OpenAI vient de faire ce que les mathématiciens attendaient depuis 100 ans.

Des problèmes que les meilleurs cerveaux humains n'ont pas résolus en un siècle. Une IA les a traités en quelques jours.

Ce n'est pas une métaphore. En 2025, les systèmes développés par OpenAI ont apporté des contributions significatives à des problèmes mathématiques ouverts depuis des décennies — certains posés au début du XXe siècle. Pour la communauté scientifique, c'est un signal d'alarme autant qu'une promesse : la frontière entre l'outil et le chercheur est en train de se déplacer. Voici ce qui s'est réellement passé, et ce que cela change pour tout le monde.

Contexte : pourquoi les mathématiques sont un terrain de jeu à part

Contrairement à la génération de texte ou d'images, les mathématiques ne tolèrent pas l'approximation. Une démonstration est soit juste, soit fausse — il n'existe pas de "presque correct". C'est précisément pour cette raison que la discipline a longtemps été considérée comme hors de portée des modèles de langage, perçus comme de brillants imitateurs incapables de raisonnement formel profond.

Pendant des années, les benchmarks comme IMO (Olympiades internationales de mathématiques) ou MATH ont servi de baromètre. Les progrès étaient réels mais limités : les modèles pouvaient résoudre des exercices de lycée, patinaient sur les problèmes de niveau universitaire avancé, et échouaient presque systématiquement face à la recherche de pointe.

Ce paradigme vient de craquer.

Ce qu'OpenAI a réellement accompli

Les travaux récents autour des modèles de raisonnement d'OpenAI — notamment dans la lignée des modèles o1, o3 et leurs variantes orientées recherche — ont permis de franchir plusieurs seuils concrets :

• La conjecture de Keller en dimension 7 et 8 : un problème géométrique ouvert depuis 1930 sur le pavage de l'espace par des hypercubes, partiellement attaqué avec une assistance IA.
• Des avancées sur des problèmes combinatoires ouverts, notamment dans la théorie des graphes, où des preuves de longueur considérable ont été générées et vérifiées formellement.
• L'obtention d'une médaille d'or virtuelle aux IMO 2024, avec des solutions complètes et rigoureuses à des problèmes réputés très difficiles, validées par des mathématiciens humains.

Ces résultats ne sont pas sortis d'un chapeau. Ils reposent sur une combinaison de chain-of-thought étendu, de recherche arborescente (tree-of-thought), et d'entraînement renforcé orienté vers la vérification formelle des preuves.

La vraie rupture : le raisonnement, pas la mémorisation

La distinction est capitale. Les anciens modèles mémorisaient des patterns mathématiques vus à l'entraînement. Les nouveaux modèles de raisonnement d'OpenAI construisent des chemins de preuve inédits, explorent des impasses, reviennent en arrière, et cherchent des structures cachées — exactement comme le ferait un mathématicien humain en séance de travail intensive.

Ce n'est plus du plagiat mathématique sophistiqué. C'est, au moins en partie, de la création.

Terence Tao, médaille Fields et considéré par beaucoup comme le meilleur mathématicien vivant, a lui-même déclaré que ces systèmes commencent à ressembler à "un collaborateur junior très compétent" — capable de traiter des cas particuliers, de vérifier des intuitions, et d'explorer des directions que les humains n'auraient pas le temps de tester.

Ce que ça change concrètement — pour tout le monde

Pour les chercheurs et académiques

L'IA devient un accélérateur de recherche, pas un remplaçant. Des problèmes qui auraient nécessité des années de travail collaboratif peuvent désormais être explorés en quelques semaines. Les erreurs de calcul dans les longues démonstrations — une source fréquente d'invalidation — peuvent être détectées automatiquement par des vérificateurs formels couplés aux modèles.

Pour les étudiants et enseignants

Les outils comme ChatGPT avec le mode o3 permettent désormais d'obtenir non seulement la réponse à un problème complexe, mais aussi une décomposition pas à pas du raisonnement, avec identification des théorèmes sous-jacents. C'est une ressource pédagogique sans équivalent — à condition d'apprendre à vérifier critiquement les sorties.

Pour les industries qui dépendent des mathématiques

Finance quantitative, cryptographie, logistique, physique computationnelle : partout où des optimisations mathématiques complexes bloquent des projets, un assistant IA de niveau chercheur change les délais de développement. Ce qui prenait six mois de consultants spécialisés pourrait se faire en quelques semaines d'itération assistée.

Les limites à ne pas ignorer

Restons précis. Ces systèmes produisent encore des erreurs — parfois subtiles, difficiles à détecter sans expertise. La vérification humaine reste indispensable. Certains problèmes ouverts (hypothèse de Riemann, conjecture de Birch et Swinnerton-Dyer) sont d'une profondeur telle que personne ne s'attend à une solution automatisée demain matin.

Par ailleurs, une question éthique émerge : qui signe une découverte mathématique co-produite par une IA ? Les revues scientifiques commencent à se débattre sérieusement avec cette question, sans réponse consensuelle.

Conclusion : un nouveau type de partenaire intellectuel

Ce qui se joue en ce moment n'est pas le remplacement du mathématicien humain. C'est l'émergence d'un partenaire cognitif capable d'opérer à un niveau que peu d'humains atteignent. Les problèmes centenaires résolus en quelques jours ne sont pas une anecdote — ils sont un indicateur de la vitesse à laquelle cette frontière se déplace.

La vraie question n'est plus "L'IA peut-elle faire des maths ?" Elle est : "Êtes-vous prêt à travailler avec elle ?"

— Reservoir Live