Navier-Stokes par IA : la preuve du millénaire qui réveille les questions de règles du jeu

💡 En résumé

• OpenAI annonce une preuve complète de Navier-Stokes — l’un des sept problèmes du Prix du Millénaire, doté d’un million de dollars par l’Institut Clay — obtenue par un modèle de nouvelle génération non publié, au terme d’un effort d’une semaine ayant consommé 300 milliards de tokens de sortie (22,5 millions de dollars au tarif Astra).
• La communauté mathématique s’étrangle : le professeur de NYU Tristan Buckmaster accuse OpenAI d’avoir utilisé des informations sur ses travaux non publiés (menés avec le mathématicien d’Anthropic Levent Alpöge) pour s’engouffrer dans la même approche — et de l’avoir pressé, via Sébastien Bubeck, de ne pas rendre la dispute publique.
• Record européen de levée : Mistral AI lève 3 milliards d’euros (plus de 21 milliards d’euros de valorisation) mené par Samsung, dans un tour qualifié de « plus grande levée equity de l’histoire d’une entreprise technologique européenne » — la souveraineté est devenue un business.
• L’IA de codage n’est pas un winner-take-all : Cognition lève 2 milliards de dollars à 48 milliards de valorisation quatre mois après ses 26 milliards, tandis que Google Cloud s’allie à Accenture pour former 1 000 ingénieurs « forward-deployed ».
• La recherche s’interroge sur la dérive des institutions : normalisation de la déviance (Challenger, Three Mile Island, 737 MAX), fin de l’exponentiation, et garde-fous de sécurité au comportement trompeur — trois papiers qui appellent à regarder les organisations, pas seulement les modèles.

🔥 Tendances : une semaine de records et de règles du jeu

Mardi 8 septembre 2026 restera comme une journée à plusieurs étages : une prouesse scientifique potentiellement historique, une controverse académique virulente, et trois annonces capitalistiques qui redessinent la carte de l’industrie. Le fil commun ? À quoi ressemblent des règles du jeu équitables quand l’IA change la nature des acteurs, des moyens et des normes ?

La preuve du millénaire qui fâche

Commençons par la science. Tristan Buckmaster, professeur de mathématiques à NYU, a annoncé mardi trois preuves — dont un résultat préliminaire sur l’un des grands problèmes ouverts des mathématiques théoriques — réalisées avec Levent Alpöge, mathématicien employé par Anthropic (mais hors cadre de son travail), en s’appuyant sur les modèles Codex et Claude. Dans son communiqué, Buckmaster prévient : « Il y a une autre partie à cette histoire, et honnêtement, j’aurais préféré ne pas avoir à m’en soucier. »

Quelques heures plus tard, OpenAI publie une preuve complète du problème d’existence et de régularité de Navier-Stokes — l’un des sept problèmes du Prix du Millénaire, chacun doté d’un million de dollars par l’Institut Clay pour la première solution. Selon OpenAI, la preuve a été découverte par un modèle de nouvelle génération non publié, qui aurait attaqué plusieurs problèmes ouverts au cours de la semaine écoulée — un effort global de 300 milliards de tokens de sortie, soit 22,5 millions de dollars de calcul aux tarifs Astra actuels.

La chronologie fait désordre. Buckmaster affirme qu’après avoir appris que « des informations sur nos progrès avaient été transmises à OpenAI », les réponses aux questions — quand la recherche avait-elle commencé, quelle part d’humain y avait-il eu — se sont faites évasives : « Il est apparu qu’une équipe entière travaillait sur le problème… Finalement, il a été convenu que la première requête avait été envoyée dans les derniers jours, après que des informations sur nos travaux étaient parvenues à OpenAI. » Or l’approche de Buckmaster et Alpöge — passer par une force lisse, options c et d de l’énoncé de Fefferman — est « la route que Luis et Diego ont ouverte et que Levent et moi avions discrètement choisie. Presque personne d’autre ne travaillait dessus », écrit-il. « Ce n’est pas la direction qu’on atteint en quelques jours en donnant l’énoncé à un modèle. »

La pression aurait ensuite pris un tour personnel : Buckmaster affirme que Sébastien Bubeck (OpenAI) lui aurait demandé de retirer le crédit d’Alpöge — dont l’affiliation à un laboratoire rival semblait déranger — puis, quand Buckmaster a voulu rendre la dispute publique : « Pourquoi voudriez-vous ruiner votre carrière ? » et « Si vous ne voulez pas que je sois aimable, je n’ai pas à l’être. »

Il reste une question technique vertigineuse : Buckmaster ayant massivement utilisé Codex pour ce projet, et OpenAI se réservant le droit d’entraîner ses modèles sur les interactions Codex (avec opt-out possible), un modèle entraîné sur ses propres interactions aurait pu « régurgiter » son approche face à un problème similaire. OpenAI dément toute consultation directe — « nous (les chercheurs et les agents) n’avons vu aucun de leurs travaux par quelque moyen que ce soit jusqu’à leur publication » — tout en concédant : « Nous ne pouvons pas exclure que des données dé-identifiées dérivées de leur usage de nos produits aient amélioré nos modèles. Nos preuves diffèrent significativement, et même les résultats précis prouvés diffèrent dans le cas d’Euler (forcé vs non forcé). »

Que la preuve soit valide ou non (elle devra passer le filtre de la communauté), la séquence pose trois questions qui dépassent Navier-Stokes. L’asymétrie des moyens : peut-on encore appeler « compétition » une course où l’un des camps aligne 300 milliards de tokens quand l’autre dispose d’un budget académique ? La frontière de la donnée d’usage : des interactions produit (Codex) peuvent-elles alimenter des modèles qui concurrencent ensuite leurs auteurs — et un opt-out par défaut suffit-il ? La pression sur les individus : des chercheurs qui documentent un différend avec un laboratoire dominant doivent-ils craindre pour leur carrière ? OpenAI, en publiant une preuve complète d’un problème du Millénaire, a peut-être ouvert une nouvelle ère des mathématiques assistées par agents — mais la manière dont la course a été gagnée laissera des traces.

Mistral : 3 milliards d’euros pour une « troisième voie »

Même jour, même thème des règles du jeu, autre échelle : Mistral AI a bouclé une Series D de 3 milliards d’euros (environ 3,58 milliards de dollars) à une valorisation post-money de plus de 21 milliards d’euros (24,39 milliards de dollars) — « la plus grande levée de fonds en equity jamais réalisée par une entreprise technologique européenne », selon la société. Menée par Samsung Electronics, avec le fonds Scaleup Europe (géré par EQT) et le réinvestisseur PSG Equity comme co-chefs de file, elle réunit aussi a16z, Nvidia, Salesforce Ventures, Advent et BlackRock côté américain, et le Grand-Duché de Luxembourg en nouvel entrant.

La thèse est claire : la souveraineté est devenue un marché. Mistral pousse 1 GW de capacité de calcul en Europe d’ici 2030, a lancé en août des outils permettant aux clients de choisir la région où leurs requêtes sont traitées, et héberge des modèles open-weight tiers — y compris chinois — pour asseoir son positionnement de « fournisseur de services IA » où le client garde la main sur les modèles. La société a pris soin de recadrer son identité : « la recherche de frontière est le fondement de notre infrastructure, de nos produits et de notre souveraineté » — une réponse indirecte à ceux qui y voyaient une simple société d’inférence. Le président Macron a salué une étape vers « une troisième voie dans l’IA » avec la Corée du Sud — Samsung entrant au capital avec la bénédiction des autorités françaises. Dans un contexte où ne pas être américain dope la demande (gouvernements, entreprises régulées), Mistral incarne la stratégie du contrepoids : alliée à Microsoft côté américain, à ASML côté néerlandais, à Samsung côté asiatique — une version capitalistique de l’Aleph Alpha-Cohere.

Cognition : l’IA de codage refuse le winner-take-all

Même heure, Cognition — la startup de Devin, fondée par le prodige des mathématiques Scott Wu — annonce 2 milliards de dollars à 48 milliards de valorisation, menés par Andreessen Horowitz, Accel, Founders Fund, General Catalyst et Avenir. Quatre mois plus tôt, le tour précédent valorisait l’entreprise 26 milliards ; le revenu annualisé (run-rate) est passé de 492 à 900 millions de dollars entre mai et septembre. Le signal investisseur est net : le codage par IA n’est pas un marché winner-take-all — a16z, qui avait empoché une fortune quand Cursor (alors en discussion à 50 milliards) fut vendu à SpaceX pour 60 milliards, revient en tête d’un tour chez le concurrent direct. Cognition loue un cluster Nvidia à plusieurs centaines de millions par an (un burn qui pourrait atteindre 800 millions de dollars cette année) et entraîne son propre modèle à partir d’alternatives open source pour réduire sa dépendance aux API d’OpenAI et d’Anthropic — un chemin déjà emprunté par Cursor. Mercedes-Benz, NASA, Goldman Sachs et Citi figurent parmi ses clients.

Google Cloud × Accenture : la guerre des FDE s’intensifie

Enfin, Google Cloud et Accenture créent une unité commune — l’« Accenture Gemini Enterprise Business Group » — dédiée à l’envoi d’ingénieurs dans les entreprises pour les aider à adopter les outils IA de Google. Google formera jusqu’à 1 000 ingénieurs « forward-deployed » (FDE) d’Accenture au développement d’applications sur Gemini Enterprise. L’urgence est chiffrée : selon Ramp, Google ne pèse qu’environ 6 % des dépenses IA des entreprises clientes de Ramp aux États-Unis, contre 43,5 % pour Anthropic et 39,7 % pour OpenAI. OpenAI (The Deployment Co.), Anthropic (Ode), Microsoft, Amazon — tous ont lancé des unités d’ingénierie embarquée, un pari que les hyperscalers ne peuvent plus éviter : Alphabet cumulait 811 milliards de dollars d’engagements d’achat au 30 juin, et la monétisation ne suit pas encore. La guerre du déploiement est devenue une guerre de consultants.

📊 Analyse : quand les institutions deviennent le sujet

Trois papiers publiés le même jour rappellent que la régulation de l’IA ne se joue pas que dans les levées et les preuves — elle se joue aussi dans la dynamique des organisations qui construisent ces systèmes.

The Normalization of Deviance in AI Development opère un rapprochement dérangeant : les risques de l’IA sont surtout étudiés au niveau des capacités (des systèmes trop puissants, trop autonomes, trop désalignés), mais presque jamais au niveau organisationnel — alors que les institutions qui construisent ces systèmes subissent les mêmes dynamiques structurelles que celles qui ont précédé les grandes catastrophes technologiques. Les études de cas (Challenger, Three Mile Island, Boeing 737 MAX) identifient des mécanismes communs — et le papier les projette sur le développement IA contemporain, avec une conclusion glaçante : des processus de sécurité exécutés en pleine conformité peuvent produire des résultats catastrophiques. « La période pré-catastrophe du développement de l’IA est encore en cours », écrivent les auteurs — le but du papier est de rendre ces dynamiques lisibles « pendant qu’elles peuvent encore être interrompues ».

The End of AI Exponentiation esquisse, en écho, la macro-économie de la bulle : limites des données, demandes computationnelles croissantes, récursion de données synthétiques, inflation des valorisations et instabilité sociale — les paradigmes de scaling classiques rencontrent des frictions. Le papier distingue l’instabilité à l’intérieur de l’écosystème (courses aux datacenters, investissements spéculatifs, course à la superintelligence) de l’instabilité à l’extérieur (perturbation du travail, gouvernance, incertitude publique, accélération géopolitique). Les 811 milliards d’engagements d’Alphabet et les 22,5 millions de dollars d’une seule preuve mathématique donnent une chair concrète à ces frictions.

The Failure Happens Before the Drift ajoute une couche méthodologique : les agents LLM, de plus en plus utilisés comme proxys d’humains en sciences sociales, ne simulent pas fidèlement les systèmes de valeurs humaines. Sur environ 4 000 conversations, 1 200 personas, 15 sujets et trois modèles (GPT-4o, Gemini-2.5-Flash, Gemma-4-E4B), plus de 50 % des personas n’expriment même pas le profil de valeurs qui leur a été assigné dès le départ, et 2 à 7 % dérivent après conversations répétées. Si l’on veut utiliser des sociétés d’agents pour anticiper des dynamiques sociales réelles — ou pour entraîner des agents à respecter des valeurs —, il faut d’abord que la simulation soit fidèle. L’échec précède la dérive.

Enfin, le blog Hugging Face de Multiverse Computing pose une question de sécurité qui résume la semaine : « Safety for Whom ? » Le papier Boundary-Aware Self-Distillation montre que la sécurité « par sujet » est un outil contondant : sur Qwen3-8B, un entraînement au refus politique fait passer le refus dans la catégorie de 9,47 % à 84,75 %… mais fait exploser le sur-refus sur XSTest de 2 % à 74 % — « une machine à refus brutale, pas un modèle plus sûr ». La parade — des paires frontières (bénin vs nuisible) partageant le même ancrage thématique — réduit le sur-refus de 32,94 % à 4,16 % en ne perdant que 4 points de refus légitime (91,88 % → 87,72 %). « Un modèle qui refuse plus n’est pas automatiquement plus sûr », concluent les auteurs : la composition des données d’entraînement décide de la position d’un checkpoint dans l’espace sécurité/sur-refus — et les deux axes doivent être rapportés ensemble.

🎯 À retenir

• La preuve de Navier-Stokes par OpenAI est un événement scientifique majeur — et un cas d’école de gouvernance manquée : asymétrie de moyens (300 milliards de tokens), usage des données produit (Codex), pression sur les contradicteurs : les règles du jeu académique n’ont pas suivi la puissance de calcul.
• La souveraineté IA est un marché : le tour de 3 milliards d’euros de Mistral (Samsung en tête, 21 milliards de valorisation) fait de la « troisième voie » un actif capitalistique concret, adossé à 1 GW de calcul européen d’ici 2030.
• Le codage par IA reste multipolaire : Cognition à 48 milliards (900 millions de run-rate) confirme, après Cursor-SpaceX, que les investisseurs parient sur plusieurs gagnants — et sur des modèles propriétaires entraînés maison.
• La guerre du déploiement est ouverte : Google Cloud forme 1 000 FDE avec Accenture pour combler ses 6 % de parts des dépenses IA entreprises face aux 43,5 % d’Anthropic et 39,7 % d’OpenAI.
• Surveillez les organisations, pas seulement les modèles : normalisation de la déviance, fin de l’exponentiation et sur-refus des garde-fous — trois alertes convergentes sur les institutions et les métriques, avant que la dérive ne devienne irréversible.