Un mathématicien d'Anthropic affirme que Claude l'a aidé à prouver l'hypothèse de Riemann en six semaines
Levent Alpöge, mathématicien d'Anthropic, affirme avoir prouvé avec Claude l'hypothèse de Riemann en six semaines. Il s'agit d'un problème sur les nombres premiers vieux de près de 170 ans. La preuve est écrite en code Lean, que l'ordinateur vérifie pas à pas, un peu comme des tests automatisés contrôlent un programme. Pour l'instant, seule la parole de l'auteur fait foi, et les mathématiciens cherchent à établir que le code décrit bien l'hypothèse de Riemann. Conclusion pour les praticiens : on peut faire confiance à l'IA là où une machine vérifie le résultat, pas là où il suffit de regarder.
Traité par IA depuis Guardian ; édité par Hamidun News
Imaginez que vous ayez demandé à une IA d'écrire une migration complexe de base de données. Le résultat paraît convaincant, mais le lancer en production fait peur : et si le modèle s'était trompé avec aplomb quelque part ? Montez maintenant la mise à une des questions les plus célèbres des mathématiques non résolues. C'est dans cette situation que se trouve l'histoire de l'hypothèse de Riemann, que l'on tente désormais de confirmer ou d'infirmer. Levent Alpöge, mathématicien américain d'origine turque qui travaille chez Anthropic, affirme avoir mené sa démonstration à son terme avec Claude. Pour l'instant, il s'agit de l'affirmation d'une seule personne, mais la méthode de vérification mérite l'attention des praticiens.
Ce qu'a affirmé Alpöge
Vendredi, Alpöge a publié sur son site personnel une note : selon lui, Claude a contribué à bâtir la solution en six semaines environ. Il écrit avoir travaillé avec le modèle depuis plusieurs mois, mais qu'à la fin celui-ci l'a « largement dépassé ». La note contient une formule presque poétique : Claude « a volé, dansé et étincelé » à l'approche de la ligne d'arrivée.
Le problème a été formulé par Bernhard Riemann en 1859, il y a donc près de 170 ans. Il porte sur les nombres premiers, ceux qui ne sont divisibles que par un et par eux-mêmes. Riemann se demandait à quelle fréquence ils apparaissent et comment ils se répartissent le long de la droite numérique, et il a établi une formule permettant d'estimer combien de nombres premiers se trouvent en deçà d'une borne donnée. L'hypothèse figure parmi les sept « problèmes du millénaire » de l'Institut Clay, qui promet 1 million de dollars pour la solution de chacun.
Le calendrier est gênant : la note est parue le lendemain de l'entrée d'Anthropic en bourse au Nasdaq. Alpöge l'a lui-même reconnu : « Le timing est terrible. Si j'avais pu, j'aurais terminé plus tôt. »
Pourquoi Lean est important ici
Alpöge a joint à sa note du code écrit en Lean et affirme que celui-ci permet de vérifier le résultat. Lean est un système de vérification formelle : la démonstration est écrite sous forme de programme, et l'ordinateur contrôle strictement chaque étape logique. C'est comparable à des tests unitaires : soit tout s'enchaîne, soit la vérification échoue. Cela neutralise la principale faiblesse des modèles de langage, leur tendance à produire des raisonnements lisses mais faux.
Des réserves demeurent. Qu'un code passe avec succès la vérification Lean ne garantit pas qu'il formalise l'hypothèse de Riemann elle-même, et non une version simplifiée. La comparaison des énoncés relève du travail humain, et des mathématiciens s'y sont déjà attelés. À la date de publication, aucune confirmation n'existe.
Concurrents et scepticisme
Alpöge n'est pas le seul prétendant. Selon le New York Times, le même vendredi, le mathématicien indépendant italien Alessandro Massullo a publié une démonstration incomplète sur laquelle il travaillait depuis près de 12 ans. Il n'a pas utilisé d'IA, car il ne fait pas pleinement confiance à ce type de systèmes.
Le contexte est aussi celui de la rivalité entre laboratoires. OpenAI a précédemment indiqué qu'une version fermée de ses modèles avait contribué à résoudre une partie d'un autre « problème du millénaire ». Beaucoup ont été surpris par la méthode : une entreprise valorisée près de mille milliards de dollars a dépensé 15 millions de dollars et mobilisé 10 000 systèmes d'IA. Sur ce problème distinct, Alpöge travaillait alors pour Anthropic.
Une partie des mathématiciens accueille mal ce type d'annonces. James Robinson, de l'université de Warwick, déclarait dès septembre qu'il trouvait désolant de voir de grandes entreprises « brûler du carburant » pour vanter un nouveau modèle. Il a qualifié cela de « vantardise immature de cour de récréation », adossée à des milliards de dollars et à un risque pour le climat.
Ce que cela implique pour les praticiens
Premier enseignement : le couple « le modèle propose, un vérificateur formel contrôle » est aujourd'hui la manière la plus fiable d'obtenir de l'IA des résultats auxquels on peut se fier. Le même principe s'applique à plus petite échelle : tests pour le code généré, schémas de validation pour les réponses d'agents, contrôles automatiques pour la logique métier critique. Plus la vérification est stricte, moins il faut croire le modèle sur parole.
Second enseignement : tant que les mathématiciens n'ont pas confirmé la démonstration, on ne peut pas la tenir pour un fait établi. Si elle résiste à l'expertise, ce sera l'argument le plus solide en faveur de l'IA comme outil de recherche. Sinon, cela rappellera qu'une annonce retentissante et un résultat vérifié sont deux choses distinctes, surtout quand l'entreprise vient tout juste de introduire ses actions en bourse.
- 21 nov. 2026OpenAI ouvre ChatGPT Spaces aux abonnés Plus : des documents collaboratifs avec IA
- 21 nov. 2026Les géants technologiques chinois ont doublé leurs dépenses en IA à 139 milliards de dollars, mais leurs laboratoires couvrent moins de 8 % de ces coûts
- 21 nov. 2026Le navigateur Ego lite attribue à chaque agent IA son propre espace de travail Space
- 21 nov. 2026Docker a changé d'image pour les agents IA, mais les Sandboxes sont sorties dès septembre
Questions clés sur cet article
Que sait-on sur Ce qu'a affirmé Alpöge ?
Vendredi, Alpöge a publié sur son site personnel une note : selon lui, Claude a contribué à bâtir la solution en six semaines environ. Il écrit avoir travaillé avec le modèle depuis plusieurs mois, mais qu'à la fin celui-ci l'a « largement dépassé ». La note contient une formule presque poétique : Claude « a volé, dansé et étincelé » à l'approche de la ligne d'arrivée. Le problème a été formulé par Bernhard Riemann en 1859, il y a donc près de 170 ans.
Pourquoi Lean est important ici?
Alpöge a joint à sa note du code écrit en Lean et affirme que celui-ci permet de vérifier le résultat. Lean est un système de vérification formelle : la démonstration est écrite sous forme de programme, et l'ordinateur contrôle strictement chaque étape logique. C'est comparable à des tests unitaires : soit tout s'enchaîne, soit la vérification échoue. Cela neutralise la principale faiblesse des modèles de langage, leur tendance à produire des raisonnements lisses mais faux. Des réserves demeurent.
Que sait-on sur Concurrents et scepticisme ?
Alpöge n'est pas le seul prétendant. Selon le New York Times, le même vendredi, le mathématicien indépendant italien Alessandro Massullo a publié une démonstration incomplète sur laquelle il travaillait depuis près de 12 ans. Il n'a pas utilisé d'IA, car il ne fait pas pleinement confiance à ce type de systèmes. Le contexte est aussi celui de la rivalité entre laboratoires.
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.