An OpenAI model has disproved a central conjecture in discrete geometry

## Un modèle OpenAI réfute une conjecture de 80 ans en géométrie discrète

### 1. Ce qui s'est passé exactement

Un modèle de raisonnement d'OpenAI a produit une preuve réfutant la conjecture centrale du **problème de la distance unitaire**, un problème ouvert depuis les années 1940. La conjecture, attribuée à Paul Erdős, portait sur le nombre maximum de fois qu'une distance unitaire peut apparaître entre *n* points dans le plan euclidien. La borne supérieure conjecturée était de l'ordre de O(n^(1+ε)) pour tout ε > 0 — le modèle a fourni un contre-exemple ou une construction qui invalide cette borne, selon les détails techniques encore en cours de vérification par la communauté mathématique.

Ce n'est pas un résultat assisté où un humain guide le modèle pas à pas : OpenAI décrit une résolution autonome, le modèle ayant exploré l'espace des constructions combinatoires et géométriques pour identifier la structure invalidante.

### 2. Pourquoi ce problème spécifique compte

Le problème de la distance unitaire n'est pas un exercice académique isolé. Il est structurellement lié à plusieurs conjectures ouvertes en combinatoire géométrique, notamment le problème de Hadwiger-Nelson (nombre chromatique du plan) et les bornes de Szemerédi-Trotter sur les incidences points-droites. Une réfutation ici perturbe un réseau entier d'hypothèses de travail utilisées en géométrie computationnelle, en cryptographie basée sur des réseaux, et dans certains problèmes d'optimisation discrète.

Avant cette annonce, le meilleur résultat connu était la borne de Spencer, Szemerédi et Trotter (1984) : O(n^(4/3)) occurrences de la distance unitaire. Des décennies de travail n'avaient pas permis de descendre sous cette borne ni de la prouver optimale. Le modèle a apparemment tranché cette question dans un sens inattendu.

### 3. Ce que cela révèle sur les capacités actuelles des modèles de raisonnement

Le signal ici n'est pas "l'IA fait des maths" — c'est la **nature du problème résolu**. Les problèmes de géométrie discrète requièrent une combinaison rare : intuition constructive (trouver la bonne structure), vérification formelle (prouver que la structure a les propriétés voulues), et navigation dans un espace de recherche exponentiel sans gradient clair à suivre.

Les benchmarks standards comme MATH ou GSM8K saturent depuis plusieurs trimestres — GPT-4o atteignait déjà ~95% sur MATH. Ce résultat opère dans un registre différent : un problème de recherche ouvert, non présent dans les données d'entraînement comme problème résolu, nécessitant une généralisation authentique plutôt que de la mémorisation de patterns.

Cela positionne ce résultat au-dessus des performances sur olympiades (IMO 2024, où des modèles ont obtenu des médailles d'or) : les olympiades ont des solutions connues et des structures reconnaissables. Ici, il n'y avait pas de solution à mémoriser.

### 4. Les perdants et les questions ouvertes

**Perdants directs :** Les équipes de recherche en mathématiques pures qui travaillaient sur ce problème depuis des années voient leur avantage comparatif réduit sur un type précis de problème — la recherche exhaustive guidée par intuition dans des espaces combinatoires. Les doctorants et post-docs dont les thèses reposaient sur des approches incrémentales de ce problème sont dans une position délicate.

**Perdants indirects :** Les éditeurs et conférences de mathématiques vont devoir adapter leurs processus de peer review. Si un modèle produit une preuve de 50 pages, qui vérifie ? Avec quelle autorité ? Le processus de vérification humaine reste le goulot d'étranglement — et il n'est pas clair que la communauté ait les outils pour absorber un flux accéléré de résultats de ce type.

**Questions ouvertes critiques :** La preuve a-t-elle été vérifiée formellement (Lean, Coq, Isabelle) ou seulement par des mathématiciens humains ? OpenAI n'a pas encore publié le papier complet au moment de cette annonce. La reproductibilité — peut-on re-exécuter le modèle et obtenir la même preuve, ou une preuve différente également valide ? — reste à établir.

Enfin, la question de généralisation : ce résultat est-il le produit d'une capacité générale de raisonnement mathématique, ou d'une confluence spécifique entre les données d'entraînement et la structure particulière de ce problème ? La réponse détermine si l'on est face à un outil de recherche mathématique systématiquement utilisable, ou à un résultat remarquable mais isolé.