Le 26 octobre, OpenAI a annoncé que ses modèles internes avaient produit des solutions à des problèmes ouverts de longue date dans trois domaines distincts. Celui qui a fait le plus de bruit est la réfutation, en informatique, d'une conjecture connue sous le nom d'hypothèse du temps exponentiel (Exponential Time Hypothesis, ETH).
Que s'est-il passé ?
Selon OpenAI, les trois résultats sont les suivants : en mathématiques, la preuve en toute dimension de la conjecture du "lissage local" (local smoothing), qui résout aussi la conjecture de Kakeya ; en informatique, la réfutation de l'ETH ; en physique, la preuve mathématique de l'existence de certaines théories quantiques des champs à quatre dimensions, dont la chromodynamique quantique. Le résultat de physique est aussi lié à Yang-Mills, l'un des problèmes du prix du Millénaire de l'Institut Clay.
L'ETH, formulée en 1999, dit que la résolution de certains casse-tête logiques demande un temps exponentiellement plus long à mesure que le nombre de variables augmente. Selon TechCrunch, OpenAI, ainsi qu'Anthropic, qui a publié sa propre réfutation quelques heures plus tard, affirment que leurs modèles ont trouvé des algorithmes résolvant ces casse-tête plus vite que prévu. Ryan Williams, du MIT, sollicité pour interpréter le résultat, a déclaré que la preuve comporte, à côté de parties de routine, quelques sections "d'allure étrangère" et que sa vérification exigera que toute la communauté travaille ensemble. OpenAI a indiqué être raisonnablement sûre que cette découverte ne casse pas les systèmes de chiffrement connus.
Une voie différente a été suivie pour chaque domaine : le résultat de mathématiques a été mis sur GitHub, un groupe de travail externe a été formé pour l'informatique et OpenAI financera une conférence, tandis que la publication du résultat de physique a été laissée aux physiciens.
Pourquoi est-ce important ?
Si les résultats sont validés, de nombreux articles scientifiques de la dernière décennie reposant sur l'ETH devront être réexaminés. La question plus large concerne la science elle-même : quand l'IA se met à produire des preuves, le rôle des humains pourrait être de comprendre et de vérifier ces preuves, et de poser de nouvelles questions qui relèvent la barre.