OpenAI vs Mathématiciens : Qui a vraiment résolu Navier-Stokes ?

Depuis des décennies, un problème mathématique résiste à tous les efforts : les équations de Navier-Stokes, qui décrivent le mouvement des fluides comme l'eau ou l'air. En 2000, le Clay Mathematics Institute a sélectionné sept problèmes considérés comme les plus difficiles au monde, offrant un million de dollars à quiconque en résoudrait un. En 26 ans, un seul a été résolu, la conjecture de Poincaré, dont le lauréat a refusé le prix pour la beauté de la science. Parmi les six problèmes restants se trouvent les équations de Navier-Stokes. Ces équations sont cruciales pour comprendre des phénomènes comme le comportement de l'air sur une aile d'avion, la circulation sanguine dans le corps ou la réaction de l'eau face à une coque de bateau. Depuis près d'un siècle, ce problème défie les mathématiciens. Il y a environ un an, deux mathématiciens, Tristan Buckmaster, professeur à NYU, et Levent Alp, travaillant chez Anthropic, se sont penchés sur le sujet. Ils utilisent plusieurs intelligences artificielles, notamment Claude et Codex. Buckmaster a même révélé qu'ils intégraient leurs ébauches de preuves directement dans Codex. Le 15 août, ils ont réalisé une avancée significative sur un problème connexe, les équations d'Euler, et leur preuve a été vérifiée quelques jours plus tard. L'histoire prend alors une tournure inattendue. Le 1er septembre, OpenAI a eu vent de rumeurs concernant deux mathématiciens ayant fait une découverte majeure sur les problèmes du millénaire, dont l'un travaillait chez Anthropic. Alertée par cette nouvelle, OpenAI a décidé de mobiliser son nouveau modèle interne sur tous les problèmes du Clay Mathematics Institute. Leurs agents ont rapidement trouvé un résultat sur l'équation d'Euler. OpenAI a alors mis les bouchées doubles, faisant tourner 10 000 agents en parallèle pendant quatre jours. Après 88 heures de calcul, ils ont annoncé avoir trouvé une solution à l'équation de Navier-Stokes. C'est à ce moment que Buckmaster a exprimé des doutes, se demandant si leurs données d'entraînement n'avaient pas été utilisées par OpenAI. OpenAI a affirmé avoir enquêté et que leurs prompts étaient indépendants. Cependant, il est souligné que lorsqu'une entreprise affirme avoir enquêté en interne, cela s'inscrit souvent dans une stratégie de gestion de crise où les faits sont réorganisés pour paraître de bonne foi, sans nécessairement mentir, mais en présentant les informations sous un jour favorable. La Silicon Valley est un environnement de compétition féroce où l'objectif est de gagner, et ce n'est pas en étant toujours le "nice guy" qu'on bâtit une entreprise valant un trillion de dollars. Un exemple de la compétition intense dans la Silicon Valley est donné : une amie qui vendait sa boîte a vu les acquéreurs potentiels contacter les fonds d'investissement intéressés pour leur demander de ne pas investir, sous peine de ne pas racheter leurs prochaines entreprises. Cette pratique est courante. Kevin Smooths, qui a travaillé dans la Silicon Valley, confirme cette ambiance de "Shark Tank" sous des apparences décontractées. L'Amérique, avec ses gros dollars, est le moteur de ces comportements. Le partage de savoir, même de propriété intellectuelle, qui semble généreux lors de meetups ou autour de pizzas, est en réalité une stratégie pour attirer les talents du voisin. Les entreprises montrent qu'elles travaillent sur des problèmes complexes et ont de meilleures solutions afin de recruter les meilleurs ingénieurs, quitte à les surpayer. Il s'agit d'une forme de culturisme où l'on montre ses muscles. Les "incentives" sont la clé : si une découverte mathématique incroyable peut être faite juste avant une introduction en bourse (IPO) pour devancer un concurrent, la plupart des acteurs de la Silicon Valley le feraient. L'affaire Navier-Stokes est moins une question d'équation mathématique que de stratégie d'entreprise. Ce qui a probablement déclenché OpenAI, c'est que le mathématicien Levent Alp travaillait chez Anthropic, un concurrent direct. OpenAI a craint qu'Anthropic ne soit derrière cette avancée. Bien qu'Alp ait déclaré que son travail était indépendant et non financé par Anthropic, cela est difficile à croire étant donné le rythme effréné des innovations et la culture de travail intense dans ces grandes entreprises technologiques, où même les projets personnels peuvent être réalisés sur le temps de travail alloué ou pendant les heures non ouvrées. Il y a eu une conversation entre le mathématicien Buckmaster et Sébastien Bubeck, un chercheur français chez OpenAI. Bubeck aurait proposé à Buckmaster de publier leur découverte ensemble, en excluant Alp. Buckmaster, en tant que chercheur éthique, a refusé de laisser son collègue de côté, insistant pour une publication collective. Bubeck aurait alors menacé Buckmaster de ruiner sa carrière. Cette situation soulève une question fondamentale : peut-on confier ses meilleures idées à une intelligence artificielle lorsque l'entreprise derrière ce modèle pourrait devenir un concurrent ? Cela ne concerne pas seulement les scientifiques, mais toutes les entreprises. Il est important de savoir que dans de nombreux laboratoires, des personnes surveillent, lisent et trient les conversations des utilisateurs. Ils analysent les interactions pour comprendre comment les utilisateurs se comportent et quels problèmes ils rencontrent. Pour des sujets de niche et d'intérêt stratégique, les sessions des utilisateurs avancés sont particulièrement scrutées. Même si les données ne sont pas utilisées pour l'entraînement (ce qui serait illégal sans consentement), le fait qu'un chercheur d'OpenAI puisse lire une session et en tirer des "insights" sur la méthode de résolution d'un problème complexe, puis ordonner à des agents de le "brute-forcer", pose un problème éthique. Légalement, sur les comptes gratuits des plateformes d'IA, les utilisateurs contribuent souvent au training des modèles, sauf s'ils désactivent cette option. Les plans d'entreprise payants offrent généralement plus de confidentialité. Cependant, la Silicon Valley a montré par le passé qu'elle est prête à payer des millions en amendes pour des violations de la vie privée, considérant cela comme un coût commercial acceptable. Le véritable conseil est de ne pas faire confiance à ces entreprises si les données sont cruciales. Il est préférable d'héberger les modèles sur ses propres serveurs ou d'utiliser des solutions open source hébergées soi-même, pour éviter que les logs de session ne remontent. Le problème réside dans le fait que de nombreux utilisateurs, y compris les mathématiciens dans cette affaire, utilisent des comptes personnels sans les protections offertes par les comptes d'entreprise. Ils s'imaginent noyés dans la masse des utilisateurs, mais pour des sujets hyper-spécifiques et d'intérêt stratégique pour les entreprises d'IA, leurs sessions sont inévitablement signalées et analysées. Le fait qu'OpenAI ait dépensé environ 15 millions de dollars pour faire travailler 10 000 agents pendant 88 heures pour résoudre l'équation de Navier-Stokes est une démonstration de "brute force". Des scientifiques ont noté qu'il n'y a pas eu de véritable créativité de la part de l'IA, la créativité étant plutôt du côté des deux mathématiciens qui ont mené des recherches plus conventionnelles. OpenAI a réussi grâce à sa capacité colossale de calcul et à la coordination d'agents sur une très courte période. Cette approche soulève des questions sur l'avenir de la recherche. Kevin Smooths compare la réaction des chercheurs à celle d'agriculteurs face à une rave party : les géants de l'IA débarquent, ravagent le terrain avec des ressources colossales, font leur communication, puis repartent, laissant les chercheurs démunis après des années de travail sans ressources. Les 15 millions dépensés par OpenAI ne sont pas "escalables" ni utilisables par les chercheurs traditionnels. C'est une démonstration de marketing par le calcul. De nombreuses solutions récentes en mathématiques, notamment l'infirmation de théorèmes par la brute force pour trouver des exceptions, relèvent de cette logique de "cramer des tokens pour faire du marketing". Cela contraste avec la promesse de l'IA de résoudre des problèmes comme le cancer ou le réchauffement climatique. En parallèle, Google DeepMind, avec Demis Hassabis, a annoncé AlphaGenomaMap, qui a cartographié l'ADN à chaque changement de lettre, une avancée majeure passée inaperçue. Google DeepMind adopte une approche plus discrète et à long terme, comme avec AlphaFold, visant à trouver des solutions pour la science et la médecine. OpenAI, en revanche, semble davantage motivé par la démonstration que son modèle est meilleur que les autres, quitte à y investir des sommes colossales. Buckmaster, le mathématicien, est dégoûté. Il a tiré une conclusion radicale, affirmant que la course aux grandes découvertes a changé et que "le jeu est terminé". Il a décidé d'abandonner ce type de recherche. Cela pose la question de la motivation des chercheurs : est-ce de trouver des solutions ou de signer des publications ? L'IA contraint la recherche à se réinventer dans un contexte où les carrières sont bâties sur des thèses et des recherches de plusieurs années, qui peuvent désormais être invalidées en quelques semaines par des calculs massifs. Les chercheurs doivent s'adapter et changer leur façon de travailler. Ceux qui ont l'instinct de chercher des découvertes majeures sur le long terme risquent de voir leurs paris de 7 à 10 ans invalidés rapidement. Ce n'est plus une question de talent individuel, mais d'accès à des capacités de calcul illimitées. Sur le plan géopolitique, les pays qui auront accès à ces capacités attireront les chercheurs, offrant des agents d'IA comme des supercalculateurs. D'où l'importance pour l'Europe de développer ses propres modèles propriétaires et ne pas être seulement un distributeur de modèles tiers, afin de maintenir sa souveraineté en matière de recherche.