Aaronson-Ambainis : une IA d'Anthropic clôt 18 ans de quantique

Le 6 novembre 2026, une start-up presque inconnue du grand public, Physical Superintelligence (PSI), a publié une page qui a fait le tour du milieu de la complexité quantique en quelques heures : la conjecture Aaronson-Ambainis, ouverte depuis 2008, serait démontrée. Et la démonstration n'a pas été trouvée par un humain devant un tableau, mais par un système de recherche interne faisant tourner des instances d'un modèle Anthropic non publié.

La preuve principale a été formalisée en Lean et acceptée par le noyau de l'assistant de preuve. Le mot « Aaronson-Ambainis », jusque-là réservé à une centaine de spécialistes dans le monde, s'est retrouvé en tendance chez les gens qui suivent l'IA.

Ce que PSI raconte précisément

Le déroulé, tel que décrit par PSI, est inhabituellement concret pour une annonce de ce genre.

• Le problème a été choisi par David Turturean, de PSI, qui a piloté le système, relu les brouillons et assume publiquement la responsabilité de la correction du résultat.
• Le système cherche dans la littérature existante, propose des approches, les combine, et teste des arguments en faisant travailler plusieurs instances en parallèle.
• La preuve complète est apparue au troisième jour d'un run sur l'infrastructure de PSI.
• Le théorème principal a ensuite été formalisé en Lean 4 et vérifié mécaniquement.
• PSI a alors confié au système des problèmes ouverts voisins : le résultat a été amélioré deux fois avant la version finale.
• Le manuscrit et la formalisation Lean sont publics.

Techniquement, l'astuce consiste à remplacer une inégalité qui restait conjecturale dans des travaux antérieurs par une nouvelle inégalité, en passant par des appariements à base de déterminants, et à recoudre plusieurs cadres théoriques existants. Les chercheurs de Stanford qui ont commencé à lire le texte ont parlé, selon PSI, d'un assemblage « magique » de lignes de recherche distinctes, et d'un « résultat énorme ».

La conjecture, en français

On vend souvent l'ordinateur quantique comme une machine universellement plus rapide. C'est faux, et cette conjecture dit précisément pourquoi.

L'algorithme de Shor casse la factorisation parce qu'il exploite une structure cachée — une périodicité. La question posée vers 2008 par Scott Aaronson et Andris Ambainis était : et si le problème n'a aucune structure ? Peut-on encore espérer un gain exponentiel ?

La réponse, si la preuve tient : non. Formulée simplement, elle dit qu'un ordinateur ordinaire peut prédire, à une petite erreur près, la probabilité qu'un algorithme quantique réponde « oui », pour toutes les entrées sauf une petite fraction. Autrement dit, sur des données aléatoires et sans structure, l'avantage quantique en nombre de lectures de l'entrée retombe du régime exponentiel au régime polynomial.

Traduction pour un décideur : si quelqu'un vous vend une accélération quantique massive sur un gros tas de données brutes, sans propriété mathématique ou physique particulière à exploiter, la théorie vient de lui retirer son argument.

Ce que la preuve ne dit pas

C'est là que l'enthousiasme doit se calmer, et les auteurs eux-mêmes posent les bornes.

• Le théorème porte sur le nombre d'accès à l'entrée (la complexité en requêtes), pas sur le temps de calcul total. Deux choses différentes.
• Il vaut pour la plupart des entrées, tirées au hasard, pas pour chaque entrée possible.
• Il autorise une machine classique à estimer une probabilité de sortie quantique, pas à reproduire l'intégralité d'un calcul quantique.
• Il n'élimine ni les accélérations modérées, ni les avantages réels sur des problèmes structurés — simulation de molécules, optimisation avec géométrie exploitable, cryptanalyse.

Les chercheurs de Stanford qui travaillaient sur le sujet depuis août 2026 — Blanc, Docter, Strassle et Tan — notent que le résultat traite une version plus étroite de la grande question de l'avantage quantique. Personne, dans ce dossier, ne prétend que l'ordinateur quantique est mort.

Pourquoi la communauté attend avant de crier au théorème

Il y a un précédent, et il est gênant. En 2019, un preprint annonçant une preuve de cette même conjecture avait été retiré par ses auteurs après la découverte d'une erreur dans un lemme. Dans un domaine où une ligne fausse invalide trente pages, la prudence est la norme professionnelle, pas de la mauvaise volonté.

À cela s'ajoute un détail notable : au 7 novembre, Scott Aaronson lui-même n'avait pas publié de verdict sur son blog, et aucun commentaire public d'Andris Ambainis ne circulait. Le groupe de Stanford lit le manuscrit et prépare une exposition courte pour les spécialistes. C'est ce travail-là, pas le communiqué, qui fera du résultat un théorème dans les manuels.

Ce que Lean garantit, et ce qu'il ne garantit pas

L'argument le plus fort de PSI est la vérification formelle. Elle mérite d'être comprise pour ce qu'elle est.

Lean vérifie qu'une chaîne de déductions est logiquement valide à partir d'axiomes et de définitions données. Il ne vérifie pas que les définitions écrites correspondent bien à l'énoncé que les humains appellent « la conjecture Aaronson-Ambainis ».

Une formalisation peut être impeccable et porter, par inadvertance, sur un énoncé légèrement plus faible. C'est exactement le point que les relecteurs humains vont examiner : la fidélité de la traduction, pas la mécanique.

Mais il faut mesurer le changement d'ère. Jusqu'ici, le doute sur une preuve produite par une machine portait sur la correction logique. Désormais il porte sur la pertinence de l'énoncé. C'est un déplacement considérable du problème.

L'IA qui fait de la recherche, cette fois pour de vrai ?

Le calendrier est cruel et instructif. La même semaine où un modèle non publié règle une question ouverte depuis dix-huit ans, d'autres évaluations montrent des agents IA incapables de mener à bien la majorité de tâches de recherche en physique un peu ouvertes. Les deux faits sont vrais simultanément.

Ce que l'épisode démontre vraiment :

• les mathématiques formalisables sont le terrain de jeu idéal d'un système automatique, parce que la vérification y est mécanisable — pas d'expérience à monter, pas de données à collecter ;
• la boucle « proposer / combiner / vérifier / recommencer », exécutée en parallèle pendant trois jours, atteint des combinaisons qu'un chercheur isolé n'explorerait pas en trois ans ;
• le goulot d'étranglement a changé de place : il est passé de la production d'idées au choix du problème et à la relecture.

Un détail dit tout : c'est un humain qui a choisi la cible, et un humain qui signe la responsabilité du résultat. Le modèle n'a pas décidé que cette conjecture valait un run de trois jours.

Et maintenant

Trois choses à surveiller dans les semaines qui viennent : l'exposition courte des chercheurs de Stanford, la réaction publique d'Aaronson et d'Ambainis, et la question de savoir si PSI applique la même recette à d'autres problèmes ouverts avec le même succès.

Un coup réussi peut être une rencontre heureuse entre un modèle et un problème mûr pour tomber. Dix coups réussis, ce serait une méthode — et une partie de la recherche théorique changerait de rythme.

En attendant, un conseil de lecture valable pour tout le reste : quand une annonce dit « une IA a prouvé X », la question utile n'est jamais « est-ce vrai ? » mais « X dit quoi, exactement ? ». Ici, X est beaucoup plus précis, et beaucoup plus intéressant, que le titre qui tourne.