Oubliez GPT-7 : ce qu'OpenAI a réellement publié
OpenAI n'a pas annoncé de nouveau modèle nommé "GPT-7". Au lieu de cela, l'entreprise a publié une collection substantielle de 722 manuscrits mathématiques, organisés en 372 familles de résultats connexes. Cette publication, produite par un modèle interne non publié, aborde directement environ 4 000 problèmes de recherche ouverts.
La spéculation généralisée sur "GPT-7" provient de suppositions virales et non d'une confirmation officielle d'OpenAI. OpenAI qualifie systématiquement le système de "modèle interne non publié", soulignant son statut opérationnel actuel au sein de l'entreprise plutôt que celui de produit commercial ou de successeur nommé à la série GPT existante.
L'ampleur de ce travail est importante car il dépasse les benchmarks standards. La publication inclut non seulement des affirmations ou des réponses impressionnantes de chatbot, mais aussi des artefacts de soutien, tels que des preuves formelles vérifiées avec le Lean theorem prover. Cela permet aux chercheurs externes de valider indépendamment les affirmations mathématiques, marquant un tournant significatif vers une découverte vérifiable assistée par machine.
Cette collection couvre un large spectre de mathématiques, notamment :
- Théorie des nombres
- Géométrie
- Probabilités
- Informatique théorique
- Physique mathématique
La dépense de calcul moyenne par résultat était d'environ trois heures de temps de réflexion ChatGPT Pro, principalement via des prompts uniques, un contraste notable avec les approches antérieures plus gourmandes en ressources impliquant des essaims d'agents massifs.
Il s'agissait de questions de recherche, pas de devoirs
Contrairement aux problèmes de devoirs typiques avec des solutions connues, le modèle d'OpenAI s'est attaqué à des problèmes ouverts : des questions sans réponses établies, même parmi les experts. Le modèle a traité environ 4 000 de ces problèmes, englobant divers domaines mathématiques.
Ces questions de recherche portaient sur :
- Les nombres
- La géométrie
- Les probabilités
- L'informatique
- La physique mathématique
OpenAI déclare que sa liste de 372 familles de résultats n'est pas un classement par importance, reflétant l'étendue des explorations de son modèle interne.
Les résultats rapportés ont varié de manière significative. Certains des 722 manuscrits revendiquent des solutions complètes, tandis que d'autres détaillent des progrès partiels sur des problèmes complexes. Surtout, certains articles présentent des contre-exemples, réfutant des conjectures établies de longue date et démontrant une compréhension nuancée des frontières mathématiques.
Une affirmation particulièrement remarquable, la famille 003, concerne l'hypothèse quasi-Riemann. Cela établit une région sans zéro pour la fonction zêta de Riemann, spécifiquement $\zeta(s) \neq 0$ pour $\text{Re}(s) > 7/8$. Il est vital de comprendre qu'il s'agit d'une affirmation plus faible, et non d'une preuve de l'hypothèse de Riemann complète, qui reste non résolue. Les chercheurs ont reproduit et vérifié indépendamment ce résultat spécifique en utilisant le Lean theorem prover.
Une preuve est plus forte qu'une réponse confiante
La preuve mathématique exige un argument valide couvrant tous les cas possibles, et non simplement un modèle se vérifiant sur de nombreux exemples. Tester une règle sur des milliers d'instances ne révèle qu'une tendance ; cela ne prouve pas la vérité universelle de la règle. Un seul contre-exemple peut invalider une conjecture entière, soulignant la rigueur requise.
OpenAI a utilisé Lean, un assistant de preuve interactif, pour formaliser de nombreuses étapes de démonstration. Lean peut vérifier ces étapes par rapport aux règles et hypothèses énoncées, offrant un niveau de certitude dépassant la simple prose persuasive. Cet artefact vérifié par ordinateur fournit une preuve plus solide, car un noyau automatisé vérifie la cohérence logique de l'argument.
Tous les résultats ne bénéficient pas de preuves vérifiables par ordinateur, et même les travaux vérifiés nécessitent un examen minutieux pour garantir qu'ils prouvent réellement l'affirmation contenue dans le manuscrit. L'Advisory Group on Mathematics and Artificial Intelligence (AGMAI) a été consulté sur les normes de science ouverte, mais son implication n'implique pas la vérification de chaque résultat. Pour plus de détails sur l'initiative, consultez Sharing AI Progress in Mathematics - OpenAI.
Par exemple, une affirmation notable, l'hypothèse quasi-Riemann (Famille 003), postule une région sans zéro pour la fonction zêta de Riemann. Cette version plus faible de la célèbre hypothèse a été reproduite et vérifiée indépendamment par des chercheurs utilisant le compilateur Lean, soulignant la puissance de la vérification formelle dans l'avancement de la compréhension mathématique.
Cet article vous plaît ? Recevez-en un comme celui-ci chaque matin.
un e-mail par jour · désinscription en deux clics · aucun traqueur tiers
Le véritable changement réside dans la manière dont la recherche en IA est testée
OpenAI a rapporté que chaque résultat réussi a nécessité en moyenne environ trois heures de temps de réflexion ChatGPT Pro de son modèle non publié. Ce chiffre quantifie l'effort computationnel pour ce système interne spécifique afin de générer un résultat, et ne garantit pas qu'un abonnement grand public à ChatGPT Pro puisse résoudre des problèmes de recherche ouverts en tournant pendant trois heures. Ce nombre exclut également les étapes approfondies de vérification humaine et automatisée.
Comparez cela au projet précédent d'OpenAI sur les Navier–Stokes, qui impliquait environ 10 000 agents IA travaillant pendant 88 heures. Ces deux chiffres mesurent des aspects différents de la charge computationnelle sur des problèmes et des méthodologies distincts ; ils n'établissent pas une accélération directe ou un bond soudain dans les capacités générales des modèles. Des tâches différentes nécessitent des stratégies computationnelles différentes.
Les mathématiques et le code offrent des terrains de test inhabituellement vérifiables pour le raisonnement de l'IA, car les preuves peuvent être vérifiées algorithmiquement, souvent avec des outils comme Lean. Cela permet une rigueur sans précédent dans l'évaluation des solutions générées par l'IA. Cependant, le succès dans ces domaines structurés ne prouve pas automatiquement une intelligence générale ou une performance fiable dans des domaines moins formels comme l'éthique, les sciences sociales ou l'écriture créative.
La question productive pour la communauté scientifique reste de savoir si des mathématiciens indépendants peuvent reproduire, contextualiser et améliorer ces résultats. Cet accent mis sur une science ouverte et vérifiable contraste fortement avec les gros titres spéculatifs sur le "GPT-7" qui dominent souvent le cycle de l'actualité, déplaçant l'attention du battage médiatique vers des progrès tangibles et testables.
Foire aux questions
OpenAI a-t-il annoncé un modèle appelé GPT-7 ?
Non. La publication décrit un modèle interne non publié ; GPT-7 est une spéculation, pas un nom officiel.
Qu'est-ce que le modèle a produit ?
OpenAI a partagé 722 manuscrits mathématiques regroupés en 372 familles de résultats, basés sur des travaux portant sur environ 4 000 problèmes de recherche.
Le modèle a-t-il résolu l'hypothèse de Riemann ?
Non. Un manuscrit revendique un résultat quasi-Riemann plus faible ; l'hypothèse de Riemann complète reste non résolue.
Tous les résultats mathématiques sont-ils vérifiés ?
Non. Certaines preuves possèdent des artefacts Lean vérifiables par ordinateur, tandis que d'autres nécessitent encore un examen par des experts et peuvent contenir des erreurs.