OpenAI résout Navier-Stokes en 88 heures avec 10 000 agents : preuve Lean publique, prix refusé, polémique de paternité

OpenAI résout Navier-Stokes en 88 heures avec 10 000 agents : preuve Lean publique, prix refusé, polémique de paternité

🔎 Un problème vieux de 180 ans tombe en un week-end

Le 5 septembre 2026, OpenAI annonçait avoir résolu l'un des sept problèmes du prix du Millénaire : le comportement des solutions des équations de Navier-Stokes. Un modèle interne non publié, orchestrant jusqu'à 10 000 agents IA travaillant en parallèle, a produit en 88 heures une preuve du blow-up en temps fini — le cœur du défi mathématique posé par le Clay Mathematics Institute en 2000, avec 1 million de dollars à la clé.

La démonstration n'est pas restée dans un tiroir : write-up complet, PDF public et formalisation Lean vérifiable sur GitHub, confirmée en 17 heures supplémentaires par GPT-6 Astra. Pourtant, personne ne va toucher le chèque. OpenAI refuse de réclamer le prix, et la communauté mathématique, elle, réclame des réponses.

Car derrière l'exploit se cache une querelle de paternité explosive. Tristan Buckmaster (NYU) et Levent Alpöge affirment travailler depuis des mois sur exactement la même approche — et soupçonnent que leurs propres sessions de travail ont alimenté les modèles d'OpenAI. La question dépasse désormais le coup médiatique : que vaut une preuve vérifiable par la machine, quand sa provenance est invérifiable ?

L'essentiel

• 88 heures, 10 000 agents : un modèle interne non publié d'OpenAI a résolu le blow-up en temps fini des équations de Navier-Stokes, l'un des 7 problèmes du prix du Millénaire (dotés de 1 M$ chacun depuis 2000, selon le MIT Technology Review).
• Preuve vérifiable publiquement : write-up, PDF et formalisation Lean sur GitHub, vérifiée en 17 h par GPT-6 Astra. OpenAI refuse de réclamer le prix d'1 M$ du Clay Institute.
• Coût colossal : environ 300 milliards de tokens de sortie, soit ~22,5 M$ de calcul aux tarifs actuels — environ 1000 fois plus que les résultats mathématiques IA précédents (Sébastien Bubeck, cité par TechCrunch).
• Polémique de paternité : Buckmaster (NYU) et Alpöge suspectent une fuite de leurs sessions de recherche ; OpenAI nie mais « ne peut pas exclure » que des données dé-identifiées aient amélioré ses modèles.
• Question de fond : la vérifiabilité mécanique d'une preuve ne dit rien de son origine éthique. La science entre dans l'ère de la provenance incertaine.

Outils recommandés

Pour monter vos propres pipelines d'agents de recherche en local, consultez notre guide des agents IA open source avec Ollama et notre comparatif des meilleurs LLM pour les agents IA.

Ce qui s'est réellement passé — les faits vérifiés

Réponse directe : un modèle interne non publié d'OpenAI a produit une preuve du blow-up en temps fini des équations de Navier-Stokes en 88 heures, avec jusqu'à 10 000 agents travaillant de façon quasi concurrente, et OpenAI a publié la preuve formelle pour vérification publique.

Les chiffres sont recoupés par plusieurs médias. D'après CNN, la société elle-même a indiqué que son modèle « a mis 88 heures à résoudre le problème, en utilisant jusqu'à 10 000 agents IA travaillant de manière quelque peu concurrente » (CNN). L'effort aurait impliqué 2,7 millions de messages échangés entre agents et environ 300 milliards de tokens de sortie, soit 22,5 M$ de calcul aux tarifs actuels (TechCrunch).

Le problème, en deux phrases

Les équations de Navier-Stokes décrivent le mouvement des fluides. La question du Millénaire demande de prouver (ou réfuter) l'existence et la régularité de solutions lisses en toute circonstance — ou, comme ici, de démontrer un blow-up en temps fini pour les équations forcées, c'est-à-dire des solutions qui deviennent infinies en un temps borné.

Ce qu'OpenAI a publié

• Un write-up détaillé de la preuve.
• Une formalisation complète en Lean, l'assistant de preuve, vérifiable par quiconque sur GitHub.
• Une vérification croisée : GPT-6 Astra a confirmé la formalisation en 17 heures supplémentaires.

C'est ce dernier point qui rend l'affaire historique sur le plan méthodologique : peu importe qui a écrit la preuve, la machine peut la vérifier. C'est la première fois qu'un problème du Millénaire tombe avec une certification formelle dès l'annonce.

Pourquoi OpenAI refuse le prix d'1 million de dollars

Réponse directe : parce que réclamer le prix exigerait une paternité claire, un processus de relecture par les pairs du Clay Institute, et une transparence sur la méthode — trois choses qu'OpenAI ne peut pas assurer sans s'exposer.

Le Clay Mathematics Institute exige traditionnellement une publication dans un journal à comité de lecture et une acception par la communauté sur une période de deux ans minimum. Or ici, trois obstacles se dressent :

1. La paternité est contestée (voir plus bas).
2. La méthode est industrielle, pas académique : 10 000 agents et 22,5 M$ d'effort de calcul (New Scientist) n'entrent dans aucune catégorie prévue par le règlement.
3. Le modèle est non publié : impossible pour la communauté d'examiner comment la preuve a été construite, seulement ce qu'elle est.

Ce refus est habile autant qu'embarrassant. OpenAI capte le prestige sans affronter le processus de validation académique — mais cela alimente aussi le soupçon : pourquoi refuser le processus de validation si la preuve est propre ?

La polémique : Buckmaster, Alpöge et l'ombre d'une fuite

Réponse directe : deux mathématiciens travaillaient sur la même approche depuis des mois, et l'un d'eux affirme avoir été informé de la preuve d'OpenAI avant même d'avoir publié la sienne.

Le 5 septembre, Tristan Buckmaster (NYU) et Levent Alpöge ont rendu publics trois résultats liés à Navier-Stokes. Dans sa déclaration officielle, Buckmaster écrit avoir appris « qu'un modèle interne d'OpenAI avait produit une preuve du blow-up en temps fini pour les équations de Navier-Stokes forcées » — alors même que lui et Alpöge utilisaient « une méthode spécifique sur un problème connexe ». Le timing est accablant : la presse scientifique rapporte qu'OpenAI reconnaît avoir été inspirée par des rumeurs selon lesquelles Alpöge et Buckmaster avaient résolu un problème du Millénaire.

Les accusations, point par point

• Soupçon de fuite de données : Buckmaster et Alpöge suspectent que leurs sessions de travail avec des outils IA ont été utilisées pour entraîner ou guider les modèles d'OpenAI. The Hindu évoque des accusations de « pratiques contraires à l'éthique », incluant l'usage allégué de données volées et un volet lié à la vie privée autour de Sébastien Bubeck et de Codex.
• Réponse d'OpenAI : la société nie toute fuite intentionnelle, mais convient qu'elle « ne peut pas exclure » que des données dé-identifiées issues des usages de ses clients aient amélioré ses modèles — un aveu qui, juridiquement, dit tout.
• « OpenAI a joué sale » : c'est le titre que TechCrunch prête au mathématicien du NYU. Fortune rapporte des accusations de triche et d'intimidation, et la « lamentation » de Terence Tao, qui déplorait la façon dont l'annonce a éclipsé le travail humain.

Mon avis, assumé : peu importe l'issue de l'enquête. Le simple fait qu'un laboratoire privé puisse, en une semaine, engloutir l'équivalent de décennies de postdocs en calcul — et faire de l'ombre à deux carrières construites sur ce problème — devrait inquiéter toute la communauté scientifique.

22,5 M$ de calcul : le prix de la découverte

Réponse directe : c'est « emphatiquement des millions de dollars », selon Sébastien Bubeck, soit environ 1000 fois le coût des résultats mathématiques obtenus par IA jusqu'ici.

À titre de comparaison, l'annonce d'OpenAI sur le problème d'Erdős — un théorème de géométrie qui résistait depuis 80 ans — relevait d'un régime de coût radicalement inférieur. On passe de la démonstration de faisabilité à la force brute industrielle : la question n'est plus « peut-il résoudre X ? » mais « qui peut se payer la résolution de X ? ».

Et c'est peut-être là le vrai message. Les problèmes du Millénaire sont désormais accessibles aux acteurs capables de dépenser 22,5 M$ de calcul en une semaine. Les laboratoires universitaires, eux, regardent la vitrine.

Une preuve vérifiable, une provenance invérifiable : le nouveau dilemme scientifique

Réponse directe : pour la première fois, la validité formelle d'un résultat majeur ne fait aucun doute, mais son éthique de production ne peut être établie. La science doit inventer des normes de provenance, pas seulement de vérification.

Le formalisme Lean change la donne de façon irréversible. Une preuve formalisée est vérifiée par un petit noyau logique ; il n'y a pas de « presque correct », pas d'arbitrage de referee. Comme le résumaient plusieurs observateurs : mathématiquement, le résultat tient ou ne tient pas — et ici, il tient.

Mais trois tensions émergent :

1. La provenance devient l'angle mort. Une preuve peut être juste et contaminée : construite sur des données obtenues sans consentement, ou sur les idées d'un tiers non crédité. Le système peer-review n'a aucun outil pour ça.
2. La concurrence remplace la collaboration. Le modèle historique — conjectures partagées, séminaires, préprints — entre en collision avec des courses de 88 heures menées en secret. Terence Tao n'est pas le seul à s'en désoler.
3. L'asymétrie structurelle. OpenAI « ne peut pas exclure » que les données de ses utilisateurs aient nourri ses modèles. Tant que cette phrase reste possible, tout mathématicien utilisant un outil commercial doit se demander s'il est en train d'entraîner son concurrent.

Ce que devrait exiger la communauté

• Des engagements contractuels forts sur la non-utilisation des sessions de recherche pour l'entraînement.
• Des journaux de provenance : quelles données, quelles interactions ont alimenté la découverte.
• Un cadre de crédit : si une preuve IA s'appuie sur l'approche publiée ou privée d'un chercheur, la co-paternité doit être discutée, pas escamotée.

Erreurs courantes (dans la couverture médiatique)

Erreur 1 : « L'IA a résolu Navier-Stokes »

Pas exactement. Ce qui a été prouvé, c'est un blow-up en temps fini pour les équations de Navier-Stokes forcées — un des scénarios éligibles au prix du Millénaire, pas l'intégralité du programme de recherche sur les fluides. La mécanique des fluides appliquée, elle, n'a pas changé d'un pouce cette semaine.

Erreur 2 : « Le modèle a démontré le théorème tout seul »

Les 10 000 agents ne sont pas un cerveau unique : ce sont des instances coordonnées, échangeant 2,7 millions de messages, sur une architecture d'orchestration non publiée. Le rôle exact du scaffolding par rapport au modèle sous-jacent reste inconnu — et c'est précisément ce que contestent les mathématiciens qui réclament plus de transparence méthodologique.

Erreur 3 : « OpenAI a triché, la preuve ne compte pas »

Le soupçon de provenance ne change rien à la validité formelle : la preuve Lean est vérifiable par n'importe qui, et GPT-6 Astra l'a confirmée indépendamment en 17 heures. Confondre éthique de production et validité logique, c'est manquer les deux débats — et c'est exactement ce que fait la couverture la plus clivante.

❓ Questions fréquentes

Le prix de 1 M$ du Clay Institute sera-t-il versé ?

Non, pas sous cette forme. OpenAI ne le réclame pas, et le règlement du Clay exige publication, relecture par les pairs et un délai d'acception communautaire de deux ans. Avec un modèle non publié et une paternité contestée, les conditions ne sont pas réunies — et ne le seront probablement jamais pour cette annonce.

La preuve est-elle réellement fiable ?

Sur le plan logique, oui : la formalisation Lean est vérifiable par quiconque et a été confirmée en 17 h par GPT-6 Astra. En revanche, rien ne garantit que la preuve soit lisible, minimale ou compréhensible par des humains — un point que les mathématiciens commencent déjà à examiner.

Qui sont Buckmaster et Alpöge ?

Tristan Buckmaster est mathématicien à NYU, spécialiste de premier plan des équations fluides. Levent Alpöge est son collaborateur. Ils ont rendu publics trois résultats connexes le même week-end et affirment travailler depuis des mois sur l'approche que la preuve d'OpenAI met en œuvre.

OpenAI a-t-elle volé leurs données ?

Rien n'est prouvé. OpenAI nie toute fuite intentionnelle mais reconnaît ne « pas pouvoir exclure » que des données dé-identifiées d'usages clients aient amélioré ses modèles. Une enquête ou un audit indépendant serait nécessaire pour trancher — aucun n'est annoncé à ce jour.

Qu'est-ce que ça change pour les mathématiques ?

Trois choses : les problèmes du Millénaire ne protègent plus les chercheurs de la force brute industrielle ; la vérification formelle (Lean) devient un standard de publication ; et la provenance des découvertes assistées par IA devient un enjeu éthique central, au même titre que la validité.

✅ Conclusion

En 88 heures et pour 22,5 M$ de calcul, OpenAI a transformé un problème vieux de deux siècles en preuve vérifiable — et en cas d'école sur la provenance des découvertes IA. La leçon à retenir : à l'ère des preuves certifiées par la machine, la question n'est plus seulement « est-ce vrai ? », mais « d'où ça vient ? ». Si vous explorez vous-même les architectures multi-agents qui rendent ces exploits possibles, commencez par notre guide des meilleurs agents IA autonomes.