OpenAI affirme que son IA a réfuté l'hypothèse ETH de 1999 et confie la vérification à des experts
OpenAI affirme que son modèle a réfuté l'hypothèse du temps exponentiel (ETH), une supposition ancienne selon laquelle des problèmes comme 3-SAT ne peuvent pas être résolus nettement plus vite qu'par une énumération quasi complète. C'est un peu comme un cadenas à mille combinaisons : on pensait qu'il fallait tout essayer, alors que l'IA aurait trouvé une clé. La vérification sera menée par le groupe d'Impagliazzo, Paturi et Williams, et les matériaux, dont la preuve en Lean, sont disponibles sur GitHub. Pour l'instant, il ne s'agit que de l'affirmation de l'entreprise, et il faudra attendre un examen externe avant d'y croire.
Traité par IA depuis The Verge ; édité par Hamidun News
Moins d'un mois après la publication massive de centaines de manuscrits sur des « solutions à de vieux problèmes », OpenAI a annoncé trois nouvelles « grandes » découvertes : en mathématiques, en informatique et en physique. Pour un ingénieur, la plus parlante est l'affirmation selon laquelle le modèle a réfuté l'hypothèse du temps exponentiel (ETH). Cette hypothèse a été proposée en 1999, et beaucoup la considéraient comme vraie.
La nouveauté de cette annonce tient aussi au fait que l'entreprise a fait appel à des experts extérieurs, qu'elle appelle des « bergers » (shepherds) : ils encadrent la vérification. Le problème que cela tente de résoudre est familier à quiconque a travaillé avec des LLM : un modèle produit un résultat long et convaincant plus vite que les humains ne peuvent vérifier s'il est juste.
Ce qu'est l'ETH et ce qu'affirme OpenAI
Imaginez un gestionnaire de paquets qui cherche des versions compatibles parmi des centaines de bibliothèques, ou un planificateur qui répartit des tâches selon des conditions du type « si A, alors pas B ». Ces casse-têtes se ramènent au problème classique 3-SAT : il faut attribuer des valeurs « oui/non » de façon à satisfaire un ensemble de conditions logiques. L'ETH postule qu'au pire cas, on ne peut pas éviter une énumération dont le temps croît exponentiellement avec la taille du problème.
Selon OpenAI, le modèle a obtenu un algorithme déterministe qui compte exactement le nombre d'assignations satisfaisantes pour des formules CNF de largeur fixe. Il fonctionne en temps sous-exponentiel (nettement plus vite que la croissance exponentielle) et avec une mémoire polynomiale. Pour le cas de 3-SAT, l'entreprise affirme que cela réfute l'ETH. Si cette conclusion est confirmée, il faudra revoir aussi les travaux bâtis sur cette hypothèse.
Deux autres résultats semblent pour l'instant moins vérifiables. En mathématiques, selon OpenAI, le modèle a démontré l'hypothèse du lissage local pour les ondes, dans chaque dimension à partir de deux. Elle implique les conjectures de Kakeya et de restriction de Stein. Rappelons que Hong Wang de l'Université de New York a reçu la médaille Fields il y a quelques mois pour avoir résolu la conjecture de Kakeya en trois dimensions. Ici, la preuve du modèle a été publiée sans modifications, comme lors de l'annonce du 6 octobre, et l'on invite les chercheurs à démêler eux-mêmes les explications.
En physique, il est question d'une « preuve mathématiquement rigoureuse de l'existence » de certaines théories quantiques des champs avec champs de jauge et fermions en quatre dimensions, incluant la chromodynamique quantique (QCD) et une « complétion unifiée » du Modèle standard. Le texte complet n'est pas publié. Le travail sera accompagné par un groupe dirigé par David Gross, composé de Michael Douglas, Arthur Jaffe, Igor Klebanov et Nikita Nekrasov.
Comment fonctionne la vérification
Pour l'informatique, OpenAI a désigné un groupe de travail indépendant : Russell Impagliazzo et Ramamohan Paturi de l'Université de Californie à San Diego (qui faisaient partie du groupe ayant proposé l'ETH) et le professeur Ryan Williams du MIT. À leur demande, le texte rédigé par l'IA et la preuve en Lean ont été immédiatement publiés sur GitHub. Lean est un système dans lequel une preuve est écrite de façon que chacune de ses étapes soit vérifiée par un programme. Pour un développeur, la logique est familière : le résultat d'un modèle doit arriver accompagné d'un artefact vérifiable, comme du code accompagné de tests, et pas seulement sous la forme d'un texte convaincant.
Avec cette annonce, l'entreprise a également publié une lettre ouverte à la communauté posant trois questions :
- quelles règles doivent encadrer l'accès anticipé aux résultats de l'IA, la déclaration des conflits d'intérêts et l'utilisation de matériaux non publiés ;
- comment reconnaître les contributions, qu'il s'agisse de la découverte elle-même ou de la vérification, de la correction, de la simplification et de l'explication ;
- comment soutenir les étudiants et les chercheurs afin qu'ils conservent la capacité de douter des résultats et d'imaginer du nouveau.
Où l'approche est contestable
L'entreprise reconnaît elle-même que le choix des « bergers » peut poser problème. Le conseil de consultants en mathématiques AGMAI, que OpenAI a constitué elle-même, a écrit la veille : « nous recommandons aux entreprises d'IA de ne pas appliquer » la pratique consistant à transmettre les résultats en priorité à certaines personnes. Les raisons : accès inégal, réputation empruntée et sélection biaisée. Le conseil propose un autre cheminement : publier les résultats dans des dépôts scientifiques avec des preuves en Lean, indiquer comment les problèmes ont été choisis, et financer ceux qui sont capables d'analyser les résultats.
Ainsi, OpenAI utilise un format que ses propres consultants viennent de déconseiller. Cela ne signifie pas que les résultats sont faux, mais il est prématuré de les considérer comme confirmés : il y a l'affirmation de l'entreprise, des fichiers sur GitHub et la vérification promise par des groupes indépendants. Pour la physique, on ne dispose même pas du texte complet.
Ce que cela change pour les praticiens
Pour ceux qui construisent des produits à partir de l'IA, la leçon est simple : le goulot d'étranglement s'est déplacé de la génération vers la vérification. Si un modèle produit un résultat plus vite que les humains ne peuvent le contrôler, le poste de dépense principal devient la vérification. L'article ne fournit pas de données sur le coût de calcul, il est donc impossible d'évaluer l'économie de ces découvertes. Le plus raisonnable est de suivre l'affaire de l'ETH : la preuve est écrite en Lean, c'est le premier véritable test de la capacité d'un résultat annoncé par une IA à résister à un examen extérieur.
- 21 nov. 2026OpenAI GPT-6 Cyber a trouvé une trentaine de failles dans les iPhone, Mac et autres appareils Apple
- 21 nov. 202622 agents Claude ont cherché pendant six semaines des réponses sur les trous noirs — et ont résolu deux problèmes
- 21 nov. 2026Google sépare le stockage des conversations et l'entraînement de Gemini : refuser sans perdre l'historique
- 21 nov. 2026Apple : la macOS 27.3 bêta 2 permettra de restreindre l'accès des agents IA aux fichiers du Mac
Questions clés sur cet article
Que sait-on sur Ce qu'est l'ETH et ce qu'affirme OpenAI ?
Imaginez un gestionnaire de paquets qui cherche des versions compatibles parmi des centaines de bibliothèques, ou un planificateur qui répartit des tâches selon des conditions du type « si A, alors pas B ». Ces casse-têtes se ramènent au problème classique 3-SAT : il faut attribuer des valeurs « oui/non » de façon à satisfaire un ensemble de conditions logiques. L'ETH postule qu'au pire cas, on ne peut pas éviter une énumération dont le temps croît exponentiellement avec la taille du problème.
Comment fonctionne la vérification?
Pour l'informatique, OpenAI a désigné un groupe de travail indépendant : Russell Impagliazzo et Ramamohan Paturi de l'Université de Californie à San Diego (qui faisaient partie du groupe ayant proposé l'ETH) et le professeur Ryan Williams du MIT. À leur demande, le texte rédigé par l'IA et la preuve en Lean ont été immédiatement publiés sur GitHub. Lean est un système dans lequel une preuve est écrite de façon que chacune de ses étapes soit vérifiée par un programme.
Que sait-on sur Où l'approche est contestable ?
L'entreprise reconnaît elle-même que le choix des « bergers » peut poser problème. Le conseil de consultants en mathématiques AGMAI, que OpenAI a constitué elle-même, a écrit la veille : « nous recommandons aux entreprises d'IA de ne pas appliquer » la pratique consistant à transmettre les résultats en priorité à certaines personnes. Les raisons : accès inégal, réputation empruntée et sélection biaisée.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.