Derrière la prouesse mathématique se dessine surtout une nouvelle manière de faire travailler l’IA : non plus un modèle solitaire cherchant « la » bonne réponse, mais une armée d’agents explorant simultanément des milliers de pistes. Avec une facture potentiellement supérieure à plusieurs millions de dollars et une controverse sur l’utilisation de travaux scientifiques non publiés, l’expérience ouvre autant de questions qu’elle prétend en résoudre.
Ce n’est pas encore officiellement le huitième jour de la création mathématique.
Mais ce qui s’est passé entre le 1er et le 5 septembre 2026 pourrait marquer une date importante dans l’histoire de l’intelligence artificielle scientifique.
OpenAI affirme qu’un système expérimental reposant sur environ 10 000 agents IA travaillant simultanément est parvenu à produire une démonstration du problème de l’existence et de la régularité des équations de Navier-Stokes, l’un des sept célèbres « problèmes du Millénaire » dotés chacun d’un prix d’un million de dollars par le Clay Mathematics Institute.
L’expérience aurait mobilisé 2,7 millions de messages entre agents et environ 130 milliards de tokens de sortie pour le seul problème de Navier-Stokes. Les premières recherches ont duré environ 88 heures, avant une phase supplémentaire de 17 heures consacrée à la formalisation et à la vérification avec GPT-6 Astra.
Mais derrière ces chiffres spectaculaires se cache peut-être quelque chose de plus important encore : un changement de méthode.
Ce n’est pas encore officiellement le huitième jour de la création mathématique.
Mais ce qui s’est passé entre le 1er et le 5 septembre 2026 pourrait marquer une date importante dans l’histoire de l’intelligence artificielle scientifique.
OpenAI affirme qu’un système expérimental reposant sur environ 10 000 agents IA travaillant simultanément est parvenu à produire une démonstration du problème de l’existence et de la régularité des équations de Navier-Stokes, l’un des sept célèbres « problèmes du Millénaire » dotés chacun d’un prix d’un million de dollars par le Clay Mathematics Institute.
L’expérience aurait mobilisé 2,7 millions de messages entre agents et environ 130 milliards de tokens de sortie pour le seul problème de Navier-Stokes. Les premières recherches ont duré environ 88 heures, avant une phase supplémentaire de 17 heures consacrée à la formalisation et à la vérification avec GPT-6 Astra.
Mais derrière ces chiffres spectaculaires se cache peut-être quelque chose de plus important encore : un changement de méthode.
Navier-Stokes, ou pourquoi prévoir l’eau et l’air reste un problème mathématique
Les équations de Navier-Stokes décrivent le mouvement des fluides.
L’eau qui s’écoule dans une canalisation, l’air autour d’une aile d’avion, la circulation atmosphérique, les turbulences derrière une voiture ou les mouvements d’un liquide dans une turbine peuvent être modélisés à partir de ces équations.
Elles constituent donc depuis le XIXe siècle l’un des piliers de la mécanique des fluides.
Et pourtant, un problème fondamental demeure.
Lorsqu’on part d’un fluide parfaitement régulier, les équations garantissent-elles que son évolution restera toujours régulière ?
Ou certaines configurations peuvent-elles provoquer l’apparition d’une singularité, c’est-à-dire d’un point où certaines grandeurs mathématiques deviennent infinies ?
La question n'est pas simplement de savoir si un ordinateur peut simuler un écoulement. Les ingénieurs le font quotidiennement.
Le problème est de démontrer mathématiquement ce qui peut ou ne peut pas se produire dans toutes les configurations admissibles en trois dimensions.
En 1934, le mathématicien français Jean Leray avait démontré l’existence de certaines solutions dites « faibles ». Mais la question de leur régularité restait ouverte.
C’est précisément ce problème que le Clay Mathematics Institute a intégré en 2000 à sa liste des sept grands problèmes mathématiques du Millénaire.
L’eau qui s’écoule dans une canalisation, l’air autour d’une aile d’avion, la circulation atmosphérique, les turbulences derrière une voiture ou les mouvements d’un liquide dans une turbine peuvent être modélisés à partir de ces équations.
Elles constituent donc depuis le XIXe siècle l’un des piliers de la mécanique des fluides.
Et pourtant, un problème fondamental demeure.
Lorsqu’on part d’un fluide parfaitement régulier, les équations garantissent-elles que son évolution restera toujours régulière ?
Ou certaines configurations peuvent-elles provoquer l’apparition d’une singularité, c’est-à-dire d’un point où certaines grandeurs mathématiques deviennent infinies ?
La question n'est pas simplement de savoir si un ordinateur peut simuler un écoulement. Les ingénieurs le font quotidiennement.
Le problème est de démontrer mathématiquement ce qui peut ou ne peut pas se produire dans toutes les configurations admissibles en trois dimensions.
En 1934, le mathématicien français Jean Leray avait démontré l’existence de certaines solutions dites « faibles ». Mais la question de leur régularité restait ouverte.
C’est précisément ce problème que le Clay Mathematics Institute a intégré en 2000 à sa liste des sept grands problèmes mathématiques du Millénaire.
Ce qu’OpenAI affirme avoir démontré
La solution proposée par OpenAI emprunte la voie de la « rupture ».
Plutôt que de démontrer que les solutions restent toujours parfaitement régulières, le système aurait construit un exemple dans lequel une configuration initialement régulière évolue jusqu’à l’apparition d’une singularité en temps fini.
Autrement dit : selon cette démonstration, les équations peuvent théoriquement conduire à un état où certaines caractéristiques de l’écoulement deviennent non bornées.
OpenAI décrit notamment une structure de vortex qui s’étire, se resserre et s’enroule de plus en plus fortement jusqu’à provoquer la singularité.
Plutôt que de démontrer que les solutions restent toujours parfaitement régulières, le système aurait construit un exemple dans lequel une configuration initialement régulière évolue jusqu’à l’apparition d’une singularité en temps fini.
Autrement dit : selon cette démonstration, les équations peuvent théoriquement conduire à un état où certaines caractéristiques de l’écoulement deviennent non bornées.
OpenAI décrit notamment une structure de vortex qui s’étire, se resserre et s’enroule de plus en plus fortement jusqu’à provoquer la singularité.
Le résultat revendiqué correspondrait aux formulations « C » et « D » prévues dans l’énoncé officiel du problème du Millénaire.
Attention cependant à une confusion fréquente.
Cela ne signifie évidemment pas qu’un verre d’eau risque soudainement de produire physiquement une vitesse infinie.
Une singularité mathématique indique avant tout qu’un modèle atteint une limite théorique dans certaines conditions particulières.
La portée du résultat est donc d’abord fondamentale.
Attention cependant à une confusion fréquente.
Cela ne signifie évidemment pas qu’un verre d’eau risque soudainement de produire physiquement une vitesse infinie.
Une singularité mathématique indique avant tout qu’un modèle atteint une limite théorique dans certaines conditions particulières.
La portée du résultat est donc d’abord fondamentale.
10 000 agents au lieu d’un cerveau unique
C’est probablement ici que l’expérience devient la plus intéressante pour le futur de l’intelligence artificielle.
OpenAI n’a pas simplement donné le problème à un modèle en lui demandant : « Résous Navier-Stokes ».
La société a créé une organisation composée de milliers d’agents.
Les agents ont été divisés en groupes. Certains exploraient l’hypothèse selon laquelle les solutions resteraient régulières. D’autres cherchaient au contraire des scénarios permettant de provoquer une singularité.
Chaque groupe explorait des variantes différentes du problème.
Les agents pouvaient utiliser du code, consulter une version mise en cache d’Internet et communiquer entre eux à l’intérieur de leur groupe.
À intervalles réguliers, les pistes les plus prometteuses étaient consolidées. OpenAI explique avoir utilisé Codex pour faire circuler certaines idées entre groupes et provoquer ce que l’entreprise appelle une forme de « cross-pollination », autrement dit une pollinisation croisée des raisonnements.
On retrouve finalement une organisation assez proche d’un laboratoire scientifique.
Des milliers de chercheurs explorent des pistes différentes.
Certains échouent.
D’autres produisent des résultats partiels.
Des équipes récupèrent les découvertes de leurs voisins.
Puis une direction scientifique sélectionne les hypothèses les plus prometteuses.
Sauf qu’ici les chercheurs sont des agents logiciels capables de travailler simultanément.
OpenAI n’a pas simplement donné le problème à un modèle en lui demandant : « Résous Navier-Stokes ».
La société a créé une organisation composée de milliers d’agents.
Les agents ont été divisés en groupes. Certains exploraient l’hypothèse selon laquelle les solutions resteraient régulières. D’autres cherchaient au contraire des scénarios permettant de provoquer une singularité.
Chaque groupe explorait des variantes différentes du problème.
Les agents pouvaient utiliser du code, consulter une version mise en cache d’Internet et communiquer entre eux à l’intérieur de leur groupe.
À intervalles réguliers, les pistes les plus prometteuses étaient consolidées. OpenAI explique avoir utilisé Codex pour faire circuler certaines idées entre groupes et provoquer ce que l’entreprise appelle une forme de « cross-pollination », autrement dit une pollinisation croisée des raisonnements.
On retrouve finalement une organisation assez proche d’un laboratoire scientifique.
Des milliers de chercheurs explorent des pistes différentes.
Certains échouent.
D’autres produisent des résultats partiels.
Des équipes récupèrent les découvertes de leurs voisins.
Puis une direction scientifique sélectionne les hypothèses les plus prometteuses.
Sauf qu’ici les chercheurs sont des agents logiciels capables de travailler simultanément.
Une sorte de calcul parallèle appliqué au raisonnement
La logique rappelle celle des supercalculateurs.
Depuis plusieurs décennies, lorsqu’un calcul devient trop important pour une machine unique, on le répartit sur des milliers de processeurs.
OpenAI applique ici une philosophie similaire au raisonnement.
On pourrait parler de calcul parallèle des idées.
Un modèle unique dispose nécessairement d’un nombre limité de tentatives.
Avec 10 000 agents, on peut explorer simultanément des milliers de chemins intellectuels.
La puissance ne vient alors plus uniquement de l’intelligence du modèle.
Elle vient du produit :
qualité du modèle × nombre d’agents × temps de calcul × qualité de l’orchestration.
Cette équation pourrait devenir l’une des grandes clés de l’intelligence artificielle scientifique.
Depuis plusieurs décennies, lorsqu’un calcul devient trop important pour une machine unique, on le répartit sur des milliers de processeurs.
OpenAI applique ici une philosophie similaire au raisonnement.
On pourrait parler de calcul parallèle des idées.
Un modèle unique dispose nécessairement d’un nombre limité de tentatives.
Avec 10 000 agents, on peut explorer simultanément des milliers de chemins intellectuels.
La puissance ne vient alors plus uniquement de l’intelligence du modèle.
Elle vient du produit :
qualité du modèle × nombre d’agents × temps de calcul × qualité de l’orchestration.
Cette équation pourrait devenir l’une des grandes clés de l’intelligence artificielle scientifique.
Le mystérieux modèle derrière la découverte
Autre élément notable : le système ayant trouvé la solution n’était pas GPT-6 Astra.
OpenAI indique avoir utilisé un modèle interne « significativement plus performant » que GPT-6 Astra pour mener les recherches.
Astra aurait ensuite servi à formaliser et vérifier la preuve pendant environ 17 heures.
Ce détail mérite attention.
GPT-6 Astra, présenté publiquement début septembre 2026, est déjà positionné par OpenAI comme son modèle généraliste de nouvelle génération pour le raisonnement, le développement logiciel, la recherche et l’utilisation autonome de l’ordinateur.
Cela signifie qu’OpenAI dispose déjà, au moins en interne, d’un système dépassant les capacités de son modèle public le plus récent.
La compétition des grands modèles pourrait donc désormais présenter deux vitesses : les modèles distribués au public et les modèles expérimentaux conservés dans les laboratoires pour les tâches de frontière.
OpenAI indique avoir utilisé un modèle interne « significativement plus performant » que GPT-6 Astra pour mener les recherches.
Astra aurait ensuite servi à formaliser et vérifier la preuve pendant environ 17 heures.
Ce détail mérite attention.
GPT-6 Astra, présenté publiquement début septembre 2026, est déjà positionné par OpenAI comme son modèle généraliste de nouvelle génération pour le raisonnement, le développement logiciel, la recherche et l’utilisation autonome de l’ordinateur.
Cela signifie qu’OpenAI dispose déjà, au moins en interne, d’un système dépassant les capacités de son modèle public le plus récent.
La compétition des grands modèles pourrait donc désormais présenter deux vitesses : les modèles distribués au public et les modèles expérimentaux conservés dans les laboratoires pour les tâches de frontière.
Lean : quand la machine doit vérifier la machine
La démonstration ne repose par ailleurs pas uniquement sur un texte mathématique généré par une IA.
OpenAI fournit également une formalisation réalisée dans Lean, un assistant de preuve mathématique.
Dans ce type de système, une démonstration est traduite sous une forme extrêmement rigoureuse permettant à un ordinateur d’en vérifier chaque étape logique.
C’est important.
Les modèles de langage peuvent produire des raisonnements apparemment convaincants contenant des erreurs discrètes.
La formalisation permet donc d'ajouter une couche de contrôle.
Elle ne remplace pas entièrement l’évaluation scientifique humaine, notamment concernant les hypothèses, la pertinence et la correspondance exacte avec le problème initial mais elle réduit considérablement le risque d’une simple « hallucination mathématique ».
OpenAI fournit également une formalisation réalisée dans Lean, un assistant de preuve mathématique.
Dans ce type de système, une démonstration est traduite sous une forme extrêmement rigoureuse permettant à un ordinateur d’en vérifier chaque étape logique.
C’est important.
Les modèles de langage peuvent produire des raisonnements apparemment convaincants contenant des erreurs discrètes.
La formalisation permet donc d'ajouter une couche de contrôle.
Elle ne remplace pas entièrement l’évaluation scientifique humaine, notamment concernant les hypothèses, la pertinence et la correspondance exacte avec le problème initial mais elle réduit considérablement le risque d’une simple « hallucination mathématique ».
130 milliards de tokens : la science devient-elle une industrie lourde ?
L’autre chiffre impressionnant est celui du volume de calcul.
Pour Navier-Stokes seulement : environ 130 milliards de tokens générés.
Pour l’ensemble des problèmes explorés durant cette campagne : environ 300 milliards de tokens et 4,9 millions de messages d’agents.
Ces ordres de grandeur changent complètement l’économie de la recherche assistée par IA.
Business Insider rapporte ainsi une estimation externe de 10 à 40 millions de dollars pour l’expérience, selon les hypothèses retenues sur le prix réel du calcul utilisé. Il ne s’agit toutefois pas d’un coût officiellement communiqué par OpenAI.
À titre de comparaison, le prix promis par le Clay Mathematics Institute pour résoudre Navier-Stokes est d’un million de dollars.
Autrement dit, la puissance de calcul utilisée pourrait avoir coûté beaucoup plus cher que la récompense elle-même.
Mais raisonner ainsi serait probablement trompeur.
Pour OpenAI, l’objectif réel n’est évidemment pas le million de dollars.
Navier-Stokes constitue un banc d’essai.
Si une architecture multi-agents peut s’attaquer à des problèmes mathématiques considérés depuis près d’un siècle comme extrêmement difficiles, elle pourrait ensuite être utilisée en physique, chimie, médecine, ingénierie, optimisation industrielle ou conception de nouveaux matériaux.
Le véritable marché potentiel se chiffre alors non plus en millions, mais en milliers de milliards.
Pour Navier-Stokes seulement : environ 130 milliards de tokens générés.
Pour l’ensemble des problèmes explorés durant cette campagne : environ 300 milliards de tokens et 4,9 millions de messages d’agents.
Ces ordres de grandeur changent complètement l’économie de la recherche assistée par IA.
Business Insider rapporte ainsi une estimation externe de 10 à 40 millions de dollars pour l’expérience, selon les hypothèses retenues sur le prix réel du calcul utilisé. Il ne s’agit toutefois pas d’un coût officiellement communiqué par OpenAI.
À titre de comparaison, le prix promis par le Clay Mathematics Institute pour résoudre Navier-Stokes est d’un million de dollars.
Autrement dit, la puissance de calcul utilisée pourrait avoir coûté beaucoup plus cher que la récompense elle-même.
Mais raisonner ainsi serait probablement trompeur.
Pour OpenAI, l’objectif réel n’est évidemment pas le million de dollars.
Navier-Stokes constitue un banc d’essai.
Si une architecture multi-agents peut s’attaquer à des problèmes mathématiques considérés depuis près d’un siècle comme extrêmement difficiles, elle pourrait ensuite être utilisée en physique, chimie, médecine, ingénierie, optimisation industrielle ou conception de nouveaux matériaux.
Le véritable marché potentiel se chiffre alors non plus en millions, mais en milliers de milliards.
Le coût devient néanmoins une nouvelle frontière scientifique
Cette approche pose cependant un problème politique et économique.
Si produire une découverte scientifique nécessite demain 10 000 agents et plusieurs millions de dollars de calcul, qui pourra réellement pratiquer cette nouvelle forme de recherche ?
- Quelques entreprises américaines ?
- Les laboratoires disposant de gigantesques infrastructures de calcul ?
- Les États capables de financer des centres de données de plusieurs gigawatts ?
La découverte scientifique pourrait progressivement devenir une activité d’infrastructure.
Après les grands télescopes, les accélérateurs de particules et les supercalculateurs apparaîtrait une nouvelle catégorie : les usines de raisonnement artificiel.
Cela pose directement la question de la souveraineté scientifique.
Si produire une découverte scientifique nécessite demain 10 000 agents et plusieurs millions de dollars de calcul, qui pourra réellement pratiquer cette nouvelle forme de recherche ?
- Quelques entreprises américaines ?
- Les laboratoires disposant de gigantesques infrastructures de calcul ?
- Les États capables de financer des centres de données de plusieurs gigawatts ?
La découverte scientifique pourrait progressivement devenir une activité d’infrastructure.
Après les grands télescopes, les accélérateurs de particules et les supercalculateurs apparaîtrait une nouvelle catégorie : les usines de raisonnement artificiel.
Cela pose directement la question de la souveraineté scientifique.
Une polémique sur les travaux non publiés
L’affaire comporte également un volet beaucoup plus délicat.
OpenAI explique avoir lancé son opération après avoir entendu, le 1er septembre, des rumeurs selon lesquelles des progrès importants auraient été réalisés sur deux problèmes du Millénaire.
L’entreprise indique avoir ensuite compris que ces informations concernaient notamment les travaux du mathématicien de New York University Tristan Buckmaster et de Levent Alpöge, chercheur chez Anthropic.
Buckmaster a soulevé publiquement des questions sur la possibilité que des travaux non publiés, auxquels des outils OpenAI auraient été exposés lors de leur utilisation par les chercheurs, aient pu influencer indirectement les modèles.
OpenAI dément avoir consulté ou utilisé directement leurs recherches confidentielles.
La société reconnaît néanmoins que des données d’utilisation dé-identifiées peuvent, dans certains cas, contribuer à l’amélioration de ses systèmes, ce qui alimente le débat sur les frontières entre assistance scientifique, entraînement des modèles et propriété intellectuelle.
Cette controverse pourrait finalement devenir aussi importante que la démonstration mathématique elle-même.
OpenAI explique avoir lancé son opération après avoir entendu, le 1er septembre, des rumeurs selon lesquelles des progrès importants auraient été réalisés sur deux problèmes du Millénaire.
L’entreprise indique avoir ensuite compris que ces informations concernaient notamment les travaux du mathématicien de New York University Tristan Buckmaster et de Levent Alpöge, chercheur chez Anthropic.
Buckmaster a soulevé publiquement des questions sur la possibilité que des travaux non publiés, auxquels des outils OpenAI auraient été exposés lors de leur utilisation par les chercheurs, aient pu influencer indirectement les modèles.
OpenAI dément avoir consulté ou utilisé directement leurs recherches confidentielles.
La société reconnaît néanmoins que des données d’utilisation dé-identifiées peuvent, dans certains cas, contribuer à l’amélioration de ses systèmes, ce qui alimente le débat sur les frontières entre assistance scientifique, entraînement des modèles et propriété intellectuelle.
Cette controverse pourrait finalement devenir aussi importante que la démonstration mathématique elle-même.
Quand un chercheur utilise une IA, à qui appartient l’idée ?
La question dépasse largement Navier-Stokes.
Imaginons qu’un chercheur utilise un assistant IA pour explorer une hypothèse encore confidentielle.
- Il lui transmet des fragments de démonstration.
- Il lui demande de tester plusieurs pistes.
- Il lui montre des résultats négatifs.
- Il indique implicitement quelles directions de recherche semblent prometteuses.
Même si son texte n’est jamais « copié » au sens classique du terme, ces interactions constituent une information scientifique extrêmement précieuse.
Dans une économie où les modèles apprennent des interactions humaines, une nouvelle catégorie apparaît donc : la confidentialité intellectuelle conversationnelle.
Les laboratoires, universités et entreprises devront probablement considérer les conversations avec une IA comme ils considèrent aujourd’hui les cahiers de laboratoire, les données expérimentales ou les secrets industriels.
OpenAI propose déjà certains dispositifs de rétention zéro de données pour des clients éligibles, ce qui montre que cette problématique devient progressivement une dimension de l’architecture des systèmes d’IA elle-même.
Imaginons qu’un chercheur utilise un assistant IA pour explorer une hypothèse encore confidentielle.
- Il lui transmet des fragments de démonstration.
- Il lui demande de tester plusieurs pistes.
- Il lui montre des résultats négatifs.
- Il indique implicitement quelles directions de recherche semblent prometteuses.
Même si son texte n’est jamais « copié » au sens classique du terme, ces interactions constituent une information scientifique extrêmement précieuse.
Dans une économie où les modèles apprennent des interactions humaines, une nouvelle catégorie apparaît donc : la confidentialité intellectuelle conversationnelle.
Les laboratoires, universités et entreprises devront probablement considérer les conversations avec une IA comme ils considèrent aujourd’hui les cahiers de laboratoire, les données expérimentales ou les secrets industriels.
OpenAI propose déjà certains dispositifs de rétention zéro de données pour des clients éligibles, ce qui montre que cette problématique devient progressivement une dimension de l’architecture des systèmes d’IA elle-même.
Navier-Stokes n’est pourtant pas encore officiellement « résolu »
Dernière précaution, essentielle.
Au 10 septembre 2026, il serait scientifiquement prématuré d’écrire sans nuance : « OpenAI a résolu Navier-Stokes ».
OpenAI a publié une solution qu’elle considère comme correcte.
Mais le Clay Mathematics Institute continue actuellement d’afficher Navier-Stokes parmi ses problèmes ouverts.
Ses règles sont particulièrement strictes.
Une solution doit notamment être publiée dans un support scientifique qualifiant.
Deux années au minimum doivent s’écouler après cette publication.
Et surtout, le résultat doit avoir obtenu une acceptation générale dans la communauté mathématique mondiale avant que le Clay Mathematics Institute envisage de reconnaître officiellement la résolution.
Autrement dit, même une preuve formalisée informatiquement devra affronter l’épreuve la plus ancienne de la science : celle des pairs.
Au 10 septembre 2026, il serait scientifiquement prématuré d’écrire sans nuance : « OpenAI a résolu Navier-Stokes ».
OpenAI a publié une solution qu’elle considère comme correcte.
Mais le Clay Mathematics Institute continue actuellement d’afficher Navier-Stokes parmi ses problèmes ouverts.
Ses règles sont particulièrement strictes.
Une solution doit notamment être publiée dans un support scientifique qualifiant.
Deux années au minimum doivent s’écouler après cette publication.
Et surtout, le résultat doit avoir obtenu une acceptation générale dans la communauté mathématique mondiale avant que le Clay Mathematics Institute envisage de reconnaître officiellement la résolution.
Autrement dit, même une preuve formalisée informatiquement devra affronter l’épreuve la plus ancienne de la science : celle des pairs.
La vraie découverte pourrait être ailleurs
Il faudra donc probablement des mois, voire des années, pour mesurer la portée mathématique exacte de cette annonce.
Mais une conclusion semble déjà se dessiner.
Le changement le plus important n’est peut-être pas que l’IA ait trouvé une démonstration de Navier-Stokes.
C’est peut-être la manière dont elle l’a cherchée.
Pendant longtemps, nous avons imaginé l’intelligence artificielle comme un cerveau numérique toujours plus puissant.
Cette expérience propose une autre vision.
Non pas un génie artificiel isolé.
Mais une institution scientifique artificielle.
Des milliers d’agents explorent, échouent, débattent, sélectionnent, critiquent et combinent leurs résultats.
Le prochain saut de l’intelligence artificielle ne viendra donc peut-être pas seulement d’un modèle disposant de davantage de paramètres.
Il pourrait venir de notre capacité à organiser des milliers d’intelligences artificielles comme nous organisons aujourd’hui des équipes humaines.
Et si Navier-Stokes résiste finalement à l’examen de la communauté mathématique, l’expérience OpenAI conservera malgré tout une portée considérable.
Car derrière une équation vieille de deux siècles apparaît une question beaucoup plus contemporaine :
combien coûte désormais une découverte scientifique lorsqu’on peut acheter, pendant 88 heures, le travail parallèle de 10 000 chercheurs artificiels ?
Mais une conclusion semble déjà se dessiner.
Le changement le plus important n’est peut-être pas que l’IA ait trouvé une démonstration de Navier-Stokes.
C’est peut-être la manière dont elle l’a cherchée.
Pendant longtemps, nous avons imaginé l’intelligence artificielle comme un cerveau numérique toujours plus puissant.
Cette expérience propose une autre vision.
Non pas un génie artificiel isolé.
Mais une institution scientifique artificielle.
Des milliers d’agents explorent, échouent, débattent, sélectionnent, critiquent et combinent leurs résultats.
Le prochain saut de l’intelligence artificielle ne viendra donc peut-être pas seulement d’un modèle disposant de davantage de paramètres.
Il pourrait venir de notre capacité à organiser des milliers d’intelligences artificielles comme nous organisons aujourd’hui des équipes humaines.
Et si Navier-Stokes résiste finalement à l’examen de la communauté mathématique, l’expérience OpenAI conservera malgré tout une portée considérable.
Car derrière une équation vieille de deux siècles apparaît une question beaucoup plus contemporaine :
combien coûte désormais une découverte scientifique lorsqu’on peut acheter, pendant 88 heures, le travail parallèle de 10 000 chercheurs artificiels ?