OpenAI et Navier-Stokes : 10 000 agents IA résolvent un problème mathématique historique

Une intelligence artificielle vient-elle de franchir une nouvelle frontière scientifique ? Le 8 septembre 2026, OpenAI a publié une démonstration concernant les équations de Navier–Stokes, un problème mathématique resté ouvert pendant près de 90 ans et classé parmi les sept célèbres « problèmes du prix du millénaire ». Derrière cette avancée : un modèle encore non public et environ 10 000 agents IA travaillant en parallèle.

Ce n’est pas une nouvelle version de chatbot capable de mieux répondre à une question de mathématiques.

Cette fois, un système d’intelligence artificielle aurait contribué à produire une nouvelle démonstration mathématique sur un problème que des générations de chercheurs n’étaient pas parvenues à trancher.

Et les chiffres donnent une idée de l’échelle de l’expérience : environ 10 000 agents IA simultanés, 2,7 millions de messages échangés, près de 130 milliards de tokens générés et seulement 88 heures de recherche avant l’obtention du résultat annoncé par OpenAI.

Navier–Stokes : des équations au cœur de notre monde physique

Les équations de Navier–Stokes décrivent le mouvement des fluides.

Elles permettent notamment de modéliser l’écoulement de l’air autour d’un avion, les mouvements atmosphériques utilisés dans les modèles météorologiques ou encore certains écoulements sanguins.

Elles remontent aux travaux de Claude-Louis Navier et George Gabriel Stokes au XIXe siècle.

Mais une question fondamentale résistait toujours aux mathématiciens.

Imaginez un fluide parfaitement régulier au départ. Les équations permettent de calculer son évolution au cours du temps.

Mais cette évolution restera-t-elle toujours régulière ?

Ou les équations peuvent-elles conduire à un moment où certaines valeurs deviennent mathématiquement infinies ?

C’est ce qu’on appelle une singularité.

Depuis les travaux de Jean Leray dans les années 1930, l’existence de solutions généralisées était connue. En revanche, la question de savoir si ces solutions restent toujours régulières en trois dimensions constituait toujours un problème ouvert. En 2000, le Clay Mathematics Institute l’a donc retenue comme l’un de ses sept Millennium Prize Problems, chacun associé à un prix potentiel d’un million de dollars.

Ce que l’IA d’OpenAI affirme avoir démontré

Le système d’OpenAI a produit à la fois une démonstration analytique et une version formalisée dans Lean, un assistant de preuve permettant à un ordinateur de contrôler rigoureusement les étapes mathématiques.

Le résultat montre qu’un fluide initialement régulier peut, dans la construction étudiée et sous l’action d’une force externe elle-même régulière, développer une singularité en un temps fini tout en conservant une énergie totale finie.

OpenAI considère que ce résultat établit les cas C et D de la formulation officielle du problème du millénaire.

Le mécanisme mathématique repose sur un vortex.

Le tourbillon se resserre progressivement tout en s’allongeant. La zone centrale devient de plus en plus petite tandis que la vitesse augmente fortement.

La difficulté était de parvenir à ce comportement sans introduire artificiellement une force elle-même infinie. La construction proposée maintient au contraire une force externe régulière tandis que certains termes de l’équation deviennent très grands mais se compensent d’une manière extrêmement précise.

Une précision essentielle

Cela ne signifie évidemment pas qu’un véritable liquide va soudainement atteindre une vitesse infinie.

Une singularité signifie plutôt que, dans les conditions mathématiques étudiées, le modèle continu décrit par les équations atteint ses limites.

C’est justement ce comportement que les mathématiciens cherchaient depuis des décennies à démontrer ou à exclure.

Comment 10 000 agents IA se sont attaqués au problème

La manière dont le résultat a été obtenu est presque aussi importante que le résultat lui-même.

OpenAI n’a pas simplement posé le problème à un unique chatbot.

L’entreprise explique avoir utilisé un système coordonné de milliers d’agents IA, propulsés par un modèle interne qu’elle décrit comme sensiblement plus performant que GPT-6 Astra pour ce type de travail.

Différents groupes ont reçu différentes variantes du problème.

Ils pouvaient notamment consulter une copie mise en cache d’Internet, exécuter du code et partager certains résultats au sein de leur groupe.

Les équipes virtuelles ont exploré simultanément plusieurs approches.

OpenAI a ensuite utilisé Codex pour consolider les pistes les plus prometteuses et faire circuler certaines découvertes entre groupes d’agents.

Le résultat final aurait été obtenu le 5 septembre, environ 88 heures après le lancement de l’expérience.

La formalisation et la vérification dans Lean ont ensuite nécessité environ 17 heures supplémentaires, cette fois avec GPT-6 Astra.

Au total, pour le seul problème Navier–Stokes :

≈ 10 000 agents → 2,7 millions de messages → 130 milliards de tokens → 88 heures de recherche + 17 heures de formalisation.

Cette architecture change considérablement la manière d’imaginer le rôle futur de l’IA dans la recherche.

Pourquoi cette avancée est différente des performances habituelles de l’IA

Jusqu’à présent, une grande partie des progrès visibles de l’IA générative concernait la production de textes, d’images, de vidéos ou de programmes informatiques.

La résolution de problèmes scientifiques ouverts représente une autre catégorie.

Le système ne doit plus simplement retrouver ou recombiner une information déjà connue. Il doit explorer des pistes, éliminer des impasses, générer des arguments intermédiaires et construire une démonstration pouvant ensuite être contrôlée.

La présence de Lean est particulièrement importante.

Dans les mathématiques avancées, une IA pourrait générer une démonstration extrêmement convaincante mais comportant une erreur subtile.

Un assistant formel de preuve permet au contraire de vérifier mécaniquement chaque étape logique.

On commence donc à voir apparaître une combinaison particulièrement puissante :

IA de raisonnement + agents autonomes + exécution de code + vérification formelle.

C’est peut-être cette combinaison, davantage qu’un modèle isolé, qui constitue la véritable rupture.

Le problème est-il officiellement résolu ?

C’est ici qu’il faut distinguer l’annonce scientifique de la reconnaissance institutionnelle.

Le 11 septembre, le Clay Mathematics Institute a réagi publiquement. L’institution indique que le problème de Navier–Stokes semble avoir été résolu et dit partager l’enthousiasme de la communauté mathématique, mais rappelle que l’évaluation du résultat et l’attribution du crédit suivent les règles du prix et un processus volontairement non précipité.

Autrement dit :

le résultat est suffisamment sérieux pour que le Clay Mathematics Institute le considère comme une résolution apparente du problème, mais il ne faut pas encore confondre cette étape avec la validation finale du Millennium Prize.

OpenAI indique par ailleurs qu’elle n’a pas l’intention de réclamer le prix associé à cette résolution.

Une polémique sur l’attribution des découvertes

Cette avancée soulève déjà une autre question : à qui appartient une découverte effectuée avec l’aide d’une intelligence artificielle ?

Des chercheurs travaillaient simultanément sur des problèmes proches, notamment Levent Alpöge et Tristan Buckmaster autour des équations d’Euler.

La proximité temporelle de plusieurs résultats a déclenché un débat sur la manière dont les systèmes d’IA peuvent absorber, transmettre ou reconstruire des idées issues du travail des chercheurs qui les utilisent.

Nature estime que cette affaire pourrait profondément modifier les règles d’attribution scientifique à mesure que les chercheurs utilisent davantage les assistants IA dans leurs travaux.

OpenAI affirme de son côté avoir vérifié que les échanges privés de Buckmaster avec Codex dans les mois précédents n’avaient pas influencé le système ayant produit sa démonstration.

Navier–Stokes n’est déjà plus un cas isolé

Quelques jours auparavant, une autre avancée spectaculaire avait été annoncée.

Anthropic a indiqué que Claude avait réussi à produire la première formalisation informatique complète du dernier théorème de Fermat, démontré initialement par Andrew Wiles dans les années 1990.

Claude a travaillé largement de manière autonome pendant 11 jours, produisant environ 13 millions de lignes de code Lean et des dizaines de milliers de théorèmes intermédiaires. Il ne s’agit pas cette fois de découvrir une nouvelle preuve du théorème, mais de transformer une immense construction mathématique existante en une démonstration entièrement vérifiable par ordinateur.

À quelques jours d’intervalle, ces deux résultats montrent donc deux capacités complémentaires :

formaliser automatiquement des mathématiques extrêmement complexes et explorer de nouveaux problèmes jusqu’à produire de nouvelles démonstrations.

Vers des « laboratoires de chercheurs IA » ?

La véritable révolution pourrait donc dépasser Navier–Stokes.

Pendant des décennies, la puissance informatique destinée à la science a essentiellement servi à effectuer des calculs ou des simulations plus rapidement.

Avec les systèmes multi-agents, une nouvelle étape apparaît : la machine peut également participer à l’exploration intellectuelle du problème.

On peut imaginer demain des milliers d’agents spécialisés explorant simultanément différentes hypothèses en mathématiques, en physique, en chimie ou en biologie, puis confrontant leurs résultats avant qu’un système de vérification ne sélectionne les pistes les plus solides.

Les chercheurs humains ne disparaîtraient pas pour autant du processus.

Leur rôle pourrait se déplacer vers la formulation des problèmes, l’évaluation de leur importance, la compréhension des nouveaux concepts produits, la validation des résultats et la décision de la direction à donner à la recherche.

Navier–Stokes pourrait donc rester dans l’histoire non seulement comme l’un des grands problèmes mathématiques du XXIe siècle, mais également comme l’un des premiers exemples à grande échelle d’une découverte fondamentale issue d’une organisation de chercheurs artificiels.

Et c’est probablement cette évolution qui mérite aujourd’hui le plus notre attention.