Contexte et annonces d'OpenAI

En septembre 2026, OpenAI a publié une série de dix résultats mathématiques, dont la prétendue résolution d’un des sept Millennium Prize problems. Cette annonce a été accompagnée d’une déclaration selon laquelle un modèle non encore diffusé aurait généré d’autres découvertes, ce qui a immédiatement déclenché une vague d’inquiétude parmi les chercheurs.

Mécanismes des modèles et données d'entraînement

Les modèles d’OpenAI, basés sur des architectures de type transformer, sont entraînés sur d’immenses corpus de texte scientifique. Andreas Thom, mathématicien spécialisé dans les groupes non‑sofic, a signalé que des interactions antérieures avec le chatbot ChatGPT pourraient avoir fourni des indices exploités par le modèle pour produire le résultat lié à son domaine. Cette accusation implique que le système aurait intégré des travaux non publiés de Thom et de Gábor Kun, soulevant des questions de provenance des données et de possible « over‑fitting » à du contenu confidentiel.

Réaction de la communauté mathématique

Face à ces annonces, la communauté a exprimé un scepticisme généralisé. Plusieurs mathématiciens ont souligné l’absence de preuves formelles vérifiables et le manque de transparence quant aux critères de validation. Le même jour que la révélation du modèle, OpenAI a créé un panel consultatif indépendant composé de mathématiciens de renom. Les chercheurs interrogés ont toutefois indiqué que le groupe, limité à quelques experts, ne pouvait représenter l’ensemble du champ et que son pouvoir décisionnel restait incertain.

Perspectives et limites de l’approche IA

Sur le plan technique, la capacité d’un LLM à générer des énoncés mathématiques repose sur la mémorisation de patterns syntaxiques et sur la capacité à extrapoler des chaînes de raisonnement à partir de données d’entraînement. Sans mécanisme de vérification interne, chaque « solution » doit être soumise à une relecture humaine rigoureuse, ce qui ralentit le processus de publication. De plus, l’utilisation de données non publiées viole les conventions de priorité scientifique et peut entraîner des litiges de propriété intellectuelle. En l’absence de standards clairs pour la divulgation des sources d’entraînement, les modèles restent vulnérables à des accusations de plagiat et à des biais de sélection qui favorisent les domaines les plus représentés dans les bases de données publiques.