Le 12 septembre 2026, une lettre signée par 25 médaillés Fields élargit la controverse déclenchée par la publication d’OpenAI sur Navier–Stokes. L’entreprise affirme avoir produit une démonstration analytique et une formalisation dans Lean montrant qu’un écoulement tridimensionnel incompressible peut développer une singularité en temps fini. Mais cette publication ne vaut pas encore acceptation mathématique indépendante, et le conflit sur le crédit ainsi que sur les données reste ouvert.
Ce qu’OpenAI affirme exactement
OpenAI décrit une construction portant sur les équations de Navier–Stokes en trois dimensions, pour un fluide incompressible de densité constante soumis à une force extérieure régulière. Selon l’entreprise, un écoulement initialement lisse conserve une énergie finie tout en voyant sa vitesse devenir non bornée en un temps fini.
Le mécanisme présenté repose sur un vortex qui s’enroule vers l’intérieur et s’allonge sous l’effet de l’étirement axial. Le terme « singularité » désigne ici un comportement du modèle mathématique : il ne signifie pas que de l’eau réelle ou ses molécules atteindraient une vitesse infinie.
OpenAI a publié cette démonstration le 8 septembre 2026 et affirme qu’elle est accompagnée d’une formalisation dans Lean. La question décisive reste toutefois celle de la portée exacte de cette construction au regard de la formulation du problème du Clay Mathematics Institute.
Le problème de Navier–Stokes en termes simples
Le problème d’existence et de régularité de Navier–Stokes fait partie des sept problèmes du millénaire du Clay Mathematics Institute. Il demande notamment si un écoulement tridimensionnel incompressible, partant de conditions régulières, reste régulier ou peut développer une singularité en temps fini. Le prix associé à chacun de ces problèmes est de 1 million de dollars.
La démonstration revendiquée par OpenAI ne doit donc pas être résumée par « l’IA a officiellement résolu Navier–Stokes ». Cette formulation efface la différence entre une affirmation publiée, une preuve formalisée et une solution reconnue par la communauté mathématique.
10 000 agents et 88 heures
OpenAI affirme avoir lancé environ 10 000 agents concurrents pour explorer les problèmes du millénaire. L’effort consacré à Navier–Stokes aurait abouti après environ 88 heures, puis GPT-6 Astra aurait consacré 17 heures supplémentaires à la formalisation et à la vérification dans Lean.
Pour cette seule recherche, OpenAI annonce environ 2,7 millions de messages et 130 milliards de tokens produits. Ces chiffres montrent l’ampleur de l’orchestration informatique ; ils ne démontrent ni une efficacité supérieure à celle des mathématiciens humains ni la validité de la conclusion.
L’échelle du calcul est justement l’un des enjeux du débat. Une recherche mobilisant des milliers d’agents et un volume considérable de sorties pose une question différente de celle de la simple capacité à produire une piste mathématique : comment rendre cette piste lisible, contrôlable et transmissible à d’autres chercheurs ?
Deux lignes de recherche qu’il ne faut pas confondre
Les travaux associés à OpenAI et ceux de Tristan Buckmaster et Levent Alpöge se situent dans des cadres proches, mais ils ne portent pas sur le même énoncé. Cette distinction est essentielle pour comprendre la dispute sur la priorité.
| Dimension | Résultat présenté par OpenAI | Travail connexe de Tristan Buckmaster et Levent Alpöge |
| Objet mathématique | Singularité en temps fini pour les équations de Navier–Stokes en trois dimensions, avec une force extérieure régulière | Résultats de singularité pour les équations d’Euler forcées et les équations de Boussinesq |
| Outils d’IA mentionnés | Système interne d’OpenAI coordonnant des agents, puis GPT-6 Astra pour la formalisation dans Lean | Claude et Codex utilisés comme assistants de recherche et de documentation |
| Relation entre les travaux | OpenAI affirme que sa construction diffère substantiellement de ces résultats connexes | Tristan Buckmaster conteste la manière dont la priorité et les échanges ont été gérés |
Tristan Buckmaster affirme qu’OpenAI avait connaissance de la direction suivie avec Levent Alpöge et que les discussions sur le crédit ont été mal conduites. Ces accusations restent contestées. Elles ne permettent pas, à elles seules, de conclure à une appropriation de travaux privés.
Données privées : deux questions différentes
OpenAI nie que ses chercheurs ou ses agents aient consulté les travaux spécifiques de Tristan Buckmaster et Levent Alpöge avant leur publication. L’entreprise affirme également qu’elle ne peut pas exclure que des données désidentifiées issues de l’utilisation de ses produits aient contribué à améliorer ses modèles.
Ces deux propositions ne parlent pas de la même chose. La première concerne un accès direct à un travail précis pendant la recherche. La seconde concerne une éventuelle amélioration générale d’un modèle à partir de données désidentifiées. La possibilité évoquée par OpenAI ne constitue pas une déclaration selon laquelle cette influence a effectivement eu lieu.
Le désaccord porte donc autant sur les règles de provenance des données que sur la reconnaissance du travail humain. Dans un contexte où des chercheurs utilisent eux-mêmes des assistants d’IA, la question de savoir ce qui peut servir à entraîner ou améliorer un modèle devient indissociable de celle du crédit scientifique.
Ce que Lean vérifie réellement
Lean est un assistant de preuve : il peut vérifier qu’une démonstration formalisée respecte les définitions, les hypothèses et les étapes encodées dans le système. C’est un garde-fou puissant contre certaines erreurs formelles.
Mais cette vérification ne répond pas automatiquement à trois questions plus larges : l’énoncé formalisé correspond-il exactement au problème mathématique visé ? Les hypothèses et la portée de la construction satisfont-elles les critères du problème du millénaire ? La démonstration est-elle suffisamment comprise et examinée par des mathématiciens indépendants ?
La formalisation et l’examen mathématique ne sont donc pas interchangeables. Lean peut contrôler une preuve telle qu’elle a été écrite dans son langage ; la communauté doit encore discuter ce que cette preuve établit réellement.
Pourquoi les 25 médaillés Fields élargissent le débat
La lettre rendue publique le 12 septembre par 25 médaillés Fields critique la publication précipitée de résultats mathématiques produits avec l’IA, ainsi que les faiblesses possibles en matière de citation, d’attribution, d’explication et de transmission des idées.
Son argument dépasse le seul cas d’OpenAI. Une démonstration peut être impressionnante sur le plan informatique tout en restant difficile à comprendre pour les chercheurs qui devront l’expliquer, la discuter et éventuellement la réutiliser. La vitesse de publication ne remplace ni la lecture attentive ni la confrontation des interprétations.
Cette inquiétude ne constitue pas une preuve de faute de la part d’OpenAI. Elle pose plutôt une question de méthode : dans les mathématiques assistées par IA, qui doit être reconnu comme contributeur, quelles données peuvent être utilisées et quel niveau d’explication faut-il fournir avant de présenter un résultat comme une avancée majeure ?
Ce qui compte maintenant
Pour le lecteur, le verdict est simple : OpenAI a publié une revendication mathématique importante, accompagnée d’une formalisation dans Lean, mais cela ne suffit pas à parler d’une solution officiellement acceptée de Navier–Stokes. La portée exacte de la construction, la discussion sur la priorité et l’éventuelle influence de données désidentifiées restent des sujets distincts.
La suite déterminera moins la capacité d’un système à produire une piste que la capacité des institutions scientifiques à l’examiner proprement. Il faudra une lecture mathématique indépendante, une attribution précise des contributions et des règles compréhensibles sur les données. C’est à cette condition que cette démonstration pourra devenir — ou non — un résultat durable plutôt qu’un spectaculaire point de départ.
