Les mathématiciens disent que OpenAI ne comprend pas sa propre preuve de Navier-Stokes

Les mathématiciens disent que OpenAI ne comprend pas sa propre preuve de Navier-Stokes

Début septembre, l’entreprise a présenté une solution potentielle de 166 pages pour le problème de Navier-Stokes. OpenAI a affirmé que la preuve utilisée suivait l’approche des mathématiciens espagnols Diego Córdoba et Luis Martínez-Zoroa.

Plusieurs groupes d’experts sont maintenant en désaccord, selon le rapport de Scientific American. « Lorsqu’on examine les détails, c’est une approche différente », dit le mathématicien Gonzalo Cao-Labora de l’EPFL. Les similitudes sont seulement superficielles, ajoute-t-il.

La preuve potentielle est écrite en Lean, un langage de vérification formelle qui vérifie chaque étape logique, mais ne l’est pas facilement lisible pour les humains. Le Clay Mathematics Institute (CMI) a examiné cette preuve depuis sa publication.

Avant la publication, le mathématicien de l’université de New York Tristan Buckmaster a accusé OpenAI de s’appuyer sur des travaux que lui et Levent Alpöge de Anthropic avaient effectués avec des modèles disponibles au public. OpenAI a nié cette affirmation, affirmant qu’elle n’avait jamais utilisé les données de Buckmaster. Une réponse définitive est probablement impossible, car les modèles de langage sont des boîtes noires, selon Camillo De Lellis de l’Institut pour les Études Avancées.

Début octobre, OpenAI a publié environ 400 résultats supplémentaires dont la communauté mathématique peine à suivre. Leur publication en tant que collection dispersée sur GitHub a mis en colère de nombreux mathématiciens, qui ont senti que cela diminuait l’importance de leur domaine.

Personne ne sait si 10 000 agents d’IA ont vraiment aidé

Il y a encore une chose que OpenAI ne semble pas comprendre concernant son propre travail. L’entreprise a investi beaucoup de calcul, en déployant environ 10 000 instances de modèle pendant environ 88 heures et 130 milliards de tokens pour développer la solution potentielle de Navier-Stokes. Selon le chercheur d’OpenAI Noam Brown, personne ne sait vraiment quel rôle ce grand groupe d’agents a joué dans le résultat.

Le comportement à cette échelle n’a pas été étudié, car effectuer des tests de comparaison systématiques avec des milliers d’agents coûte trop cher. Personne n’a testé combien de temps un seul agent mettrait à résoudre le même problème, et il est presque impossible de déterminer quelle avantage concret offrent 10 000 agents par rapport à 1 000.

Brown attribue moins de 10 % du succès à la configuration multi-agents. Ces systèmes sont nouveaux et spectaculaires, dit-il, donc ils reçoivent une part disproportionnée des crédits. Ce qui est vraiment important, c’est le modèle de base lui-même, qui peut effectuer des tâches sur de longues périodes et fonctionner en parallèle.

Actualités en IA Sans Hype – Sélectionnées par des humains

Abonnez-vous à THE DECODER pour une lecture sans publicités, un bulletin informel sur l’IA hebdomadaire, notre rapport exclusif « AI Radar » six fois par an, un accès complet aux archives, et la possibilité de participer à notre section de commentaires.