Le 26 octobre 2026, OpenAI a annoncé le lancement de trois tout nouveaux résultats de recherche en mathématiques et en sciences, et a publié un tout nouveau plan de diffusion des résultats visant à attribuer les découvertes générées par l'IA au monde académique. Ces percées couvrent plusieurs domaines, dont l'informatique théorique, les mathématiques et la physique quantique.
Sur le plan des points forts techniques, le modèle d'OpenAI a réalisé des progrès majeurs dans le domaine de l'informatique, en affirmant avoir traité des problèmes d'algorithmes et d'optimisation ; en mathématiques, en trouvant une nouvelle preuve dans toutes les dimensions de la « conjecture du lissage local », il a résolu la « conjecture de Kakeya » dans la recherche sur les ondes et les harmoniques ;
Dans le domaine de la physique, le modèle a démontré une théorie quantique des champs interagissante spécifique incluant des champs de jauge en quatre dimensions et des fermions, couvrant une complétion unifiée de la chromodynamique quantique (QCD) et du modèle standard de la physique des particules. Les résultats mathématiques associés ont auparavant été formellement vérifiés dans l'outil d'assistance aux preuves Lean, et certaines données brutes ont également été téléversées sur GitHub.
En réponse aux controverses suscitées précédemment par l'obtention de résultats à l'aide d'un modèle interne non divulgué, OpenAI a ajusté sa stratégie de publication. L'entreprise s'engage à ne plus rechercher de reconnaissance académique pour les découvertes produites par ses modèles internes, mais à positionner les textes générés par les modèles comme des « données de recherche brutes », confiées aux communautés mathématique et physique pour être transformées en compréhension scientifique.
À cette fin, OpenAI a contacté des experts externes pour constituer des équipes en tant que « guides », afin de favoriser la conversion des productions de l'intelligence artificielle en connaissances humaines. Cependant, concernant ce nouveau modèle, certains universitaires et professionnels du secteur soulignent que le choix des guides initiaux pourrait engendrer des défis potentiels tels qu'une asymétrie d'information.
Cette progression marque une approfondissement supplémentaire de la capacité des grands modèles à explorer les frontières des sciences fondamentales, et reflète également le fait que les entreprises d'IA explorent progressivement des voies de gouvernance écosystémique plus normées et coopératives lorsqu'elles transmettent les résultats générés par les machines à la communauté scientifique.