OpenAI Astra : dix problèmes de maths tombés pour 2 000 dollars

Un manuscrit de 249 pages lâché un samedi d'août, et une partie du milieu mathématique n'a plus dormi de la semaine. Le 1er août 2026, OpenAI a publié dix résultats portant sur des problèmes ouverts de mathématiques et d'informatique théorique, obtenus avec une version interne d'un modèle que personne à l'extérieur n'a jamais touché : OpenAI Astra. Cinq jours plus tard, le rapport officiel confirmait ce que tout le monde avait deviné — Astra est la prochaine grande famille de modèles de la maison, et elle n'est pas conçue pour répondre à des questions en trois secondes, mais pour mouliner sur un problème pendant des heures, voire des jours.

Ce qui a été publié, exactement

Le dépôt s'appelle openai/ten-proofs, il est sous licence Apache 2.0, et il contient les preuves formalisées en Lean 4. Détail qui compte plus que le reste : le compteur de sorry affiche zéro. Dans Lean, sorry est le mot-clé qu'on laisse traîner quand une étape n'est pas démontrée. Zéro sorry, cela veut dire qu'aucune étape n'a été laissée en suspens dans les fichiers déposés.

À côté, OpenAI a mis en ligne le manuscrit rédigé façon article de recherche — des humains ont travaillé avec le modèle pour transformer les arguments bruts en texte lisible — plus des reconstitutions du raisonnement pour chaque résultat.

Les domaines couverts vont de la géométrie en grande dimension à la cryptographie sur réseaux euclidiens, en passant par la théorie des codes, la théorie des groupes, les algèbres d'opérateurs, la complexité arithmétique et quantique, et la combinatoire extrémale. Ce n'est pas un feu d'artifice sur un seul terrain de jeu, c'est une dispersion assez large pour être troublante.

Les dix résultats, traduits en français

Sans entrer dans le détail technique, voilà ce que la liste contient :

• Groupes non-sofiques : une construction explicite, alors que la question traînait depuis que Mikhaïl Gromov a introduit la notion en 1999. C'est le résultat le plus commenté, parce que la technique employée semble généralisable.
• Empilement de sphères : une amélioration des bornes de densité en haute dimension — la première depuis 1978.
• Codes binaires et sphériques : des limites exponentiellement meilleures sur la densité des codes correcteurs d'erreurs.
• Conjecture de rigidité de Connes : réfutée, en exhibant deux groupes différents donnant la même algèbre.
• Conjecture d'Ehrhart sur les volumes : démontrée.
• Problème du vecteur le plus proche : une preuve de difficulté d'approximation, qui consolide les fondations de la cryptographie post-quantique — celle-là même que les banques et les États sont en train de déployer.
• Nombres de Ramsey multicolores, complexité des circuits arithmétiques, répétition parallèle quantique, théorie extrémale des graphes complètent le tableau.

Noam Brown, chercheur chez OpenAI, a résumé la limite d'un tweet : pas de problème du prix du millénaire, pas encore. Traduction : l'hypothèse de Riemann dort tranquille.

Le chiffre qui a fait le tour du monde

Deux mille dollars. C'est le coût d'inférence estimé pour produire l'ensemble — calculé aux tarifs API de GPT-5.6 Sol. Deux mille dollars pour dix questions ouvertes depuis dix, vingt, parfois plus de cinquante ans.

Le chiffre est spectaculaire. Il est aussi profondément trompeur, et c'est là que le débat commence.

Gary Marcus a mis le doigt sur le point sensible : OpenAI fournit un numérateur sans dénominateur. Combien de problèmes ont été attaqués sans succès ? Combien de milliers de dollars brûlés dans des impasses ? Le papier ne le dit pas. Simon Willison, lui, réclame simplement les prompts utilisés — sans eux, personne ne peut reproduire quoi que ce soit.

Et puis il y a l'objection la plus embarrassante. Levent Alpöge, mathématicien passé chez Anthropic, affirme avoir répliqué la moitié des résultats en vingt-quatre heures avec Fable, un modèle déjà accessible au public. Si c'est exact, l'exploit tient moins au modèle qu'à la sélection des problèmes : le vrai talent aurait été de repérer lesquels étaient à portée d'une technique donnée.

Lean 4 vérifie tout, sauf la question

La formalisation en Lean est l'argument massue d'OpenAI, et il est solide. Un assistant de preuve ne se laisse pas embobiner par un raisonnement élégant mais faux. Chaque étape doit être écrite en détail lisible par machine, et la machine dit oui ou non.

Mais Lean vérifie la démonstration, pas l'énoncé. Si la mise en forme du problème dans le langage formel ne correspond pas tout à fait à ce que les mathématiciens entendaient par là, la preuve est valide et hors-sujet. C'est un travail humain, subtil, et personne n'a encore relu ces dix formalisations à froid.

Autre point : aucun de ces résultats n'est passé par un comité de lecture. Ils ont été vérifiés par Lean et regardés par des mathématiciens qui ont eu accès aux préprints. Ce n'est pas rien. Ce n'est pas non plus une publication dans les Annals.

Ce que disent les mathématiciens

Thomas Bloom, de l'université de Manchester, parle d'une grande nouvelle et considère ces résultats plus significatifs que les précédents coups d'éclat de l'IA en mathématiques. Il ajoute aussitôt que ces systèmes s'appuient sur plus d'un siècle de théorie construite par des humains, et qu'ils ne remplacent personne.

Terence Tao, qui suit le sujet de près depuis des années, fait une distinction que je trouve plus utile que tous les commentaires enthousiastes : Astra sait résoudre des problèmes ouverts, rien ne prouve qu'il sache construire une théorie. Trouver un contre-exemple à une conjecture, c'est un exploit local. Bâtir un cadre conceptuel que d'autres réutiliseront pendant cinquante ans, c'est autre chose. Tao met aussi en garde contre ce qu'il appelle l'indigestion de preuves : une avalanche de résultats vrais mais sans intérêt, que plus personne n'a le temps de lire.

Le contexte politique compte aussi. Le 2 juin 2026, la Déclaration de Leyde sur l'intelligence artificielle et les mathématiques a été publiée avec le soutien de l'Union mathématique internationale, signée par plusieurs milliers de personnes dont Tao et Peter Scholze. OpenAI la cite explicitement dans son annonce, sous une section intitulée responsabilité envers la communauté mathématique. On appelle ça anticiper les critiques.

Un modèle que personne ne peut essayer

Voilà le vrai nœud. Astra n'existe pas commercialement. Pas d'API, pas de tarif, pas de date de déploiement. OpenAI communique sur les performances d'un système que personne ne peut tester, mesurer ou contredire.

Détail savoureux relevé par plusieurs observateurs : l'entreprise n'a pas osé l'appeler GPT-6. Ni GPT-5.7. Un nom neuf, une famille neuve, et zéro engagement sur ce que ça donnera une fois branché au monde réel — celui des problèmes mal posés, des données sales et des utilisateurs qui n'écrivent pas en Lean.

Un mathématicien, Kirwin Hampshire, a publié un texte intitulé The Dark Night of Mathematics décrivant la crise que ces résultats ont provoquée chez lui. C'est peut-être le signe le plus révélateur de la semaine : ce qui se joue n'est pas seulement technique.

Et maintenant ?

Trois choses à surveiller dans les prochains mois. D'abord, la relecture indépendante des formalisations Lean — si un énoncé s'avère mal traduit, l'histoire change de nature. Ensuite, la réplication : si d'autres équipes obtiennent des résultats comparables avec des modèles publics, le monopole annoncé s'évapore. Enfin, la sortie effective d'Astra, qui reste la seule chose capable de transformer une démonstration de force en outil.

En attendant, un chercheur qui bloque sur un problème combinatoire depuis trois ans a désormais une raison rationnelle de tester ce que les modèles actuels donnent sur son cas. C'est déjà un changement de métier.