Le GPT-5.6 Sol Ultra d'OpenAI résout une conjecture mathématique vieille de 50 ans

Le dernier modèle de raisonnement d'OpenAI, GPT-5.6 Sol Ultra, aurait réalisé une percée en théorie des graphes en résolvant une conjecture mathématique restée ouverte depuis les années 1970. En s'appuyant sur une persistance computationnelle extrême et une architecture multi-agents, le modèle a produit une preuve complète en moins d'une heure.

Résoudre le mystère de la théorie des graphes

La conjecture en question porte sur une question fondamentale de la théorie des graphes : s'il est possible de trouver, dans n'importe quel réseau de sommets et d'arêtes, un ensemble de cycles qui parcourt chaque arête individuelle exactement deux fois. Bien que les mathématiciens aient trouvé des solutions partielles pour des cas spécifiques au cours des cinq dernières décennies, une preuve générale est restée insaisissable.

Thomas Bloom, mathématicien à l'Université de Manchester, a décrit la preuve comme étant « courte, élémentaire, et aurait pu être découverte dans les années 1980 ». Fait intéressant, la solution n'a pas nécessité l'invention de théories mathématiques entièrement nouvelles ; elle a plutôt synthétisé avec ingéniosité des outils existants et des cadres mathématiques connus.

La puissance de la persistance machine

Une question cruciale se pose : si les mathématiques étaient « élémentaires », pourquoi les humains ont-ils échoué à la résoudre pendant 50 ans ? Bloom suggère que la solution nécessitait un léger détournement de raisonnement contre-intuitif. Les mathématiciens humains suivent souvent des chemins logiques qui, lorsqu'ils échouent, mènent à la conclusion que le problème est insoluble.

En revanche, GPT-5.6 Sol Ultra fait preuve d'un niveau de « persistance machine ». Il ne subit pas le biais cognitif du découragement. Au lieu de cela, le modèle explore continuellement de minuscules variations de logique et d'étiquetage jusqu'à ce qu'un chemin fructueux soit identifié. Cette capacité à tester par force brute des permutations logiques sans le « haussement d'épaules de la défaite » a permis à l'IA de contourner les blocages mentaux qui ont entravé les chercheurs humains.

Ingénierie de prompt avancée et architecture multi-agents

Le succès de Sol Ultra n'est pas seulement le résultat d'une intelligence brute, mais d'une ingénierie de prompt hautement sophistiquée. Pour éviter que le modèle ne réponde par défaut « Je ne sais pas », les chercheurs ont utilisé une série de directives strictes :

• Hypothèse forcée : Le prompt a contraint le modèle à supposer qu'une preuve complète existe, l'empêchant ainsi de déclarer que la conjecture est non résolue.
• Isolation de l'information : Il a été interdit au modèle d'effectuer des recherches sur Internet pour vérifier si le problème avait déjà été résolu.
• Tests adverses multi-agents : Un système de 64 agents a été utilisé. Beaucoup ont été maintenus « dans l'ignorance » de l'approche logique qui fonctionnait afin de garantir un raisonnement indépendant, tandis que des agents adverses scrutaient les preuves candidates pour détecter des erreurs spécifiques, telles que des chemins fermés incorrectement identifiés.

Le débat sur la créativité de l'IA et la citation

Cette percée a relancé le débat pour savoir si les LLM sont véritablement « créatifs » ou s'ils sont simplement des recombinateurs sophistiqués de connaissances existantes. Bloom a noté que les idées centrales de la preuve remontent à un article de 1983 de Bermond, Jackson et Jaeger. Il a critiqué OpenAI pour ne pas avoir cité ce travail antérieur, soulignant que les articles générés par l'IA utilisent souvent des stratégies existantes sans attribution appropriée.

Bien que la communauté scientifique attende encore une vérification mathématique complète, cet événement signale un changement dans le paysage de l'IA. Les modèles d'IA à grande échelle sont de plus en plus déployés pour s'attaquer à des problèmes scientifiques ouverts, révélant potentiellement des solutions qui étaient pourtant à la portée de l'homme depuis le début.

Points clés à retenir

• La persistance plutôt que la complexité : L'IA a résolu un problème de longue date non pas en inventant de nouvelles mathématiques, mais en appliquant des théories existantes avec un niveau de variation logique infatigable qui fait défaut aux humains.
• Des contraintes strictes génèrent des résultats : L'utilisation de prompts « adverses » et l'interdiction des recherches sur Internet ont forcé le modèle à trouver une solution plutôt que de fournir une réponse standard de type « non résolu ».
• Le défi de l'attribution : L'incident met en lumière une préoccupation croissante dans la recherche en IA concernant le manque de citations appropriées lorsque les modèles recombinent la littérature scientifique existante.