La preuve Navier-Stokes d’OpenAI sous examen

EElias

Alors, le point central, c’est que la preuve n’est pas encore une solution reconnue comme valide : le Clay Mathematics Institute l’examine toujours. D’après The Decoder, le texte proposé par OpenAI compte 166 pages et a été rédigé en Lean, un langage de vérification formelle qui contrôle les étapes logiques encodées dans la preuve. Ce contrôle est un élément important de l’examen, mais il ne signifie pas que toutes les questions autour du résultat sont réglées. Le débat ne porte pas seulement sur la validité finale : des spécialistes contestent aussi la manière dont OpenAI décrit la filiation de son travail. Il faut donc distinguer deux questions : la preuve tient-elle, et l’entreprise a-t-elle correctement caractérisé son approche ? Pour l’instant, le fait établi est qu’un document formalisé est soumis à examen, pas que le problème est définitivement résolu.

EElias

Navier-Stokes est le problème mathématique auquel OpenAI affirme avoir apporté une solution potentielle. L’entreprise avait présenté sa démarche comme suivant l’approche des mathématiciens Diego Córdoba et Luis Martínez-Zoroa. Or, des experts, dont Gonzalo Cao-Labora, estiment que la preuve diffère de cette approche lorsqu’on regarde les détails. Cao-Labora considère que les ressemblances seraient superficielles. D’après The Decoder, des experts cités par le média contestent donc le rapprochement, sans que cela tranche à lui seul la validité de la preuve. La discussion porte sur la filiation méthodologique revendiquée par OpenAI : les spécialistes ne s’accordent pas sur la façon de décrire la relation entre ces travaux. Le débat sur la méthode ne remplace cependant pas l’examen formel du raisonnement.

EElias

Lean sert ici à formaliser la preuve : le système peut contrôler les étapes logiques encodées dans le texte. C’est une vérification précieuse, mais elle n’équivaut pas à une validation générale de toutes les affirmations qu’on pourrait faire autour du résultat. Le document reste long, avec 166 pages, et sa mise en forme formelle ne le rend pas d’elle-même transparent pour un lecteur humain. Le Clay Mathematics Institute poursuit son examen depuis la publication de la preuve potentielle. Tant que cet examen est en cours, la formulation prudente reste donc celle d’une solution proposée et examinée, pas d’un problème définitivement résolu. En fait, Lean aide à contrôler le raisonnement formalisé ; il ne répond pas à lui seul à toutes les questions sur l’origine ou la présentation des idées. On peut donc avoir un outil qui vérifie les étapes exprimées dans un langage formel, tout en poursuivant l’analyse mathématique du document et de sa portée.

EElias

OpenAI indique avoir mobilisé environ 10 000 instances de modèles pendant 88 heures et utilisé 130 milliards de tokens pour élaborer cette solution potentielle. Ces chiffres décrivent les ressources que l’entreprise dit avoir engagées, mais ne permettent pas de savoir quelle part précise a contribué au résultat. Noam Brown, chercheur chez OpenAI, indique que la contribution exacte de cet essaim d’agents n’est pas connue. L’ampleur du calcul est chiffrée ; son efficacité, elle, reste à mesurer. Les chiffres décrivent l’effort annoncé, pas la contribution isolée de chaque composante.

EElias

Aucun essai n’a mesuré le temps qu’un agent unique aurait mis pour traiter le même problème. Noam Brown dit aussi que l’avantage précis de 10 000 agents par rapport à 1 000 reste inconnu. Selon lui, des expériences comparatives à grande échelle seraient trop coûteuses. Sans ce point de comparaison, l’effet du nombre d’agents ne peut pas être isolé : on ne sait pas si un groupe plus petit aurait abouti au même résultat, ni dans quel délai. Brown estime que la configuration multi-agents représenterait moins de 10 % du succès, une appréciation qui n’est pas le résultat d’un test comparatif ayant mesuré cette part. Il faut donc distinguer cette estimation de ce qui a été directement établi par une expérience. La question du coût compte aussi : si les essais nécessaires ne sont pas menés, les chiffres de déploiement ne suffisent pas à démontrer un avantage précis.

EElias

Noam Brown estime que les systèmes multi-agents, encore peu étudiés, recevraient une part disproportionnée du crédit. Selon lui, ces systèmes nouveaux et impressionnants attirent l’attention, alors que le modèle de base compterait davantage. Il met en avant la capacité de ce modèle à traiter des tâches longues et à fonctionner en parallèle. Cette analyse ne constitue pas une démonstration expérimentale qui établirait précisément le poids de chaque facteur. Le dossier met en évidence un manque de mesure, alors que les chiffres de déploiement attirent l’attention. L’efficacité propre de l’organisation multi-agents reste une question ouverte. Pour comprendre le résultat, il faudrait pouvoir séparer ce que le modèle de base apporte de ce que l’organisation en plusieurs agents ajoute, et les éléments disponibles ne donnent pas cette comparaison.

EElias

Le mathématicien Tristan Buckmaster a accusé OpenAI de s’être appuyée sur des travaux qu’il avait réalisés avec Levent Alpöge, chercheur chez Anthropic, à l’aide de modèles accessibles au public. OpenAI nie avoir utilisé les données de Buckmaster. Il s’agit de deux positions rapportées, et l’accusation ne peut pas être présentée comme établie. L’origine exacte des idées serait difficile à établir, notamment parce que les modèles sont des boîtes noires et que leur cheminement n’est pas directement observable. Camillo De Lellis, de l’Institute for Advanced Study, estime qu’une réponse définitive est probablement impossible. Il n’est donc pas possible de conclure, à partir des éléments disponibles, que les travaux ont été repris. Cette question de provenance reste ouverte, ce qui complique l’attribution précise des idées dans un travail élaboré avec des modèles.

EElias

OpenAI a publié près de 400 autres résultats mathématiques sous la forme d’une collection sur GitHub. Des mathématiciens ont critiqué cette diffusion dispersée, qui complique le suivi et, à leurs yeux, dévalorise leur discipline. Le contenu ajouté début octobre rassemble ainsi un grand nombre de résultats, mais la présentation en collection ne facilite pas leur repérage par la communauté. La critique concerne donc aussi la manière de partager ces travaux, et non seulement leur quantité. Le mécontentement exprimé ne signifie pas que chaque résultat de la collection serait erroné. Il porte sur les difficultés de suivi et sur la valeur accordée à ces travaux.

EElias

D’abord, OpenAI a proposé une preuve potentielle de 166 pages, formalisée en Lean, et le Clay Mathematics Institute l’examine. Des experts contestent le rapprochement revendiqué avec l’approche de Diego Córdoba et Luis Martínez-Zoroa, tandis que l’entreprise avait présenté sa démarche comme s’inscrivant dans cette filiation. Par ailleurs, aucun essai n’a comparé le temps nécessaire à un agent unique à celui de milliers d’agents. Noam Brown estime que moins de 10 % du succès serait attribuable à l’organisation multi-agents, mais cette appréciation n’est pas issue d’une mesure comparative. L’accusation formulée par Tristan Buckmaster est contestée par OpenAI, qui nie avoir utilisé ses données, et l’origine des idées demeure difficile à établir. Enfin, la publication dispersée de près de 400 résultats sur GitHub suscite le mécontentement de mathématiciens. Il faut retenir que plusieurs questions restent distinctes : la vérification de la preuve, la provenance des idées, l’efficacité de l’organisation multi-agents et la façon de partager les résultats. L’examen du Clay Mathematics Institute se poursuit, tandis que l’avantage précis de cette organisation de calcul n’a pas été mesuré par comparaison.