RechercheThe Decoder · 3 août 2026, 14:49· 1 min de lecture

Deux équipes résolvent le même problème de cryptographie quantique à trois heures d'intervalle avec GPT-5.6

Deux équipes de recherche ont résolu indépendamment le même problème ouvert de cryptographie quantique en utilisant GPT-5.6 Sol Ultra d'OpenAI, soumettant leurs articles à seulement trois heures d'intervalle. L'un des chercheurs impliqués résume la nouvelle méthode de travail devenue courante : "si quelqu'un mentionne un problème ouvert, la première chose à faire est de voir si GPT le résout". Les deux équipes, sans concertation, ont abouti simultanément à une solution grâce au même modèle d'IA, un scénario qui aurait semblé improbable il y a encore quelques années dans un domaine aussi pointu que la cryptographie quantique.

Cette coïncidence soulève une question de fond pour le monde de la recherche scientifique : que signifie encore la "découverte indépendante" lorsque des équipes séparées, travaillant sans lien entre elles, utilisent toutes le même outil pour aboutir au même résultat quasiment au même moment. Traditionnellement, deux équipes arrivant à une solution identique de façon indépendante était vu comme une validation forte, un signe que l'idée était mûre et que la découverte était solide. Mais si le véritable "chercheur" est un modèle de langage partagé par toute la communauté, cette convergence perd une partie de sa valeur probante, puisqu'elle ne reflète plus deux raisonnements humains distincts mais un seul outil interrogé deux fois.

L'épisode illustre la vitesse à laquelle les grands modèles de langage s'intègrent désormais dans le travail de recherche mathématique et scientifique de pointe, y compris sur des problèmes ouverts jugés difficiles. Il rejoint les débats plus larges sur l'attribution du mérite scientifique, la reproductibilité et l'originalité à l'ère des IA génératives, alors que des outils comme GPT-5.6 deviennent des réflexes quasi systématiques pour tester la faisabilité d'une résolution avant même qu'un humain ne s'attaque au problème. Reste à savoir comment les revues scientifiques et les institutions académiques adapteront leurs critères d'évaluation face à cette nouvelle réalité.

Dans nos dossiers

GPT-5 OpenAI

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1The Decoder

« 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.

RecherchePaper

1 source

2The Decoder

Un nouveau test mathématique révèle que les modèles d'IA résolvent avec assurance des problèmes sans solution

Un consortium de 64 mathématiciens a conçu SOOHAK, un nouveau benchmark destiné à évaluer les capacités des modèles d'IA en mathématiques de recherche. L'outil comprend 439 problèmes rédigés à la main, dont 99 délibérément sans solution valide. Sur les problèmes de niveau recherche, Gemini 3 Pro de Google arrive en tête avec un score de 30 %. En revanche, aucun modèle ne dépasse 50 % lorsqu'il s'agit d'identifier les problèmes insolubles, autrement dit, tous les systèmes testés échouent à reconnaître qu'une question n'a pas de réponse. Ce résultat pointe une faille fondamentale : davantage de puissance de calcul améliore la capacité à résoudre des problèmes, mais n'améliore pas la capacité à admettre qu'un problème est sans issue. Pour un outil censé assister des chercheurs, cette lacune est critique. Un modèle qui répond avec assurance à une question mal posée ou insoluble est potentiellement plus dangereux qu'un modèle qui avoue ses limites, il peut induire en erreur des équipes entières. SOOHAK s'inscrit dans un effort plus large pour dépasser les benchmarks saturés ou trop faciles à "tricher", qui donnent une impression trompeuse des capacités réelles des IA. La communauté scientifique cherche à mesurer non seulement la performance brute, mais aussi la métacognition, savoir ce qu'on ne sait pas. Avec des scores plafonnant à 30 % sur des tâches de recherche authentique, SOOHAK confirme que les modèles actuels restent loin d'un niveau de raisonnement mathématique avancé, malgré les annonces régulières de progrès spectaculaires.

💬 La vraie info ici, c'est pas le 30 % de Gemini, c'est le moins de 50 % sur les problèmes sans solution. Aucun modèle ne sait dire "cette question est mal posée", et c'est exactement le genre de bug silencieux qui peut planter un projet de recherche entier. Reste à voir combien d'équipes scientifiques utilisent ces outils sans savoir ça.

RecherchePaper

1 source

3The Decoder

L'IA continue de résoudre des problèmes mathématiques non résolus, un sentiment partagé chez les mathématiciens

Cette IA continue de résoudre des problèmes mathématiques non résolus, ce qui suscite des réactions partagées chez les mathématiciens. OpenAI a récemment publié une réfutation de la conjecture de la distance unitaire, un problème mathématique jusqu'ici irrésolu, déclenchant une vague d'avancées assistées par intelligence artificielle dans le domaine. Timothy Gowers, lauréat de la médaille Fields, rapporte que GPT 5.6 Pro a résolu deux problèmes sur lesquels il travaillait depuis un certain temps, et ce dès la première tentative pour chacun. Cette performance illustre la capacité croissante des modèles d'IA les plus avancés à s'attaquer à des questions mathématiques complexes, jusqu'alors réservées à l'expertise humaine spécialisée. Cette évolution soulève des inquiétudes profondes au sein de la communauté mathématique. Gowers met en garde contre une possible "destruction de la culture mathématique" si les chercheurs cessent de développer l'expertise nécessaire pour comprendre et vérifier de tels résultats. Le risque n'est pas seulement technique mais culturel: si l'IA produit des preuves que peu d'humains maîtrisent encore assez pour évaluer, le savoir-faire collectif accumulé au fil des générations pourrait s'éroder. D'autres mathématiciens adoptent une position plus pragmatique, considérant simplement ces outils comme des accélérateurs de productivité dans leur travail quotidien. Ce débat s'inscrit dans une tension plus large entre l'adoption enthousiaste de l'IA comme outil de recherche et la préservation des compétences fondamentales qui ont permis aux mathématiciens de construire, transmettre et vérifier des connaissances pendant des siècles. À mesure que des modèles comme GPT continuent de démontrer leur capacité à percer des problèmes ouverts, la communauté scientifique devra trancher entre intégration prudente et vigilance quant à la dépendance croissante envers ces systèmes, dont le raisonnement interne reste largement opaque même aux experts.

💬 Ce qui me frappe, c'est que le problème n'est plus "l'IA sait-elle faire des maths", c'est "qui reste capable de vérifier ce qu'elle produit". Gowers a raison de s'inquiéter, pas parce que GPT 5.6 Pro triche, mais parce qu'une preuve que personne ne peut relire n'est plus vraiment un savoir partagé, c'est une boîte noire qu'on accepte sur confiance. Reste à voir si la communauté impose des standards de vérification avant que ce soit trop tard, parce que là on est en train de troquer la culture mathématique contre du rendement.

RecherchePaper

1 source

4The Decoder

Les chatbots IA lisant des radiographies peuvent se montrer dangereusement sûrs d'eux, même quand ils se trompent

L'équipe de recherche derrière RadLE 2.0 vient de publier un nouveau benchmark destiné à évaluer un problème précis en radiologie assistée par intelligence artificielle : la capacité des modèles à reconnaître les limites de leurs propres diagnostics. Concrètement, le test soumet aux systèmes d'IA des radiographies et mesure non seulement si leurs conclusions médicales sont exactes, mais surtout s'ils savent identifier les cas où ils devraient s'abstenir et renvoyer le patient vers un radiologue humain. Les résultats montrent qu'un grand nombre de modèles actuels formulent des diagnostics erronés avec une assurance totale, sans exprimer le moindre doute alors que leur lecture de l'image est fausse. Sur l'ensemble des tests, les radiologues humains conservent une avance nette sur les meilleurs modèles d'IA évalués. Ce constat pèse lourd pour l'avenir du déploiement clinique de ces outils. Un système d'IA qui se trompe silencieusement, sans signaler son incertitude, représente un risque bien plus grand qu'un système moins performant mais capable de reconnaître ses limites : dans un contexte médical, une fausse assurance peut conduire à un diagnostic manqué ou à un traitement inadapté, avec des conséquences directes pour les patients. Pour les hôpitaux et les éditeurs de logiciels médicaux qui envisagent d'intégrer ces modèles dans leurs flux de travail, cela signifie que la seule mesure de précision ne suffit plus : il faut aussi évaluer la fiabilité de l'auto-évaluation du modèle avant toute autorisation d'usage clinique. Cette question s'inscrit dans un débat plus large sur la place de l'IA en médecine, où plusieurs modèles ont déjà démontré des performances impressionnantes sur des tâches d'imagerie spécifiques, alimentant l'espoir d'un diagnostic assisté voire autonome. Mais des benchmarks comme RadLE 2.0 rappellent qu'avant de confier un rôle décisionnel à ces systèmes, il faut d'abord leur apprendre à exprimer l'incertitude, un défi technique et éthique que les chercheurs en IA médicale considèrent désormais comme aussi important que l'amélioration brute de la précision diagnostique.

💬 Un chatbot qui se trompe sans jamais douter, c'est pire qu'un chatbot moins bon : au moins l'incertain, tu sais qu'il faut vérifier. Là, RadLE 2.0 montre noir sur blanc que la plupart des modèles bluffent avec un aplomb total sur des radios mal lues, et les radiologues gardent une nette avance sur les meilleurs d'entre eux. Retiens ça : tant qu'une IA médicale ne sait pas dire qu'elle doute, elle n'a rien à faire seule devant un diagnostic.

RecherchePaper

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic