IA et hypothèse de Riemann : une preuve à vérifier
Une IA a produit une preuve de l’hypothèse quasi-Riemann. Découvrez ce que les mathématiciens ont confirmé, les limites du résultat et ses enjeux pour l’IA.
Une IA a-t-elle vraiment prouvé une version de l'hypothèse de Riemann ?
Une IA peut produire un texte qui ressemble à une preuve mathématique, mais ça ne suffit pas, tout seul, à faire apparaître un théorème. Il faut encore que des spécialistes puissent le lire, vérifier les étapes, et s'accorder sur le fait que l'argument est bien valide. C'est justement ce qui a manqué à beaucoup de « preuves » générées automatiquement par le passé : ici, des mathématiciens ont pris le temps de l'examiner, de la reformuler, et, globalement, jugent l'argument convaincant. Cela dit, il serait trop tôt pour considérer toutes les variantes annoncées comme entièrement réglées : la vérification n'est pas terminée pour chaque version.
Le résultat concerne l'hypothèse dite « quasi-Riemann », une version affaiblie de l'hypothèse de Riemann. Donc, non : ce n'est pas une résolution de l'hypothèse de Riemann elle-même. En revanche, même sous cette forme, les conséquences possibles pour la théorie des nombres peuvent être importantes. L'enjeu n'est pas seulement « la performance » d'une IA : le travail aurait mis bout à bout des outils existants d'une manière que les spécialistes n'avaient pas, jusqu'ici, vraiment exploitée.
Voici ce que l'on sait, ce que cette démonstration pourrait changer, et ce qu'elle ne permet pas encore de conclure sur l'IA en recherche scientifique.
Ce que l'hypothèse de Riemann dit vraiment
L'hypothèse de Riemann porte sur une fonction appelée fonction zêta, notée ζ. Sa définition commence par une somme infinie :
1 + 1/2s + 1/3s + 1/4s + ...
Les mathématiciens prolongent ensuite cette définition à un domaine plus large. Ici, la variable s est un nombre complexe : elle a une partie réelle et une partie imaginaire.
La conjecture concerne les valeurs de s pour lesquelles ζ vaut zéro. Certains zéros sont connus, et on les dit « triviaux ». L'hypothèse vise les autres, les zéros « non triviaux » : elle affirme que leur partie réelle vaut toujours 1/2. On peut représenter ces zéros dans le plan complexe ; la conjecture dit qu'ils se trouvent tous sur une même droite verticale.
À première vue, c'est une propriété très particulière. Pourtant, elle est intimement liée à la répartition des nombres premiers. Rappelons : les nombres premiers sont les entiers qui ne sont divisibles que par 1 et par eux-mêmes. Ils deviennent moins fréquents quand on monte sur la ligne des entiers, mais leur distribution n'est pas parfaitement régulière. La fonction zêta fait le lien entre ses zéros et ces irrégularités.
Pourquoi une fonction complexe concerne les nombres premiers
Le théorème des nombres premiers décrit la fréquence moyenne des nombres premiers : il explique, en gros, comment leur densité baisse quand on s'éloigne de l'origine. L'hypothèse de Riemann permettrait de mieux contrôler la taille des écarts autour de cette moyenne.
Si l'on accepte l'hypothèse, on obtient des garanties précises sur l'ampleur de ces irrégularités. Et si elle était fausse, même à cause d'un seul zéro non trivial situé ailleurs que sur la droite de partie réelle 1/2, il faudrait revoir la façon dont on comprend ces écarts.
On a bien vérifié par le calcul que les premiers milliers de milliards de zéros non triviaux observés se trouvent sur cette droite. Mais c'est un indice fort, pas une preuve générale : un calcul fini ne peut pas établir une propriété qui concerne tous les zéros, y compris ceux qu'on n'a pas encore atteints.
Une conjecture ouverte depuis plus de 160 ans
Bernhard Riemann a formulé son hypothèse en 1859. Elle fait partie des problèmes du prix du millénaire de l'Institut Clay, avec une récompense d'un million de dollars pour une solution acceptée. Malgré des progrès considérables, le problème reste ouvert.
Entre-temps, il y a aussi des résultats partiels. On sait par exemple que les zéros non triviaux de ζ se trouvent dans une bande verticale comprise entre les parties réelles 0 et 1. Le théorème des nombres premiers a été établi sans résoudre l'hypothèse complète, mais les propriétés de ζ ont joué un rôle central.
C'est précisément dans cet espace entre le problème initial et ce qui est déjà démontré qu'intervient l'hypothèse quasi-Riemann. Elle ne demande pas de faire coïncider tous les zéros avec la droite de partie réelle 1/2 : elle cherche plutôt à réduire la largeur de la bande où ils peuvent se trouver. Plus la bande est étroite, plus les conséquences sur la répartition des nombres premiers deviennent fortes.
Ce que l'IA a produit et ce qui reste à vérifier
Le 6 octobre 2026, OpenAI a annoncé plusieurs centaines de résultats générés par ses systèmes. Parmi eux, deux travaux prétendaient établir des bornes pour les zéros non triviaux de ζ. Le premier, daté du 30 septembre, proposait que leur partie réelle soit entre 1/8 et 7/8. Ce texte fait près de 200 pages et a été formellement vérifié avec Lean, un assistant de preuve informatique.
Le second travail est plus court - 49 pages - et donne une borne plus large : entre 1/12 et 11/12. C'est une information moins forte mathématiquement (la bande autorisée est plus large). Pourtant, les spécialistes se sont d'abord beaucoup attachés à cette version plus courte : elle paraît s'appuyer sur des idées proches, et son argument est plus facile à inspecter.
Une production de l'IA n'est pas automatiquement un théorème accepté
Il faut distinguer plusieurs niveaux de contrôle. Un système peut produire un texte qui ressemble à une démonstration. Ensuite, des spécialistes peuvent le relire, le reformuler, et le traduire dans un langage formel. On peut aussi vérifier certaines étapes via des outils qui contrôlent chaque détail selon des règles explicites. Ces approches ne sont pas interchangeables : elles se recoupent parfois, mais elles ne valent pas exactement la même chose.
La première version annoncée a été formellement vérifiée avec Lean. La seconde, celle qui a surtout retenu l'attention des mathématiciens parce qu'elle est plus courte, ne l'était pas encore au moment du compte rendu de Quanta. Malgré tout, des experts ont examiné le raisonnement et, globalement, l'ont jugé crédible. Cela ne veut pas dire que tous les détails ont été vérifiés indépendamment, ni que la communauté a fini de travailler dessus.
Peter Sarnak, mathématicien à Princeton, a par exemple expliqué qu'il ne considérerait pas le résultat comme acquis tant que des humains n'en auraient pas contrôlé et compris tous les détails. C'est une posture assez naturelle en mathématiques : la validité ne dépend pas de la confiance qu'on accorde à l'auteur (qu'il s'agisse d'une personne ou d'un modèle), mais de la solidité de l'argument.
La lisibilité, un vrai enjeu
Des spécialistes ont aussi décrit ces articles comme difficiles à lire, et assez éloignés des habitudes de rédaction mathématique. Une preuve correcte doit permettre aux autres chercheurs de suivre les définitions, de repérer les dépendances, puis de vérifier chaque inférence. Une preuve exacte mais opaque fait perdre du temps à tout le monde et rend les erreurs plus difficiles à débusquer.
Dans ce cas, plusieurs mathématiciens ont travaillé à rendre l'argument plus accessible. Certains ont produit des esquisses de quelques pages, tandis que d'autres préparations plus détaillées circulaient en privé. Cette étape compte : elle transforme une sortie générée par une machine en quelque chose que des chercheurs peuvent vraiment intégrer, contester ou réutiliser.
Il y a aussi un point plus « processus » : selon l'article de Quanta, sur 722 articles publiés dans la même annonce, un seul avait été édité par une personne avant diffusion. OpenAI n'a pas précisé qui avait fait cette édition, ni pourquoi ce cas précis avait bénéficié d'un traitement particulier. Et c'est une question simple, presque pratique : si un contrôle humain améliore la clarté et la qualité, pourquoi ne pas l'intégrer de façon plus systématique dans le pipeline de publication ?
Pourquoi cette preuve intéresse les mathématiciens
La valeur du résultat ne vient pas uniquement du fait qu'il resserre la bande où se trouvent les zéros de ζ. D'après Maksym Radziwiłł, beaucoup des conséquences associées à l'hypothèse de Riemann pourraient déjà découler de la version quasi-Riemann. Autrement dit : c'est une appréciation de spécialiste sur l'impact mathématique attendu, pas une annonce de « tout est résolu ».
Il y a aussi la nature de la démonstration. D'après les chercheurs qui l'ont étudiée, elle ne semble pas introduire un concept totalement nouveau. Elle mettrait plutôt ensemble des idées déjà connues, mais sans qu'elles aient été assemblées de cette manière pour attaquer le problème.
L'apport décisif : choisir une bonne famille de fonctions
La preuve s'inscrit dans une stratégie défendue depuis longtemps par Peter Sarnak : au lieu d'étudier la fonction zêta « isolément », il peut être utile de la traiter comme un cas particulier dans une famille plus vaste, puis d'établir des propriétés pour toute cette famille. L'idée est prometteuse, mais le choix de la famille et des outils adaptés n'allait pas de soi.
Le modèle aurait identifié une famille qui, jusqu'ici, n'avait pas été mise au centre. Il s'agit d'objets mathématiques assez spécifiques, les formes métaplectiques. Alexander Dunn, qui travaille sur ces objets depuis plusieurs années, a déclaré avoir été surpris de les voir devenir aussi centraux. En 2002, Henryk Iwaniec avait étudié des familles proches dans le cadre de travaux liés à l'hypothèse de Riemann, sans toutefois arriver à la famille qui apparaît dans cette démonstration.
La preuve s'appuie aussi sur une formule démontrée en 2021 par Dunn et Radziwiłł, ainsi que sur des contributions d'autres mathématiciens. Dit simplement : on ne part pas de rien. Le résultat réorganise des briques déjà construites par la communauté.
Une nouvelle combinaison, pas une garantie pour aller jusqu'à 1/2
La démonstration pourrait aussi corriger une intuition assez répandue dans ce champ. Certains chercheurs pensaient que, avec les outils disponibles dans leur spécialité, il serait difficile d'obtenir même l'hypothèse quasi-Riemann, et qu'il faudrait aller chercher des techniques ailleurs. Ici, l'idée serait plutôt que les outils existants étaient plus puissants qu'on ne l'avait cru, à condition de les combiner autrement.
Mais ça ne veut pas dire que la même stratégie mènera automatiquement à l'hypothèse de Riemann complète. Passer d'une bande relativement large à la droite de partie réelle 1/2 est un saut important. Will Sawin, de Princeton, estime que les chercheurs pourraient, une fois les nouvelles méthodes assimilées, se sentir aussi éloignés de la conjecture complète qu'avant. Il ajoute toutefois ne pas en être sûr. Thomas Bloom, de Manchester, rappelle que l'on aurait pu tenir un discours similaire au moment où l'hypothèse quasi-Riemann venait d'être annoncée quelques semaines auparavant.
La conclusion raisonnable n'est donc ni « l'IA va résoudre les grands problèmes » ni « ce n'est rien d'important ». Elle est plus sobre : le système semble avoir trouvé une combinaison utile d'idées, et les spécialistes doivent maintenant en tester la portée réelle.
Ce que ce cas révèle sur l'IA scientifique
Ce résultat parle plus de la façon dont on fait de la recherche que de la capacité de l'IA à produire un texte « crédible ». Il montre comment une IA peut entrer dans un cycle : explorer des combinaisons, proposer une piste, puis laisser des spécialistes examiner, simplifier, et décider si ça tient.
Pour une entreprise qui évalue l'IA, la leçon n'est pas « un modèle remplace des experts ». C'est plutôt : la valeur dépend de l'ensemble du circuit. Est-ce que la proposition est bonne ? Est-ce qu'on peut la vérifier ? Combien coûte la validation ? Est-ce que le résultat pourra être réutilisé ? Une réponse impressionnante mais invérifiable peut coûter plus cher qu'elle ne rapporte.
La performance doit se mesurer au résultat validé
Dans un projet d'IA appliqué aux sciences, le bon indicateur n'est pas le nombre d'articles produits ni le volume de calcul. La vraie question, c'est ce qui résiste à la revue. Par exemple :
- La justesse : le résultat est-il correct, et avec quelles hypothèses ?
- La vérifiabilité : peut-on contrôler les étapes, avec des humains ou des outils formels ?
- La lisibilité : une équipe peut-elle comprendre et reprendre le raisonnement ?
- Le coût complet : combien de temps faut-il pour examiner les sorties, écarter les erreurs, et revenir sur les points flous ?
- La réutilisation : les méthodes ou les outils découverts servent-ils à d'autres questions ?
Dans les domaines à forts enjeux, cette logique rejoint les exigences de gouvernance qu'on retrouve en Europe autour de l'IA : documenter les limites, clarifier les responsabilités, et garder une supervision adaptée au risque. Les mathématiques ne sont pas un système médical ou financier, mais elles illustrent la même idée de fond : une sortie automatisée n'acquiert pas de valeur parce qu'elle vient d'un modèle. Elle l'acquiert quand son statut et son mode de contrôle sont clairs.
Le goulot d'étranglement peut se déplacer vers la validation
Automatiser des hypothèses ou des preuves ne supprime pas le travail humain. Ça déplace plutôt la charge : vérifier, mettre au propre, interpréter. Si un modèle produit plus de résultats que les experts ne peuvent en examiner, alors la validation devient le facteur limitant.
C'est un sujet concret pour les laboratoires, les équipes de recherche et les entreprises qui investissent dans l'IA. Il faut prévoir des formats de sortie contrôlables, des protocoles de revue, une traçabilité des versions, et des règles claires sur ce qu'on a le droit d'affirmer une fois un résultat sorti.
La preuve quasi-Riemann suggère une autre possibilité : une IA peut remettre en circulation des travaux anciens ou des outils spécialisés, et les relier au bon problème. Ce rôle d'exploration et de synthèse n'est pas le même que celui d'un auteur « autonome ». Il peut être décisif, mais il ne dispense ni de l'expertise du domaine ni du jugement collectif.
Conclusion : un résultat sérieux, pas une preuve que l'IA remplace les chercheurs
La preuve attribuée à une IA d'OpenAI est remarquable moins parce qu'elle aurait résolu l'hypothèse de Riemann - ce n'est pas le cas - que parce qu'elle aurait trouvé une manière inattendue de combiner des résultats et des outils déjà connus. Des mathématiciens ont commencé à reconstruire et à examiner l'argument. Leur travail reste indispensable : c'est lui qui permet d'établir précisément ce qui est démontré et jusqu'où la méthode peut aller.
Pour l'IA en recherche, le point important est celui d'une collaboration exigeante : le modèle explore et propose ; les spécialistes vérifient, clarifient et jugent la portée. En bref, la qualité se mesure au résultat qu'on peut comprendre et contrôler, pas à la démonstration la plus spectaculaire.
Pour suivre la suite, il faudra consulter les travaux de vérification et les publications formelles quand elles seront disponibles. C'est à ce moment-là qu'on saura si cette preuve devient un outil durable pour les mathématiques, au-delà de l'annonce.