OpenAI et le problème d’Erdős : ce que prouve vraiment cette percée en géométrie

OpenAI affirme avoir franchi un cap rare pour l’IA scientifique : non pas seulement résumer de la littérature ou assister des chercheurs, mais produire une démonstration originale qui renverse une conjecture vieille de près de 80 ans en géométrie discrète. L’annonce, publiée le 20 mai par OpenAI puis accompagnée de remarques signées par plusieurs mathématiciens de premier plan sur arXiv, concerne le problème des distances unitaires de Paul Erdős. Le point important est double : la preuve a été relue par des chercheurs externes, mais elle ne « résout » pas tout le problème. Elle réfute une borne conjecturée de longue date et laisse ouverte la question générale de la meilleure croissance possible.

Ce qu’OpenAI annonce exactement

Le problème est simple à formuler et redoutable à traiter : si l’on place n points dans le plan, combien de paires peuvent être séparées par une distance exactement égale à 1 ? Depuis les travaux d’Erdős en 1946, une intuition dominait : des constructions proches d’une grille carrée semblaient essentiellement optimales. OpenAI soutient qu’un de ses modèles internes a trouvé une famille infinie de configurations faisant mieux que cette intuition historique, avec un gain polynomial plutôt qu’une amélioration marginale.

Le billet d’OpenAI insiste sur un aspect précis : la preuve ne viendrait pas d’un système spécialisé en mathématiques ni d’un moteur de recherche de preuves conçu sur mesure pour ce problème. Selon l’entreprise, elle provient d’un modèle de raisonnement généraliste évalué sur une collection de problèmes d’Erdős. Dit autrement, l’intérêt de l’annonce ne tient pas seulement au résultat, mais au type de modèle capable d’y arriver.

Pourquoi les mathématiciens prennent cette annonce au sérieux

La différence avec d’autres annonces spectaculaires dans l’IA est qu’ici OpenAI n’a pas publié seule. Le même jour, arXiv a mis en ligne Remarks on the disproof of the unit distance conjecture, un texte signé notamment par Noga Alon, W. T. Gowers, Arul Shankar, Thomas Bloom et Melanie Matchett Wood. L’abstract est prudent mais clair : les auteurs présentent une version « human-verified » du contre-exemple généré par OpenAI et une série de commentaires sur sa portée. Le papier précise aussi que la preuve publiée dans ces remarques est une version digérée, simplifiée et généralisée de la preuve issue du modèle.

Ce point compte énormément. Dans un domaine comme la géométrie discrète, la valeur d’une annonce ne vient pas d’un communiqué, mais de la possibilité pour d’autres spécialistes de lire, vérifier, reformuler et situer le résultat. Le texte arXiv ne ressemble pas à une validation de façade : il explique le contexte historique, expose un théorème, discute les idées mathématiques mobilisées et attribue explicitement des filiations conceptuelles à l’algèbre et à la théorie algébrique des nombres.

OpenAI met d’ailleurs en avant les réactions de chercheurs reconnus. Tim Gowers parle d’un « milestone in AI mathematics ». Arul Shankar juge que ces modèles vont au-delà du simple rôle d’assistant. Ce ne sont pas des preuves absolues à elles seules, mais elles montrent que la communauté ne traite pas l’annonce comme un simple exercice marketing.

Ce que la preuve change vraiment, et ce qu’elle ne change pas

Le changement réel est conceptuel. D’après OpenAI, le modèle ne s’est pas contenté d’explorer des variantes autour de la grille carrée : il a fait entrer dans le problème des idées issues de la théorie algébrique des nombres, donc d’un registre mathématique moins attendu pour une question de géométrie élémentaire. C’est précisément ce pont entre domaines qui intrigue le plus les observateurs. Si un modèle peut maintenir une longue chaîne de raisonnement et aller chercher des outils dans une autre branche des mathématiques, on n’est plus seulement dans l’autocomplétion savante.

Mais il faut éviter deux exagérations. Premièrement, le problème général n’est pas clos. Le Guardian rappelle que l’IA n’a pas donné une formule finale sur la vitesse de croissance optimale du nombre de paires à distance unitaire ; elle a montré que la borne conjecturée par Erdős était trop basse. Deuxièmement, le papier arXiv lui-même souligne le rôle humain dans la digestion, l’amélioration et l’exploration des conséquences de la preuve. L’autonomie revendiquée concerne l’apparition initiale de l’argument, pas l’ensemble du travail mathématique ultérieur.

Pourquoi cette annonce compte pour l’IA scientifique

Pour scienceactu.com, le véritable sujet n’est pas seulement Erdős. C’est la montée en puissance d’une IA de recherche capable de travailler sur des objets où la vérification est stricte. Les mathématiques forment un terrain presque idéal pour tester le raisonnement : les énoncés sont précis, les démonstrations peuvent être contrôlées, et les erreurs ne se cachent pas facilement derrière une prose convaincante. Si un modèle progresse là, cela n’implique pas automatiquement qu’il saura faire de même en biologie ou en climat, mais cela augmente la crédibilité de la thèse selon laquelle certains systèmes deviennent utiles pour la recherche de frontière.

Cette crédibilité reste toutefois conditionnelle. TechCrunch rappelle qu’OpenAI avait déjà surinterprété des résultats sur des problèmes d’Erdős quelques mois plus tôt, avant que la communauté ne souligne qu’il s’agissait de solutions déjà présentes dans la littérature. Cette fois, la situation semble différente précisément parce que des spécialistes externes, y compris des critiques des annonces passées, ont participé à la vérification. Autrement dit, la leçon n’est pas « il faut croire les promesses des labos », mais plutôt « il faut regarder si une communauté indépendante peut reprendre la preuve et la défendre ».

Une avancée impressionnante, mais pas un blanc-seing

Le meilleur angle est sans doute celui-ci : OpenAI n’a pas prouvé que l’IA générale scientifique est arrivée, mais l’entreprise a probablement fourni l’un des exemples les plus solides à ce jour d’un modèle génératif contribuant à un résultat mathématique original, lisible et publiquement discuté. C’est plus important qu’un benchmark interne, parce qu’il existe ici un objet scientifique extérieur au labo : une preuve, des co-auteurs externes, des remarques publiques, et un débat que d’autres mathématiciens peuvent prolonger.

Il faudra maintenant voir si ce cas reste isolé ou s’il annonce une série. Si des résultats comparables apparaissent dans d’autres problèmes bien définis, avec des validations indépendantes du même niveau, alors l’IA scientifique changera réellement d’échelle. En attendant, cette percée ressemble moins à une victoire définitive qu’à un signal crédible : certains modèles commencent à produire, dans des cadres très encadrés, des idées mathématiques que les humains n’avaient pas encore formalisées de cette manière.