Contexte et enjeux

Le problème d’existence et de régularité des équations de Navier–Stokes figure parmi les sept problèmes du Millénaire, chacun assorti d’une prime de 1 000 000 $ depuis le 24 mai 2000. Le 8 septembre 2026, OpenAI a annoncé que son modèle interne, non publié, avait produit une résolution de ce problème. L’annonce survient après une série de rumeurs : le 1 septembre, des équipes internes ont été informées de possibles avancées sur deux problèmes du Millénaire, puis, le 5 septembre, les agents automatisés ont délivré une solution en 88 heures après le lancement.

La validation formelle a requis 17 heures supplémentaires grâce à GPT‑6 Astra, outil de vérification Lean. Au total, les agents ont échangé 4,9 million de messages et généré ≈300 milliards de tokens. La partie Navier–Stokes a consommé 2,7 million de messages et ≈130 milliards de tokens. Le tableau suivant résume ces chiffres :

Agents sent 4.9 million messages
≈300 billion output tokens
Navier–Stokes: 2.7 million messages
≈130 billion output tokens

En appliquant les tarifs publics de l’API GPT‑6 Astra, le volume de sortie représente un coût estimé à 15 millions de dollars, soit quinze fois la récompense du prix.

Méthodologie des agents LLM

Les agents ont été déclenchés par un prompt initial décrivant le problème mathématique. Chaque itération consistait à générer un fragment de preuve, à le soumettre à un module de vérification Lean, puis à ajuster le texte en fonction du retour. Le nombre de messages (2,7 M) et la quantité de tokens (130 B) indiquent une granularité très fine : chaque message contenait en moyenne ≈48 000 tokens, bien au‑delà des fenêtres de contexte classiques (8 k–32 k tokens). Cette surcharge implique que le système a dû fragmenter les preuves, stocker les états intermédiaires et reconstituer les dépendances hors‑ligne, augmentant ainsi la complexité de la gestion de la mémoire.

OpenAI affirme que les agents n’ont pas accédé aux données d’utilisateurs, mais reconnaît que des données « dé‑identifiées » provenant d’utilisations antérieures de Codex ou de Claude pourraient avoir influencé l’entraînement du modèle. Cette incertitude reflète une limitation technique : les modèles de grande taille intègrent implicitement des motifs observés dans leurs corpus d’entraînement, rendant difficile la traçabilité précise des contributions individuelles.

Analyse des coûts et des implications de confidentialité

Le coût de 15 M$ dépasse largement la prime du Millénaire, soulevant la question de la viabilité économique d’une telle approche pour la communauté académique. De plus, le processus a déclenché des tensions éthiques : Tristan Buckmaster (NYU) et Levent Alpöge (Anthropic) ont dénoncé un manque de transparence quant à l’accès éventuel à leurs sessions Codex, et OpenAI a exclu Alpöge de la co‑authorship en raison de conflits d’intérêts.

Ces événements illustrent un nouveau risque de « regurgitation » : un chercheur utilise un LLM, ses échanges sont potentiellement incorporés dans un futur modèle, qui à son tour pourrait résoudre le même problème avant que le chercheur ne publie. Le phénomène de « rumour‑driven » recherche, déjà observé en cybersécurité, apparaît maintenant dans les mathématiques, où la simple connaissance d’une solution non publiée peut déclencher des dépenses massives en calcul.

En résumé, la résolution annoncée par OpenAI repose sur une orchestration massive d’agents LLM, une consommation de tokens exceptionnelle et un coût financier supérieur à la récompense du prix. Le cas met en lumière les défis de la traçabilité des données, les enjeux de propriété intellectuelle et la nécessité d’établir des protocoles clairs pour l’usage des modèles génératifs dans la recherche fondamentale.