimensionnel. Ces cadres correspondent à des alternatives de la formulation officielle du problème du Millénaire par Charles Fefferman.

Buckmaster affirme qu’on lui a dit que le document comptait environ 100 pages. Il précise aussi explicitement ne pas l’avoir vu lorsqu’il a publié son récit.

Ce dernier fait fixe la limite actuelle. Aucun mathématicien indépendant ne peut examiner une preuve qui n’a pas été publiée. Personne en dehors des conversations rapportées ne peut vérifier ses hypothèses, ses dépendances logiques ou son traitement du terme de forçage.

OpenAI n’avait pas publié publiquement le manuscrit, une transcription du modèle ou une annonce technique lorsque cet article a été préparé. L’entreprise n’avait pas non plus identifié le modèle interne dans le cadre d’une publication de recherche officielle.

Le résultat doit donc être décrit comme une prétendue preuve interne. Déclarer le problème résolu revient à ignorer tout le processus par lequel les mathématiques distinguent un argument prometteur d’un théorème.

Cette distinction est particulièrement importante pour les équations aux dérivées partielles. Une preuve peut être conceptuellement convaincante tout en dissimulant une erreur fatale dans une estimation, une hypothèse de régularité, une condition aux limites ou un argument de passage à la limite.

Navier-Stokes revêt aussi plusieurs sens hors des mathématiques pures. Les ingénieurs résolvent couramment des approximations de ces équations pour des écoulements particuliers. Ces solutions numériques ne règlent pas l’existence globale et la régularité pour toute condition initiale autorisée.

Le problème officiel demande si les écoulements tridimensionnels lisses restent toujours lisses, ou si une singularité peut se former en temps fini. Une singularité, souvent appelée explosion, survient lorsqu’une quantité mathématique pertinente devient non bornée.

Une construction valide d’explosion forcée dans les conditions spécifiées par Fefferman aurait bien plus de poids qu’un autre exemple numérique. Elle fournirait un contre-exemple dans l’une des voies officielles autorisées par l’énoncé du problème.

Même cela ne créerait pas de consensus instantané. Le Clay Mathematics Institute exige une publication, le passage du temps et une large acceptation avant d’envisager l’attribution d’un prix du Millénaire.

Le changement immédiat est par conséquent plus limité, mais reste significatif. Un mathématicien respecté a publiquement rapporté une revendication interne précise, y compris sa longueur approximative, son domaine et sa conclusion mathématique proposée.

Cela suffit à justifier un examen attentif. Cela ne suffit pas à justifier une annonce de victoire.

Pourquoi trois résultats apparentés sur l’explosion ont changé la donne

La revendication rapportée d’OpenAI est devenue plausible parce que Buckmaster et Alpöge avaient déjà rapproché une méthode voisine de Navier-Stokes.

Buckmaster, professeur au Courant Institute de NYU, étudie la formation de singularités dans les équations de fluides. Alpöge est mathématicien chez Anthropic, bien que Buckmaster décrive leur travail comme une collaboration universitaire personnelle.

Le 8 septembre, les deux chercheurs ont publié des résultats portant sur trois systèmes : les milieux poreux incompressibles, les équations de Boussinesq bidimensionnelles et Euler incompressibles en trois dimensions. Chaque construction utilise un forçage externe lisse et produit une explosion en temps fini.

Euler décrit un fluide idéal sans viscosité. Navier-Stokes ajoute la viscosité, qui dissipe l’énergie et modifie les estimations nécessaires pour contrôler une solution.

Cette différence n’est pas une correction mineure. C’est l’une des raisons pour lesquelles une construction pour Euler ne se transpose pas automatiquement à Navier-Stokes.

Le nouveau résultat sur Euler se situe néanmoins exceptionnellement près du problème du Millénaire. Buckmaster et Alpöge se sont appuyés sur les travaux de Diego Córdoba et Luis Martínez-Zoroa, qui ont développé un mécanisme de formation de singularités sous un forçage moins régulier.

Les travaux plus récents remplaceraient ce terme d’entrée irrégulier par un forçage lisse. Ce changement est important, car le problème officiel de Navier-Stokes autorise certaines fonctions de forçage lisses dans deux de ses formulations de contre-exemple.

Terence Tao a décrit ces résultats apparentés comme une réalisation remarquable et examiné leur portée plus large dans une évaluation technique. Il a écrit qu’aucun principe évident n’empêche la méthode de s’étendre à Navier-Stokes.

Tao a également souligné l’énorme difficulté technique d’une telle extension. Une voie prometteuse ne dispense pas du travail nécessaire pour que chaque estimation se referme.

Cette combinaison explique pourquoi la revendication d’OpenAI a immédiatement attiré l’attention. Le résultat rapporté n’est pas apparu dans un vide. Il est arrivé après que des chercheurs ont identifié un mécanisme que les experts jugeaient capable d’atteindre l’équation complète.

Buckmaster affirme que lui et Alpöge ont commencé à travailler ensemble environ un an plus tôt. À la mi-août 2026, ils auraient obtenu les résultats fondamentaux pour les trois équations apparentées.

Les grands modèles de langage ont joué un rôle substantiel dans l’élaboration et la vérification des arguments. Buckmaster affirme que le duo a utilisé Claude d’Anthropic et Codex d’OpenAI, y compris de nouveaux modèles de raisonnement, au cours d’itérations mathématiques répétées.

Ce flux de travail diffère du fait de poser une question à un chatbot et d’accepter sa première réponse. Les preuves de niveau recherche exigent de proposer des lemmes, de repérer les lacunes, de réviser les estimations et de vérifier les dépendances dans un long argument.

Une partie des travaux associés a également été formalisée dans Lean. Lean est un assistant de preuve qui vérifie si des énoncés formels découlent de règles logiques spécifiées.

Le dépôt Lean public donne aux observateurs extérieurs un élément concret à examiner. Toutefois, la vérification automatique ne couvre que les parties que les chercheurs ont encodées et vérifiées avec succès.

Elle ne certifie pas automatiquement chaque argument informel dans les trois manuscrits. Elle ne valide pas non plus la prétendue preuve d’OpenAI, qui constitue un objet distinct et non publié.

L’avancée publique exerce néanmoins une pression sur chaque laboratoire d’IA de pointe poursuivant la science automatisée. OpenAI, Anthropic et Google DeepMind cherchent tous à fournir des preuves crédibles que leurs systèmes peuvent contribuer à une recherche originale.

Un résultat Navier-Stokes vérifié apporterait cette preuve à une échelle inégalée. Une revendication précipitée ou mal documentée produirait la leçon inverse.

Le conflit principal oppose les preuves à la divulgation contrôlée

Le débat décisif n’oppose pas OpenAI à Anthropic. Il oppose la revendication d’un laboratoire privé aux normes de vérification des mathématiques publiques.

La rivalité entre entreprises est visible parce qu’Alpöge travaille chez Anthropic et que le résultat concurrent présumé vient d’OpenAI. Pourtant, traiter cela comme un concours de classement entre modèles masque le problème plus profond.

Les mathématiques accordent de l’autorité aux arguments que des lecteurs qualifiés peuvent examiner. Les laboratoires d’IA de pointe protègent souvent les détails des modèles, les prompts, les outils internes et les archives de calcul comme des actifs confidentiels.

Ces systèmes d’autorité entrent désormais en collision. OpenAI peut détenir une preuve valide sans être prête à divulguer son modèle ou l’intégralité de la trace de recherche. Les mathématiciens peuvent raisonnablement refuser d’accepter le résultat tant que la preuve elle-même n’est pas publique.

Le récit de Buckmaster ajoute une autre dimension. Il affirme qu’OpenAI a proposé des modalités de publication après lui avoir parlé de son prétendu résultat sur Navier-Stokes.

Une proposition, selon sa déclaration, impliquait que Buckmaster et Alpöge publient leurs travaux sur Euler avant qu’OpenAI ne publie son résultat plus fort. Une autre aurait impliqué une présentation conjointe, mais soulevé des questions sur le rôle d’Alpöge parce qu’il travaillait pour Anthropic.

Buckmaster allègue avoir subi des pressions après avoir rejeté ces options et décidé de révéler la chronologie des événements. Ces allégations restent contestées.

Bubeck a répondu publiquement que les accusations le concernant étaient fausses et incendiaires. Ce démenti est important, mais il ne résout pas les désaccords factuels entre les participants.

Aucun compte rendu complet des appels privés n’a été publié. Les lecteurs ne devraient pas considérer l’un ou l’autre récit comme établi de manière indépendante là où ils divergent.

Le différend révèle aussi un nouveau problème de paternité. Si un modèle d’IA prolonge une idée humaine non publiée, qui a apporté le mouvement intellectuel décisif ?

L’attribution scientifique traditionnelle tient compte de l’origine de la méthode, de l’exécution de la preuve, de son exposition, de sa vérification et du moment de sa divulgation. L’IA complique chaque catégorie.

Un modèle peut synthétiser des milliers d’étapes après avoir reçu une formulation de problème soigneusement choisie. Le prompt peut encoder des mois de jugement expert, y compris le bon mécanisme et les obstacles qui méritent d’être abordés.

À l’inverse, un modèle peut trouver un pont réellement inattendu entre des idées après n’avoir reçu qu’un énoncé général. Ces situations ne devraient pas être décrites de la même façon.

L’expression « intervention humaine minimale » devient presque vide de sens sans une trace des éléments de preuve. Elle peut désigner un court prompt après une préparation cachée considérable, ou une recherche véritablement autonome.

OpenAI a récemment indiqué que son organisation de recherche utilisait 3,1 journées de travail d’agents pour chaque journée de travail humain à la mi-août. Ses indicateurs de recherche montrent à quel point les agents ont intégré le travail scientifique interne.

Ces indicateurs ne vérifient pas la preuve de Navier-Stokes d’OpenAI. Ils montrent que le laboratoire dispose à la fois de l’infrastructure et de l’incitation nécessaires pour mener des projets mathématiques de longue haleine.

Pour cette raison, la divulgation devrait inclure davantage qu’un manuscrit soigné. Un compte rendu convaincant devrait identifier la spécification du problème, les interventions humaines, les idées externes fournies au modèle et les procédures de vérification.

L’accès aux modèles n’est pas nécessaire pour que des mathématiciens évaluent la démonstration. La provenance de la recherche reste toutefois indispensable pour évaluer les affirmations sur la manière dont le théorème a été découvert.

Cet enjeu dépasse la reconnaissance professionnelle. Les laboratoires présentent leurs résultats scientifiques comme la preuve d’une intelligence de plus en plus autonome. Une provenance manquante peut faire passer une collaboration ordinaire pour une découverte autonome.

Le conflit persistera tant que le public ne disposera pas d’éléments vérifiables. Les déclarations d’entreprise ne peuvent se substituer à une démonstration, et une démonstration seule ne peut trancher toutes les questions relatives à son origine.

Ce que l’affirmation sur les mathématiques de l’IA ne prouve pas

Même une démonstration correcte ne montrerait pas que l’IA a maîtrisé indépendamment la dynamique des fluides ni qu’elle a rendu les simulations précises faciles.

La première incertitude porte sur la validité mathématique. Un raisonnement de 100 pages peut contenir des dépendances subtiles dont l’examen demande des mois aux experts.

La deuxième concerne le périmètre. Buckmaster affirme que le résultat interne porte sur Navier-Stokes forcé dans des conditions précises. Les titres peuvent facilement effacer le mot « forcé » et laisser entendre un théorème plus général.

Le forçage représente une influence extérieure appliquée au fluide. La formulation de Fefferman autorise un forçage lisse dans certaines options de contre-exemple désignées, de sorte qu’une explosion en temps fini sous forçage peut tout de même répondre au défi officiel.

Cela ne signifie pas que toutes les questions courantes sur Navier-Stokes disparaissent. Les chercheurs continueraient d’étudier l’explosion sans forçage, l’unicité, la turbulence, les effets de bord, les fluides compressibles et la prédiction informatique.

Une démonstration Millennium trancherait une question mathématique précisément définie. Elle ne fournirait pas de formule universelle pour prévoir la météo ou concevoir des avions.

La troisième incertitude concerne la vérification formelle. Buckmaster et Alpöge ont utilisé Lean pour certaines parties de leurs travaux publics, selon leurs documents. Aucun artefact de vérification équivalent n’a été publié pour le manuscrit attribué à OpenAI.

Les systèmes de preuve formelle peuvent éliminer de nombreuses erreurs logiques ordinaires. Ils ne peuvent pas déterminer si le théorème formel recouvre chaque affirmation visée sans que des humains inspectent l’énoncé et ses hypothèses.

Ils exigent aussi un travail considérable. Traduire une longue démonstration analytique dans une forme vérifiable par machine peut révéler des lacunes, mais cela peut aussi prendre plus de temps que la production du brouillon informel.

La quatrième incertitude concerne la réplication indépendante. Une autre équipe devrait pouvoir reconstruire le mécanisme central sans accès privilégié à l’environnement interne d’OpenAI.

Un examen indépendant n’exige pas de reproduire exactement l’exécution du modèle. Il exige toutefois suffisamment d’informations pour tester le théorème, retracer les lemmes importés et contester les estimations les plus fragiles.

La cinquième incertitude concerne la contribution de l’IA. Buckmaster affirme que les brouillons de son projet existaient dans des sessions Codex. Il a demandé si le modèle interne d’OpenAI avait été entraîné sur ces sessions, ou y avait eu accès.

Sa déclaration indique qu’il n’a pas reçu de réponse claire lors des échanges qu’il a décrits. Cela n’établit pas que des recherches privées ont été utilisées.

Cela soulève une question légitime à laquelle seuls les dossiers détenus par OpenAI peuvent répondre de manière décisive. L’entraînement du modèle, le contexte temporaire d’inférence, l’accès des employés et les données d’entrée des expériences constituent des voies techniques différentes.

Les confondre serait irresponsable. Écarter la question simplement parce qu’aucun observateur extérieur ne peut inspecter les systèmes concernés le serait tout autant.

Les chercheurs utilisant des outils d’IA hébergés devraient considérer ce différend comme un avertissement pratique. Les hypothèses inédites, stratégies de démonstration, codes et résultats expérimentaux peuvent avoir une immense valeur intellectuelle.

Les équipes ont besoin de règles explicites sur les éléments qui peuvent être transmis à des modèles externes. Elles ont également besoin de registres locaux montrant qui a apporté chaque idée décisive et à quel moment.

Une base de connaissances consultable peut aider à préserver cet historique. Elle ne peut remplacer ni les protections contractuelles ni les contrôles de gouvernance des données d’un laboratoire.

La version la plus forte de l’affirmation sur l’IA reste donc non étayée. Les éléments publics montrent que des modèles ont apporté une aide substantielle à des travaux majeurs sur des équations voisines. Ils ne démontrent pas encore une résolution autonome de Navier-Stokes.

Une démonstration valide transformerait la recherche en IA avant l’ingénierie des fluides

L’impact initial toucherait les flux de travail scientifiques, les règles d’attribution et la concurrence entre laboratoires, plutôt que la simulation quotidienne des fluides.

La démonstration mathématique est un test attrayant pour l’IA avancée, car le produit final peut, en principe, être vérifié ligne par ligne. Elle est donc moins subjective que de nombreuses affirmations sur la créativité ou l’intelligence générale.

Pourtant, la recherche mathématique n’est pas entièrement auto-vérifiable. Les experts doivent déterminer si le théorème importe, si ses hypothèses correspondent au problème énoncé et si la démonstration s’appuie sur un résultat invalide.

Une démonstration OpenAI acceptée sur Navier-Stokes montrerait que les modèles de pointe peuvent soutenir un long raisonnement à travers de nombreuses dépendances techniques. Elle démontrerait aussi qu’ils peuvent exploiter rapidement une voie de recherche nouvellement identifiée.

Cette seconde capacité pourrait s’avérer plus déterminante. L’avantage scientifique pourrait se déplacer vers les organisations qui combinent information précoce, budgets de calcul importants, agents spécialisés et évaluateurs experts.

Les universitaires indépendants seraient alors confrontés à un choix difficile. Les modèles de pointe hébergés peuvent accélérer leurs travaux, mais chaque interaction peut soulever des questions de confidentialité et d’attribution.

Les universités pourraient réagir en négociant des conditions de données spécifiques à la recherche. Elles pourraient aussi investir dans des modèles locaux, des systèmes d’inférence sécurisés et des environnements de calcul auditables.

Les revues auront besoin de normes de divulgation plus claires. Les auteurs décrivent déjà les logiciels et les méthodes de calcul, mais la recherche agentique exige davantage de détails sur les prompts, les itérations et la sélection humaine.

Une transcription complète ne sera pas toujours utile. Les longues traces d’agents peuvent contenir des milliers de fausses pistes et de calculs répétés.

Un registre de provenance structuré serait plus pratique. Il pourrait identifier la conjecture originale, les apports privés pertinents, les lemmes générés par le modèle, les corrections humaines et les composants formellement vérifiés.

Les éditeurs auront aussi besoin de règles pour les découvertes simultanées. Les systèmes d’IA peuvent transformer un indice divulgué, une remarque de séminaire ou un brouillon privé en résultat abouti plus vite que la publication conventionnelle ne peut réagir.

Les normes de priorité se sont développées lorsque la communication et la construction des démonstrations avançaient à vitesse humaine. Elles sont mises à rude épreuve lorsqu’un laboratoire peut déployer des milliers d’heures-agent pendant un week-end.

Le différend Buckmaster préfigure cette pression. Selon une couverture indépendante, les travaux publics des chercheurs constituent une étape importante vers Navier-Stokes, indépendamment même de l’extension présumée d’OpenAI.

C’est pourquoi cette histoire ne devrait pas se réduire à un verdict binaire sur une entreprise. Le développement confirmé est que la découverte mathématique assistée par IA a atteint une recherche difficile et actuelle en équations aux dérivées partielles non linéaires.

Le développement contesté est de savoir si OpenAI a franchi la distance restante jusqu’au problème complet de Navier-Stokes forcé. Cette affirmation exige un niveau de preuve bien plus élevé.

Si le manuscrit résiste à l’examen, les laboratoires se précipiteront pour reproduire le flux de travail sur d’autres problèmes célèbres. S’il échoue, l’épisode deviendra une leçon sur la confusion entre sortie de modèle et connaissance mathématique.

Dans les deux cas, le financement et le recrutement seront affectés. Les chercheurs capables de faire le lien entre modèles de pointe, preuve formelle et mathématiques spécialisées deviendront plus précieux.

La pression concurrentielle immédiate pèse donc sur les organisations de recherche, non sur les concepteurs d’avions. Elles doivent montrer que la rapidité ne se fait pas au détriment de l’attribution, de la sécurité ou de la vérification.

Ce qui doit se produire avant que les mathématiciens acceptent le résultat

Trois signaux détermineront si la démonstration rapportée devient un théorème, une avancée partielle ou un faux départ coûteux.

Le premier signal est la publication publique. OpenAI doit fournir l’énoncé exact du théorème et la démonstration complète avant que l’évaluation indépendante puisse commencer.

Les lecteurs devraient surveiller attentivement les hypothèses. Le manuscrit doit indiquer clairement le domaine, la fonction de forçage, les données initiales, la classe de solutions et le comportement singulier précis.

Si ces éléments correspondent à l’une des options officielles de contre-exemple de Fefferman, l’affirmation devient sensiblement plus solide. Si le résultat modifie l’équation ou affaiblit la régularité requise, il peut rester précieux sans résoudre le problème récompensé.

Le deuxième signal est l’examen par les experts et la vérification formelle. Les spécialistes doivent inspecter les estimations centrales, tandis que les ingénieurs en preuve déterminent quelles parties peuvent être encodées dans des systèmes tels que Lean.

Une petite correction ne réfuterait pas nécessairement le résultat. Les articles de recherche changent souvent pendant l’évaluation.

Une lacune nécessitant une nouvelle idée centrale affaiblirait les affirmations selon lesquelles le problème a déjà été résolu. Une contradiction dans la construction pourrait l’invalider entièrement.

Le troisième signal est un compte rendu documenté de la provenance. OpenAI devrait expliquer quelles informations sont parvenues à ses chercheurs, ce que le modèle a reçu et comment les humains ont guidé l’exécution.

Ce compte rendu doit distinguer les dossiers vérifiables des souvenirs. Il devrait également répondre à la question de Buckmaster sur l’influence éventuelle de son matériel Codex privé sur le projet interne.

Une réponse négative claire, étayée par un audit approprié, affaiblirait la préoccupation la plus grave concernant l’origine des données. La preuve d’un accès non crédité ferait passer l’histoire de la compétition scientifique à la faute professionnelle en recherche.

Les questions d’attribution subsisteront même si aucune donnée privée n’a circulé entre les projets. Córdoba et Martínez-Zoroa ont développé le mécanisme antérieur, tandis que Buckmaster et Alpöge ont fait progresser le programme de forçage lisse.

Un modèle OpenAI a peut-être prolongé davantage cette lignée. Une attribution appropriée devrait décrire toute la chaîne plutôt que de présenter le résultat comme une réussite isolée de la machine.

Le processus Clay avancera bien plus lentement que le cycle de l’actualité. Toute considération pour le prix exige une publication dans un support admissible, une large acceptation et au moins deux ans d’examen.

Ce délai a une raison d’être. Les problèmes célèbres attirent des solutions incorrectes, et les longues démonstrations exigent souvent un examen soutenu dans plusieurs spécialités.

Pour l’instant, la réponse responsable est simple. OpenAI aurait généré une démonstration sérieuse sur Navier-Stokes, selon le récit de Buckmaster, mais le modèle n’a pas publiquement résolu le problème.

Les éléments disponibles justifient l’enthousiasme pour les mathématiques assistées par IA. Ils justifient également le scepticisme envers les affirmations faites avant l’apparition d’un manuscrit, d’un registre de vérification ou d’un compte rendu complet de provenance.

Surveillez la démonstration, puis les rapporteurs, et enfin la piste d’audit. Tant que ces trois éléments n’existent pas, la démonstration OpenAI sur Navier-Stokes reste une affirmation en cours d’examen, non un théorème établi.