OpenAI et sa preuve Navier-Stokes : des mathématiciens contestent l'approche
Des mathématiciens estiment que la preuve de Navier-Stokes présentée par OpenAI en septembre ne suit pas l'approche des chercheurs espagnols qu'elle revendique, rapporte Scientific American. La société reconnaît par ailleurs mal cerner ce que sa nuée de 10 000 agents a réellement apporté.
Une filiation méthodologique contestée
Début septembre, OpenAI a rendu publique une proposition de résolution du problème de Navier-Stokes forte de 166 pages. L'entreprise affirmait alors s'appuyer sur les travaux des mathématiciens espagnols Diego Córdoba et Luis Martínez-Zoroa. Plusieurs groupes d'experts contestent désormais cette lecture, selon The Decoder.
« Quand on entre dans les détails, c'est une approche différente », estime Gonzalo Cao-Labora, mathématicien à l'EPFL. Les ressemblances relevées par OpenAI resteraient, selon lui, purement superficielles.
La démonstration est rédigée en Lean, un langage de vérification formelle qui contrôle chaque étape logique sans pour autant la rendre lisible par un humain. Le Clay Mathematics Institute (CMI) en a entamé l'examen depuis sa publication.
Une paternité déjà disputée en amont
Avant même la diffusion, le mathématicien de la NYU Tristan Buckmaster avait accusé OpenAI de s'appuyer sur des travaux qu'il avait menés avec Levent Alpöge, d'Anthropic, à l'aide de modèles accessibles au public. L'entreprise a démenti, assurant n'avoir jamais utilisé les données de Buckmaster. Trancher définitivement serait probablement impossible, les modèles de langage fonctionnant comme des boîtes noires, selon Camillo De Lellis, de l'Institute for Advanced Study.
Début octobre, OpenAI a mis en ligne environ 400 résultats supplémentaires que la communauté mathématique peine à absorber. Leur publication en vrac sur GitHub a irrité nombre de chercheurs, qui y voient une banalisation de leur discipline.
10 000 agents, un apport difficile à évaluer
L'entreprise a mobilisé des moyens de calcul considérables : environ 10 000 instances de modèles pendant près de 88 heures et 130 milliards de tokens pour aboutir à cette proposition de solution. Or, d'après le chercheur d'OpenAI Noam Brown, personne ne sait précisément ce que cette vaste nuée d'agents a apporté au résultat.
Le comportement à une telle échelle n'a pas été étudié, faute de moyens : mener des tests comparatifs systématiques avec des milliers d'agents coûte trop cher. Personne n'a mesuré le temps qu'un agent unique aurait nécessité pour résoudre le même problème, et il est presque impossible de distinguer l'avantage concret de 10 000 agents sur 1 000.
Brown attribue moins de 10 % de la réussite au dispositif multi-agents. Ces systèmes sont récents et spectaculaires, explique-t-il, ce qui leur vaut une part de crédit disproportionnée. L'essentiel résiderait dans le modèle de base lui-même, capable de traiter des tâches sur de longues durées et de fonctionner en parallèle.
