Navier-Stokes : OpenAI propose une solution historique

Quelques jours auront suffi pour remettre un problème presque centenaire au centre de l’actualité scientifique.

Le 8 septembre, OpenAI a publié une proposition de solution au problème d’existence et de régularité des équations de Navier-Stokes. Ce problème fait partie des sept « problèmes du millénaire » sélectionnés en 2000 par le Clay Mathematics Institute.

Une récompense d’un million de dollars est associée à chacun d’eux.

Mais il faut immédiatement apporter une précision : le problème n’est pas encore officiellement considéré comme résolu par le Clay Mathematics Institute.

Navier-Stokes : ce qu’OpenAI affirme avoir démontré

Les équations de Navier-Stokes décrivent le mouvement des fluides. Elles interviennent dans l’étude de l’air, de l’eau, des écoulements, des turbulences ou encore de nombreux problèmes d’ingénierie.

Le défi mathématique ne consiste pas simplement à « calculer un écoulement ». Les ingénieurs savent déjà résoudre numériquement de nombreux cas pratiques.

La question posée par le Clay Mathematics Institute est plus fondamentale : dans certaines conditions, une solution initialement régulière reste-t-elle toujours régulière, ou peut-elle développer une singularité ?

OpenAI affirme avoir démontré le second scénario.

Selon la publication de l’entreprise, le système a construit une solution dans laquelle un fluide initialement au repos, soumis à une force extérieure régulière, développe en temps fini une zone où sa vitesse devient non bornée, tout en conservant une énergie finie.

Consulter la publication scientifique d’OpenAI sur Navier-Stokes

Si cette démonstration résiste à l’examen des spécialistes, elle répondrait aux formulations dites « C » et « D » du problème officiel.

10 000 agents IA et 130 milliards de tokens

La manière dont la preuve a été produite est presque aussi intéressante que son contenu.

OpenAI explique avoir mobilisé un système composé d’environ 10 000 agents travaillant simultanément. Les agents pouvaient explorer différentes pistes, utiliser du code, consulter une copie mise en cache d’Internet et communiquer au sein de groupes.

Le travail a commencé le 1er septembre.

La solution retenue est apparue environ 88 heures plus tard, le 5 septembre. Une formalisation et une vérification dans le langage de preuve Lean ont ensuite demandé 17 heures supplémentaires.

Pour le seul problème Navier-Stokes, OpenAI indique avoir consommé environ 130 milliards de tokens de sortie et échangé 2,7 millions de messages entre agents.

Ce chiffre remet en perspective la formule « résolu en quatre jours ».

Le temps humain est court. La quantité de calcul mobilisée, elle, est considérable.

Une preuve formalisée n’est pas encore une preuve reconnue

L’existence d’une formalisation dans Lean constitue un élément important. Elle permet de vérifier automatiquement une chaîne de raisonnement une fois celle-ci correctement traduite dans le système formel.

Mais cela ne dispense pas de l’examen humain.

Le Clay Mathematics Institute présente toujours actuellement le problème de Navier-Stokes comme non résolu. Son site rappelle que l’existence et la régularité des solutions tridimensionnelles restent la question centrale.

Consulter la présentation officielle du problème Navier-Stokes

Les règles du prix sont également très strictes.

Une solution doit d’abord être publiée dans un support répondant aux critères du Clay Institute. Ensuite, au moins deux ans doivent s’écouler. Enfin, le résultat doit avoir obtenu une acceptation générale au sein de la communauté mathématique internationale.

Consulter les règles officielles des Millennium Prize Problems

Autrement dit, même si la démonstration d’OpenAI se révèle correcte, la reconnaissance officielle ne peut pas intervenir dans les prochaines semaines.

Le vrai changement pourrait être la méthode de recherche

Pour les dirigeants, l’intérêt du sujet se situe probablement ici.

Depuis trois ans, les entreprises utilisent surtout l’IA pour rédiger, résumer, rechercher des informations ou automatiser certaines tâches.

Le projet Navier-Stokes montre un autre modèle.

Des milliers d’agents explorent différentes hypothèses en parallèle. Certains échouent. D’autres trouvent une piste. Les résultats sont ensuite regroupés, comparés et réinjectés dans de nouvelles recherches.

Ce fonctionnement ressemble moins à un chatbot qu’à une organisation de recherche distribuée.

Business Times observait déjà cette évolution avec l’essor de l’IA agentique. Les nouveaux systèmes ne se contentent plus de répondre à une question. Ils peuvent enchaîner des actions, utiliser des outils et coordonner plusieurs tâches pour atteindre un objectif.

De l’assistant de bureau au chercheur numérique

La comparaison avec les usages actuels en entreprise est frappante.

Selon l’Observatoire européen du digital présenté par Inetum, 76 % des cadres qui utilisent déjà l’IA estiment gagner en productivité.

Ces gains portent encore largement sur des tâches individuelles : recherche, synthèse, production de documents ou analyse.

Avec des systèmes de recherche multi-agents, l’échelle change.

La valeur ne réside plus uniquement dans le temps gagné par un salarié. Elle peut venir de la capacité à explorer en quelques jours des milliers de pistes qu’une équipe humaine aurait mis des mois ou des années à tester.

Pour les laboratoires pharmaceutiques, les industriels, l’énergie, les matériaux ou l’ingénierie, cette capacité pourrait devenir un avantage compétitif majeur.

Business Times évoquait déjà cette bascule vers une « économie de la connaissance activée », où l’IA sert moins à accumuler de l’information qu’à produire de nouvelles pistes à partir de connaissances existantes.

Les applications industrielles restent toutefois à distinguer de la preuve mathématique

Il serait tentant d’en conclure que les entreprises vont soudain résoudre tous leurs problèmes d’ingénierie avec ce type d’IA.

Ce serait aller trop vite.

La démonstration annoncée par OpenAI porte sur une question mathématique fondamentale. Elle ne remplace pas les logiciels de mécanique des fluides utilisés pour concevoir une aile d’avion, un réseau hydraulique, une turbine ou un système de refroidissement.

En revanche, elle peut annoncer une accélération de la recherche autour de ces outils.

L’IA est déjà utilisée dans l’ingénierie pour analyser des données, détecter des anomalies, optimiser des modèles ou préparer la maintenance. Sur Infra 360, le projet SIMON illustre par exemple l’utilisation de l’intelligence artificielle pour la maintenance prédictive des petites lignes ferroviaires.

À découvrir sur Infra 360 : l’IA appliquée à la maintenance prédictive ferroviaire

Le cas Navier-Stokes pousse simplement cette logique beaucoup plus loin : l’IA ne se contente plus d’exploiter une théorie existante. Elle cherche à participer directement à sa construction.

La question du coût restera centrale pour les entreprises

Il manque néanmoins une donnée importante dans l’annonce : le coût réel de l’expérience.

OpenAI publie le volume de tokens, le nombre d’agents et la durée du calcul. L’entreprise ne donne pas de montant officiel pour les ressources informatiques mobilisées.

Il serait donc hasardeux de transformer des estimations externes en coût certain.

Pour les entreprises, cette question sera pourtant déterminante.

Un système capable de produire une découverte scientifique exceptionnelle peut être économiquement pertinent pour un laboratoire ou un groupe industriel si l’enjeu vaut plusieurs centaines de millions d’euros.

Il l’est beaucoup moins pour résoudre une tâche courante.

La prochaine bataille de l’IA agentique portera donc autant sur le coût que sur la performance : combien d’agents faut-il lancer, pendant combien de temps et pour quelle valeur créée ?

Une avancée à prendre au sérieux, mais pas encore à considérer comme acquise

L’annonce d’OpenAI constitue incontestablement un événement scientifique à suivre.

Elle montre aussi la vitesse à laquelle progressent les systèmes capables de raisonner, d’utiliser des outils et de collaborer à grande échelle.

Mais deux lectures doivent rester séparées.

La première concerne la performance technologique. Elle est déjà remarquable : un système automatisé a produit une démonstration complexe, accompagnée d’une formalisation mathématique, en quelques jours.

La seconde concerne la validité scientifique définitive. Sur ce point, le processus ne fait que commencer.

Des mathématiciens indépendants vont devoir relire la preuve, vérifier ses hypothèses et tenter d’en trouver les failles. Ensuite seulement pourra se construire un consensus.

Pour les entreprises, la leçon dépasse finalement Navier-Stokes. Après avoir appris à produire du texte, du code et des images, l’IA commence à s’attaquer à la production de connaissances nouvelles. Si cette capacité se confirme, la prochaine révolution ne sera peut-être pas celle de l’automatisation des tâches, mais celle de l’accélération de la recherche elle-même.