- ▸ Une construction produite « sans la moindre hésitation »
- ▸ La thèse de ce dossier
- ▸ Contexte historique : quatre-vingts ans de borne supérieure rampante
- ▸ Analyse technique : ce que dit la construction du modèle
Le modèle généraliste d’OpenAI a produit, selon une information rapportée par Numerama le 21 mai 2026, une construction qui dépasse la borne classique posée par le mathématicien hongrois Paul Erdős sur le planar unit distance problem. Ce problème, ouvert depuis quatre-vingts ans, vient d’être attaqué non par un spécialiste de combinatoire géométrique mais par un modèle de langage à vocation généraliste. La portée méthodologique dépasse largement le résultat lui-même.
Points clés 1. Le planar unit distance problem, posé par Paul Erdős en 1946, cherche à borner le nombre maximum de paires de points à distance 1 dans un plan euclidien. 2. Selon Numerama (21 mai 2026), une IA d’OpenAI a fourni une construction produisant, pour une infinité de valeurs de n, au moins n^(1+δ) paires à distance 1, pour un certain δ strictement positif. 3. La résolution est qualifiée par les mathématiciens cités de première résolution autonome par une IA d’un problème ouvert majeur dans un sous-domaine des mathématiques. 4. Le modèle utilisé est un modèle généraliste, non un système spécialisé en preuve formelle comme l’a été AlphaProof. 5. Le résultat déplace la question de la performance vers celle de la validation : qui certifie une preuve issue d’un modèle statistique, et selon quels protocoles ?
Une construction produite « sans la moindre hésitation »
Selon les éléments publiés par Numerama le 21 mai 2026, le modèle d’OpenAI sollicité sur le planar unit distance problem aurait produit sa construction, selon l’expression d’un mathématicien cité, « sans la moindre hésitation ». L’image est saisissante. Elle suggère que la sortie ne procède pas d’un tâtonnement laborieux mais d’une proposition directe, accompagnée d’une structure de contre-exemple recevable. La formule pourrait être anecdotique. Elle ne l’est pas : elle décrit un changement de régime dans la relation entre les outils statistiques de génération de texte et les objets mathématiques formels.
Les chercheurs interrogés par le média français rappellent qu’« aucune preuve générée par l’IA jusqu’à présent n’a été aussi performante ». La phrase mérite d’être pesée. Elle ne dit pas qu’une IA n’avait jamais produit de preuve. Elle dit que la qualité, l’autonomie et la portée de celle-ci constituent un seuil.
La thèse de ce dossier
Le résultat rapporté par Numerama n’est pas seulement une nouvelle entrée dans l’inventaire des prouesses de l’intelligence artificielle. Il signale trois ruptures qu’il convient de distinguer : une rupture sur la nature des problèmes accessibles aux modèles généralistes, une rupture sur le rôle de l’expertise humaine dans la chaîne de validation, et une rupture sur l’économie de la recherche mathématique. Nous les examinerons l’une après l’autre, sans verser ni dans l’emballement, ni dans le scepticisme de principe.
Contexte historique : quatre-vingts ans de borne supérieure rampante
Le planar unit distance problem fait partie de cette catégorie de questions qui semblent enfantines tant qu’on n’a pas tenté d’y répondre. L’énoncé est limpide. Étant donné n points dans le plan euclidien, combien de paires d’entre eux peuvent-elles être exactement à distance 1 ? La réponse, elle, résiste depuis 1946.
Paul Erdős, mathématicien hongrois itinérant et probablement l’auteur le plus prolifique du vingtième siècle dans son champ, formula la question dans l’un des articles fondateurs de la combinatoire géométrique moderne. Sa conjecture initiale proposait une borne supérieure de l’ordre de n^(1+c/log log n), une expression qui, traduite, signifie : presque linéaire en n, mais avec un terme correctif qui croît très lentement.
Pendant des décennies, les mathématiciens ont resserré l’étau par le haut. Joel Spencer, Endre Szemerédi et William Trotter publièrent en 1984 une borne en O(n^{4/3}). Cette borne est restée, pour l’essentiel, le plafond de référence. Du côté inférieur, les meilleurs exemples connus restaient proches de la conjecture d’Erdős sans la dépasser significativement.
Le problème a engendré une famille entière de questions connexes : nombre de distances distinctes, distances unitaires en dimension supérieure, variantes pondérées. Il a aussi servi de banc d’essai à plusieurs outils méthodologiques. La méthode des coupes de cellules, la décomposition par incidences, les techniques algébriques inspirées des travaux de Larry Guth et Nets Katz sur le problème d’Erdős-Szemerédi, tous ces outils se sont confrontés au mur.
L’enjeu est moins le résultat numérique qu’une question structurelle : que peut-on dire des configurations géométriques sous contrainte combinatoire ? Comprendre cela, c’est comprendre une partie de l’architecture interne du plan euclidien.
Analyse technique : ce que dit la construction du modèle
Reprenons la formulation rapportée par les sources. Le modèle généraliste d’OpenAI a, selon Numerama, proposé une structure de contre-exemple qui produit, pour une infinité de valeurs de n, au moins n^(1+δ) paires à distance 1, pour un certain δ strictement positif. Cette phrase est dense. Elle mérite d’être décortiquée.
Le terme δ désigne ici une constante positive non nulle. Concrètement, cela signifie que la construction n’est pas marginalement supérieure à la borne d’Erdős : elle l’est de manière polynomiale. Pour une infinité de tailles n, on peut placer dans le plan plus de n^(1+δ) paires à distance 1, là où la conjecture initiale ne prévoyait qu’un terme correctif sous-polynomial.
Pour matérialiser l’écart, voici un tableau comparatif des bornes connues, sur la base des éléments rapportés et de la littérature antérieure.
| Borne | Source | Année | Forme |
|---|---|---|---|
| Conjecture initiale (borne supérieure) | Erdős | 1946 | n^(1+c/log log n) |
| Borne supérieure de référence | Spencer, Szemerédi, Trotter | 1984 | O(n^{4/3}) |
| Borne inférieure historique | Erdős | 1946 | proche de la conjecture |
| Construction OpenAI rapportée | Numerama / OpenAI | 2026 | au moins n^(1+δ), δ > 0, pour une infinité de n |
La nuance « pour une infinité de valeurs de n » est centrale. Elle ne signifie pas que la borne tient pour tout n, mais qu’il existe une suite infinie de tailles pour lesquelles la construction fonctionne. C’est suffisant pour réfuter la conjecture asymptotique d’Erdős sous sa forme stricte. Cela ne ferme pas pour autant l’écart vers la borne supérieure de Spencer-Szemerédi-Trotter.
Sur la nature de la construction, les éléments publics restent succincts. Numerama mentionne une « structure de contre-exemple » sans détailler son architecture combinatoire. On peut raisonnablement supposer qu’elle exploite une famille de grilles déformées ou un réseau aux propriétés algébriques particulières, mais cette hypothèse demande confirmation.
« C’est la première fois qu’un problème ouvert majeur, central dans un sous-domaine des mathématiques, est résolu de manière autonome par une IA », souligne l’un des mathématiciens cités par Numerama.
Cette citation est l’élément qualitatif le plus fort du dossier. Elle pose explicitement la question de l’autonomie. Ce que le mathématicien décrit, ce n’est pas un modèle utilisé comme assistant par un humain qui aurait formulé l’hypothèse et orienté la recherche. C’est un modèle qui propose lui-même la voie d’attaque et produit la construction.
La distinction n’est pas mineure. Dans la pratique courante, depuis 2023, les modèles de langage étaient utilisés en mathématiques comme des outils de génération de candidats : on leur demandait des idées, des reformulations, des lemmes intermédiaires que des chercheurs humains validaient ou rejetaient. Le saut décrit ici inverse partiellement la chaîne.
Impact terrain : la communauté mathématique face à un nouveau régime de production
Que signifie, concrètement, une telle annonce pour les équipes de recherche ? Trois conséquences se dessinent à court terme.
La première touche le rythme. Si un modèle généraliste peut, sur sollicitation, produire des constructions inédites sur des problèmes ouverts depuis des décennies, alors la cadence à laquelle de nouveaux résultats arrivent peut s’accélérer brutalement. Cela ne signifie pas que tous les problèmes sont solubles, ni que la frontière de l’inconnu recule uniformément. Cela signifie qu’un sous-ensemble de questions, jusqu’ici considérées comme hors de portée des techniques disponibles, devient soudain examinable.
La deuxième touche la validation. Une preuve mathématique tire sa légitimité d’une chaîne de relecture par les pairs. Cette chaîne suppose des relecteurs compétents, motivés, et un objet relativement stable. Or, une construction produite par un modèle généraliste pose des questions nouvelles : combien de temps faut-il pour la vérifier ? Qui le fait ? Comment garantir qu’elle ne contient pas d’erreur subtile dissimulée derrière une présentation convaincante ?
La troisième touche l’attribution. Les revues académiques en mathématiques fonctionnent sur la signature individuelle. Un théorème porte un ou plusieurs noms. Si l’agent qui propose la construction est un modèle, comment formuler l’attribution ? Citer le modèle comme co-auteur, le mentionner en remerciements, ou ignorer la question ? Les normes éditoriales de revues comme Annals of Mathematics ou Inventiones Mathematicae n’ont pas encore tranché.
Au-delà du seul cercle des spécialistes de combinatoire, l’événement déplace le centre de gravité du débat sur l’usage de l’IA en sciences fondamentales. Jusqu’ici, les démonstrations les plus visibles concernaient soit des systèmes spécialisés (AlphaProof, AlphaGeometry de DeepMind), soit l’assistance à la formalisation (Lean, Coq). Le passage à un modèle généraliste change l’équation. La frontière entre outil et collaborateur devient floue.
Sur le terrain pédagogique, l’impact se fera sentir dans les écoles doctorales. La sélection des sujets de thèse, traditionnellement guidée par la disponibilité d’un encadrant et l’intérêt heuristique de la question, devra intégrer une nouvelle variable : la probabilité qu’un modèle généraliste produise un résultat substantiel pendant la durée du doctorat. Cela ne tue pas la thèse de mathématiques. Cela en redessine les contours.
Perspectives contradictoires : prudence méthodologique et zones d’ombre
Tout résultat de cette ampleur appelle un examen contradictoire. Trois objections sérieuses doivent être posées.
La première objection est documentaire. À la date du 21 mai 2026, le seul élément public consolidé est le compte rendu de Numerama. La publication d’une preuve dans une revue à comité de lecture est un processus qui prend habituellement plusieurs mois, parfois années. Tant que la construction n’a pas été examinée en détail par la communauté combinatoire, le statut du résultat reste celui d’une annonce. Les annonces, même prestigieuses, ont déjà été démenties dans l’histoire récente des mathématiques.
La deuxième objection est méthodologique. La distinction entre « construction proposée par une IA » et « construction validée comme correcte » n’est pas un détail. Les modèles de langage produisent des sorties qui paraissent plausibles. Une partie significative de leur production en mathématiques contient des erreurs subtiles qui ne sautent aux yeux qu’au prix d’une vérification minutieuse. Les chercheurs cités par Numerama signalent la performance de la sortie ; ils ne signalent pas, dans les extraits disponibles, un protocole de vérification formelle.
La troisième objection est qualitative. Affirmer qu’une IA a « résolu » le problème est ambigu. Le planar unit distance problem a deux faces : la borne inférieure (construire des configurations qui maximisent les paires) et la borne supérieure (démontrer qu’on ne peut pas faire mieux). Selon les éléments publiés, la contribution du modèle porte sur la borne inférieure. Or, le problème ne sera vraiment « résolu » que lorsque les deux bornes coïncideront. Le travail accompli, aussi marquant soit-il, déplace une pièce sans clore la partie.
Il faut aussi noter une asymétrie de l’information. OpenAI a tout intérêt à valoriser les contributions scientifiques de ses modèles dans une période où la rentabilité économique des laboratoires d’IA est interrogée par les marchés. Cela ne disqualifie pas l’annonce, mais cela impose de distinguer ce que les chercheurs disent du résultat et ce que la communication corporate en fait.
Prospective : trois questions ouvertes
Quelles questions, au-delà du résultat lui-même, méritent attention dans les mois qui viennent ?
Première question : la reproductibilité. Le même modèle, sollicité par d’autres équipes, sur d’autres problèmes ouverts, produit-il des constructions de qualité comparable ? Si oui, la rupture est confirmée. Si non, le résultat tient peut-être à une conjonction de facteurs (prompt, contexte, hasard du tirage) qui ne fait pas système.
Deuxième question : la formalisation. La construction proposée peut-elle être traduite dans un assistant de preuve formelle comme Lean 4, et y être vérifiée ligne à ligne ? Si oui, le doute méthodologique tombe. Si la formalisation résiste, le résultat reste suspendu à la confiance accordée aux relecteurs humains.
Troisième question : l’extension. La famille de problèmes voisins (distances en dimension 3, distances multiples, distances unitaires en métrique non euclidienne) devient-elle accessible à la même technique ? Une réponse positive transformerait un événement isolé en programme de recherche.
Ce dossier ne tranche aucune de ces trois questions. Il les pose.
FAQ
Qu’est-ce que le planar unit distance problem ?
Il s’agit d’un problème de combinatoire géométrique posé en 1946 par Paul Erdős. Étant donné n points dans le plan euclidien, on cherche à borner le nombre maximum de paires d’entre eux qui peuvent être exactement à distance 1. La conjecture initiale d’Erdős proposait une borne presque linéaire en n, et la meilleure borne supérieure démontrée reste O(n^{4/3}), établie en 1984 par Spencer, Szemerédi et Trotter.
Comment le modèle d’OpenAI a-t-il procédé ?
Selon Numerama (21 mai 2026), le modèle généraliste d’OpenAI a proposé une structure de contre-exemple produisant, pour une infinité de valeurs de n, au moins n^(1+δ) paires à distance 1, avec un δ strictement positif. La construction aurait été fournie, selon un mathématicien cité, « sans la moindre hésitation ». Le détail technique de la construction n’est pas public à ce stade.
Que change ce résultat pour la recherche en mathématiques ?
Si le résultat est confirmé après vérification par la communauté, il marque selon les mathématiciens cités la première résolution autonome par une IA d’un problème ouvert majeur dans un sous-domaine des mathématiques. Les implications portent sur la cadence de production de nouveaux résultats, sur les protocoles de validation, et sur les normes éditoriales en matière d’attribution.
Le problème est-il définitivement résolu ?
Pas au sens strict. La contribution porte, selon les éléments publiés, sur la borne inférieure du problème. Il subsiste un écart avec la meilleure borne supérieure connue. Par ailleurs, la construction doit faire l’objet d’une vérification approfondie par la communauté avant d’acquérir un statut consolidé. Voir nos analyses connexes IA et démonstration formelle : où en est-on en 2026 ? et Mathématiques assistées par IA : l’écosystème des outils.
Sources
- « Aucune hésitation » : une IA d’OpenAI a terrassé un problème de géométrie vieux de 80 ans, Numerama, 21 mai 2026 — lien
- Spencer, J., Szemerédi, E., Trotter, W., Unit distances in the Euclidean plane, 1984 (borne supérieure de référence)
- Erdős, P., On sets of distances of n points, American Mathematical Monthly, 1946 (énoncé original du problème)
Voir aussi sur LagazetteIA : Anthropic et la course aux 1M de tokens, DeepMind, AlphaProof et la médaille d’argent aux Olympiades, Lean 4 : panorama d’un écosystème de preuve formelle.
