OpenAI réfute une conjecture mathématique d'Erdős vieille de 80 ans

C'est une annonce que la communauté mathématique attendait sans vraiment y croire. Le 20 mai 2026, OpenAI publie une note de recherche affirmant qu'un de ses modèles de raisonnement a réfuté la conjecture planaire des distances unitaires de Paul Erdős, un des problèmes ouverts les plus connus de la géométrie discrète, posé en 1946.

L'information a été reprise par TechCrunch, Slashdot, GIGAZINE et un communiqué officiel d'OpenAI le 21 mai. Pour les mathématiciens, c'est un événement. Pour la trajectoire des grands modèles de langage, c'est probablement plus significatif encore.

Le problème des distances unitaires d'Erdős (1946)

Le problème posé par Erdős en 1946 est trompeusement simple à énoncer.

Étant donné n points dans le plan, combien de fois peut-on observer la distance 1 entre deux de ces points ? Autrement dit, combien de paires de points sont exactement à distance 1 les unes des autres ? Quel est le maximum possible de cette quantité en fonction de n ?

Erdős a montré qu'une configuration en grille carrée donne au moins n × (log n)^c paires à distance unitaire (pour une constante c). Pendant près de 80 ans, les mathématiciens ont essayé d'améliorer cette borne, sans succès significatif. Le consensus implicite : la grille carrée était probablement la configuration optimale, ou très proche.

Le problème est central en géométrie discrète parce qu'il touche à la combinatoire des configurations de points, et a des applications dans la théorie des graphes, la cryptographie et l'informatique théorique. Plusieurs des plus grands mathématiciens du XXe siècle se sont cassé les dents dessus, dont Erdős lui-même qui l'a évoqué dans des dizaines d'articles jusqu'à sa mort en 1996.

Comment l'IA s'y est prise (sans entraînement spécialisé)

Le détail qui distingue cette annonce de tous les autres exploits IA en mathématiques tient en une phrase : le modèle n'a pas été entraîné pour ça.

Selon le communiqué OpenAI, la preuve vient d'un modèle de raisonnement généraliste, pas d'un système spécialisé en mathématiques (comme l'était AlphaGeometry de DeepMind), pas d'un solveur scaffolded à parcourir des stratégies de preuve, et pas d'un système ciblé sur le problème des distances unitaires en particulier. C'est le même type de modèle qu'OpenAI propose dans ses produits grand public et entreprise, mis face à un problème ouvert avec une consigne ouverte.

Le modèle a produit une famille entièrement nouvelle de constructions géométriques , qui ne correspond ni à une grille carrée, ni à une grille triangulaire, ni à aucune des configurations classiques étudiées depuis 80 ans , et a démontré formellement qu'elles atteignent un nombre de distances unitaires supérieur à celui des grilles. La preuve a été vérifiée par plusieurs mathématiciens dans les jours qui ont suivi.

Pour comparer, AlphaGeometry de DeepMind (annoncé début 2024) résolvait des problèmes de géométrie olympique en s'appuyant sur un solveur symbolique combiné à un LLM. Ici, l'approche est radicalement différente : un seul modèle, un seul tour de raisonnement, une preuve originale.

Pourquoi les mathématiciens parlent de tournant

Plusieurs mathématiciens cités par TechCrunch et la presse spécialisée n'hésitent pas à parler de première contribution mathématique majeure d'une IA générative. La nuance compte.

Jusqu'ici, les modèles comme ChatGPT ou Claude étaient capables de résoudre des problèmes de mathématiques existants, à condition que la solution soit déjà documentée quelque part dans leur corpus d'entraînement. Ils étaient capables d expliquer, de reformuler, et parfois de généraliser des résultats connus. Mais aucun n'avait, à notre connaissance, produit une preuve originale d'un théorème nouveau sur un problème ouvert depuis des décennies.

Un mathématicien cité par GIGAZINE résume : « l'IA est passée du statut d'assistant à celui de contributeur ». La frontière entre « pose des questions » et « répond à des questions ouvertes » vient d'être franchie sur un cas spécifique , et c'est cette frontière qui sépare un outil de productivité d'un véritable partenaire de recherche.

L'impact symbolique est tel que la communauté math, traditionnellement plutôt sceptique envers les annonces IA, a réagi avec une rare unanimité positive. Le résultat est en cours de soumission pour publication dans une revue à comité de lecture, condition standard pour qu'une découverte mathématique soit reconnue.

Les réserves : qu'est-ce qu'une « contribution » vraiment ?

Quelques voix nuancent l'enthousiasme et méritent d'être écoutées.

Première réserve : il s'agit d'une amélioration de borne, pas d'une résolution du problème dans son ensemble. Erdős avait posé la question dans sa forme la plus générale, et trouver une famille de configurations qui bat la grille améliore la borne inférieure, mais ne donne pas la borne maximale réelle. Le problème reste ouvert dans sa forme la plus complète.

Deuxième réserve : la part du modèle dans la découverte n'est pas encore clairement établie. L'équipe OpenAI a-t-elle suggéré des pistes ? Le modèle a-t-il tâtonné des milliers d'heures de compute avant de tomber sur la bonne construction ? Les détails de l'interaction homme-modèle sont peu documentés pour l'instant, et c'est exactement ce que les pairs vont chercher à clarifier.

Troisième réserve : généralisabilité. Une victoire sur un problème, aussi célèbre soit-il, ne signifie pas que les modèles vont maintenant résoudre Riemann, P vs NP, ou la conjecture de Hodge. Beaucoup de problèmes ouverts résistent pour des raisons structurelles très différentes du problème des distances unitaires.

Ce que ça révèle de la trajectoire des modèles

Pour les observateurs de l'IA, le résultat est précieux moins par son contenu mathématique que par ce qu'il dit de la trajectoire des capacités.

Trois enseignements ressortent. D'abord, la généralisation continue de s'améliorer : un modèle généraliste qui produit une preuve originale signifie que les capacités de raisonnement étendu et de créativité combinatoire commencent à se généraliser hors des domaines spécifiquement entraînés. Ensuite, les benchmarks classiques sous-estiment les modèles : aucun benchmark math (MATH, GSM8K, AIME) ne contient ce type de problème ouvert, ce qui veut dire que ces benchmarks ne mesurent qu'une fraction de ce que les modèles peuvent faire. Enfin, la frontière homme-machine en recherche fondamentale se déplace : si un modèle généraliste peut, sous supervision humaine, produire une vraie contribution math, les rôles dans les équipes de recherche vont évoluer.

Pour les acteurs français de la recherche IA, c'est aussi un signal. La compétition se joue désormais sur des capacités de raisonnement étendu, pas sur des benchmarks classiques. Lire notre comparatif des grands modèles 2026 pour situer où en sont ChatGPT, Claude, Gemini et Mistral sur cette dimension. Et notre dossier AlphaEvolve, l'agent Gemini qui bouscule la recherche scientifique pour le pendant Google.

Ce qu'il faut retenir

OpenAI a franchi le 20 mai 2026 un cap symbolique : un modèle de raisonnement généraliste a produit une preuve originale réfutant une conjecture mathématique ouverte depuis 80 ans. Le résultat est en cours de validation par la communauté, les détails de l'interaction homme-modèle vont être scrutés, et la portée exacte reste à mesurer.

Le signal essentiel n'est pas la conjecture d'Erdős en elle-même. C'est que la frontière entre « résoudre des problèmes documentés » et « contribuer à des problèmes ouverts » vient d'être franchie sur un cas vérifiable. Cela ne signifie pas que les modèles vont remplacer les mathématiciens demain. Cela signifie qu'un nouveau type de collaboration recherche, où l'IA est un contributeur et non un simple assistant, devient techniquement possible. À surveiller : la prochaine annonce du genre, qui ne tardera probablement pas.