Le fait
Le 2 octobre 2026, Meta publie sur son blog de recherche (research.meta.ai) un billet intitulé Solving Open Research Problems Together : six articles de mathématiques issus d’une collaboration de plusieurs mois entre des mathématiciens et Muse Spark, le dernier modèle d’IA de Meta. Selon Meta, cinq de ces six articles apportent une réponse à des questions de recherche jusque-là ouvertes.
Le détail qui compte le plus est méthodologique. Les chercheurs ont utilisé Muse Spark 1.1 et 1.2 en mode Thinking (le mode « raisonnement » qui prend le temps de réfléchir avant de répondre) via l’interface de chat meta.ai classique, sans échafaudage de recherche sur mesure (custom research scaffold : orchestrateur, agents spécialisés, outils de preuve formelle branchés autour du modèle). Autrement dit, ce n’est pas un système de laboratoire réservé à une poignée d’ingénieurs : c’est le produit grand public, utilisé par des experts.
Meta rappelle aussi le point de départ : plus tôt dans l’année, ses modèles avaient atteint un niveau « médaille d’or » sur cinq compétitions olympiques de lycée (mathématiques, physique, chimie). Mais, écrit l’équipe, un problème d’olympiade a déjà une solution ; la recherche ouverte, elle, n’a « pas de corrigé », pas de garantie qu’une approche marche, et oblige à essayer, se tromper, revenir en arrière.
Les six articles, en clair
Meta décrit chaque article avec une image simple. En voici la traduction, domaine par domaine.
1. Probabilités : le seuil strict de l’ajustement d’ellipsoïde gaussien. Imaginez des points tirés au hasard dans un espace de très grande dimension, et la question : peut-on faire passer un ellipsoïde (une « ellipse » en haute dimension), centré en un point fixe, par tous ces points ? L’article (Aykut Arslan avec Muse Spark) identifie un seuil net : en dessous d’un certain nombre de points, un tel ellipsoïde existe presque sûrement ; au-dessus, presque sûrement pas. Le comportement exactement au seuil reste ouvert.
2. Équations différentielles : explosion en temps fini pour une équation de Schrödinger biharmonique. Un modèle inspiré de la physique des lasers, où un effet comprime une onde et un autre l’étale. L’article (Leonard Dinh avec Muse Spark) prouve que, pour des ondes à symétrie radiale et d’énergie négative, en dimension deux ou plus, l’effondrement survient forcément en temps fini. Il tranche une question laissée ouverte en 2015 et confirme une prédiction issue de simulations de 2002.
3. Théorie des groupes : les groupes semi-abéliens ne sont pas forcément monomiaux. Une conjecture de M. Kida (2024) affirmait qu’une propriété (« semi-abélien ») en entraînait toujours une autre (« monomial »). Il suffit d’un cygne noir : l’équipe (Joseph Phillip Brennan, Milana Golich) trouve un contre-exemple d’ordre 384. C’est Muse Spark qui a généré le programme de recherche dans GAP (logiciel de calcul algébrique) ayant trouvé ce groupe.
4. Optimisation : quand une relaxation est exacte. Question posée en 2026 par Del Pia et Khajavirad sur une famille de problèmes d’optimisation polynomiale binaire (des décisions oui/non). Résultat : une règle claire qui dit quand l’approximation étudiée ne perd rien, et quand elle laisse un écart. Muse Spark a aidé à reformuler le problème en probabilités, à trouver un contre-exemple et à construire la stratégie de preuve.
5. Physique arithmétique : fonction à deux points des cordes et fonction de hauteur sur une courbe. Un pont entre théorie des nombres et théorie des cordes p-adique, dans une direction envisagée par Yuri Manin dans les années 1980. Muse Spark a, selon Meta, généré des preuves candidates et rédigé trois sections techniques centrales, ensuite vérifiées, corrigées et affinées par les cinq chercheurs.
6. Algèbre non associative : algèbres d’évolution résolubles. Contre-exemple de dimension trois à une conjecture de García-Martínez et Pérez-Rodríguez, puis proposition d’une caractérisation alternative qui raisonne sur des sous-espaces entiers plutôt que sur des éléments isolés.
Un protocole plus intéressant que le score
Le chiffre « cinq problèmes ouverts » fera les titres. Ce qui mérite davantage l’attention, c’est le cadre que Meta s’est imposé, et qu’il énonce noir sur blanc :
- une équipe de mathématiciens pilote la recherche, choisit les problèmes et développe les arguments avec le modèle ;
- un second groupe de mathématiciens relit le travail ;
- chaque article indique quels passages ont été principalement rédigés par les chercheurs et lesquels par l’IA ;
- chaque article crédite les travaux antérieurs sur lesquels il s’appuie.
Dernier point, rare dans une annonce d’entreprise : Meta reconnaît qu’après coup, d’autres équipes extérieures avaient annoncé indépendamment des solutions à certains de ces problèmes, par d’autres approches. Pour le seuil gaussien, trois travaux concurrents postés en août 2026 sont cités (Misiakiewicz et Wen ; de la Cerda, Potechin, Tulsiani et Xu ; Koehler et Sohn). Pour la conjecture de Kida, Meta mentionne l’agent IA Nilradical, qui avait signalé un autre contre-exemple le 16 septembre 2026. Pour les algèbres d’évolution, des contre-exemples ont aussi été rapportés par Hu et Wen.
Ce dernier détail relativise la portée « exclusive » de certains résultats, mais il dit quelque chose d’important sur 2026 : plusieurs systèmes IA et plusieurs équipes attaquent désormais les mêmes problèmes ouverts en parallèle. La priorité scientifique se joue en semaines, et la transparence sur qui a fait quoi devient une condition de crédibilité.
Contexte : la course aux « preuves IA » et ses controverses
Meta n’est pas seul sur ce terrain, et le terrain est miné. India Today rappelle qu’OpenAI avait affirmé que son modèle avait résolu le défi du millénaire sur Navier-Stokes, une affirmation contestée par deux chercheurs estimant que l’entreprise avait pu s’appuyer sur leurs propres travaux. Dans ce climat, le choix de Meta (balisage des passages IA, double relecture humaine, citation explicite des travaux concurrents) ressemble à une réponse préventive aux critiques de type « l’IA s’approprie le travail des autres ».
Il faut aussi lire l’annonce pour ce qu’elle est : un billet d’entreprise, pas une validation par les pairs au sens académique. Les articles sont publiés, la relecture est interne à la collaboration (des mathématiciens partenaires), et leur réception par les revues et la communauté prendra des mois. Le bon réflexe est de distinguer trois niveaux :
- Ce que Meta affirme : cinq réponses à des questions ouvertes, avec un rôle variable de l’IA selon les articles (du programme GAP qui trouve un contre-exemple, jusqu’à des sections de preuve rédigées).
- Ce qui est vérifiable : les articles eux-mêmes, avec leurs passages balisés.
- Ce qui reste à établir : l’acceptation en revue, et la part réelle d’originalité face aux travaux concurrents.
Ce que ça dit des modèles frontière en 2026
Le « mode Thinking » grand public devient un outil de recherche. Le fait que tout se soit passé dans le chat meta.ai standard est le signal le plus fort. Il rejoint une tendance que Neurone21 a déjà documentée côté ingénierie logicielle : sur des modèles frontière, l’échafaudage sophistiqué rapporte de moins en moins ; le levier est le modèle et la boucle d’essais.
La valeur est dans la boucle humain–modèle, pas dans l’autonomie. Dans chaque article, Meta décrit une répartition des rôles : le chercheur choisit le problème et les idées clés, le modèle teste des pistes, écrit du code de recherche, propose des contre-exemples ou des brouillons de preuve, puis l’humain vérifie et réécrit. On est loin du « l’IA a démontré seule un théorème ».
Les contre-exemples sont le terrain le plus favorable. Deux des six résultats sont des réfutations de conjectures par un contre-exemple explicite (groupe d’ordre 384, algèbre de dimension trois). C’est précisément là où un modèle capable d’écrire et lancer un programme de recherche exhaustive apporte un gain net, et où la vérification est la plus simple.
Meta pousse aussi l’écosystème Muse ailleurs. Le même jour, selon India Today, Alexandr Wang (responsable IA de Meta) annonçait Muse Gadgets, un firmware open source pour ESP32 et un SDK Linux permettant de fabriquer du matériel compatible avec l’assistant Muse, ainsi que le boîtier Muse Home Link (alimenté en USB-C, lot de 5 000 unités offertes aux abonnés). Et Meta mettait à jour son Meta Superintelligence Scaling Framework, son cadre interne de sécurité pour l’entraînement et la publication de ses modèles les plus capables. Recherche, produit grand public et gouvernance avancent ensemble.
Ce que ça change pour une entreprise ou un labo français
Pour les équipes R&D : le message pratique est qu’un modèle frontière en mode raisonnement, utilisé par un expert qui sait poser le problème et vérifier, peut accélérer des phases précises (recherche de contre-exemples, exploration de pistes, rédaction de brouillons techniques). Le gain dépend de la capacité de vérification de l’équipe, pas de l’outil.
Pour la gouvernance de la recherche : le protocole Meta est réutilisable tel quel. Baliser les passages rédigés par l’IA, faire relire par une seconde équipe, citer les travaux concurrents : ce sont trois règles simples à inscrire dans une charte interne, que ce soit dans un laboratoire public ou un département R&D industriel.
Point de vigilance : la disponibilité. India Today note que l’application Muse caracole en tête des stores américains, mais que sa disponibilité mondiale reste floue. Avant de bâtir un usage sur meta.ai en Europe, vérifiez l’accès effectif et les conditions contractuelles.
Lecture Neurone21
Six articles, cinq questions ouvertes, un contre-exemple trouvé par un programme écrit par le modèle : l’annonce de Meta est solide, mais sa vraie nouveauté est la méthode affichée. En 2026, plusieurs IA et plusieurs équipes visent les mêmes problèmes, parfois à quelques semaines d’écart. Le différenciateur n’est plus seulement d’arriver à une preuve, c’est de pouvoir montrer qui a fait quoi, et d’accepter d’être relu. C’est aussi la bonne grille de lecture pour toute entreprise qui intègre l’IA dans un travail d’expertise.