OpenAI publie 722 articles de mathématiques écrits par une IA

Le 6 octobre, OpenAI a publié 722 articles de mathématiques préparés par une IA. Certains contiennent des preuves liées à la quasi-conjecture de Riemann. À titre de comparaison, un sous-domaine mathématique entier produit des centaines de publications par an, grâce au travail de milliers de personnes ; ici, un volume équivalent arrive en un seul lot. Le même jour, des médias chinois, dont Jiqizhixin, se sont mis à parler de RSI, l'auto-amélioration récursive : selon eux, une équipe d'origine chinoise a déjà parcouru un cycle fermé à grande échelle. Le fragment disponible ne donne aucun détail sur cette équipe. Nous séparons donc ci-dessous ce qui est confirmé de ce qui reste une simple déclaration.

Ce que l'on sait de la publication

Les faits sont modestes, mais pèsent lourd. Date : 6 octobre. Volume : 722 articles. Thème : les mathématiques, notamment des preuves liées à la quasi-conjecture de Riemann. Il ne s'agit pas d'une résolution de l'hypothèse de Riemann elle-même, et la source ne l'affirme pas. Les deux résultats ne sont pas comparables : on parle d'une formulation apparentée, plus faible.

Le plus tranché est Christian Szegedy, ancien chercheur de Google et cofondateur de xAI. Selon lui, les sommets que les mathématiciens gravissaient toute leur vie, la machine peut les atteindre en « arrivant en avion ». Il ajoute aussitôt une réserve : les mathématiques ne touchent pas à leur fin, c'est la manière même de mener la recherche qui change. Szegedy travaille de longue date sur l'autoformalisation, c'est-à-dire la traduction des mathématiques en une forme vérifiable par machine. Son jugement vient donc d'un praticien, pas d'un observateur extérieur.

Où se situe le RSI

L'acronyme RSI désigne un cycle dans lequel un modèle améliore ses propres résultats ou son propre entraînement, et où l'itération suivante repart d'un niveau plus élevé. Les mathématiques sont un terrain presque idéal pour cela : une preuve dispose d'un critère formel de validité, et la réponse peut être vérifiée sans intervention humaine. Si la vérification est automatique, la boucle de génération et de sélection se referme et passe à l'échelle grâce au calcul.

C'est précisément ce que l'équipe chinoise évoquée présente comme « franchi », à en juger par le titre. Le texte ne dit pas quels modèles ont été utilisés, combien de GPU ont été mobilisés, ni quel pourcentage de fausses preuves la vérification écarte. Sans ces chiffres, l'affirmation reste un repère, pas un résultat mesuré.

Ce que l'on sait et ce que l'on ignore :

• Date de publication : 6 octobre 2026.
• Volume de la publication : 722 articles.
• Thème : les mathématiques, dont des preuves autour de la quasi-conjecture de Riemann.
• Expertise indépendante des 722 articles : aucune donnée.
• Part des articles vérifiés formellement (dans Lean ou équivalent) : non précisée.
• Métriques de l'équipe chinoise (modèles, calcul, nombre d'itérations du cycle) : non divulguées.

Que faire de cette information

Premièrement : ne pas confondre volume et qualité. 722 articles ne prouvent rien en soi tant que des relecteurs et des vérificateurs formels n'ont pas examiné un échantillon. Un indicateur raisonnable est ici la part des articles dont les preuves ont passé une vérification automatisée, et non le nombre de titres dans la liste.

Deuxièmement : surveiller qui vérifie. Si les résultats les plus solides s'accompagnent d'une vérification formelle, c'est le signe que le cycle « génération, vérification, sélection » fonctionne en pratique. Sinon, on a affaire plutôt à des hypothèses présentées sous forme d'articles.

Troisièmement : pour les chercheurs et les développeurs d'agents, la leçon est pratique. Les domaines où la vérification automatique est peu coûteuse (mathématiques formelles, une partie de la programmation, code vérifiable) seront les premiers où des schémas de type RSI apporteront un gain réel. Là où le critère de validité est flou, comme en biologie, en économie ou en droit, un tel cycle butera sur l'humain.

Enfin, les propos de Szegedy sur le changement de « méthode de recherche » méritent d'être lus au pied de la lettre : le mathématicien de demain formulera de plus en plus les problèmes et évaluera les résultats, au lieu de dérouler chaque étape à la main. La suite dépendra du degré d'ouverture avec lequel OpenAI et les équipes chinoises montreront les données sur lesquelles reposent leurs déclarations.