27 ans de conjecture : la semaine où OpenAI et Claude ont dit avoir réfuté l'hypothèse du temps exponentiel

OpenAI a annoncé le 26 octobre 2026 que ses modèles internes avaient réfuté l'hypothèse du temps exponentiel (ETH), une conjecture d'informatique théorique formulée en 1999, avec une preuve vérifiée par l'assistant de preuve Lean. Quelques heures plus tard, Anthropic a publié sa propre réfutation, attribuée à Claude. Aucun des deux résultats n'est encore validé par les experts du domaine : la semaine a surtout montré que l'IA produit des preuves plus vite que les humains ne peuvent les relire.

Qu'ont annoncé OpenAI et Anthropic sur l'hypothèse du temps exponentiel ?

OpenAI a annoncé le 26 octobre 2026 que ses modèles internes avaient produit une réfutation de l'hypothèse du temps exponentiel, selon la publication d'OpenAI et TechCrunch. Cette hypothèse, publiée en 1999 par Russell Impagliazzo et Ramamohan Paturi, affirme que certains casse-têtes logiques, comme le problème 3-SAT, ne peuvent pas être résolus en temps « sous-exponentiel » : le temps de calcul doit exploser avec le nombre de variables.

D'après la chronologie compilée par explainx, la réfutation a été trouvée le 16 octobre et formalisée en Lean le 17 octobre. OpenAI l'a publiée avec deux autres résultats : une démonstration du « local smoothing » en toutes dimensions, qui impliquerait la conjecture de Kakeya, et une preuve d'existence pour certaines théories de Yang-Mills en quatre dimensions, dont les fichiers restent entre les mains d'un groupe de physiciens.

Anthropic a réagi en quelques heures. Le laboratoire a publié le 27 octobre 2026, dans son dépôt public formal-math, un projet nommé eth attribué à Claude : une machine de Turing déterministe qui compte les solutions de formules k-CNF en un nombre d'étapes de l'ordre de 2 puissance (k² × n × log log n / √log n). Selon TechCrunch, le mathématicien d'Anthropic Levent Alpöge a aussi suggéré que le résultat d'OpenAI reposait sur des travaux antérieurs. Deux laboratoires concurrents revendiquent donc la même percée, à un jour d'écart, avant toute relecture par les pairs.

Une preuve vérifiée par Lean suffit-elle à clore le débat ?

Une preuve vérifiée par Lean ne suffit pas : Lean garantit qu'un énoncé formel découle de ses axiomes, pas que cet énoncé traduit fidèlement la conjecture humaine. C'est pourquoi Russell Impagliazzo, Ramamohan Paturi et Ryan Williams, du MIT, ont pris en main la relecture de la preuve d'OpenAI, d'après TechCrunch du 27 octobre 2026.

Le jugement provisoire de Ryan Williams est nuancé. Il estime que certaines parties de la preuve sont « routinières », mais qu'il y a « deux ou trois parties à l'allure extraterrestre » qui demandent un examen attentif. Il ajoute ne pas croire que l'algorithme d'OpenAI soit le meilleur possible. Le même chercheur avait qualifié la publication massive de preuves par OpenAI, début octobre, d'« attaque DDoS contre les mathématiciens », avant d'accepter de collaborer.

La portée pratique reste limitée à ce stade. Un algorithme sous-exponentiel peut rester beaucoup trop lent pour un usage réel, et la réfutation de l'ETH ne tranche pas la question P contre NP. Interrogé par Ryan Williams sur la cryptographie, le responsable scientifique d'OpenAI Dan Roberts s'est dit « raisonnablement confiant » qu'aucun système de chiffrement n'était cassé. Les chercheurs ont publié une lettre ouverte pour discuter des règles d'attribution des contributions de l'IA. Pour une entreprise, la leçon dépasse les mathématiques : un résultat produit par une IA, même accompagné d'une vérification automatique, vaut ce que vaut la personne compétente qui le relit.

Pourquoi Amazon demande-t-il à ses ingénieurs d'arrêter de compter les tokens ?

Amazon a rendu public le 27 octobre 2026 un mémo de Terk Terkowitz, vice-président et ingénieur distingué chez Worldwide Amazon Stores, qui qualifie de « profondément défaillantes » les mesures d'usage de l'IA, selon le texte publié par Amazon et CNBC. Le mémo vise trois indicateurs : les tokens consommés, le taux d'adoption des outils d'IA et le nombre de changements de code ou de relectures.

Le raisonnement tient en une phrase du mémo : ces chiffres sont « déconnectés de ce qui compte ». Pris comme objectifs, ils poussent à consommer des tokens pour rien, ce qui heurte le principe de frugalité d'Amazon, et à produire plus de code, ce qui ajoute de la complexité. Le phénomène a un nom, le « tokenmaxxing » : Amazon avait déjà fermé en mai un classement interne, KiroRank, après que des employés eurent multiplié les requêtes pour y grimper.

Amazon ne renonce pas pour autant à mesurer. Le mémo dit vouloir juger les équipes sur des résultats de long terme, l'effet sur les clients et sur l'activité, tout en reconnaissant que ces effets arrivent tard et s'isolent mal. En attendant, l'entreprise garde les indicateurs d'usage, à manier avec discernement, et propose d'étudier les extrêmes, les 10% d'ingénieurs qui utilisent le moins l'IA et les 10% qui l'utilisent le plus. Pour une PME qui déploie des assistants IA, la règle est transposable : compter les heures gagnées ou les dossiers traités, jamais le nombre de requêtes envoyées.

Que montre Genie 4 de Google DeepMind sur les modèles de monde ?

Google DeepMind a présenté le 27 octobre 2026 Genie 4, un modèle qui génère des scènes interactives avec le son, la physique et des personnages pilotables en temps réel, d'après l'annonce de Google DeepMind. L'utilisateur peut changer la météo, déplacer la caméra ou ajouter des objets par une simple phrase, et se déplacer au clavier.

Le fonctionnement repose sur une boucle entre deux modèles. Gemini 3.8 Flash joue le rôle d'agent guide : il reformule les demandes et surveille la cohérence de la scène pendant que Genie 4 la génère. La musique, les bruits d'ambiance et les dialogues sont produits en même temps que l'image, et toutes les sorties portent le filigrane SynthID de Google. L'accès commence par des testeurs de confiance, puis s'ouvrira aux abonnés Google AI Ultra et à des partenaires de l'API Gemini et de Google AI Studio.

Google DeepMind liste lui-même les limites. Les détails visuels et la permanence des objets « peuvent encore dériver », surtout dans les sessions longues ou après plusieurs modifications. Le texte lisible, la précision spatiale et la justesse du son restent des sujets de recherche. Les usages visés, la robotique, le jeu, la formation et le cinéma, ont en commun de tolérer une simulation imparfaite. Pour une entreprise, Genie 4 reste un objet de veille plutôt qu'un outil de production : aucune date ni aucun tarif d'accès général n'ont été donnés.

Comment Apple et Opera rapprochent-ils l'IA des outils de bureau ?

Apple a annoncé le 27 octobre 2026 des assistants IA en bêta dans Keynote, Pages et Numbers, construits sur des modèles d'Apple et d'OpenAI, selon le communiqué d'Apple. Les assistants rédigent et restructurent un texte dans Pages, conçoivent des diapositives dans Keynote et construisent tableaux et graphiques dans Numbers.

Le point le plus structurant est ailleurs : les trois applications prendront en charge le protocole MCP sur macOS 27, ce qui permettra à des agents IA externes de lire leur contenu, de le modifier et d'y lancer des actions automatisées. Un agent pourrait ainsi remplir un tableau Numbers ou mettre à jour une présentation sans intervention humaine. La mise à jour arrive en novembre 2026, gratuite pour les abonnés existants, mais les assistants ne fonctionnent qu'en anglais américain et sur un appareil compatible Apple Intelligence.

Opera a pris le chemin inverse le même jour. Le navigateur a présenté WebAI, une proposition de standard web qui permet aux sites et aux extensions d'utiliser un modèle à poids ouverts exécuté directement sur l'ordinateur, d'après TechCrunch. Opera cite Gemma de Google et, sur Mac, le modèle embarqué d'Apple. La fonction est en préversion dans Opera One et doit être activée volontairement. L'intérêt pour une petite structure est double : pas d'abonnement par requête, et des données qui restent sur la machine, au prix d'une performance qui dépend du matériel. Dans le même registre, la start-up indienne Simplismart a levé 14 M$ le 27 octobre 2026, avec NVIDIA au capital, pour faire tourner les modèles sur moins de processeurs graphiques, selon TechCrunch.

Testez votre lecture de la semaine

Sources

• OpenAI, Working with academic communities to build scientific understanding, 26 octobre 2026
• TechCrunch, Frontier AI labs say their models refuted the exponential time hypothesis, 27 octobre 2026
• Anthropic, dépôt formal-math (projet eth), GitHub
• explainx, OpenAI Exponential Time Hypothesis Disproved? 3 Claims, octobre 2026
• About Amazon, An update from Amazon engineering leadership, octobre 2026
• CNBC, Amazon's memo on AI coding and tokenmaxxing, 27 octobre 2026
• Google DeepMind, Genie 4: A new generation of world simulation, 27 octobre 2026
• Apple Newsroom, Apple Creator Studio adds powerful new AI features, 27 octobre 2026
• TechCrunch, Opera introduces a new web standard to let users deploy AI locally in their browser, 27 octobre 2026
• TechCrunch, Nvidia backs Indian startup helping companies run AI models with fewer GPUs, 27 octobre 2026
• The Decoder, Meta gets $3 billion from Nvidia, 27 octobre 2026
• TechCrunch, Disruptive raises $10B fund, 27 octobre 2026

Pour aller plus loin

Chaque lundi, la newsletter de Polaris résume en trois news ce qui compte vraiment dans l'IA pour les dirigeants de PME : inscrivez-vous à la newsletter du lundi.

Pour passer de la lecture à la pratique, les formations gratuites d'Agentia Academy vous apprennent à utiliser l'IA dans votre activité : découvrez les formations gratuites.