Le 8 septembre 2026, OpenAI a publié ce qu'il présente comme la résolution d'un des sept Problèmes du Millénaire — les questions mathématiques que le Clay Mathematics Institute a identifiées en 2000 comme les plus importantes et les plus difficiles, chacune assortie d'une récompense d'un million de dollars. Le problème en question : les équations de Navier-Stokes, qui gouvernent le mouvement des fluides en trois dimensions.
Un modèle interne, décrit par OpenAI comme « significativement plus puissant que GPT-6 Astra », aurait produit en 88 heures une preuve de 165 à 166 pages, accompagnée d'une formalisation en Lean — le langage d'assistant de démonstration qui vérifie mécaniquement chaque étape logique.
L'annonce a immédiatement été suivie d'une controverse sur la priorité scientifique, impliquant un mathématicien de NYU et un chercheur d'Anthropic qui travaillaient sur un problème connexe. Et le Clay Mathematics Institute, selon plusieurs sources, n'a pas encore validé la demande de prix. Ce billet fait le point sur les faits vérifiés, les zones d'ombre et les signaux que cet événement envoie à ceux qui déploient ou évaluent l'IA en entreprise.
Le problème de Navier-Stokes en deux minutes
Les équations de Navier-Stokes décrivent comment se déplacent les fluides — de l'eau dans un tuyau aux turbulences d'un moteur à réaction. Elles sont utilisées quotidiennement par les ingénieurs, les climatologues et les physiciens. Mais leur comportement mathématique en trois dimensions pose une question ouverte depuis environ 90 ans : est-ce qu'une solution initialement lisse et régulière peut développer une singularité — un point de blowup — en temps fini ?
Concrètement, cela revient à demander si des équations physiquement raisonnables peuvent « exploser » mathématiquement. Si la réponse est oui, il existe des régimes fluides que les équations ne peuvent pas décrire indéfiniment. Si elle est non, les équations sont toujours valides dans le temps.
Le Clay Mathematics Institute a inscrit cette question comme l'un de ses sept Problèmes du Millénaire en 2000. Quatre des sept restaient ouverts avant cette semaine — dont Navier-Stokes. Chaque problème est assorti d'un prix d'un million de dollars pour quiconque apporterait une preuve complète et validée.
88 heures et 10 000 agents : la méthode OpenAI
La preuve publiée le 8 septembre soutient que la réponse est oui : les équations de Navier-Stokes en trois dimensions admettent un blowup en temps fini. Plus précisément, OpenAI dit avoir démontré qu'il existe une configuration initiale de fluide lisse dans laquelle un vortex se resserre et accélère indéfiniment, développant une singularité mathématique, tandis que l'énergie totale du système reste bornée.
La méthode employée : un swarm d'environ 10 000 agents IA travaillant de façon concurrente. OpenAI affirme avoir lancé ses modèles le 1er septembre 2026, après avoir entendu des rumeurs sur des percées imminentes chez des mathématiciens indépendants. La preuve aurait été terminée le 5 septembre — soit quatre jours après le démarrage.
La publication du 8 septembre comprend :
- Un document de 165 à 166 pages détaillant la preuve mathématique ;
- Une formalisation en Lean, c'est-à-dire un programme informatique dont la compilation prouve mécaniquement la validité logique de chaque étape ;
- La déclaration d'OpenAI qu'il n'a pas l'intention de réclamer le prix d'un million de dollars.
La formalisation en Lean est un élément sérieux : si le code Lean compile sans erreur, aucune étape intermédiaire ne peut contenir de faille logique dans son propre cadre formel. Cela ne garantit pas que le problème mathématique est correctement posé dans la formalisation — mais c'est une assurance de cohérence interne que peu de preuves mathématiques offrent d'emblée.
Buckmaster, Alpöge et la question de la priorité
La publication d'OpenAI a immédiatement soulevé une question sur l'attribution. Tristan Buckmaster, mathématicien à l'Université de New York (NYU), et Levent Alpöge, chercheur chez Anthropic, avaient atteint le 15 août 2026 une percée sur les équations d'Euler 3D forcées — une variante connexe des équations de Navier-Stokes. Leur preuve a été vérifiée en Lean le 22 août 2026. Les deux chercheurs s'appuient sur une technique développée par les mathématiciens Diego Córdoba et Luis Martínez-Zoroa.
Le 3 septembre, Buckmaster a envoyé un email à un mathématicien d'OpenAI pour signaler que son travail avec Alpöge était une collaboration personnelle et serait publié prochainement. Le 6 septembre, il a parlé avec Sébastien Bubeck, directeur de recherche chez OpenAI. Buckmaster a déclaré ne pas avoir vu la preuve d'OpenAI et ne pas savoir si des informations sur ses travaux avaient été utilisées par les modèles de la société — mais il a confirmé que des éléments sur sa progression avaient été transmis à OpenAI.
Cette controverse soulève un problème structurel : lorsque des chercheurs utilisent les outils d'un lab frontier pour explorer des problèmes non publiés, ces labs peuvent-ils tirer parti de ce contexte pour orienter leurs propres systèmes ? La frontière entre le contexte soumis lors d'une conversation et ce que le lab en fait n'est ni tranchée ni explicitement couverte par les politiques actuelles des grands fournisseurs. Ce cas n'est peut-être pas le dernier à poser cette question.
Clay Institute : le prix n'est pas encore attribué
Selon plusieurs sources relayées dans la presse spécialisée, le Clay Mathematics Institute n'a pas validé la revendication d'OpenAI. L'attribution d'un prix du Millénaire suit un processus précis :
- La preuve doit être publiée dans une revue à comité de lecture reconnue ;
- La communauté mathématique dispose ensuite de deux ans pour en vérifier et en valider la solidité ;
- Le Clay Institute statue alors sur l'attribution du prix.
La preuve d'OpenAI, déposée publiquement le 8 septembre 2026, n'a pas encore franchi la première étape. Elle est en cours d'examen par la communauté mathématique, qui a commencé à analyser le document en accès libre. La formalisation Lean est un outil précieux pour cet examen — mais vérifier que la formalisation encode correctement le bon problème reste une tâche humaine.
Il convient également de noter que les preuves d'Euler 3D de Buckmaster et Alpöge, publiées le même week-end, couvrent un problème connexe mais distinct. La résolution de Navier-Stokes proprement dite — avec friction — restait à valider par la communauté à la date de publication de cet article.
Ce que cela révèle sur l'IA scientifique
Quelle que soit l'issue du débat sur la priorité et la validation finale, cet événement envoie trois signaux pertinents pour les organisations qui déploient ou évaluent l'IA :
- Les swarms d'agents IA explorent des espaces cognitifs inatteignables par une équipe humaine sur le même délai. 10 000 agents travaillant en parallèle sur un problème ouvert depuis 90 ans en moins de quatre jours représente un régime d'exploration qui change la façon dont on peut poser des problèmes complexes.
- La vérification formelle devient un standard de confiance pour les sorties IA à hauts enjeux. Lean, Coq, Isabelle — ces outils existent depuis des décennies, mais leur combinaison avec des modèles génératifs ouvre la voie à une IA dont les raisonnements sont mécaniquement vérifiables. Pour les entreprises dont les décisions critiques passent par de l'IA (analyse juridique, conformité, ingénierie), cette direction mérite d'être suivie.
- Les données partagées avec un fournisseur IA peuvent informer ses propres explorations. Ce cas n'est pas une preuve de mauvaise foi — l'enquête n'est pas close. Mais il rappelle que soumettre à un lab IA le contexte d'un travail non publié (R&D, propriété intellectuelle, stratégie) soulève des questions légitimes sur la séparation des usages. Vérifier les politiques de confidentialité et d'entraînement des fournisseurs avant d'y partager des données sensibles reste essentiel.
Pour les PME et ETI, la résolution de Navier-Stokes n'a pas d'impact opérationnel direct. Mais la dynamique illustre ce que l'IA agentique à grande échelle peut faire sur des problèmes structurés complexes — et les garde-fous de gouvernance qui restent à définir. Notre approche de développement sur mesure intègre ces enjeux de traçabilité et de gouvernance dès la conception des systèmes IA.
FAQ — OpenAI résout les équations de Navier-Stokes avec 10 000 agents IA : preuve en Lean publiée, Clay Institute réservé et dispute de priorité ouverte
Le problème de Navier-Stokes est-il officiellement résolu ?
Pas encore officiellement. OpenAI a publié une preuve le 8 septembre 2026, accompagnée d'une formalisation en Lean. Mais le Clay Mathematics Institute n'a pas validé la demande, et le processus formel exige une publication dans une revue à comité de lecture suivie de deux ans d'examen par la communauté mathématique. La preuve est en cours d'évaluation à la date de publication de cet article.
Que signifie concrètement 'blowup en temps fini' dans les équations de Navier-Stokes ?
Cela signifie qu'il existe une configuration initiale de fluide physiquement plausible — lisse et régulière — qui, en suivant les équations de Navier-Stokes, développe une singularité mathématique en un temps fini : une grandeur (vitesse, pression) qui tend vers l'infini en un point. La preuve d'OpenAI décrit un vortex qui se resserre et accélère indéfiniment tout en maintenant l'énergie totale bornée.
Pourquoi OpenAI ne réclame-t-il pas le prix d'un million de dollars ?
OpenAI a simplement déclaré ne pas avoir l'intention de le réclamer. Par ailleurs, le processus du Clay Institute pour attribuer ce prix prend plusieurs années après la publication dans une revue reconnue — il n'est donc pas réclamable immédiatement, indépendamment de la décision de la société.
Qu'est-ce que Lean et pourquoi cela renforce-t-il la confiance dans la preuve ?
Lean est un assistant de preuve : un langage informatique qui vérifie mécaniquement chaque étape logique d'un raisonnement mathématique. Si le code Lean compile sans erreur, aucune étape intermédiaire ne peut être logiquement incohérente dans son propre référentiel. La formalisation Lean ne garantit pas que le problème mathématique est correctement encodé — mais elle est bien plus rigoureuse qu'une preuve en langage naturel.
La dispute sur la priorité scientifique peut-elle avoir des conséquences pour mon organisation si elle utilise des outils IA pour de la R&D ?
Ce cas illustre que partager le contexte d'une découverte ou d'une analyse non publiée avec un fournisseur IA peut, même sans intention explicite, informer ses propres explorations. Avant de soumettre des données stratégiques ou propriétaires à un lab IA, il est prudent de vérifier sa politique de confidentialité, d'entraînement et de séparation des usages. Ce point s'applique à la R&D, à la propriété intellectuelle et à toute analyse sensible.