Quand l'IA brise un tabou de 30 ans : OpenAI et Anthropic réfutent l'Hypothèse du Temps Exponentiel
Trois résultats scientifiques majeurs annoncés en moins de 48 heures. Une conjecture fondatrice de l'informatique théorique remise en cause. Et une question qui s'impose : sommes-nous en train de vivre un tournant ?
Ce qui suit n'est pas encore gravé dans le marbre académique. Ces résultats sont soumis à des experts indépendants et leur validation est en cours. Mais l'ampleur des annonces mérite qu'on s'y arrête sérieusement.
Pourquoi cette info change la donne, maintenant
Le 27 octobre 2026, OpenAI a annoncé que ses modèles d'IA internes avaient produit trois résultats scientifiques d'une portée rare. Le même jour, Claude Opus 5.5 d'Anthropic a confirmé de façon indépendante l'un d'eux. Ce n'est pas une coïncidence promotionnelle. C'est le signal que quelque chose de structurellement différent est en train de se passer dans la façon dont l'IA interagit avec la recherche fondamentale.
Jusqu'ici, l'IA aidait les chercheurs à aller plus vite, à trouver des articles, à automatiser des tâches répétitives. Ce que nous voyons aujourd'hui relève d'un registre différent : des systèmes autonomes qui proposent des démonstrations formelles, vérifiées par des outils de preuve assistée par ordinateur, sur des problèmes ouverts depuis des décennies.
La question n'est plus de savoir si l'IA peut faire de la science. La question est : à quelle profondeur ?
L'ETH, c'est quoi exactement ?
L'Hypothèse du Temps Exponentiel — ou ETH, pour Exponential Time Hypothesis — est une conjecture formulée en 2001 par les informaticiens Russell Impagliazzo et Ramamohan Paturi. En trente ans, elle est devenue l'une des pierres angulaires de la complexité computationnelle, ce domaine qui étudie la difficulté des problèmes que l'on demande à un ordinateur de résoudre.
Pour faire simple : l'ETH postule que certains problèmes logiques — notamment le problème de satisfiabilité booléenne, dit 3-SAT — ne peuvent pas être résolus en dessous d'un certain seuil de temps de calcul. Ce seuil croît de façon exponentielle avec la taille des données en entrée. Dit autrement : au-delà d'une certaine complexité, pas de raccourci possible. L'ordinateur doit « ramer » de manière incontournable.
Une analogie concrète
Pensez à un Sudoku géant avec des millions de cases. L'ETH dit, en substance, qu'il n'existe aucune méthode astucieuse pour le résoudre bien plus rapidement qu'en testant méthodiquement toutes les combinaisons. Réfuter l'ETH, c'est dire que cette certitude était fausse — qu'il existe peut-être une voie plus rapide que ce que tout le monde croyait.
Cette conjecture a été utilisée comme hypothèse de base dans des centaines de publications académiques. Des preuves entières reposent dessus comme sur un fondement solide. Si elle est invalidée, une partie importante de l'édifice théorique de l'informatique doit être réexaminée. Ce n'est pas un détail de bord. C'est une réorganisation potentielle du socle.
Selon TechCrunch, c'est bien ce que les modèles d'OpenAI affirment avoir démontré formellement.
Les trois découvertes en détail
La réfutation de l'ETH
C'est le résultat le plus retentissant. Les modèles d'OpenAI ont proposé une démonstration formelle réfutant l'Hypothèse du Temps Exponentiel. Cette démonstration a été formalisée dans Lean, un assistant de preuve mathématique reconnu dans la communauté scientifique, qui permet de vérifier mécaniquement chaque étape d'un raisonnement.
Ce n'est pas un script qui génère du texte mathématique plausible. C'est une preuve dont chaque ligne peut être vérifiée de façon automatique et indépendante.
Ce qui renforce encore le poids de cette annonce : Claude Opus 5.5 d'Anthropic a, le même jour, vérifié indépendamment cette réfutation. Deux systèmes concurrents, deux équipes distinctes, un seul résultat convergent. Comme le rapporte New Scientist, cette convergence est elle-même notable.
La conjecture de lissage local et Kakeya
La conjecture de lissage local — ou Local Smoothing Conjecture — a été formulée en 1991. Elle porte sur le comportement des ondes et, plus précisément, sur la façon dont leur énergie se propage et se concentre dans l'espace. Ce type de problème est au croisement des mathématiques pures et de la physique des ondes.
Les modèles d'OpenAI affirment en avoir fourni une preuve. Et en résolvant ce problème, ils auraient également résolu la conjecture de Kakeya, un problème géométrique ouvert depuis plus d'un siècle, qui interroge la taille minimale qu'un ensemble doit avoir pour contenir une droite dans toutes les directions possibles.
Ces deux problèmes sont liés de façon non triviale. Les résoudre ensemble dans une même démonstration représente un travail mathématique d'une densité considérable.
L'existence des théories quantiques des champs en 4 dimensions
Le troisième résultat est peut-être le plus vertigineux sur le plan physique. Les modèles auraient produit une preuve d'existence des théories quantiques des champs (QFT) en quatre dimensions, incluant la chromodynamique quantique — la théorie qui décrit les interactions entre quarks et gluons, les constituants des protons et neutrons.
Établir mathématiquement qu'une telle théorie existe de façon rigoureuse est un problème qui figure parmi les sept problèmes du millénaire identifiés par l'Institut Clay de mathématiques, avec une récompense d'un million de dollars à la clé pour qui en apporterait la solution.
Si ce résultat est confirmé, il ne s'agit plus simplement d'un progrès en mathématiques. C'est une avancée qui touche aux fondements mêmes de notre compréhension de la matière. Quartz et R&D World ont tous deux couvert ce point avec une attention particulière.
Le rôle central de Lean : pourquoi ça compte
La mention de Lean dans cette histoire mérite une pause. Lean est un logiciel de preuve formelle. Son rôle est de vérifier, pas à pas et de façon mécaniquement infaillible, que chaque étape d'une démonstration mathématique est correcte. Ce n'est pas un correcteur orthographique pour mathématiciens. C'est un système qui refuse simplement de valider ce qui n'est pas rigoureusement juste.
L'intérêt de passer par Lean est précisément cela : il élimine les erreurs humaines de lecture et d'interprétation. Une preuve validée par Lean n'a pas été lue par un expert qui a peut-être manqué une subtilité. Elle a été vérifiée ligne par ligne par un moteur formel.
Cela ne remplace pas la validation académique traditionnelle — nous y reviendrons — mais cela donne une base de confiance supplémentaire à ces annonces.
Ce que ça dit des agents IA autonomes
Ces résultats ne sortent pas de nulle part. Ils sont le fruit d'une nouvelle génération de systèmes que l'on appelle agents IA autonomes. Ce sont des modèles qui ne se contentent pas de répondre à une question posée. Ils peuvent définir eux-mêmes des sous-objectifs, itérer sur une démarche, consulter des outils, écrire et tester du code, puis recommencer jusqu'à obtenir un résultat satisfaisant.
En d'autres termes : on leur donne un problème ouvert, et ils cherchent à le résoudre de façon quasi autonome, sur des durées que les premières versions de ces systèmes n'auraient pas pu soutenir.
Ce que montrent ces annonces, c'est que ces agents peuvent désormais opérer sur des territoires où les humains progressaient lentement depuis des décennies. La recherche mathématique fondamentale n'est plus un sanctuaire impénétrable.
La question pratique qui suit naturellement : si ces systèmes peuvent résoudre des problèmes du millénaire et réfuter des conjectures fondatrices, dans quels autres domaines — médecine, matériaux, climat — cette capacité va-t-elle être déployée dans les mois qui viennent ?
Un tableau pour récapituler
| Résultat | Domaine | Ouvert depuis | Vérifié par Lean |
|---|---|---|---|
| Réfutation de l'ETH | Informatique théorique | 2001 (25 ans) | Oui |
| Conjecture de lissage local + Kakeya | Mathématiques / Physique des ondes | 1991 (35 ans) | Oui |
| Existence des QFT en 4D (QCD) | Physique théorique / Mathématiques | Problème du millénaire | Oui |
La prudence s'impose : ce qui reste à valider
Ce que nous savons avec certitude à ce stade
Ces résultats sont formalisés dans Lean. Ils sont soumis à des groupes d'experts académiques indépendants. Ils n'ont pas encore été évalués, publiés et acceptés par la communauté scientifique au sens traditionnel du terme.
La validation académique ne se fait pas en 48 heures. Une preuve mathématique, aussi rigoureusement formalisée soit-elle, doit passer par des relecteurs spécialisés, capables de juger non seulement la correction formelle, mais aussi la pertinence des hypothèses de départ et la solidité du cadre logique choisi.
Il est arrivé par le passé que des annonces retentissantes sur des problèmes mathématiques ouverts se révèlent, après examen approfondi, contenir des lacunes subtiles que les outils formels n'avaient pas détectées parce qu'ils ne vérifiaient que ce qui leur avait été soumis — pas ce qui avait été implicitement supposé.
Cela ne disqualifie pas les annonces d'OpenAI et d'Anthropic. Cela rappelle simplement que le processus scientifique a ses propres tempos, et que l'enthousiasme — même légitime — doit composer avec la rigueur.
La vérification par Lean est un signal fort. La convergence indépendante entre deux systèmes concurrents est un signal fort. Mais la communauté mathématique est l'arbitre final, et elle n'a pas encore rendu son verdict.
Ce que tout ça dit de la direction prise par l'IA
Il fut un temps — pas si lointain — où l'IA était cantonnée à reconnaître des images de chats, à jouer aux échecs ou à traduire du texte. Ces usages restent massifs. Mais les annonces de ces dernières 48 heures décrivent un autre registre d'usage : l'IA comme agent de recherche fondamentale.
Ce glissement est significatif. Il ne s'agit plus seulement d'accélérer ce que les humains font déjà. Il s'agit de résoudre des problèmes que les humains n'avaient pas réussi à résoudre, sur des décennies de travail collectif.
Si ces résultats sont confirmés, ils vont alimenter un débat déjà vif : quelle place accorder à ces systèmes dans le processus scientifique ? Doivent-ils être co-auteurs de publications ? Comment évalue-t-on la confiance qu'on peut accorder à une démonstration produite par un modèle dont on ne comprend pas entièrement le fonctionnement interne ?
Ces questions ne sont pas purement philosophiques. Elles ont des conséquences pratiques sur la façon dont la science s'organise, se finance et se valide.
Conclusion
En l'espace de moins de deux jours, deux laboratoires d'IA ont annoncé des résultats qui, s'ils sont confirmés, redessineront des pans entiers de l'informatique théorique, des mathématiques et de la physique. Ce n'est pas de la science-fiction. Ce sont des annonces sérieuses, formalisées dans des outils de vérification reconnus, soumises à des experts indépendants.
Reste à savoir ce que la communauté académique en dira. Les semaines et les mois qui viennent seront décisifs. Si les preuves tiennent l'examen, nous pourrons regarder en arrière et dire que la fin octobre 2026 a été une date à retenir.
Et vous, comment envisagez-vous le rôle de l'IA dans la recherche fondamentale ? La frontière entre outil et chercheur est-elle encore pertinente ?