OpenAI vient d’annoncer ce qui pourrait constituer une avancée spectaculaire en mathématiques : un de ses modèles internes aurait produit une solution au célèbre problème de Navier–Stokes, l’un des sept « problèmes du millénaire ».
En termes simples, le problème consiste à déterminer si les équations qui décrivent l’écoulement des fluides — de l’eau à l’air — restent toujours bien comportées en trois dimensions, ou si elles peuvent conduire à une singularité, c’est-à-dire une situation où certaines grandeurs deviennent théoriquement infinies. La question résiste aux mathématiciens depuis des décennies et sa résolution fait l’objet d’un prix d’un million de dollars du Clay Mathematics Institute.
OpenAI affirme précisément avoir démontré qu’une telle singularité pouvait apparaître en temps fini dans une formulation avec une force extérieure lisse. La preuve aurait également été formalisée avec Lean, un assistant de preuve informatique.
La performance annoncée est donc potentiellement considérable.
Mais elle est aujourd’hui éclipsée par une controverse qui pose une question beaucoup plus large : peut-on confier une recherche scientifique confidentielle à une intelligence artificielle lorsque l’entreprise qui fournit cette IA mène elle-même des recherches sur le même sujet ?
Une course mathématique à plusieurs millions de dollars
Pour s’attaquer au problème, OpenAI n’a pas simplement posé une question à ChatGPT.
L’entreprise explique avoir utilisé un modèle interne encore en développement et un système composé de groupes d’agents capables de travailler et de communiquer entre eux.
L’effort consacré à Navier–Stokes aurait mobilisé de l’ordre de 10 000 agents simultanément. L’ensemble de la campagne menée sur plusieurs problèmes mathématiques aurait produit 4,9 millions de messages et environ 300 milliards de tokens de sortie. Pour Navier–Stokes seulement, OpenAI évoque 2,7 millions de messages et environ 130 milliards de tokens. L’entreprise a indiqué à Wired que le coût informatique se chiffrait en millions de dollars.
Nous ne sommes donc plus vraiment dans le modèle du mathématicien seul devant son tableau noir.
Mais au même moment, deux mathématiciens travaillaient sur une direction étroitement liée : Tristan Buckmaster, professeur à New York University, et Levent Alpöge, mathématicien travaillant également chez Anthropic.
Et les deux chercheurs utilisaient eux-mêmes des intelligences artificielles pour avancer dans leurs recherches.
Parmi elles : Claude, mais surtout Codex d’OpenAI.
C’est là que l’histoire devient beaucoup plus délicate.
OpenAI savait qu’une piste prometteuse existait
Buckmaster affirme que des informations concernant leurs progrès ont circulé avant leur publication.
OpenAI reconnaît de son côté avoir entendu, le 1er septembre, des rumeurs selon lesquelles deux problèmes du millénaire auraient été résolus. L’entreprise explique que ces rumeurs, combinées aux performances de son nouveau modèle interne, l’ont poussée à lancer ses agents sur les problèmes encore ouverts.
Les agents d’OpenAI ont d’abord obtenu un résultat sur les équations d’Euler. L’entreprise a alors considéré Navier–Stokes comme particulièrement prometteur et redirigé davantage de ressources vers ce problème. Selon OpenAI, la solution a été obtenue le 5 septembre, environ 88 heures après le lancement des premiers agents.
La version de Buckmaster est plus accusatrice.
Il estime qu’OpenAI a appris qu’une approche très particulière devenait prometteuse, puis a utilisé une puissance de calcul inaccessible à des chercheurs universitaires pour foncer sur le problème. OpenAI conteste toute appropriation de leurs travaux et affirme que son approche a été obtenue indépendamment.
C’est une distinction essentielle.
À ce stade, rien ne permet d’affirmer qu’OpenAI a simplement volé ou copié une preuve confidentielle.
Le problème potentiel est beaucoup plus subtil.
Une équipe de chercheurs identifie une piste prometteuse. L’information circule. Une entreprise disposant de modèles expérimentaux et de millions de dollars de puissance de calcul apprend qu’une percée est peut-être proche.
Elle peut alors envoyer des milliers d’agents IA sur le problème.
Même sans copier le moindre document, cette asymétrie change profondément la compétition scientifique.
Mais les chercheurs utilisaient justement Codex
Et c’est probablement le point le plus intéressant de toute l’affaire.
Buckmaster et Alpöge utilisaient Codex pendant leurs recherches.
Buckmaster s’est donc demandé si leurs interactions avec le modèle avaient pu contribuer directement ou indirectement aux capacités utilisées ensuite par OpenAI.
OpenAI dément catégoriquement avoir consulté leurs données particulières pour résoudre le problème.
L’entreprise affirme que ni ses chercheurs ni ses agents n’ont vu les travaux des deux mathématiciens avant leur publication et qu’aucune donnée utilisateur spécifique n’a été consultée pour résoudre Navier–Stokes.
Mais OpenAI ajoute immédiatement une nuance particulièrement intéressante :
l’entreprise dit ne pas pouvoir exclure totalement que des données désidentifiées provenant de l’utilisation de ses produits par les chercheurs aient contribué à améliorer ses modèles.
Cette phrase change considérablement la nature du débat.
Elle ne prouve absolument pas qu’OpenAI ait récupéré les travaux de Buckmaster et Alpöge.
Mais elle révèle une zone grise nouvelle entre utiliser une IA pour effectuer une recherche et contribuer potentiellement à améliorer l’IA qui pourra ensuite effectuer cette même recherche.
Ce problème ne commence pas avec Navier–Stokes
La question de la confidentialité des informations confiées aux IA génératives n’est évidemment pas nouvelle.
Depuis l’arrivée de ChatGPT, universités et entreprises mettent en garde leurs chercheurs et leurs salariés contre l’envoi de données confidentielles, de code propriétaire, de résultats non publiés ou d’informations couvertes par des accords de confidentialité dans des services d’IA grand public.
Des institutions scientifiques ont également établi des restrictions concernant l’utilisation d’IA génératives pour manipuler des documents confidentiels.
Il ne s’agit donc pas de la première controverse concernant la frontière entre les données fournies à une IA et les intérêts de l’entreprise qui exploite cette IA.
Mais Navier–Stokes ajoute quelque chose de nouveau et de beaucoup plus troublant : le fournisseur de l’outil peut désormais devenir un concurrent scientifique direct de son utilisateur.
Ce n’est plus seulement une question de confidentialité.
C’est une question de compétition.
L’affaire de l’attribution complique encore les choses
La polémique possède en effet un deuxième volet.
Selon Buckmaster, Sébastien Bubeck, responsable de la recherche mathématique chez OpenAI, aurait envisagé une solution dans laquelle Buckmaster aurait participé à la publication du résultat sans que Levent Alpöge apparaisse comme coauteur.
Pourquoi ?
Parce qu’Alpöge travaille chez Anthropic, l’un des principaux concurrents d’OpenAI.
Buckmaster affirme avoir refusé.
Il affirme également que Bubeck lui aurait alors demandé pourquoi il voulait « ruiner sa carrière » et lui aurait indiqué qu’il n’était pas obligé de continuer à être conciliant.
Bubeck et OpenAI contestent cette interprétation des événements. Sam Altman a publiquement défendu son chercheur et affirme qu’OpenAI cherchait au contraire une manière équitable de reconnaître la priorité des travaux des mathématiciens.
Ces accusations doivent donc être présentées pour ce qu’elles sont : deux versions contradictoires d’une discussion extrêmement tendue.
Mais le simple fait qu’un chercheur travaillant chez Anthropic se retrouve au cœur d’une discussion sur l’attribution d’une découverte revendiquée par OpenAI montre à quel point les règles traditionnelles de la science commencent à entrer en collision avec la compétition industrielle entre les grands laboratoires d’IA.
L’IA n’est plus seulement un outil
C’est probablement la véritable leçon de cette affaire.
Pendant longtemps, les chercheurs ont considéré leurs logiciels comme des outils.
Un traitement de texte ne cherche pas à publier votre article avant vous.
Un compilateur ne crée pas une entreprise concurrente après avoir analysé votre code.
Une calculatrice ne reprend pas votre équation pour tenter de décrocher le prix mathématique que vous convoitez.
Avec les intelligences artificielles génératives, cette séparation devient beaucoup moins évidente.
Le même acteur peut désormais :
- fournir l’outil utilisé quotidiennement par le chercheur ;
- recevoir ses prompts, son code et potentiellement certaines données de travail ;
- entraîner certains des modèles les plus puissants au monde ;
- disposer de capacités de calcul auxquelles une université n’a pratiquement aucune chance d’accéder ;
- mener ses propres recherches scientifiques ;
- et publier ensuite ses propres découvertes.
Cela crée un conflit d’intérêts structurel inédit.
Imaginez un chercheur utilisant quotidiennement une IA pour tester une nouvelle molécule, une preuve mathématique ou un nouvel algorithme.
Il lui soumet des centaines de mauvaises pistes.
Puis une piste commence à fonctionner.
À cet instant, ses prompts ne sont plus simplement des conversations avec un chatbot.
Ils constituent potentiellement une information scientifique extrêmement précieuse.
Que se passe-t-il si le fournisseur de son assistant IA travaille lui aussi sur le même problème ?
10 000 agents contre un laboratoire
Navier–Stokes révèle également une autre transformation.
La puissance de calcul devient elle-même un avantage scientifique considérable.
Une équipe universitaire peut disposer de quelques chercheurs assistés par plusieurs modèles.
OpenAI peut mobiliser de l’ordre de 10 000 agents et leur faire produire des millions d’échanges en quelques jours.
Cela pourrait profondément modifier la notion même de priorité scientifique.
Jusqu’à présent, lorsqu’un laboratoire trouvait une piste prometteuse, quelques semaines ou quelques mois pouvaient être nécessaires pour transformer cette intuition en démonstration complète.
Demain, apprendre simplement qu’un concurrent est proche d’une découverte pourrait suffire pour déclencher une armée d’agents IA chargée d’explorer toutes les variantes possibles.
La question ne serait alors plus seulement :
« Qui a eu l’idée en premier ? »
Mais :
« Qui possède suffisamment de compute pour la terminer en premier ? »
Vers un « secret de laboratoire » à l’ère de l’IA
Les conséquences pourraient être importantes pour les universités mais également pour les entreprises.
Nous avons appris à ne pas envoyer un document confidentiel à n’importe quel service cloud.
Il faudra probablement développer la même discipline concernant les prompts.
Avant d’utiliser une IA pour travailler sur une recherche non publiée, un brevet, un algorithme stratégique ou une innovation industrielle, il faudra notamment savoir quelles données sont conservées, si elles peuvent être utilisées pour améliorer les modèles, quelles garanties contractuelles existent et si le fournisseur mène lui-même des recherches susceptibles d’entrer en concurrence avec l’utilisateur.
Pour les travaux véritablement stratégiques, utiliser des offres garantissant contractuellement la non-utilisation des données, des environnements dédiés ou éventuellement des modèles exécutés localement pourrait devenir aussi naturel que protéger aujourd’hui un dépôt de code ou un brevet en préparation.
Le vrai problème dépasse largement OpenAI
Il serait excessif de conclure de cette affaire qu’OpenAI vole les recherches de ses utilisateurs afin de les faire terminer par ses propres machines.
Nous n’en avons aujourd’hui aucune preuve.
OpenAI affirme au contraire qu’aucune donnée spécifique de Buckmaster ou Alpöge n’a été consultée pour obtenir sa preuve.
Mais l’affaire Navier–Stokes révèle quelque chose de peut-être beaucoup plus important.
Les IA deviennent simultanément nos assistants, nos outils de recherche et les chercheurs de leurs propres concepteurs.
Et cette situation ne concerne évidemment pas seulement OpenAI.
Anthropic, Google DeepMind et demain d’autres laboratoires développent eux aussi des systèmes capables de participer directement à la découverte scientifique.
Une nouvelle règle de prudence pourrait donc progressivement s’imposer aux chercheurs comme aux entreprises :
ne confiez pas automatiquement votre meilleure idée à une IA simplement parce qu’elle peut vous aider à la développer.
Car lorsque nous confions une idée encore secrète à une intelligence artificielle, nous ne parlons plus nécessairement à un simple outil.
Nous pouvons aussi être en train de parler au laboratoire qui, demain, sera capable de poursuivre exactement la même découverte que nous.
Et lorsqu’un de ces laboratoires peut mobiliser 10 000 agents IA sur une piste prometteuse, la différence entre assistant et concurrent devient soudain beaucoup moins théorique.