719 preuves déposées, quasi personne pour les lire : la « Mathocalypse » d’OpenAI

Six semaines plus tôt, la même entreprise affirmait avoir attaqué les équations de Navier-Stokes, l’un des sept problèmes du millénaire récompensés d’un million de dollars. Cette fois, ce n’est pas une énigme isolée : c’est un déversement. Un modèle interne, jamais ouvert au public, a été testé sur environ 4 000 problèmes, avec en moyenne trois heures de raisonnement par tentative. Le dépôt du 6 octobre recense 372 familles de résultats et 719 manuscrits.

Moins de la moitié était contrôlée à la publication

Les totaux impressionnent ; le ratio qui compte, lui, est 42 %. C’est la part des résultats principaux que Lean — l’assistant de preuve qui contrôle chaque étape d’une démonstration — avait validés au moment où le catalogue est sorti. Le reste ressemblait surtout à un commit sur un dépôt : visible, indexé, pas forcément établi au sens où les mathématiciens l’entendent depuis des siècles. Le lendemain, trois manuscrits ont été retirés pour une erreur de signe ; quatorze ont été corrigés.

Trouver la preuve cédait la place à la décrypter

Pendant longtemps, le maillon faible, c’était l’invention du raisonnement. Aujourd’hui, c’est la compréhension du texte produit. Dans son billet « The Mathocalypse », Scott Aaronson estime qu’aucun humain n’a encore assimilé la quasi-totalité de ces preuves, et que la course pour les déchiffrer ne fait que s’ouvrir. OpenAI admet par ailleurs que nombre de ces résultats ne sont pas encore maîtrisés par ses propres spécialistes.

« On croirait un texte rédigé sous psychédéliques. Il est si mal rédigé qu’on ne peut le parcourir sans l’aide d’une IA. »

Dana Moshkovitz, théoricienne de la complexité, tenait ces propos à propos de la preuve sur la conjecture des jeux uniques — un sujet qu’elle creuse depuis des années. L’anecdote qu’Aaronson relaye vaut tous les communiqués : son fils de neuf ans lui a appris qu’« un robot a résolu le problème sur lequel tu as travaillé toute ta carrière ». Il n’exagérait guère.

La cryptographie s’est réveillée en sursaut

Justin Drake, chercheur à la Fondation Ethereum, a demandé mercredi à toute l’industrie blockchain de planifier un « mode bunker » : déplacer progressivement les avoirs vers des adresses dont la clé publique n’est jamais apparue en chaîne. Sa crainte n’est pas quantique. Elle est que l’IA trouve un raccourci dans les courbes elliptiques qui signent les transactions, ce qui rendrait inutile l’attente des ordinateurs quantiques. Son pire scénario tient en une formule : « en mois, pas en années ».

Vitalik Buterin, cofondateur d’Ethereum, ne contredit pas le diagnostic. Il juge les courbes elliptiques « particulièrement vulnérables à une superintelligence » et estime que la cryptographie post-quantique fondée sur les réseaux pourrait encaisser « de sérieux coups dans les deux prochaines années ». Nuance indispensable : les migrations précipitées de portefeuilles provoquent, elles, des pertes bien réelles.

• Fin juillet, des portefeuilles matériels Coldcard ont été vidés via une faille de firmware vieille de cinq ans, pour au moins 1 367 BTC ; le fabricant soupçonne l’IA d’avoir accéléré la découverte.
• La Bitcoin Red Team, équipe bénévole, a passé au crible 390 projets en une trentaine d’heures avec des modèles, remontant près de 5 000 failles potentielles, dont 85 critiques.
• Aucune attaque pratique contre les clés Bitcoin ou Ethereum n’a été démontrée à ce jour : on parle de risque, pas de casse avérée.

Anthropic, et la cruauté envers un modèle

Dans le même mouvement, Anthropic a mis à jour sa politique d’usage et y inscrit l’interdiction d’un comportement « cruel ou abusif » répété envers Claude. Le texte précise que la mesure ne vise que des cas extrêmes, sans but discernible, et que couper la conversation reste le principal mécanisme d’application. Le sujet prête à sourire — insulter un logiciel — mais il traduit un glissement de fond : les laboratoires parlent désormais de « bien-être des modèles » et se demandent, sans trancher, si ces systèmes ont une expérience intérieure. C’est moins une question de politesse que de cadre juridique et moral, et personne n’a encore décidé où placer le curseur.

Ce que ça change pour un site, un outil, une méthode

La leçon dépasse les amphithéâtres. Une sortie n’est pas une preuve ; une démo soignée n’est pas un produit fiable ; une brique « IA » dans une interface ne remplace pas un métier entier. Un modèle peut générer cent pages plausibles sans qu’une seule tienne la route, et le coût se reporte sur la vérification — tests, relecture, traçabilité. Pour quiconque choisit ses outils ou cadre son workflow, la question pertinente n’est donc pas « l’IA peut-elle le faire », mais « qui contrôle, avec quoi, et comment on le prouve aux autres ». Les laboratoires eux-mêmes peinent encore à le faire pour leur propre catalogue.

Publier n’est pas établir. Entre les deux : des mois de relecture — ou un trou.

Reste une incertitude qu’il vaut mieux nommer : on ne sait pas si cette accélération produira un savoir réellement partagé, ou une pile de fichiers lisibles surtout par d’autres modèles. Terence Tao, médaille Fields et figure de l’Association for Human Mathematics, évoque une « récolte » des problèmes qui pourrait assécher des branches entières. Le boycott peut paraître disproportionné ; la question qu’il soulève, elle, est sérieuse.