Le problème qui a résisté aux mathématiciens pendant 80 ans
En 1946 — 80 ans avant l’annonce de mai 2026 — le mathématicien hongrois Paul Erdős posa une question d’une simplicité trompeuse sur des points dans un plan plat : étant donnés n points, combien de paires de ces points peuvent être exactement à la même distance l’une de l’autre ? Erdős conjectura que ce nombre ne croît que légèrement plus vite que n — en notation mathématique, ν(n) = O(n^(1+ε)) pour tout ε > 0. Le problème resta ouvert pendant près de huit décennies.
Le 21 mai 2026, OpenAI annonça que son modèle de raisonnement général avait réfuté entièrement la conjecture — près de 80 ans après qu’elle fut posée. Le modèle a démontré qu’on peut disposer des points dans un plan de telle sorte que « vastement plus de distances égales » existent que ce qu’Erdős avait proposé — formellement, que ν(n) ≥ n^(1+δ) pour une constante δ > 0. La preuve a été vérifiée par des mathématiciens externes, dont des contributeurs listés sur le preprint arXiv aux côtés de Noga Alon.
La couverture de NewsBytesApp décrit cela comme « la première fois qu’un système d’IA résout de manière autonome un problème ouvert majeur dans la recherche mathématique active » — le problème original datant de 80 ans depuis 1946. Le qualificatif « active » est important : les résultats précédents en IA mathématique impliquaient des problèmes bien définis avec des types de solutions connus.
Pourquoi c’est différent des résultats précédents de l’IA en mathématiques
Tous les jalons d’IA en mathématiques ne sont pas équivalents, et le contexte est essentiel pour comprendre ce qui a changé le 21 mai 2026.
Le précédent le plus clair est AlphaProof de Google DeepMind (2024), qui a obtenu des performances de niveau médaille d’or sur 4 des 6 problèmes de l’IMO 2024 — équivalent au top 1% des concurrents humains. C’était un résultat technique impressionnant, mais les problèmes IMO sont des problèmes de compétition : ils sont conçus pour être résolus, ont des méthodes de résolution connues, et sont évalués par un juge cherchant une réponse spécifique. Le problème de distance unitaire d’Erdős est d’une catégorie différente : c’est une conjecture de recherche, générée par l’intuition d’experts, qui n’avait jamais été résolue malgré des efforts soutenus de la communauté mathématique.
La deuxième distinction est l’autonomie. OpenAI décrit le modèle comme ayant « exploré de manière indépendante des idées et découvert des solutions que les experts eux-mêmes n’avaient peut-être pas envisagées ». Ce n’est pas une recherche guidée dans un espace de solutions connu ; c’est une exploration genuinement nouvelle.
La troisième distinction concerne la validation. Des mathématiciens externes — pas des employés d’OpenAI — ont vérifié la preuve. C’est le standard qui sépare un résultat scientifique d’une démonstration.
Publicité
Ce que les chercheurs et dirigeants de la recherche devraient en retenir
Le résultat Erdős modifie le calcul stratégique pour quiconque alloue du temps ou un budget de recherche.
1. Traiter les modèles de raisonnement IA comme générateurs parallèles d’hypothèses, pas moteurs de recherche bibliographique
L’utilisation dominante de l’IA dans la recherche en 2026 est celle d’un outil glorifié de recherche bibliographique : trouver des articles, les résumer, suggérer des travaux connexes. Le résultat Erdős démontre une capacité qualitativement différente — le modèle a généré un nouveau argument mathématique qu’aucun article existant ne contenait. Les équipes de recherche en mathématiques, combinatoire, vérification formelle et domaines adjacents devraient immédiatement réévaluer comment elles intègrent l’IA dans la génération d’hypothèses. Un point de départ pratique : prendre les 3 problèmes ouverts les plus tenaces de votre laboratoire, les dépouiller de leur jargon de domaine, et les présenter à un modèle de raisonnement avancé comme énoncés de problèmes structurés. La couverture de StartupHub AI sur cette percée note que les chercheurs d’OpenAI décrivent le modèle comme ayant exploré des directions de solution que les experts humains n’avaient pas envisagées — la valeur réside dans l’exploration d’approches orthogonales. Le coût d’une hypothèse générée par IA qui échoue — comme le démontre le cas Erdős, où 80 ans d’effort humain ont été compressés en une seule exécution du modèle — est mesuré en décennies de recherche, pas en années.
2. Investir dans la boucle de vérification humain-IA, pas seulement côté génération
La preuve Erdős a été utile parce qu’elle était vérifiable — des mathématiciens externes pouvaient contrôler l’argument. De nombreux domaines scientifiques ne disposent pas encore de l’infrastructure de vérification formelle pour traiter les hypothèses générées par l’IA de la même façon. Les équipes en bioinformatique, science des matériaux et découverte de médicaments devraient prioriser la construction de pipelines de vérification : votre équipe peut-elle prendre une prédiction de repliement de protéine générée par IA, une structure de catalyseur proposée, ou une molécule candidate et exécuter une expérience de validation en 2 à 4 semaines ?
3. Réévaluer quels problèmes ouverts dans votre domaine méritent d’être réexaminés avec l’IA
La durée de vie de 80 ans de la conjecture d’Erdős rappelle que de nombreux domaines ont un arriéré de problèmes non résolus qui ont été laissés ouverts non parce qu’ils sont sans importance, mais parce que le temps expert humain nécessaire était prohibitivement coûteux. Avec des modèles de raisonnement IA capables d’explorer des structures mathématiques de manière autonome, l’économie d’attaque de ces problèmes « cold case » a changé. Chaque institution de recherche avec un groupe de mathématiques, physique théorique ou méthodes formelles devrait effectuer une revue structurée : lesquels de nos problèmes de longue date sont accessibles au type de raisonnement combinatoire ou algébrique que les modèles IA avancés ont démontré ?
4. Surveiller le pipeline des mathématiques vers les applications
Les mathématiques pures ont une relation erratique mais réelle avec la science appliquée — les résultats en géométrie discrète, théorie des graphes et combinatoire ont historiquement fait surface en cryptographie, conception de réseaux, science des matériaux et informatique quantique des années ou des décennies après avoir été prouvés. Le décalage entre percée mathématique et application a historiquement été de 10 à 30 ans ; l’IA peut comprimer cela, mais uniquement si les chercheurs appliqués observent le pipeline. Le reportage d’AIBase sur le résultat Erdős le place aux côtés d’une poignée de jalons IA en recherche pure de 2025-2026, avec l’implication plus large que le résultat Erdős de mai 2026 pourrait être le premier de plusieurs percées similaires dans les 12 prochains mois.
La vue d’ensemble
Le résultat de distance unitaire d’Erdős n’est pas la fin d’une histoire — c’est le début d’une question plus difficile. Si un modèle de raisonnement peut résoudre de manière autonome un problème mathématique majeur qui a résisté aux experts humains pendant 80 ans, les questions naturelles suivantes sont : que peut-il d’autre faire, à quel rythme, et avec quelle fiabilité ?
La réponse honnête est que la communauté scientifique ne connaît pas encore les limites de cette capacité. Le résultat Erdős concernait un domaine — la géométrie discrète — avec des preuves hautement structurées et vérifiables. La biologie, la chimie et la médecine impliquent une incertitude empirique que la preuve mathématique n’a pas : un candidat médicament généré par IA doit survivre à des expériences en laboratoire humide, des essais cliniques et un examen réglementaire d’une manière dont une preuve mathématique n’a pas besoin.
Ce que cela résout, c’est la forme la plus faible du scepticisme IA : que l’IA ne peut que détecter des patterns dans les connaissances humaines existantes et ne peut pas générer de contributions intellectuelles genuinement nouvelles qui survivent à l’examen des experts. Cette affirmation est maintenant falsifiée.
Questions Fréquemment Posées
Qu’est-ce exactement que la conjecture de distance unitaire d’Erdős, et pourquoi son infirmation est-elle importante ?
La conjecture de distance unitaire, posée par Paul Erdős en 1946, demande combien de paires de points dans un plan plat peuvent être exactement à la même distance parmi n points au total. Erdős conjectura que la réponse ne croît que légèrement plus vite que n. Le modèle de raisonnement d’OpenAI a réfuté cela en mai 2026 en démontrant une construction où le nombre de paires à distance égale croît strictement plus vite — formellement, au moins n^(1+δ) pour une constante δ > 0. Cela importe parce que cela résout une question de 80 ans en géométrie discrète et démontre plus largement que l’IA peut générer de nouvelles preuves mathématiques qui survivent à la vérification d’experts.
En quoi cela diffère-t-il de l’IA résolvant des problèmes de mathématiques de compétition comme l’IMO ?
Les problèmes de l’Olympiade Internationale de Mathématiques sont conçus pour la compétition : ils ont des solutions connues, sont évalués par des juges humains, et testent la capacité d’un étudiant à appliquer des techniques connues de manière créative. La conjecture d’Erdős était un problème de recherche genuinement ouvert — non résolu malgré des efforts d’experts soutenus. La validation par des mathématiciens externes (pas des employés d’OpenAI) élève cela d’une démonstration à un résultat scientifique.
Qu’est-ce que cela signifie pour la recherche en biologie, médecine ou science des matériaux ?
OpenAI a suggéré que le résultat démontre un potentiel pour l’IA d’aider éventuellement les scientifiques à aborder des problèmes complexes dans ces domaines. La traduction directe n’est pas immédiate — la recherche biologique et médicale implique une incertitude empirique que la preuve mathématique n’a pas. L’implication pratique pour les chercheurs aujourd’hui est d’investir dans la boucle de vérification humain-IA : construire des pipelines capables d’évaluer rapidement les hypothèses générées par IA dans votre domaine.
Sources et lectures complémentaires
🔗 Intelligence Connexe
L’IA prouve un problème mathématique vieux de 80 ans : ce que la percée d’OpenAI signifie pour la science
La Série G de 30 milliards de dollars d’Anthropic : le défi de Claude AI à OpenAI
Le débat sur l’AGI : ce qu’Amodei, Hassabis et LeCun ont dit en 2026
La Guerre des Plateformes d’Agents : Qui Contrôle Là Où l’IA Travaille Vraiment
