OpenAI revendique une preuve du problème de Navier-Stokes générée par IA, et elle est difficile à vérifier

Il y a un mois, OpenAI a annoncé avoir obtenu une preuve du problème de Navier-Stokes générée par IA. C'est l'un des sept « problèmes du millénaire » : le Clay Mathematics Institute promet $1 million pour la résolution de chacun d'eux, et depuis 2000, un seul a été résolu, la conjecture de Poincaré. Bloomberg Tech consacre désormais un épisode au sujet, avec Justin Solomon, doyen adjoint chargé de l'enseignement de l'ingénierie au MIT. Précision importante : le texte source est une simple présentation de podcast, et non une analyse de la preuve elle-même. Il n'y apporte aucune confirmation de sa validité.

Que dit ce problème et pourquoi est-il si difficile à vérifier

Les équations de Navier-Stokes décrivent le mouvement d'un fluide visqueux : l'eau dans une conduite, l'air au-dessus d'une aile, les flux atmosphériques. Ingénieurs et climatologues les résolvent chaque jour par le calcul numérique. Mais les mathématiciens n'ont toujours pas démontré qu'en trois dimensions, ces équations admettent toujours une solution lisse, qui n'« explose » pas en temps fini. La pratique fonctionne, la théorie rigoureuse manque.

D'après la description de l'épisode, Solomon explique à la fois l'énoncé du problème et la raison pour laquelle le texte d'OpenAI est difficile à lire, même pour des professionnels. En mathématiques, ce point est décisif : une preuve n'est une preuve qu'après vérification par la communauté. Si un texte de plusieurs centaines de pages, écrit par un modèle, regorge de démarches inhabituelles, la vérification peut prendre des mois. Un communiqué de presse n'accélère pas ce processus.

Des modèles qui ne savaient pas compter

L'épisode contient un détail qui illustre bien l'ampleur du basculement : les modèles de langage se trompaient autrefois en arithmétique élémentaire, et ils résolvent aujourd'hui des problèmes restés ouverts pendant des décennies. Solomon analyse la manière dont les mathématiciens purs et appliqués réagissent. Leurs intérêts diffèrent. Pour les appliqués, ce qui compte, c'est un outil qui marche et un résultat numérique. Les purs, eux, cherchent la compréhension, c'est-à-dire une structure d'argumentation qu'on peut transmettre à un autre humain.

Un autre volet de l'épisode porte sur la façon dont le cinéma montre le travail des mathématiciens : généralement un génie devant son tableau, frappé par une illumination en pleine nuit. Le travail réel consiste en de longues vérifications, des impasses et des échanges avec des collègues.

Les faits clés de la présentation

• Annonce : en septembre 2026, OpenAI a annoncé une preuve du problème de Navier-Stokes générée par IA. • Statut : la source ne mentionne aucune vérification indépendante. • Enjeu : le prix du Clay Mathematics Institute pour la résolution d'un problème du millénaire s'élève à $1 million. • Expert : Justin Solomon, associate dean for engineering education au MIT. • Difficulté : même les professionnels peinent à lire le texte de la preuve. • Front parallèle : les LLM font les devoirs des étudiants, et les enseignants n'arrivent pas à s'adapter.

Que faire pour les enseignants et les ingénieurs

L'éducation a été confrontée au problème avant la science. Si un modèle résout les exercices types, il faut évaluer non pas la réponse, mais le raisonnement : soutenances orales, problèmes avec explication, contrôles sans appareils. D'après la description, Solomon revoit déjà sa propre approche pédagogique, mais la présentation n'en donne pas les détails.

Pour les équipes d'ingénierie, la conclusion est plus terre à terre. Tout résultat d'un modèle en mathématiques, de l'optimisation à la simulation d'écoulements, doit être vérifié de façon indépendante : par des systèmes formels de preuve, des tests numériques ou un second spécialiste. Tant que la communauté n'a pas confirmé le travail d'OpenAI, il faut le traiter comme une simple déclaration. Si elle le confirme, les mathématiciens disposeront d'une nouvelle classe d'outils et d'un nouveau problème : comment lire des preuves que les humains n'auraient pas imaginées eux-mêmes.