Astra d’OpenAI : comment un modèle non publié a résolu 10 problèmes mathématiques pour 2 000 $

Un modèle sans date de sortie vient de surpasser les mathématiciens humains

Le 1er août 2026, OpenAI a annoncé qu’une version interne et non publiée de son prochain modèle — nommé Astra — avait résolu 10 problèmes de mathématiques et d’informatique théorique restés ouverts depuis une décennie ou plus. Les problèmes couvraient la théorie des groupes, les algèbres de von Neumann, la combinatoire, l’empilement de sphères en haute dimension, la théorie des codes, la complexité des circuits arithmétiques, la répétition parallèle quantique et la cryptographie sur réseaux, selon le résumé de SiliconANGLE de l’annonce.

Le chiffre phare est modeste mais frappant : Astra a généré les dix preuves pour environ 2 000 $ de calcul aux tarifs de l’API GPT-5.6, selon SiliconANGLE. Ce chiffre compte parce qu’il transforme l’annonce d’un « laboratoire qui a passé des mois sur un pari risqué » en « un modèle qui a fait cela comme tâche secondaire, au coût d’un ordinateur portable ».

Ce n’était pas la première apparition d’Astra. Forbes a rapporté que la même famille de modèles avait réfuté la conjecture de la distance unitaire d’Erdős, vieille de 80 ans, dès mai 2026 — un résultat que Thomas Bloom, gestionnaire du catalogue des problèmes d’Erdős, avait qualifié de « grande nouvelle » à l’époque. La publication de dix preuves d’un coup en août a transformé un résultat isolé en tendance.

Cette tendance s’accompagne d’une réserve à énoncer d’emblée : OpenAI a déjà exagéré des résultats liés à Erdős par le passé. En octobre 2025, le vice-président d’OpenAI Kevin Weil avait affirmé que GPT-5 avait « trouvé des solutions à 10 (!) problèmes d’Erdős jusque-là non résolus », mais Bloom — le même mathématicien qui a ensuite salué le résultat de mai 2026 — a publiquement contesté cette présentation, précisant que les problèmes marqués « ouverts » sur son site signifiaient seulement qu’il ignorait personnellement une solution publiée, et non qu’aucune n’existait. GPT-5 avait retrouvé une littérature existante que Bloom n’avait pas cataloguée, sans résoudre de conjectures véritablement non résolues — une distinction que Yann LeCun de Meta et Demis Hassabis de Google DeepMind ont tous deux relevée publiquement à l’époque, selon les informations de TechCrunch.

Le groupe non sofique : une question ouverte depuis 27 ans

Le résultat le plus cité du lot est la première construction explicite d’un groupe non sofique — un concept introduit par le mathématicien Mikhail Gromov en 1999, selon SiliconANGLE, ce qui rend la question sous-jacente vieille de 27 ans au moment du résultat d’Astra. Les groupes sofiques forment une classe de groupes infinis pouvant être approximés par des structures finies au sens technique précis ; savoir si tout groupe est sofique, ou si des groupes non sofiques existent, avait résisté à la résolution par des mathématiciens humains pendant près de trois décennies.

Le lot a également abordé la conjecture de rigidité de Connes dans les algèbres de von Neumann, des problèmes extrémaux en théorie de Ramsey et en théorie des graphes, ainsi que le problème du vecteur le plus proche en cryptographie sur réseaux — une hypothèse de difficulté fondamentale sous-tendant plusieurs schémas de chiffrement post-quantique. Chaque résultat est arrivé non pas sous forme d’affirmation en langage courant, mais sous forme de preuve Lean 4 entièrement formalisée.

Zéro « sorry » — ce que « vérifiable par machine » signifie réellement

La distinction entre « une IA a dit qu’elle a résolu un problème » et « une IA a produit une preuve vérifiable » est au cœur de cette histoire. Lean est un assistant de preuve : un logiciel qui vérifie, étape par étape, si chaque pas logique d’une preuve découle réellement des précédents et des axiomes établis. Une preuve Lean comportant une étape non remplie contient le mot-clé de substitution « sorry » — un signal indiquant précisément où l’argument reste incomplet.

Selon SiliconANGLE, le nombre de « sorry » dans les dix preuves formalisées est de zéro : aucune étape, sur les dix preuves, n’a été laissée non prouvée. OpenAI a publié les fichiers de certificats sur GitHub sous licence Apache 2.0, ce qui signifie que n’importe quel chercheur — sans compte OpenAI, sans clé API, et sans devoir faire confiance aux affirmations de l’entreprise — peut télécharger Lean, charger les fichiers et regarder le vérificateur confirmer indépendamment chaque étape.

Cette possibilité de vérification indépendante a suscité l’approbation la plus marquante. Le médaillé Fields Timothy Gowers a déclaré qu’il recommanderait l’une des preuves à une revue mathématique de premier plan sans hésitation, selon les informations de Forbes sur l’annonce.

Les sceptiques ont aussi raison

Toutes les réactions n’ont pas été enthousiastes. Le spécialiste des sciences cognitives et critique de l’IA Gary Marcus a qualifié l’annonce de « impressionnante mais largement survendue », selon Forbes, arguant qu’OpenAI a choisi elle-même les problèmes à médiatiser — des réussites tirées d’un lot bien plus large de tentatives non rendues publiques — et que les chercheurs extérieurs ne peuvent pas exécuter le modèle de façon indépendante pour le tester sur de nouveaux problèmes de leur choix. Les deux critiques portent sur la structure de l’annonce, pas sur les preuves elles-mêmes : la vérification Lean confirme que les dix résultats sont corrects, mais elle ne dit rien du taux d’échec sur les problèmes qui n’ont pas fait l’objet de l’annonce, ni de ce qu’Astra peut faire au-delà des mathématiques, puisque personne en dehors d’OpenAI n’y a un accès pratique.

Cet écart d’accès n’est pas anodin. Forbes a rapporté qu’Astra n’a ni date de sortie annoncée, ni tarification, et doit franchir un examen de sécurité du gouvernement américain avant tout déploiement public. Quelques jours plus tard, OpenAI a révélé une raison plus précise que la simple prudence habituelle : l’entreprise a déclaré avoir ralenti le développement d’Astra après que le modèle a atteint un « seuil critique de cybersécurité », c’est-à-dire qu’il pouvait identifier et mener de manière autonome des cyberattaques contre des systèmes réels traditionnellement bien protégés. OpenAI a indiqué travailler désormais avec des agences gouvernementales et des organisations de sécurité de l’IA sur des contrôles plus stricts avant toute mise à disposition — ce qui signifie que le modèle à l’origine de ces résultats mathématiques n’est pas quelque chose qu’un laboratoire universitaire, une startup ou une entreprise d’IA concurrente peut actuellement tester, reproduire ou comparer.

Ce que cela révèle de la trajectoire de l’IA

L’enjeu pratique tient moins à dix théorèmes précis qu’à ce que le coût et la méthode de vérification impliquent pour l’avenir de la recherche assistée par IA.

Premièrement, le prix. Une facture de calcul d’environ 2 000 $ pour dix problèmes ouverts depuis plus d’une décennie — même un échantillon choisi et favorable — est un montant que des institutions de recherche, voire des mathématiciens individuels bien financés, peuvent absorber. Si la technique se généralise même partiellement, elle change l’économie de l’attaque des arriérés de conjectures ouvertes en mathématiques et en informatique théorique, des domaines où les heures-chercheurs humaines constituent la contrainte limitante.

Deuxièmement, la méthode de vérification compte plus que le titre. Les preuves vérifiables par machine contournent le problème de confiance fondamental qui a entaché les affirmations générées par IA dans tous les autres domaines : au lieu de demander aux lecteurs de croire l’explication en prose d’un modèle de langage, la formalisation Lean force chaque étape logique à survivre à un vérificateur indépendant et déterministe. C’est une norme de preuve nettement différente de celle d’un chatbot IA affirmant un fait, et c’est pourquoi un médaillé Fields a accepté de garantir le résultat sans avoir observé le modèle travailler.

Troisièmement, l’écart entre capacité et accès va probablement se creuser avant de se réduire. Un examen de sécurité conditionnant la sortie publique d’un modèle — en plus de l’incitation concurrentielle habituelle à garder les capacités de pointe en interne — signifie que les outils capables de ce type de résultat deviennent de plus en plus des instruments réservés aux laboratoires, et non des ressources que les chercheurs du monde entier peuvent louer à l’heure. Cela a des implications directes sur les institutions qui pourront bénéficier en premier des mathématiques accélérées par l’IA, et celles qui devront attendre une API publique.

Ce que cela signifie pour les institutions de recherche évaluant la découverte assistée par IA

1. Faire de la vérification formelle la nouvelle norme pour les affirmations scientifiques générées par IA

Tout résultat assisté par IA qui ne peut être vérifié indépendamment par un outil déterministe — Lean, Coq, Isabelle ou équivalent — devrait être traité comme une hypothèse, pas comme un fait établi. L’annonce d’Astra est instructive précisément parce qu’elle n’a pas demandé de faire confiance à OpenAI ; elle a demandé d’exécuter un vérificateur gratuit et open source. Les institutions qui construisent des flux de travail internes de recherche assistée par IA devraient adopter la même discipline : associer toute preuve, tout artefact de code ou toute affirmation de jeu de données générée par un LLM à une étape de vérification automatisée et auditable par un tiers avant de la considérer comme acquise.

2. Budgétiser le calcul de recherche IA comme une dépense marginale, pas comme un pari risqué

Avec environ 2 000 $ pour dix tentatives sur des problèmes ouverts, le coût marginal pour orienter un modèle de pointe vers une conjecture ouverte spécifique est désormais à la portée des budgets de recherche de facultés individuelles, et pas seulement des laboratoires bien financés. Les universités et consortiums de recherche en Algérie et dans l’ensemble du Sud global, historiquement exclus de la recherche computationnelle à grande échelle par son coût, devraient réexaminer si des tentatives ciblées et assistées par IA sur des problèmes ouverts spécifiques à leurs spécialités constituent désormais des projets pilotes abordables.

3. Anticiper un écart croissant entre capacité de pointe et accès public

Le filtre d’examen de sécurité d’Astra signifie que les systèmes les plus capables atteindront probablement le public plus tard, et avec davantage de restrictions, que les générations d’IA précédentes. Les institutions ne devraient pas supposer qu’« attendre six mois et louer l’API » constitue une stratégie fiable pour accéder aux outils de raisonnement mathématique de pointe ; les bailleurs de fonds de recherche nationaux devraient plutôt construire des relations et des programmes pilotes directement avec les laboratoires de pointe lorsque c’est possible, plutôt que de présumer un accès banalisé futur.

4. Distinguer le récit marketing de l’affirmation vérifiable

La critique de Gary Marcus — sélection favorable des problèmes et impossibilité de tests extérieurs — est un rappel qu’il faut lire au-delà du chiffre phare. Lors de l’évaluation des affirmations de recherche d’un laboratoire d’IA, il faut demander précisément : combien de tentatives ont échoué, le modèle ou ses résultats sont-ils testables de façon indépendante, et la méthode de vérification elle-même est-elle fiable et ouverte. Le cas Astra obtient une bonne note sur la dernière question et une note faible sur les deux premières, et ces deux constats sont vrais simultanément.

La tendance plus large : les outils de recherche IA devancent l’accès à la recherche IA

Les preuves d’Astra s’inscrivent dans une tendance plus large de 2026 : les annonces de capacités d’IA de pointe sont de plus en plus construites autour de démonstrations étroites, vérifiables et prestigieuses — une preuve mathématique, un benchmark de codage, une hypothèse scientifique — plutôt qu’autour de lancements de produits grand public. Cette évolution a un sens commercial : l’approbation d’un médaillé Fields est un signal de crédibilité plus durable qu’une démonstration de chatbot, et elle coûte une fraction du budget total d’entraînement d’un modèle de fondation à produire. Mais cela signifie aussi que le débat public sur les progrès de l’IA est de plus en plus façonné par des résultats que le public ne peut pas reproduire, des outils qu’il ne peut pas louer, et des modèles qu’il ne peut pas interroger. La vérification Lean constitue un contrôle réel et durable sur les affirmations précises formulées le 1er août — les dix preuves sont correctes, un point c’est tout. Ce qu’elle ne peut pas vérifier, c’est tout ce que l’annonce a choisi de ne pas montrer.

Questions Fréquemment Posées

Sources et lectures complémentaires

• OpenAI’s Astra solves 10 long-open math problems and publishes the proofs — SiliconANGLE
• OpenAI’s Astra Solved 10 Decades-Old Math Problems For $2,000 — Forbes
• OpenAI says it slowed Astra model development over security concerns — TechCrunch
• OpenAI’s embarrassing math (GPT-5 Erdős problems dispute) — TechCrunch