Liam Fedus, coauteur de ChatGPT : après les 722 manuscrits d'OpenAI, l'IA doit entrer au laboratoire

OpenAI a publié d'un coup sur GitHub 722 manuscrits mathématiques couvrant 17 domaines, de la théorie des nombres et de la géométrie à l'informatique théorique et à la physique mathématique. Une partie des travaux s'accompagne de preuves formelles en Lean, que l'ordinateur vérifie de façon mécanique. Selon l'entreprise, tous les textes ont été écrits par un modèle frontier interne, qui n'est pas encore sorti. Quelques jours plus tard, OpenAI a retiré plusieurs manuscrits. Dans ce contexte, Liam Fedus, l'un des créateurs de ChatGPT, avance une thèse : après les mathématiques, l'IA doit aller au laboratoire.

Ce qui a été publié exactement

L'échelle est inhabituelle. Un mathématicien écrit en général quelques dizaines d'articles au cours de sa carrière ; ici, des centaines de textes sont apparus en une seule fois, dans différentes branches de la science. Leur point commun est l'auteur : ce n'est pas un humain, mais un modèle non publié.

Voici ce que l'on sait de l'annonce :

• 722 manuscrits ont été mis en ligne en un seul lot sur GitHub ;
• ils couvrent 17 domaines mathématiques et connexes ;
• une partie des travaux comporte des preuves formelles en Lean, vérifiées sans intervention humaine ;
• la source est un modèle interne d'OpenAI, qui n'a pas de version publique ;
• plusieurs manuscrits ont ensuite été supprimés du dépôt.

Les raisons de ces retraits ne sont pas indiquées dans le fragment de matériel disponible ; il est donc trop tôt pour tirer des conclusions sur la qualité des travaux retirés. Le retrait lui-même montre toutefois autre chose : à de tels volumes, la sélection et la vérification deviennent un chantier à part entière.

Pourquoi les mathématiques passent en premier

Les mathématiques conviennent à l'IA pour une raison : la réponse se vérifie à faible coût. Une preuve passe dans Lean, ou elle ne passe pas. Pour l'apprentissage par renforcement, c'est un signal presque idéal : le modèle reçoit une évaluation honnête, sans experts et sans le coût du monde réel. C'est pourquoi les systèmes y ont rapidement atteint des résultats qui exigeaient auparavant un niveau professionnel.

Cet environnement commode a une limite. Un manuscrit sans vérification formelle reste un texte qu'un spécialiste doit lire. Des centaines d'articles d'un coup représentent des centaines d'heures de relecture. Les travaux accompagnés de preuves Lean ne résolvent le problème que pour les résultats qui ont pu être formalisés.

Le laboratoire, prochain terrain d'essai

La thèse de Fedus paraît logique au regard de son parcours. D'après les données publiques, il a quitté OpenAI et fondé Periodic Labs, une start-up qui construit des systèmes d'IA pour la physique, la chimie et la science des matériaux. Le pari : le modèle doit recevoir un retour d'une expérience réelle, et pas seulement du texte et de vérificateurs formels.

En laboratoire, la vérification coûte cher. La synthèse d'un matériau prend des heures ou des jours, la mesure exige de l'équipement, et le bruit dans les données ne disparaît pas parce que le modèle est intelligent. En contrepartie, le résultat est incontestable : l'échantillon possède la propriété recherchée, ou il ne la possède pas. Si les mathématiques ont montré que l'IA peut produire des preuves en continu, le laboratoire teste si elle peut produire en continu des découvertes vérifiables.

Le fragment de matériel ne contient pas les détails de l'entretien lui-même ; nous ne reprenons donc pas les arguments précis de Fedus. Le titre indique toutefois la direction : le goulot d'étranglement se déplace de la génération d'idées vers la vitesse et le coût de leur vérification.

Ce qu'il faut surveiller ensuite

Pour ceux qui suivent le secteur, trois repères sont utiles.

1. Le sort des manuscrits. Combien de travaux seront confirmés par des mathématiciens indépendants, et combien d'autres seront encore retirés. C'est la meilleure mesure de la fiabilité du modèle interne. 2. La sortie du modèle. Si OpenAI le publie, on verra dans quelle mesure les résultats sont reproductibles en dehors de l'infrastructure interne. 3. Les laboratoires automatisés. Les cycles périodiques « hypothèse, expérience, mise à jour du modèle » en science des matériaux montreront si le succès se transfère de l'environnement formel à l'environnement physique.

Pour les équipes qui développent des produits sur LLM, la leçon est pratique : la valeur d'un modèle croît là où existe un vérificateur rapide et peu coûteux. Il peut s'agir de Lean, de tests dans le code, d'un simulateur ou d'un robot de laboratoire. Il faut construire le pipeline à partir de la vérification, et non à partir de la génération.