En 2026, une IA d’OpenAI dépasse une borne d’Erds, idée validée par des chercheurs, ce qui surprend les preuves en maths

Une intelligence artificielle développée chez OpenAI a proposé une construction mathématique capable de dépasser une limite admise depuis des décennies dans un problème attribué à Paul Erds. Le résultat, relayé par plusieurs médias dont SNRTnews et la RTS, ne se présente pas comme une démonstration “automatique” livrée clé en main, mais comme une idée de construction, ensuite examinée et validée par des chercheurs. Cette séquence, rarement observée à ce niveau de nouveauté, relance une question sensible en 2026, quel rôle confier à l’IA dans la recherche, entre accélérateur d’intuition et outil à encadrer.

Au cœur de l’affaire, un problème de géométrie combinatoire, souvent vulgarisé comme une question d'”agencement de points” dans le plan. L’objectif est de maximiser, pour un ensemble de points, le nombre de paires séparées par une même distance. Pendant longtemps, un quadrillage régulier passait pour une option imbattable dans certaines configurations, au point de servir de référence implicite, de borne pratique, dans des discussions de spécialistes. La construction produite par l’IA suggère qu’une disposition plus fine permet de faire mieux, en dépassant une borne qui paraissait figée.

Le débat dépasse la seule performance. Il touche à la façon dont une communauté scientifique accepte une nouveauté quand elle vient d’un système entraîné sur des corpus, capable de générer des hypothèses mais aussi de produire des impasses. Les réactions rapportées, dont celles d’un chercheur cité par la RTS, décrivent autant l’étonnement que le besoin immédiat de vérification. Dans la pratique, la valeur du résultat se joue sur la reproductibilité, la transparence de la méthode, et la capacité à transformer une construction en argument formel, contrôlé par des humains.

OpenAI propose une construction dépassant une borne attribuée à Erds

Le problème évoqué dans les sources médiatiques récentes s’inscrit dans un champ où Paul Erds a laissé une longue liste de questions, dont certaines ont structuré des pans entiers de la recherche. La formulation populaire parle de points dans un plan et de distances, mais techniquement, il s’agit de maximiser le nombre de paires de points à une distance donnée, sous des contraintes précises. Dans ce type de question, une “bonne construction” vaut souvent autant qu’une idée de preuve, parce qu’elle délimite ce qui est possible, et repousse des bornes qui servent de repères.

D’après les éléments rapportés, une IA liée à OpenAI a généré une configuration qui bat des arrangements considérés comme très efficaces, notamment des variantes proches du quadrillage. Le point important, pour les lecteurs non spécialistes, tient au statut de ces quadrillages, utilisés comme solution intuitive parce qu’ils distribuent les points de manière régulière et “optimisent” beaucoup de métriques. Dans plusieurs problèmes de combinatoire géométrique, cette intuition finit par devenir une référence durable, sans être toujours la meilleure possible dans tous les régimes.

La construction issue de l’IA ne signifie pas que toute une théorie s’effondre, mais qu’un plafond empirique ou semi-théorique a été repoussé. Dans ces sujets, dépasser une borne ne consiste pas à améliorer un chiffre abstrait de manière marginale, cela implique de trouver une structure qui n’avait pas été envisagée, souvent parce qu’elle combine des symétries et des perturbations locales difficiles à imaginer. Ce type de résultat a un effet domino, il oblige à revisiter des heuristiques, à retester des conjectures, et à se demander si d’autres “bons candidats” ont été écartés par habitude.

Les réactions citées dans la RTS soulignent un mélange d’incrédulité et d’excitation prudente, un chercheur d’OpenAI disant avoir été “bluffé” par le caractère novateur. Ce genre de déclaration n’est pas une preuve, mais il décrit un signal, l’idée générée n’était pas un simple réarrangement de solutions connues. La discussion scientifique se déplace alors vers une question concrète, qui vérifie, avec quels outils, et comment documenter précisément le chemin qui mène de la proposition à une validation exploitable par la communauté.

Dans la couverture médiatique, la découverte est présentée comme un moment rare, une IA n’optimise pas uniquement un paramètre, elle ouvre un espace de solutions. Pour les mathématiciens, l’enjeu consiste à transformer cette proposition en objet mathématique stable, définissable et généralisable. Sans ce passage, l’idée reste un “coup” isolé. Avec ce passage, elle devient une brique réutilisable, et peut influencer des domaines voisins, de la théorie des graphes à la discrétisation de problèmes géométriques.

Une borne longtemps stable face à l’hypothèse du quadrillage régulier

L’intérêt médiatique tient beaucoup à la notion de borne “figée” depuis longtemps. Dans les mathématiques, une borne n’est pas forcément une vérité définitive, c’est souvent un meilleur résultat connu, un état de l’art qui résiste parce que personne n’a trouvé mieux. Quand une communauté travaille pendant des décennies sur une question, certains seuils deviennent des repères, cités dans des articles et des cours, et intégrés à des raisonnements conditionnels. Le fait de les déplacer, même légèrement, a une portée symbolique, cela indique qu’un angle mort existait.

Le quadrillage régulier s’impose fréquemment comme un candidat naturel, parce qu’il produit une distribution homogène. Dans un problème de distances, il offre un grand nombre de paires répétant certaines distances, avec une structure très contrôlable. Mais un quadrillage n’explore qu’une famille de symétries. Dans d’autres problèmes combinatoires, des constructions “quasi régulières”, où l’on ajoute des décalages ou des motifs superposés, finissent par dépasser le régulier pur. La difficulté est d’imaginer la bonne perturbation, celle qui augmente le nombre de paires à distance cible sans détériorer d’autres propriétés.

Dans cette histoire, l’IA sert de moteur de recherche dans un espace immense de configurations possibles. Un humain raisonne souvent par familles connues et par analogies. Un système d’IA, selon sa conception, peut tester des variantes, détecter des régularités inattendues, et proposer des schémas que l’intuition classique n’aurait pas priorisés. Cela ne retire rien à la nécessité de la preuve, mais cela change le moment où une idée apparaît. Plutôt que de naître d’une longue maturation individuelle, elle peut émerger d’une exploration algorithmique, puis être retravaillée.

Le déplacement d’une borne met aussi en lumière une zone grise, la différence entre une borne “acceptée” parce qu’elle est publiée et démontrée, et une borne “admise” parce qu’elle est devenue la meilleure connue, parfois sur la base d’évidences computationnelles. Les mathématiques reposent sur la démonstration, mais la pratique moderne inclut aussi des expériences numériques, des recherches de contre-exemples, et des optimisations assistées. Ici, la nouveauté tient au fait que l’outil ne se contente pas d’assister, il propose une structure qui force un réexamen collectif.

Pour le grand public, la tentation est de dire que l’IA “a résolu” un problème. Les sources évoquent plutôt une amélioration, une avancée, une construction novatrice. Ce vocabulaire compte, car un problème peut rester ouvert même si une borne progresse. La séquence la plus probable, dans ce type de dossier, est la suivante, l’IA propose une configuration, des chercheurs vérifient la validité du gain, publient un argument, puis d’autres chercheurs tentent soit de généraliser, soit de faire encore mieux. Dans ce cycle, la borne bouge, mais la question globale peut rester posée.

EPFL et chercheurs académiques demandent un encadrement des outils d’IA

La RTS donne la parole à Kathryn Hess Belwald, professeure à l’EPFL, qui décrit ce moment comme un point de bascule. Derrière la formule, il y a une inquiétude méthodologique, comment intégrer un outil qui produit des résultats non triviaux, tout en conservant les critères de rigueur et de traçabilité. Dans un domaine où une erreur peut rester invisible pendant des années, l’origine d’une idée importe moins que la solidité de sa preuve, mais l’origine influe sur la capacité à comprendre et à auditer le cheminement.

Le besoin d’encadrement ne vise pas à freiner la recherche, il vise à éviter un décalage entre la vitesse de production d’hypothèses et la capacité de vérification. Si des laboratoires disposent d’outils capables de générer des milliers de pistes plausibles, la communauté doit organiser des pratiques, documentation des expériences, conservation des paramètres, partage des constructions, et publication des étapes de validation. Sans ces pratiques, les résultats risquent de devenir des “boîtes noires” où l’on sait que cela marche, sans comprendre pourquoi ni dans quelles limites.

La question touche aussi à la reproductibilité. Une construction produite par une IA dépend du modèle, de la version, de la manière de poser le problème, et parfois de l’aléa. Pour qu’un résultat entre durablement dans la littérature, il doit être exprimé sous forme d’objet mathématique indépendant de l’outil. Un encadrement peut passer par des exigences de publication, fournir le détail des contraintes, les schémas exacts de configuration, et les scripts de vérification lorsque des calculs sont nécessaires. Dans la pratique, cela ressemble aux standards déjà utilisés en mathématiques computationnelles, mais appliqués à des outils génératifs.

Un autre point, moins visible, concerne l’attribution. Qui est l’auteur d’une idée quand elle provient d’un modèle entraîné sur des textes produits par des générations de chercheurs. La question juridique et éthique reste ouverte, mais sur le plan académique, la priorité est de créditer les personnes qui formalisent, démontrent et publient. Les médias mettent en avant OpenAI, ce qui est logique pour l’actualité, mais l’histoire de la science retient surtout le papier, la preuve, et la clarification du mécanisme.

Enfin, l’encadrement concerne la communication. Présenter au public une avancée mathématique obtenue avec une IA peut alimenter une lecture simplificatrice, l’IA remplace les mathématiciens. Sur le terrain, les mathématiciens restent indispensables, parce que l’outil peut produire des erreurs, des généralisations fausses, ou des solutions qui ne respectent pas toutes les contraintes. Le bon niveau de discours consiste à dire qu’un système a proposé une piste, et que la communauté a fait le travail d’examen, de correction et de preuve, exactement comme pour une intuition humaine, mais à une autre échelle de vitesse.

De ChatGPT aux preuves formelles, la vérification devient le cœur du débat

Les sources parlent d’une “version de ChatGPT” utilisée pour dépasser la limite. Pour comprendre ce que cela implique, il faut distinguer plusieurs niveaux. Un modèle de langage peut aider à formuler des conjectures, à suggérer des structures, à explorer des analogies, et à produire du code de recherche pour tester des configurations. Mais une preuve mathématique exige des étapes explicites. La transition entre une idée qui “semble marcher” et un résultat accepté passe par des démonstrations, parfois longues, et par des relectures indépendantes.

Le débat contemporain porte sur la place des preuves formelles, celles qui peuvent être vérifiées par des assistants de preuve, contre les preuves traditionnelles relues par des pairs. Les assistants de preuve apportent une garantie, mais ils demandent un travail de formalisation souvent lourd. Dans un contexte où l’IA propose des constructions inédites, la tentation de s’appuyer sur des vérifications computationnelles augmente. Cela rend la chaîne de confiance plus complexe, il faut auditer le code, contrôler les hypothèses, et s’assurer que les résultats numériques ne masquent pas un cas limite.

Les équipes qui travaillent avec des outils d’IA ont donc un double défi. D’un côté, exploiter la capacité d’exploration, générer vite, comparer des milliers de variantes. De l’autre, ralentir au bon moment, stabiliser la découverte, écrire une preuve communicable, et la rendre indépendante de tout outil propriétaire. C’est souvent à ce stade que l’on mesure la vraie valeur d’une avancée, si la construction peut être décrite simplement et généralisée, elle devient une technique. Si elle dépend d’un artefact de recherche difficile à reproduire, elle reste fragile.

Cette tension explique pourquoi des chercheurs appellent à mieux encadrer l’usage. L’encadrement peut prendre la forme de lignes directrices, distinguer ce qui relève d’un résultat démontré, d’un résultat conjecturé, et d’un résultat observé par expérimentation. Dans la publication scientifique, ces catégories existent déjà, mais l’IA augmente le volume de résultats “observés”, ce qui peut saturer le processus de validation. Les revues et les conférences devront peut-être exiger des standards de traçabilité plus stricts, sans décourager l’innovation.

Pour les mathématiques elles-mêmes, la séquence raconte une autre histoire, la frontière entre imagination humaine et exploration algorithmique devient plus poreuse. Si l’IA peut proposer des structures, le métier se déplace partiellement vers la sélection des bons problèmes, la formulation de contraintes pertinentes, et la capacité à transformer une suggestion brute en théorème. Le gain n’est pas seulement une borne déplacée, c’est une modification du flux de travail, plus itératif, plus expérimental, où la preuve reste le juge final.