Le 22 septembre 2026, Matt Landreman, physicien des plasmas à l’université du Maryland, a publié des solutions explicites aux équations qui servent à concevoir les stellarators, une famille de machines de fusion. En 1967, Harold Grad avait conjecturé que des solutions de ce type n’existaient pas. Les remerciements de l’article précisent que ces solutions « ont été découvertes à l’aide du modèle d’intelligence artificielle GPT-6 Astra Pro » et que Landreman a vérifié chaque équation à la main.
Treize jours plus tard, trois chercheurs de Google DeepMind et Landreman ont étendu ces deux familles de solutions à des formes sans symétrie de stellarator. Leur article crédite Gemini 4, utilisé comme une petite équipe d’agents, et note que des candidats prometteurs sont apparus « en quelques heures ». Pendant ces mêmes trois semaines, un agent IA a résolu 98 % d’un lot de problèmes de recherche en physique jamais publiés, et d’autres équipes d’agents ont repéré un système enzymatique aux répétitions proches de CRISPR et proposé un aimant pour la mémoire informatique de demain. La vague qui a touché les mathématiques en septembre gagne les sciences dont les réponses se vérifient.
Une conjecture de 1967, deux articles en treize jours
La question porte sur l’équilibre d’un plasma, c’est-à-dire l’équilibre entre la pression du plasma confiné et le champ magnétique qui le retient. Grad estimait que des solutions lisses avec une pression variable exigeaient une symétrie supplémentaire, comme celle d’un tokamak en forme d’anneau. Les stellarators sont vrillés exprès et n’ont pas cette symétrie.
Les deux familles de Landreman sont lisses, en trois dimensions, avec des surfaces magnétiques parfaitement emboîtées. Il les présente comme des « contre-exemples à la conjecture de Grad » et écrit que pour les stellarators, il est « rassurant de savoir avec certitude » que de tels équilibres existent. L’article du 5 octobre ajoute que ces solutions exactes permettent de tester les logiciels de conception des stellarators. Ses auteurs écrivent qu’ils ont choisi le problème, piloté les agents, mené plusieurs relectures contradictoires et refait eux-mêmes chaque calcul.
Aucun des deux articles ne parle de date pour un réacteur. Landreman a publié une première version le 22 septembre et une révision le 28 ; la généralisation a suivi le 5 octobre. La veille de sa première version, le 21 septembre, les mathématiciens Javier Gómez-Serrano, Lukas Liehr et Mitchell Taylor avaient publié une preuve, certifiée en Lean, de l’existence de tels contre-exemples. La révision de Landreman cite ce travail, et l’article du 5 octobre présente ses solutions comme les premiers équilibres explicites sous forme fermée de ce type.
Ces articles de physique arrivent deux semaines après l’annonce mathématique. Le 8 septembre, OpenAI a publié une résolution revendiquée du problème du millénaire de Navier-Stokes par un modèle interne, avec un groupe d’environ 10 000 agents travaillant en parallèle ; le résultat est arrivé environ 88 heures après le lancement des premiers agents. Le 13 octobre, nous avons raconté comment un physicien de Harvard a signé 36 manuscrits dans 18 domaines avec Claude en trois mois.
Des calculs de recherche à moins de 3 dollars en moyenne
Le 9 octobre, des physiciens d’institutions comme l’ICTS, Harvard, la KU Leuven et Google DeepMind ont publié TheoPhysEval. Ce banc d’essai réunit 50 problèmes de recherche inédits en physique théorique ; selon les auteurs, un spécialiste mondial du sujet résout un problème typique « en à peu près une journée ou moins ».
Avec la recherche documentaire et la possibilité d’écrire du code, GPT-6 Astra, utilisé dans Codex, a trouvé la bonne réponse finale à 49 problèmes sur 50, pour un coût moyen inférieur à 3 dollars par problème (moins de 2,67 euros au cours BCE du 16 octobre 2026). La série complète des 50 problèmes a coûté 116,28 dollars au tarif API, soit environ 103 euros. Claude Opus 5.5, dans Claude Code, en a résolu 46 ; notre guide des modèles Claude situe Opus dans la gamme d’Anthropic.
Un passage de l’article concerne la correction. L’équipe a d’abord jugé fausses plusieurs réponses d’Astra, avant de trouver des « erreurs subtiles dans les solutions d’origine » rédigées par les experts. Une fois ces solutions corrigées, les réponses d’Astra tenaient.
Les auteurs gardent le sens de la mesure. Ils décrivent leurs problèmes comme de la recherche « turn-the-crank », où l’on pousse une technique connue vers un cas nouveau : un résultat inédit, parfois publiable, mais qui n’ouvre pas de voie nouvelle.
Biologie, matériaux et problème de Thomson
Le 23 septembre, le nouveau laboratoire de sciences de la vie d’Anthropic a décrit une campagne où environ 950 agents Claude ont fouillé une base de séquences d’ADN pendant 21 heures avant que l’un d’eux ne repère une anomalie. Au cours de cette campagne, les agents ont rassemblé plus de 200 000 transcriptases inverses, retenu 3 500 systèmes candidats et rédigé des rapports sur les 20 plus intéressants. L’un d’eux, baptisé ART par Anthropic, se trouve à côté d’une série de répétitions d’ADN qui rappelle CRISPR. Sa fonction reste inconnue, les expériences en laboratoire sont menées par des humains, et Anthropic indique que ce type d’analyse peut prendre « des semaines, voire des mois » à un expert.
Le 4 octobre, Vals AI a indiqué qu’un de ses chercheurs, avec une équipe d’agents IA lançant des calculs de théorie de la fonctionnelle de la densité, avait conçu un semi-conducteur magnétique candidat et en avait identifié un second. Ce second matériau a été fabriqué pour la première fois en 1999 et restait magnétiquement ordonné jusqu’à 376 K. Les deux résultats sont des prédictions pour des cristaux parfaits, et l’article renvoie à un dépôt public qui contient tous les fichiers d’entrée et la liste des réserves connues.
Une semaine plus tôt, Hung Tran, chez Vals AI, avait confié à dix agents Claude Sonnet 5.5 le problème de Thomson pour sept charges, qui consiste à trouver comment sept électrons se placent sur une sphère pour garder l’énergie la plus basse possible. Après environ 15 heures et 1 270 messages, ils ont produit une preuve Lean de 17 895 lignes selon laquelle la bipyramide pentagonale est l’unique solution. Le dépôt GitHub du projet précise que l’énoncé n’a pas été certifié par un humain et que le travail n’a pas été relu par des pairs.
Les domaines vérifiables tombent en premier
Terence Tao a donné la raison de la vague mathématique lors de sa conférence du 9 octobre à Caltech. Ses diapositives expliquent que les laboratoires ont donné la priorité aux mathématiques parce qu’elles combinent vérifiabilité objective, numérisation facile et grands jeux de données de qualité, et que les mathématiques entrent dans une « ère d’abondance des preuves ».
Chaque résultat cité plus haut partage la première de ces propriétés. Une preuve Lean est vérifiée par une machine. Un équilibre de plasma sous forme exacte se vérifie de façon symbolique, ce qu’ont fait les auteurs de l’article du 5 octobre. N’importe qui peut relancer un calcul de fonctionnelle de la densité avec les fichiers d’entrée, et une base de séquences donne aux agents des millions de cas à comparer.
Notre pari : les autres disciplines vont basculer à peu près dans l’ordre du coût de vérification d’une réponse. La chimie computationnelle, le criblage de matériaux et la génomique sont en tête de file.
OpenAI fait état d’environ 130 milliards de tokens produits pour le seul Navier-Stokes. Une journée de calcul de physicien expert coûte désormais quelques dollars, d’après les chiffres de TheoPhysEval. Les deux chiffres ont été publiés à un mois d’intervalle. Seul le second entre dans le budget d’une équipe de recherche ordinaire.
La meilleure objection vient des articles eux-mêmes
Les auteurs de TheoPhysEval formulent eux-mêmes les doutes les plus sérieux. La précision a peu bougé quand ils ont privé les agents de recherche web et d’articles de référence, signe selon eux d’une « mémorisation importante de la littérature ».
Ils constatent aussi que les agents n’ont produit aucune percée en physique théorique, et l’une des explications qu’ils avancent tient au goût : quand on leur demande d’inventer des problèmes, les agents s’attardent sur des détails qu’un humain trouverait sans intérêt. Les experts humains fixent toujours la direction. Les diapositives de Tao rappellent que la plupart des problèmes à la frontière actuelle des mathématiques restent ouverts.
Ces limites désignent le goulot d’étranglement : choisir le problème et tester le résultat en laboratoire. Comme Claude produit des hypothèses en très grand nombre, les scientifiques d’Anthropic étudient désormais celles qu’ils décident de tester, puis réinjectent ce qu’ils apprennent dans les instructions de Claude pour qu’il imite leur propre goût scientifique.
La question laissée ouverte par Landreman
L’article de Landreman se termine sur une question voisine qu’il laisse ouverte : existe-t-il des équilibres non axisymétriques avec une quasi-symétrie exacte ? Aucun des deux articles n’y répond. La version révisée de Landreman note qu’au moins trois familles de solutions exactes existent désormais et qu’« il est probable qu’il en existe d’autres », et les auteurs du 5 octobre citent la recherche d’autres classes d’équilibres exacts comme piste pour la suite.
Pour une petite entreprise, la règle vaut aussi : confiez à l’IA le travail dont vous pouvez vérifier le résultat. Pour un assistant configuré de cette façon sur vos tâches administratives, découvrez notre assistant IA.
