Programme révolutionnaire de GPT d'OpenAI

« GPT-5.6 Sol Ultra d'OpenAI aurait résolu un problème mathématique vieux de 50 ans en moins d'une heure »

OpenAI affirme que son dernier modèle, GPT-5.6 Sol Ultra, a produit une démonstration de la conjecture de la double couverture par cycles (Cycle Double Cover Conjecture) en moins d'une heure, un problème de théorie des graphes resté sans solution depuis cinquante ans. Pour y parvenir, le système aurait mobilisé 64 sous-agents travaillant en parallèle, une architecture qui permet de répartir l'exploration des pistes de démonstration plutôt que de suivre un raisonnement linéaire unique. Le mathématicien Thomas Bloom a examiné la preuve et la juge étonnamment élémentaire dans sa construction, tout en pointant un défaut de taille : l'absence de citations vers les travaux antérieurs sur lesquels elle s'appuie manifestement. Cette omission n'est pas un détail cosmétique. Dans un contexte où les entreprises d'IA mettent en avant chaque nouvelle percée pour justifier des valorisations et des investissements colossaux, la capacité réelle de ces modèles à produire des mathématiques originales, plutôt qu'à recombiner intelligemment des résultats déjà publiés, devient une question centrale pour la crédibilité du secteur. Pour la communauté mathématique, cela pose aussi un problème de méthode : une preuve non sourcée complique la vérification et l'attribution du mérite intellectuel. L'épisode relance ainsi un débat de fond qui traverse la recherche en IA depuis plusieurs années : les grands modèles de langage se contentent-ils de réorganiser des connaissances existantes de façon habile, ou sont-ils capables d'une véritable créativité scientifique ? OpenAI, comme ses concurrents, a tout intérêt à mettre en avant des résultats spectaculaires, mais la vérification indépendante par des experts comme Bloom reste indispensable avant de trancher si ces systèmes ouvrent réellement de nouvelles voies mathématiques ou se limitent à accélérer un travail de synthèse déjà documenté ailleurs.

💬 GPT-5.6 Sol Ultra qui "résout" un problème vieux de 50 ans, mais sans citer les travaux dont la preuve s'inspire manifestement, ça ne prouve rien du tout. Le vrai signal, c'est que 64 sous-agents en parallèle explorent des pistes plus vite qu'un chercheur seul, pas que le modèle invente des maths originales. Selon Le Fil IA, tant que les labos ne publient pas de preuves sourcées et vérifiables, on mesure la puissance de recherche des IA, pas leur créativité scientifique.

OpenAI promeut son prochain modèle Astra avec la résolution de 10 problèmes de maths

OpenAI a dévoilé début août le nom de code utilisé en interne pour son prochain modèle phare, Astra, pas encore disponible au public, en affirmant qu'il a permis de résoudre dix problèmes de mathématiques. L'entreprise de Sam Altman présente ces résultats dans un billet de blog accompagné d'un PDF détaillant chaque démonstration, mais publié uniquement sur ses propres serveurs plutôt que sur une plateforme de preprint comme arXiv, où les chercheurs partagent habituellement leurs travaux. OpenAI ne mentionne le nom d'aucun mathématicien ayant supervisé ces recherches. L'entreprise précise que le coût total en jetons nécessaires pour retrouver les solutions reviendrait à environ 2 000 dollars aux tarifs de l'API Sol, une somme qui ne prend en compte que la reproduction finale des démonstrations, sans les nombreux essais-erreurs qu'il a fallu réaliser au préalable pour affiner les prompts. Cette annonce ravive un débat déjà vif sur la place de l'IA générative en mathématiques et sur l'attribution des découvertes. Une partie de la communauté mathématique a signé la Leiden Declaration on Artificial Intelligence and Mathematics, qui liste cinq menaces : la multiplication d'arguments plausibles mais peu fiables voire faux, l'absence de citations correctes ou la violation de droits d'auteur, la mise en avant de résultats seulement quand l'IA a été utilisée, la diffusion de résultats sans véritables publications, et la perte d'autonomie de la discipline face aux entreprises qui développent ces IA. Le mathématicien David Madore résumait dès juin sur son blog que les entreprises d'IA utilisent les mathématiques comme un benchmark en apparence objectif pour démontrer leur supériorité, notamment dans le contexte de l'introduction en bourse d'OpenAI, l'objectif réel n'étant pas de faire avancer la science mais de vendre leurs produits. Dans son billet, OpenAI tente de ménager cette communauté en reconnaissant que l'émergence de systèmes capables de contribuer à la recherche mathématique soulève des questions qu'une entreprise technologique ne peut trancher seule, tout en renvoyant la balle aux mathématiciens sur la question de l'attribution : selon elle, créditer un humain pour une démonstration entièrement générée par une IA donnerait une image faussée aussi bien de la contribution du système que du véritable travail intellectuel humain. La question de la paternité des résultats se pose avec d'autant plus d'acuité que l'IA accélère la mise en ligne des démonstrations : Scientific American rapportait récemment que deux équipes avaient publié, à moins de quatre heures d'intervalle sur arXiv, des articles résolvant le même problème de cryptographie quantique.

💬 Dix problèmes résolus, un PDF maison, zéro nom de mathématicien dessus, pas une ligne sur arXiv, j'y vois surtout un argumentaire pour l'introduction en bourse, pas une percée scientifique. Le coût à 2000 dollars, ça fait un chiffre qui claque, mais il cache tout le tâtonnement qu'il a fallu avant d'y arriver, crois-moi, la vraie facture est plus salée. Selon Le Fil IA, tant qu'OpenAI publiera ses résultats maths sur ses propres serveurs plutôt que là où la communauté scientifique vérifie vraiment, ce sera du marketing déguisé en recherche, pas l'inverse.

GPT-next d'OpenAI réfute le problème des distances unitaires planaires d'Erdős pour moins de 1 000 dollars

OpenAI a annoncé début mai 2026 qu'un modèle interne, vraisemblablement une version intermédiaire de GPT-5, surnommée GPT-5.6, a réfuté une conjecture mathématique vieille de 80 ans : le problème des distances unitaires planes, posé par le mathématicien hongrois Paul Erdős en 1946. Le modèle a produit ce résultat en moins de 32 heures de calcul, pour un coût estimé à moins de 1 000 dollars. Concrètement, il a découvert une nouvelle famille de constructions géométriques qui dépasse les meilleures solutions connues basées sur les grilles carrées. Le raisonnement généré s'étend sur environ 125 pages, avec un passage en page 39 qui a particulièrement attiré l'attention de la communauté mathématique. Il s'agit techniquement d'une réfutation, pas d'une preuve, ce qui, selon les auteurs, rend le résultat légèrement moins spectaculaire qu'il aurait pu être, mais significatif malgré tout. Ce qui frappe les observateurs, c'est que le modèle utilisé n'est pas un système spécialisé comme AlphaProof ou un prouveur formel de type Lean, mais un LLM généraliste. Le mathématicien Timothy Gowers, médaille Fields 1998, a qualifié ce résultat de "premier exemple vraiment clair" où une IA résout un problème mathématique ouvert de renom. Le chercheur d'OpenAI Hongxun Wu y voit une démonstration de capacités de raisonnement sur des "problèmes de la plus haute difficulté". L'implication est importante : si un modèle généraliste peut progresser sur des problèmes ouverts en géométrie discrète, le même type de raisonnement pourrait s'appliquer à d'autres domaines scientifiques, biologie, physique, chimie computationnelle. OpenAI a précisé que le modèle n'a pas été poussé à ses limites et sera mis à disposition du public. Ce résultat s'inscrit dans une dynamique plus large autour du calcul à l'inférence : l'idée que donner plus de temps de réflexion à un modèle, plutôt que d'entraîner un modèle plus grand, est le levier dominant du progrès actuel. La longueur inhabituelle du raisonnement produit (125 pages) illustre précisément cette approche. En parallèle, Cohere a publié cette même semaine Command A+, son premier modèle entièrement open source sous licence Apache 2.0 : 218 milliards de paramètres en architecture MoE avec 25 milliards actifs, multimodal, compatible 48 langues, et capable de tourner sur seulement deux GPU H100 en quantification W4A4. Les benchmarks le placent au niveau de Claude 4.5 Haiku avec de bonnes performances en évitement des hallucinations, mais en retrait sur le raisonnement scientifique et le code par rapport aux modèles de tête. Ces deux annonces confirment une semaine de mai 2026 particulièrement dense pour l'IA de frontière.

Une erreur de laboratoire qui pourrait révolutionner l'informatique

Un transistor ordinaire, du type qui équipe tous les processeurs modernes, pourrait se comporter à la fois comme un neurone artificiel et comme une synapse, ouvrant la voie à une informatique radicalement plus économe en énergie. Cette découverte, faite accidentellement l'année dernière par des chercheurs travaillant sur des circuits CMOS standards, remet en question des années d'hypothèses sur ce qu'il faudrait inventer pour rapprocher l'électronique du fonctionnement du cerveau humain. Le composant en question est un transistor MOSFET classique, et pas même un exemplaire de haute qualité : la clé réside dans l'utilisation de son terminal dit "bulk", une connexion à la masse du silicium qui est habituellement ignorée dans la conception des circuits numériques. L'enjeu énergétique est colossal. Chaque GPU utilisé dans les centres de données d'IA consomme jusqu'à 1 000 watts, autant qu'un lave-vaisselle ou une cuisinière, mais en fonctionnement continu, vingt-quatre heures sur vingt-quatre. Par comparaison, un smartphone récent consomme moins d'un watt. À l'échelle des milliers de GPU qui composent un datacenter, la facture électrique et l'empreinte carbone deviennent considérables. Le cerveau humain, lui, accomplit des tâches cognitives comparables avec une efficacité environ un million de fois supérieure à celle des systèmes d'IA actuels, car ses neurones biologiques intègrent des comportements de calcul d'une complexité que les transistors peinent à imiter sans multiplier les composants. C'est précisément ce fossé qui a donné naissance au champ de l'ingénierie neuromorphique, dont l'ambition est de construire des circuits électroniques qui se comportent comme des neurones et des synapses. Deux grandes approches ont jusqu'ici montré leurs limites : les dispositifs expérimentaux, trop peu fiables pour être intégrés dans des systèmes à grande échelle, et les architectures CMOS qui simulent un seul neurone en interconnectant des dizaines de transistors et de condensateurs, rendant la montée en puissance difficile face aux GPU actuels. La découverte accidentelle d'un neurone et d'une synapse fonctionnels, chacun réalisé par un unique transistor standard, contourne ces deux obstacles d'un coup. Si elle se confirme à l'échelle, cette approche pourrait permettre de construire des puces neuromorphiques denses et fiables, capables de concurrencer les GPU sur certaines tâches d'IA tout en consommant une fraction de leur énergie, transformant en profondeur l'infrastructure invisible qui alimente chaque requête, chaque recommandation, chaque prédiction du quotidien numérique.

💬 L'écart d'efficacité énergétique entre nos GPU et le cerveau humain, on le connaissait, on le citait, mais on s'y était un peu résignés en attendant des composants exotiques introuvables. Un transistor MOSFET standard, via son terminal bulk habituellement ignoré, se comporterait à la fois comme neurone et comme synapse, ce qui suffirait à rendre les puces neuromorphiques denses et fiables sans rien inventer de nouveau. Faut que ça tienne à l'échelle, mais si c'est le cas, ça change complètement où chercher.