Édition Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Quand les laboratoires d’IA font des découvertes en privé, qui peut contester leurs conclusions ?

> Les découvertes privées de l’IA soulèvent une question de pouvoir public : qui peut examiner les preuves, choisir la prochaine question de recherche et bénéficier des réponses ? Un examen des incitations à publier, de la compréhension scientifique et de la capacité d’agir des humains.

By BIG CHANGE Editorial

Published: 2026-09-22T14:25:09.513Z
Updated: 2026-09-22T14:25:09.513Z
Canonical: https://bigchange.ai/blog/private-ai-discoveries-public-science

![An exposed geometric structure stands outside a partly open research chamber, with broad paths approaching from several directions.](https://bigchange.ai/api/media/file/shared-inquiry-private-system-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Shared evidence can give outsiders room to examine and develop an idea even when the discovery system remains private. The geometric sculpture is a conceptual form, not a depiction of a theorem or an unreleased result.

Une entreprise peut annoncer que son IA a résolu un problème difficile bien avant que le reste du monde puisse évaluer ce qu’elle a réellement trouvé. Il peut manquer une preuve, une explication, l’accès au système ou simplement le temps d’examiner le travail. Chacune de ces lacunes confère à l’entreprise un type de pouvoir différent.

C’est la question utile que soulève le débat récent sur les percées cachées de l’IA. Dans un essai du 15 septembre, l’informaticien Scott Aaronson a rapporté des rumeurs selon lesquelles des entreprises d’IA retiendraient des solutions à d’importants problèmes d’informatique théorique après la réaction à l’annonce sur Navier–Stokes. Il n’a pas publié ces solutions. Son récit établit qu’il a entendu cette affirmation, et non que les résultats anonymes ou le motif avancé aient été vérifiés. [L’essai de Scott Aaronson.](https://scottaaronson.blog/?p=10062)

Un développement plus concret est à signaler. L’Advisory Group on Mathematics and Artificial Intelligence, un groupe consultatif indépendant, indique que sa mission actuelle consiste à conseiller OpenAI sur la publication de résultats mathématiques importants que l’entreprise dit avoir obtenus en interne. Cela confirme l’existence d’un processus de coordination de la publication de travaux revendiqués par l’entreprise. Cela ne certifie pas chaque résultat en attente de publication. [La déclaration du groupe consultatif.](https://agmai.org/)

Pour les lecteurs, cette distinction évite qu’une possibilité enthousiasmante ne se transforme en inventaire imaginaire de problèmes résolus. Pour la science, elle soulève une question plus vaste : si les découvertes se concentrent dans des systèmes privés, quelle indépendance restera-t-il à tous les autres ?

## Le grand changement

- **Ce qui a changé :** Des fichiers de preuve produits par l’IA sont désormais publiés, tandis que des résultats annoncés par des entreprises attendent une publication coordonnée. Les affirmations concernant d’autres percées cachées restent non vérifiées.
- **Pourquoi c’est important :** Les laboratoires peuvent influer sur les découvertes qui deviennent visibles, le moment où les spécialistes peuvent les examiner et les personnes qui pourront s’appuyer sur les méthodes.
- **À surveiller :** Les modalités de publication donneront-elles aux personnes extérieures des preuves exploitables et la liberté de les contester, tout en préservant l’expertise humaine nécessaire pour choisir les questions de recherche, comprendre les résultats et partager leurs bénéfices ?

## Une percée peut être publique alors que la capacité reste privée

L’annonce d’OpenAI du 8 septembre sur Navier–Stokes illustre une ouverture sélective. L’entreprise a publié un argumentaire écrit et des fichiers de preuve formelle, tout en décrivant le système à l’origine de la découverte comme un modèle interne plus performant que GPT-6 Astra. Publier un résultat et donner accès au système qui l’a produit sont deux décisions différentes. [L’annonce d’OpenAI.](https://openai.com/index/navier-stokes-solution/)

Il faut aussi préciser la portée mathématique. La construction annoncée utilise un terme de forçage extérieur lisse. L’énoncé officiel du problème du Clay Mathematics Institute autorise explicitement un forçage dans ses alternatives de singularité C et D ; les alternatives sans forçage, qui portent sur la régularité globale, posent une autre question. Une construction valide avec forçage peut répondre au problème tel qu’il est formulé pour le prix tout en laissant la question sans forçage irrésolue. [La formulation officielle du problème.](https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf)

Le 11 septembre, le Clay Mathematics Institute a salué la résolution apparente tout en maintenant une procédure d’évaluation et d’attribution sans précipitation. Il s’agissait d’une réaction institutionnelle à une annonce, et non de l’attribution d’un prix. [La réaction du Clay Mathematics Institute.](https://www.claymath.org/news/navier-stokes-announcement/)

Nous avons examiné la séquence mathématique plus large dans notre [guide sur le parcours qui mène des distances unitaires à Navier–Stokes](https://bigchange.ai/blog/ai-mathematics-unit-distance-navier-stokes). Ici, la distinction importante est de savoir qui peut agir après la publication. Un mathématicien extérieur peut étudier la preuve sans disposer des ressources ou de l’accès au modèle nécessaires pour explorer de la même façon un problème voisin. La découverte est partagée ; les moyens de produire la suivante peuvent rester concentrés.

Cette organisation peut malgré tout être utile. Demander à chaque chercheur de refaire la recherche initiale rendrait de nombreux résultats plus difficiles à exploiter. Pour vérifier une preuve particulière, ce qui compte est l’accès aux éléments pertinents, pas nécessairement la possession de tous les outils ayant servi à la découvrir. Mais pouvoir vérifier une réponse publiée ne donne pas aux personnes extérieures la même influence sur le choix des prochaines questions.

## Le public doit pouvoir exprimer son désaccord

Le dépôt public d’OpenAI distingue ses résultats sur Navier–Stokes et Euler, fournit des instructions de compilation et indique comment approfondir la vérification des preuves avec Comparator. Ce sont des éléments que l’on peut examiner, et non une simple vidéo de démonstration. Nous avons lu la documentation ; nous n’avons ni reconstruit ni certifié les preuves de façon indépendante. [Le dépôt des preuves.](https://github.com/openai/NavierStokesAndEuler)

Le guide de validation de Lean explique pourquoi la portée d’une vérification réussie est définie. Les réviseurs doivent examiner le sens et les hypothèses du théorème, y compris ses dépendances. Des contrôles plus poussés peuvent comparer une preuve soumise à un énoncé spécifié séparément et s’appuyer sur un logiciel de vérification indépendant. Cela réduit la dépendance à l’égard du producteur, tout en laissant subsister les hypothèses déclarées sur les outils et la spécification. [Le guide de validation de Lean.](https://lean-lang.org/doc/reference/latest/ValidatingProofs/)

L’hypothèse optimiste est importante : un système privé pourrait effectuer une recherche coûteuse, puis publier des éléments que d’autres peuvent vérifier sans reproduire toute cette recherche. Les découvertes produites par l’IA pourraient devenir des ressources partagées, même si seules quelques institutions ont les moyens d’en produire à cette échelle.

La version moins convaincante consiste pour un laboratoire à proposer à quelques spécialistes une démonstration privée et à demander à tous les autres de se fier à leur approbation. Cela peut être une étape préliminaire raisonnable. Mais le public aurait beaucoup moins de moyens de repérer une hypothèse contestable, d’examiner une correction ou de poursuivre une application inattendue. Avoir accès à une conclusion n’est pas la même chose qu’avoir accès aux raisons de la contester.

Prenons un exemple hypothétique original. Une équipe universitaire étudie une catégorie de problèmes d’optimisation. Une entreprise trouve en privé une méthode qui améliore un cas important. Elle pourrait publier la méthode et une garantie précise, ou fournir un service en ligne qui renvoie des réponses tout en gardant la méthode secrète.

Les deux options pourraient aider les utilisateurs. Seule la première garantit que l’université peut examiner, enseigner et adapter la méthode sans dépendre d’un accès continu au service. Ces différences deviennent concrètes si l’entreprise modifie ses conditions, retire le modèle ou cesse de soutenir ce domaine. Un service utile peut coexister avec une dépendance scientifique.

C’est pourquoi on ne peut pas mesurer le bénéfice public au seul nombre de découvertes. Une publication peut élargir ce que les gens savent, ce qu’ils peuvent faire ou ce pour quoi ils doivent demander une autorisation. Ces résultats peuvent aller de pair. Ce n’est pas nécessairement le cas.

## Une pause peut améliorer la science ou donner une avance plus longue à une institution

Il existe de bonnes raisons de coordonner la publication d’un résultat majeur. Les spécialistes peuvent avoir besoin de temps pour vérifier l’affirmation, retrouver des travaux antérieurs et préparer une explication. Une correction avant publication peut éviter à beaucoup de personnes de s’appuyer sur une erreur. Un différend d’attribution mérite lui aussi des preuves plutôt qu’une course aux annonces.

Mais le même délai peut avoir un autre effet sur les personnes extérieures. Imaginons une équipe de recherche qui choisit son prochain projet sans savoir qu’une entreprise affirme avoir résolu la conjecture centrale. Elle pourrait passer des mois à étudier une question déjà réglée. En donnant un accès anticipé à certains collaborateurs seulement, on pourrait au contraire leur procurer un avantage pour produire des résultats ultérieurs. Ce sont des conséquences possibles d’un accès inégal à l’information, et non des accusations concernant un théorème particulier encore inédit.

La question pertinente est de savoir à quoi sert le délai et qui en répond. Une période d’examen assortie d’une affirmation précise, de lecteurs indépendants et d’un plan de communication des conclusions se distingue d’un secret indéfini accompagné d’allusions à des capacités extraordinaires. Les institutions doivent pouvoir vérifier les travaux ; le public doit avoir une raison de distinguer cette vérification de la promotion.

Le nouveau groupe consultatif offre un canal. Il indique que ses membres ne sont pas rémunérés, que ses recommandations seront publiques et que les entreprises gardent le pouvoir de décision. Son indépendance est utile, mais elle ne transforme pas les conseils en obligation de publier un résultat ni ne garantit l’accès aux chercheurs. [Indépendance et responsabilité.](https://agmai.org/)

À notre avis, une organisation productive devrait rendre visible la réponse apportée aux conseils. Une entreprise pourrait expliquer quelles recommandations elle a suivies, ce qui reste à examiner et comment les évaluateurs peuvent signaler les préoccupations non résolues. Les personnes extérieures pourraient ainsi évaluer le processus sans qu’il soit nécessaire d’annoncer prématurément qu’un théorème est établi.

## La critique la plus solide reconnaît que l’IA peut réussir

La déclaration du 11 septembre, intitulée « *A Severe Misalignment of AI in Mathematics* » reconnaît explicitement des progrès substantiels des capacités mathématiques. Son objection porte sur les incitations : utiliser des problèmes célèbres comme références peut détourner l’attention de l’élaboration d’idées, de l’attribution des contributions et de la formation par laquelle on apprend à poser de nouvelles questions. Elle reconnaît aussi le potentiel de l’IA pour améliorer l’étude des mathématiques. [La déclaration](https://www.mathandai.org/)

C’est un argument plus exigeant que d’affirmer qu’une machine ne peut rien découvrir. Il demande si un système performant optimise le même résultat que la communauté qui reçoit sa production. Un laboratoire peut raisonnablement vouloir une démonstration de capacité sans ambiguïté. Un chercheur peut accorder plus d’importance à une méthode qui ouvre plusieurs nouvelles pistes, y compris trop obscures pour faire l’objet d’une annonce de lancement.

Rien ne garantit que ces intérêts coïncident. Ils ne sont pas nécessairement incompatibles non plus. Un laboratoire peut financer les travaux d’exploration et d’explication qui rendent ses résultats utiles. Les universités peuvent valoriser les travaux qui adaptent une nouvelle méthode puissante à un domaine que le laboratoire n’avait pas privilégié. Les lieux de publication peuvent faire une place à la clarification et à la synthèse, parallèlement aux premières découvertes.

La critique doit elle aussi répondre aux preuves. Un résultat correct et important doit modifier l’évaluation de ce qu’un système peut accomplir. Le malaise suscité par son origine ne peut l’invalider. De même, un résultat impressionnant ne répond pas à une question d’accès ou d’attribution par le seul fait qu’il impressionne. Distinguer ces jugements permet d’accueillir les mathématiques tout en contestant les conditions dans lesquelles elles parviennent au monde.

L’essai d’Aaronson exprime cette tension : il considère les progrès récents comme transformateurs tout en soutenant les efforts visant à préserver la compréhension humaine. Sa description d’un début de singularité est une interprétation des événements, pas un seuil scientifique démontré. [La position qu’il exprime.](https://scottaaronson.blog/?p=10062)

## Accélérer les découvertes et préserver un travail humain porteur de sens sont deux intérêts réels

Le débat général précède les annonces de septembre. Dans un essai de décembre 2025, le chercheur en IA Julian Togelius distinguait les outils qui assistent les scientifiques de l’automatisation qui rend leur participation superflue. Il défendait la capacité d’agir des humains et leur possibilité de contribuer, même dans un scénario hypothétique où une automatisation complète accélérerait les progrès médicaux. Il s’agit d’une position morale sur un avenir possible, et non de la preuve que le travail scientifique est déjà devenu superflu. [L’essai de Julian Togelius.](https://togelius.blogspot.com/2025/12/please-dont-automate-science.html)

Il y a un coût réel à défendre une activité uniquement parce que ses praticiens actuels l’apprécient. Si une meilleure méthode peut réduire la souffrance, les intérêts des personnes qui en bénéficient doivent compter aux côtés de ceux dont la profession évolue. Défendre le sens du travail ne devrait pas servir de veto automatique aux découvertes utiles.

Mais le choix ne se résume pas à protéger chaque tâche existante ou à exclure les personnes de la science. Qui choisit les questions, repère un besoin négligé, juge si les preuves s’appliquent et décide quoi en faire ? Ces décisions concernent le public, même si les machines finissent par mieux maîtriser de nombreuses composantes techniques. Garder une influence sur elles relève autant de la gouvernance que de l’identité professionnelle.

L’essai d’octobre 2024 de Dario Amodei présente une vision résolument optimiste de l’IA accélérant la biologie et améliorant les vies. Il souligne aussi des limites liées aux expériences, aux données et au monde physique. Cet essai est une prévision reposant sur des hypothèses concernant de futurs systèmes puissants, et non un calendrier établi par une percée mathématique. [Machines of Loving Grace.](https://darioamodei.com/essay/machines-of-loving-grace)

Une preuve portant sur des équations ne démontre pas, à elle seule, l’existence d’un traitement efficace ou d’un système énergétique moins coûteux. Chaque application exige des éléments supplémentaires. Il est néanmoins raisonnable d’espérer des progrès plus rapides : une aide qui permet aux chercheurs d’écarter une piste improductive ou de concevoir une expérience plus informative pourrait compter bien avant que la recherche ne devienne autonome.

La question de la répartition revient alors. Une avancée peut être scientifiquement solide tout en ne profitant qu’à ceux qui peuvent se l’offrir. La recherche peut s’accélérer tout en se concentrant sur les problèmes jugés les plus importants par leurs propriétaires. Les choix de financement, d’accès et de déploiement détermineront en partie si cette accélération profite à un large public. Le nombre de découvertes ne tranche pas ces questions à notre place.

## La preuve de la justesse n’est pas la promesse d’un bon jugement

L’alignement soulève une autre question. Un système peut être excellent pour trouver un argument tout en ayant du mal à respecter les intentions de son opérateur au cours d’un long projet de recherche. Un résultat mathématique vérifié établirait quelque chose au sujet de ce résultat. À lui seul, il ne démontrerait pas que le système respecte systématiquement les autorisations, signale franchement ses échecs ou poursuit les bons objectifs.

Cette distinction compte dans la manière dont les laboratoires utilisent des outils toujours plus capables. Déléguer une recherche bien délimitée et en examiner le résultat diffère de confier à un système une large autorité sur les expériences, les dépenses ou la publication. La réussite scientifique peut justifier des travaux de recherche plus ambitieux, mais les autorisations doivent rester justifiées séparément.

Préserver la compréhension humaine aide, mais ne résout pas à lui seul tous les problèmes d’alignement. Comprendre les mathématiques d’une découverte ne révèle pas tous les aspects du comportement du modèle. À l’inverse, une personne n’a pas besoin de refaire chaque calcul intermédiaire pour exercer un contrôle utile. L’objectif pratique est de préserver suffisamment de compétences indépendantes et de preuves pour repérer quand le travail d’un système ne sert plus le but prévu.

La question du sens mérite également mieux que la promesse que les loisirs compenseront chaque rôle perdu. Amodei soutient que les relations et les activités peuvent garder leur sens même si l’IA dépasse les humains, tout en considérant comme incertaines les modalités économiques d’un tel avenir. C’est une perspective plausible, pas la garantie d’une transition sans douleur. [Travail et sens.](https://darioamodei.com/essay/machines-of-loving-grace)

Un étudiant peut tenir à comprendre un résultat sans l’avoir découvert le premier. Une communauté peut valoriser l’enseignement, le débat et la recherche sans exiger de ses membres qu’ils surpassent toutes les machines. Mais maintenir les institutions qui rendent ces activités possibles demande des ressources et des choix. L’épanouissement personnel ne suffit pas à financer un laboratoire, garantir l’accès à un modèle ou préserver un département.

## Évaluer la publication selon l’indépendance qu’elle permet

Quelqu’un peut-il contester l’affirmation sans dépendre entièrement du récit de l’entreprise ? Un autre groupe peut-il exploiter le résultat sans reproduire une recherche trop coûteuse ? Les chercheurs peuvent-ils choisir des questions de suivi qui intéressent peu le producteur ? Existe-t-il des personnes et des institutions capables d’expliquer le travail, de le corriger et de le maintenir accessible une fois l’attention retombée ?

Ces questions relient les avenirs optimiste et pessimiste. Dans le premier, des outils privés puissants contribuent à un fonds de connaissances partagé plus vaste, et davantage de personnes peuvent étudier des questions qui étaient auparavant hors de portée. Dans l’autre, les personnes extérieures reçoivent des réponses impressionnantes tout en dépendant de plus en plus de quelques organisations pour décider quelles questions méritent d’être posées.

Nous ne savons pas encore ce que contiennent les résultats cachés évoqués par les rumeurs. Nous pouvons juger les modalités mises en place autour des résultats qui émergent. Une percée majeure de l’IA devrait donner au reste de la science une plus grande capacité d’agir de manière indépendante.

## Sources

- [Scott Aaronson : The Age of Wonders and Terrors](https://scottaaronson.blog/?p=10062) — Rapporte des rumeurs et présente l’interprétation de l’auteur sur les progrès de l’IA. Ne révèle ni ne vérifie les solutions anonymes ou le motif avancé pour expliquer leur rétention.
- [Advisory Group on Mathematics and Artificial Intelligence](https://agmai.org/) — Établit le mandat déclaré et l’indépendance du groupe. OpenAI est à l’origine des informations sur les résultats en attente ; la déclaration du groupe ne les certifie pas publiquement.
- [OpenAI : On the Navier–Stokes Millennium Prize Problem](https://openai.com/index/navier-stokes-solution/) — Le récit de l’entreprise renvoie aux preuves publiées et décrit un modèle interne. La section sur les travaux parallèles a été mise à jour le 10 septembre ; cet article ne tranche pas la question de la provenance.
- [Clay : formulation officielle du problème de Navier–Stokes](https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf) — Définit les scénarios de rupture avec force et les scénarios de régularité sans force. Précise la portée de la question, sans certifier une solution proposée.
- [Clay : annonce sur Navier–Stokes](https://www.claymath.org/news/navier-stokes-announcement/) — Cette réaction institutionnelle nuancée maintient la procédure d’évaluation et d’attribution. Elle n’annonce pas l’attribution d’un prix.
- [OpenAI : dépôt des preuves Navier–Stokes et Euler](https://github.com/openai/NavierStokesAndEuler) — Le dépôt public distingue les deux résultats et fournit des instructions de compilation et de vérification. Nous avons lu la documentation sans reconstruire ni certifier les preuves.
- [Lean : validation d’une preuve Lean](https://lean-lang.org/doc/reference/latest/ValidatingProofs/) — Explique les garanties de la vérification des preuves, l’audit des hypothèses et les contrôles indépendants plus poussés. Interpréter correctement le théorème visé reste une question distincte.
- [Déclaration sur les mathématiques et l’IA](https://www.mathandai.org/) — Texte de référence sur les préoccupations liées aux incitations, à l’attribution et à la compréhension humaine. Reconnaît les progrès et les avantages potentiels de l’IA ; ne mesure pas les dommages.
- [Julian Togelius : Please, don’t automate science!](https://togelius.blogspot.com/2025/12/please-dont-automate-science.html) — L’essai original distingue l’assistance de l’automatisation qui rendrait les scientifiques superflus. Il traite de la capacité d’agir et du sens du travail dans un avenir hypothétique, et non d’une prévision vérifiée.
- [Dario Amodei : Machines of Loving Grace](https://darioamodei.com/essay/machines-of-loving-grace) — Essai explicitement spéculatif et optimiste, qui aborde aussi les contraintes pratiques et les questions économiques non résolues. Ses scénarios n’établissent ni calendrier ni résultat médical.