OpenAI et le fondement de la physique des particules

Un modèle d’IA non publié aurait démontré la conjecture du Local Smoothing, réfuté l’Exponential Time Hypothesis et prouvé l’existence mathématique de la chromodynamique quantique. Rien de tout cela n’est encore confirmé. La vérification de ces preuves montrera ce que la science sera avant tout à l’avenir : comprendre.

L’essentiel en bref

À lire aussi : Claude dépasse une borne mathématique, mais pas la preuve  /  Chercheurs du KIT : comment des cliniques entraînent l’IA sans échange de données

Trois résultats en une semaine

Le 26 octobre, OpenAI a présenté trois résultats de modèles internes. En mathématiques, un modèle aurait démontré la conjecture du Local Smoothing en toute dimension. En informatique théorique, il aurait réfuté l’Exponential Time Hypothesis, en abrégé ETH. En physique, l’entreprise annonce des preuves d’existence pour des théories quantiques des champs en quatre dimensions, dont la chromodynamique quantique (QCD), la théorie des quarks et des gluons.

Chacune de ces annonces aurait suffi à occuper un domaine de recherche pendant des mois. Mais toutes les affirmations centrales viennent d’OpenAI elle-même, aucune confirmation indépendante n’est disponible. Le modèle n’est pas accessible au public. Deux questions méritent donc le détour : qu’y gagnerait-on si les preuves tiennent ? Et comment une science vérifie-t-elle des résultats qui naissent plus vite que les humains ne peuvent les lire ?

Qu’est-ce que l’Exponential Time Hypothesis ? L’Exponential Time Hypothesis (ETH) est une hypothèse de l’informatique théorique sur la difficulté du problème de satisfaisabilité des formules booléennes (SAT). Russell Impagliazzo et Ramamohan Paturi l’ont formulée avec Francis Zane. Les chercheurs y fondent des résultats de dureté conditionnelle dans des domaines comme la théorie des graphes, la bioinformatique, les bases de données et la géométrie algorithmique.

Ce qu’une preuve d’existence dit de la nature

C’est la physique qui va le plus loin. Selon le Clay Mathematics Institute, la théorie quantique de Yang-Mills est le fondement de la plus grande partie de la théorie des particules élémentaires. Ses prédictions ont été testées dans de nombreux laboratoires expérimentaux. Son fondement mathématique reste pourtant flou à ce jour.

La physique vit avec cette situation depuis des décennies. La théorie a été testée expérimentalement à maintes reprises. Personne n’a pu montrer jusqu’ici qu’elle existe bel et bien comme objet mathématique sans contradiction. C’est précisément ce dont il s’agit dans les preuves d’existence annoncées : pour la théorie de Yang-Mills pure et pour des théories où les champs de jauge (les porteurs des forces) interagissent avec les fermions (les particules de matière).

Si la preuve tient, une partie centrale du modèle standard se tient sur un fondement mathématique solide. La preuve ne change rien aux valeurs mesurées dans les laboratoires. Mais le langage avec lequel la physique décrit la force forte reposerait sur des bases mathématiques solides et serait plus qu’un procédé de calcul efficace.

La plus grande énigme reste ouverte à ce jour. Le problème du millénaire du Clay Institute exige, outre l’existence, la démonstration d’un fossé de masse. Les particules de la théorie ont des masses positives alors que les ondes classiques se propagent à la vitesse de la lumière. Les expériences et les simulations montrent cette propriété, mais personne n’en connaît de preuve. Le travail d’OpenAI touche-t-il au fossé de masse ? Les rapports ne le précisent pas.

Un groupe autour du prix Nobel de physique David Gross, avec Michael Douglas, Arthur Jaffe, Igor Klebanov et Nikita Nekrasov, garde pour l’instant le matériau de l’IA en réserve et rédige lui-même la publication. Tant que ce matériau reste sous scellés, le résultat en physique est difficile à évaluer de l’extérieur.

Toutes les dimensions d’un coup, une hypothèse de moins

Christopher Sogge a formulé la conjecture du Local Smoothing en 1991. Si la preuve est exacte, il en découle aussi la conjecture de Kakeya en toutes dimensions et de grandes parties de la conjecture de restriction d’Elias Stein.

Les humains ont progressé dimension par dimension : Larry Guth, Hong Wang et Ruixiang Zhang ont démontré le Local Smoothing en deux dimensions en 2019. Hong Wang et Joshua Zahl ont prouvé la conjecture de Kakeya en trois dimensions en 2025. Le modèle revendique désormais toutes les dimensions à la fois.

L’ETH est une hypothèse sur la difficulté du problème de satisfaisabilité des formules booléennes, en abrégé SAT : peut-on attribuer aux variables d’une formule logique les valeurs vrai et faux de sorte que toute la formule devienne vraie ? Sur cette hypothèse reposent des résultats de dureté conditionnelle en théorie des graphes, bioinformatique, bases de données et géométrie algorithmique. Le manuscrit publié décrit un algorithme qui compte en temps sous-exponentiel les affectations satisfaisantes de telles formules à largeur de clause fixe. Ce que tout cela apporte en pratique reste ouvert. Serait touché au premier chef l’échafaudage avec lequel l’informatique mesure ce qui compte comme difficile.

Le résultat est vérifié par les auteurs de l’hypothèse. Russell Impagliazzo et Ramamohan Paturi de l’UC San Diego ont formulé l’ETH à l’époque avec Francis Zane ; à leurs côtés se tient Ryan Williams du MIT. Les trois précisent expressément que leur participation ne constitue pas une caution. Si l’affirmation est exacte, elle changerait une partie importante de l’informatique théorique.

Vérifier devient le véritable travail

Ces annonces ne sortent pas de nulle part. Le 8 septembre, OpenAI annonçait qu’un modèle avait résolu le problème de Navier-Stokes. Le 6 octobre, l’entreprise a mis en ligne 722 manuscrits portant sur 372 problèmes sur GitHub.

Un jour plus tard, OpenAI en a retiré trois. Une erreur de signe avait invalidé l’argument d’un manuscrit et, avec lui, la construction de deux travaux qui s’appuyaient dessus. Selon l’entreprise, une vérification interne a trouvé l’erreur. Environ la moitié des résultats avait été publiée sans confirmation.

Dans cette situation, Lean est un outil important : l’ordinateur revérifie chaque étape logique d’une preuve. Que l’énoncé formel corresponde au problème visé, l’outil ne le garantit pas. Cette traduction reste un travail d’humains. C’est elle qui décide si une preuve vérifiée est aussi la bonne.

La mathématicienne Melissa Lee de la Monash University écrit dans The Conversation que certains des documents d’accompagnement sont incompréhensibles même pour les spécialistes. Les travaux techniques longs nécessitent parfois des années d’évaluation par les pairs.

Andrew Sutherland du MIT veut voir des preuves de l’affirmation selon laquelle un seul agent d’IA aurait résolu les problèmes chacun avec un seul prompt. Cela reste non confirmé tant que le modèle n’est pas public et que d’autres ne peuvent pas retracer les résultats. Il a qualifié de responsable le retrait rapide des travaux erronés, mais regagner la confiance exigerait bien davantage. Daniel Litt de la University of Toronto ne voit au contraire aucune raison de retenir les réponses à ces questions.

Les deux attitudes décrivent le même décalage. Longtemps, la découverte de preuves a constitué le goulot d’étranglement de la recherche. Quand les machines livrent des preuves en série, c’est la compréhension qui devient rare : évaluer, expliquer, en reconnaître les conséquences.

À qui appartient une découverte

OpenAI ne revendique aucune reconnaissance académique. Elle doit revenir aux chercheurs qui rédigent les explications. Les vérificateurs de l’ETH avertissent toutefois que la reconnaissance pourrait aller à ceux qui publient en premier ou possèdent les outils les plus puissants. Vérifier et expliquer compteraient alors moins. Les vérificateurs travaillent bénévolement et sans accord de confidentialité ; OpenAI s’est engagée à rendre publiques toutes les données brutes du résultat ETH et à financer une conférence scientifique.

Le 2 juin, 16 chercheurs de 15 universités ont publié la Déclaration de Leyde sur l’IA et les mathématiques. Elle demande des normes pour la transparence, l’évaluation par les pairs, la responsabilité humaine et les relations avec l’industrie.

Les prochains mois diront si les preuves tiennent. Une question se pose déjà : une preuve qu’une machine trouve et qu’une machine vérifie est un résultat. Elle ne devient un savoir sur le monde que lorsque quelqu’un peut l’expliquer.

Questions fréquentes

Source de l’image : générée par IA (octobre 2026)

Traduit de l’original allemand par intelligence artificielle. La version allemande fait foi.