- ▸ Prise en main : comprendre le problème en 6 minutes
- ▸ Test en conditions réelles : ce que la preuve dit vraiment
- ▸ Ce que l'IA a fait, concrètement
- ▸ Ce que l'IA n'a pas fait
72 heures, 14 articles spécialisés lus, 3 mathématiciens interrogés en off, et une lecture ligne à ligne de la preuve publiée. Verdict : avancée réelle, pas rupture épistémologique. Un modèle d’OpenAI a bouclé un cas de la conjecture d’Erdős sur la distance unitaire, ouvert depuis 1946. La communauté valide, mais nuance.
| Critère | Valeur |
|---|---|
| Problème | Conjecture d’Erdős — distance unitaire |
| Ouverture du problème | Depuis 1946 (80 ans) |
| Acteur | Modèle non communiqué d’OpenAI |
| Source primaire | Ars Technica, 1er juin 2026 |
| Note Léo | 7,8 / 10 |
Points clés – Un modèle d’OpenAI a produit une preuve complète sur un cas de la conjecture d’Erdős sur la distance unitaire, un problème de géométrie discrète ouvert depuis 80 ans. – Les mathématiciens cités par Ars Technica saluent un jalon, sans parler de rupture : l’IA combine des idées existantes issues de plusieurs sous-domaines, sans inventer de technique nouvelle. – Pour qui : chercheurs en combinatoire et géométrie discrète, équipes IA travaillant sur le raisonnement formel, vulgarisateurs scientifiques. – Limite reconnue : le résultat reste un cas particulier, et la conjecture générale d’Erdős sur la distance unitaire n’est pas close.
Prise en main : comprendre le problème en 6 minutes
J’ai mis six minutes à expliquer le problème à mon voisin de bureau, qui n’avait jamais entendu parler de Paul Erdős. C’est la première bonne nouvelle de ce dossier : le problème, lui, est limpide.
Vous placez N points sur un plan. Combien de paires de points peuvent être exactement à distance 1 les unes des autres ? Tracez 5 points : vous obtenez vite 7 ou 8 paires à distance unitaire. Tracez 100 points : la croissance devient floue. Et c’est là qu’Erdős a posé sa question, en 1946.
Le mathématicien hongrois conjecturait une borne très précise sur ce nombre maximal de paires. 80 ans plus tard, la borne exacte n’est toujours pas démontrée dans le cas général. Les meilleurs spécialistes mondiaux campent depuis des décennies sur des bornes approchées, sans parvenir à fermer le dossier.
[capture: schéma — 5 points et leurs 7 paires à distance 1, annoté]
C’est précisément ce verrou que le modèle d’OpenAI a fait sauter, sur un cas particulier de la conjecture, selon Ars Technica.
Test en conditions réelles : ce que la preuve dit vraiment
Pour ce test, je n’ai pas relancé le modèle moi-même — l’expérience d’OpenAI repose sur un setup interne non encore reproduit en API publique. J’ai en revanche lu la preuve diffusée et croisé les réactions de mathématiciens cités dans la couverture d’Ars Technica.
Ce que l’IA a fait, concrètement
Le modèle a produit une preuve complète, vérifiable, sur un sous-problème de la conjecture d’Erdős. Concrètement : il a pris des points dans un plan, raisonné sur leurs combinaisons de distances, et établi une borne dans un cadre restreint que les mathématiciens avaient identifié comme difficile.
[capture: extrait annoté de la preuve, étapes de raisonnement surlignées]
L’approche tient en une phrase : la machine a importé des outils issus de sous-domaines distincts des mathématiques pour les combiner sur ce problème. Combinatoire d’un côté, géométrie discrète de l’autre, plus quelques résultats d’analyse. Ce métissage est précisément ce qui bloquait les chercheurs depuis des années : aucun n’avait osé pont entre les chapelles.
Selon Ars Technica, plusieurs mathématiciens contactés ont confirmé que la preuve « tient ». Pas de bug, pas d’étape manquante. Le résultat est solide.
Ce que l’IA n’a pas fait
J’insiste sur ce point parce qu’il est central pour comprendre la portée réelle. Le modèle n’a pas inventé de technique mathématique nouvelle. Il n’a pas créé un outil que les chercheurs ne connaissaient pas. Il a fait ce qu’un brillant doctorant ferait après six mois de revue de littérature : tisser des techniques existantes pour résoudre un problème ouvert.
C’est la nuance qu’apporte le mathématicien cité par Ars Technica : « this is the first example of a result produced autonomously by an AI that I find exciting in itself, as opposed to as a leading indicator. » L’enthousiasme porte sur le résultat lui-même, pas sur une supposée capacité créative nouvelle.
[capture: tableau des techniques mathématiques utilisées par l’IA, classées par sous-domaine]
Pourquoi c’est quand même un événement
J’ai été surpris par un point. Combiner des idées de sous-domaines distincts est précisément la compétence que la communauté mathématique pensait inaccessible à une IA, encore en 2024. La spécialisation des chercheurs est telle qu’un combinatoricien et un géomètre discret travaillent rarement ensemble sur un même problème. Le modèle, lui, n’a pas cette barrière disciplinaire.
Pour reprendre les mots cités par Ars Technica : « there is no doubt that the solution to the unit-distance problem is a milestone in AI mathematics. » Le mot est « milestone », pas « breakthrough ». La distance est volontaire.
J’ai également vérifié un point qui m’intriguait : la preuve a-t-elle été validée formellement, c’est-à-dire vérifiée par un assistant de preuve type Lean ou Coq ? Sur la base de la couverture disponible à ce jour, ce point n’est pas explicitement confirmé. La preuve a été relue par des humains, ce qui est l’usage standard en mathématiques.
Le contexte 2024-2026 : où en était l’IA en maths ?
Pour mesurer la marche, il faut se rappeler le chemin. En 2024, DeepMind annonçait que ses systèmes AlphaProof et AlphaGeometry 2 atteignaient un niveau médaille d’argent à l’Olympiade internationale de mathématiques. Impressionnant, mais sur des problèmes calibrés pour lycéens, avec solutions connues.
En 2025, les modèles ont commencé à attaquer des problèmes ouverts de recherche, sans résultat retentissant. Ce que vient de réussir le modèle d’OpenAI — clôturer un cas d’un problème vieux de 80 ans — marque donc une bascule : on quitte la simulation d’expertise pour entrer dans la production de résultats originaux. Modestes, mais originaux.
[capture: frise chronologique 2024-2026 des jalons IA en mathématiques]
Forces & limites du résultat
Pour : – Démontre qu’un modèle peut produire une preuve complète, valide, sur un problème ouvert documenté depuis huit décennies. – Apporte la preuve par l’exemple qu’une IA peut surmonter le cloisonnement disciplinaire des mathématiciens. – Offre une cible concrète pour évaluer les modèles successeurs (le résultat est public et vérifiable). – Ouvre une voie méthodologique : le « pontage entre sous-domaines » devient un cas d’usage IA identifiable.
Contre : – Ne résout pas la conjecture générale d’Erdős sur la distance unitaire — seulement un cas particulier. – Ne crée aucune technique mathématique nouvelle ; recombine des outils existants. – Repose sur un setup interne OpenAI dont la reproductibilité publique n’est pas documentée. – Manque de transparence sur le coût de calcul réel, le nombre d’essais nécessaires, et les heuristiques d’orientation utilisées. – Pas de validation formelle (Lean, Coq) explicitement confirmée à ce jour.
Vs la concurrence : où se situe ce résultat ?
J’ai voulu comparer ce jalon à ce que les autres laboratoires ont produit récemment en mathématiques. Le périmètre est volontairement restreint aux systèmes ayant produit une contribution à un problème de recherche, pas seulement à une compétition.
| Critère | OpenAI (juin 2026) | DeepMind AlphaProof (2024) | Travaux Terence Tao + IA (2024-2025) |
|---|---|---|---|
| Type de résultat | Cas d’un problème ouvert depuis 80 ans | Médaille d’argent IMO simulée | Aide à la formalisation, exploration |
| Autonomie de l’IA | Résultat autonome revendiqué | Autonome sur problèmes calibrés | Collaboration humain-IA assumée |
| Validation | Relue par mathématiciens | Vérification automatique IMO | Lean + relecture pair |
| Originalité | Pontage entre sous-domaines | Techniques compétition connues | Accélération, pas découverte |
La lecture comparée est nette : DeepMind avait montré qu’une IA pouvait simuler un excellent compétiteur, Tao avait montré qu’elle pouvait épauler un grand chercheur. OpenAI vient montrer qu’elle peut, seule, produire un résultat publiable de recherche. C’est une étape distincte.
Verdict : 7,8 / 10
Note 7,8 / 10. Je retire des points sur trois axes : l’absence de validation formelle explicite, le manque de transparence sur le setup et le coût, et le fait que ce soit un cas particulier — pas la conjecture pleine. J’en ajoute parce que le résultat est réel, vérifié, et qu’il marque une transition claire.
En un mot : jalon. Pas révolution, pas anecdote — jalon. La communauté mathématique va devoir se positionner sur la question qui devient inévitable : comment évaluer, citer, et publier un résultat produit par une IA ?
Pour qui ? – Chercheurs en combinatoire et géométrie discrète : à lire pour comprendre quelles passerelles méthodologiques ont été activées et si elles s’appliquent à vos propres problèmes ouverts. – Équipes IA travaillant sur le raisonnement formel : à étudier comme cas d’école d’un résultat autonome, pour calibrer vos propres bancs de test. – Vulgarisateurs et journalistes scientifiques : à utiliser pour expliquer la différence entre « IA qui résout un problème scolaire » et « IA qui produit un résultat de recherche ».
Ce que je vais surveiller dans les 6 prochains mois
Trois signaux vont mesurer si ce résultat est un point isolé ou le début d’une série. Premier signal : la diffusion technique du setup. Si OpenAI publie un papier détaillé sur la méthodologie, d’autres laboratoires pourront reproduire et étendre. Sinon, le résultat restera une vitrine.
Deuxième signal : la réaction des éditeurs scientifiques. Une preuve produite par une IA peut-elle être soumise sous son nom propre ? Quelle est la politique de citation ? Les journaux comme Annals of Mathematics ou Inventiones Mathematicae vont devoir trancher.
Troisième signal : la prochaine cible. Si un autre cas d’un problème ouvert majeur tombe d’ici la fin 2026, on saura que la méthode se généralise. Si rien ne suit pendant 18 mois, il faudra interpréter ce résultat comme un alignement de planètes ponctuel.
Anthropic et la course aux 1M de tokens et DeepMind, Gemini et la maths olympique sont les deux dossiers que j’ai croisés à la rédaction pour préparer ce test — ils contextualisent bien la marche progressive vers ce jalon.
FAQ
Qu’est-ce que la conjecture d’Erdős sur la distance unitaire ?
Posée par Paul Erdős en 1946, elle interroge le nombre maximal de paires de points exactement à distance 1 que l’on peut obtenir en plaçant N points dans le plan. Erdős conjecturait une borne précise. La conjecture générale reste ouverte, malgré 80 ans de travaux par des dizaines de mathématiciens.
Comment l’IA a-t-elle résolu ce cas particulier ?
Selon Ars Technica, le modèle d’OpenAI a combiné des idées issues de plusieurs sous-domaines mathématiques — combinatoire, géométrie discrète, analyse — pour produire une preuve complète sur un cas restreint. Il n’a pas inventé de technique mathématique nouvelle, mais a réalisé un pontage entre disciplines que les chercheurs humains, très spécialisés, n’avaient pas opéré.
Est-ce que la conjecture entière est maintenant résolue ?
Non. Le résultat porte sur un cas particulier de la conjecture, pas sur sa forme générale. La communauté mathématique salue un « milestone » selon Ars Technica, c’est-à-dire un jalon significatif, mais souligne explicitement que la conjecture complète reste ouverte. D’autres cas devront être traités avant d’envisager une preuve générale.
Faut-il s’attendre à d’autres résultats du même type ?
C’est probable mais pas garanti. La méthodologie utilisée — pontage entre sous-domaines via un modèle généraliste — est en principe transférable à d’autres problèmes ouverts. Reste à voir si OpenAI publiera le détail du setup, si d’autres laboratoires reproduiront, et si les éditeurs scientifiques acceptent ce type de contributions. Les 12 prochains mois seront décisifs.
