En tant que simple individu, si vous donnez un problème mathématique difficile à une IA et que vous lui dites continuellement « continue », pourrait-elle vraiment le résoudre, vous permettant ainsi de remporter une grosse somme d'argent, voire de réécrire l'histoire des mathématiques ?
Récemment, la médaille Fields a été annoncée, les discussions sur les mathématiques + IA sont très vives, et beaucoup ont sûrement imaginé le scénario « de roman à succès » que je viens de décrire.
En réalité, certaines personnes essaient vraiment dans la vie réelle, mais le processus n'est pas aussi fluide qu'on pourrait l'imaginer.
Récemment, Michael P. Frank, expert de renom en calcul réversible et en physique computationnelle, a déclaré avoir assigné un objectif de recherche de haute difficulté à GPT-5.6 Sol : explorer s'il existe une voie plus simple que la démonstration de Wiles-Taylor pour le Dernier théorème de Fermat, en se concentrant sur la modularité spécifique des courbes de Frey, la méthode de descente infinie uniforme, les inégalités de type arithmétique abc et les quotients de faible genre uniforme ; tenir des notes rigoureuses, vérifier les lemmes candidats par le calcul, et clairement distinguer les résultats démontrés des conjectures.
Cette tâche a tourné en arrière-plan pendant environ 33 heures, consommant d'importantes ressources de calcul. Mais finalement, elle a été bloquée de force par le système d'OpenAI.
Dans son analyse rétrospective, GPT-5.6 Sol a écrit que deux raisons étaient possibles : soit le système a jugé que cette session utilisait trop de ressources ; soit OpenAI avait déjà échoué sur ce problème avec un modèle similaire auparavant et ne voulait plus gaspiller de puissance de calcul.
Michael P. Frank semble approuver cette analyse de GPT-5.6 Sol.
De plus, GPT-5.6 Sol a rapporté honnêtement ce qu'il a fait pendant ces 33 heures : essentiellement, un travail solide, transformant de nombreuses « pistes qui semblent prometteuses » en énoncés précis et vérifiables, puis les réfutant ou les éliminant une par une. Le résultat est une carte des « voies sans issue », et non la démonstration elle-même. Il suggère d'arrêter là.
Certains ont proposé d'autres interprétations possibles de l'action d'OpenAI : OpenAI pourrait cacher ses capacités, empêchant le modèle de résoudre facilement des problèmes mathématiques majeurs, par peur de se faire voler la vedette ou pour s'en attribuer le mérite. Cela nous rappelle que si nous devenons trop dépendants d'eux, nous leur confions entièrement le pouvoir de décider « ce qui peut être découvert », ce qui est dangereux.
Mais rapidement, Noam Brown, chercheur principal chez OpenAI, a contesté cette affirmation, déclarant : « Si quelqu'un résolvait un problème du prix du millénaire simplement en tapant 'continue' avec notre modèle, et empocherait ensuite 1 million de dollars, ce serait la meilleure publicité possible pour OpenAI, rien de mieux. »
Cela semble raisonnable, mais les contradicteurs pensent que rendre les capacités de pointe accessibles aux utilisateurs peut apporter des bénéfices publicitaires à court terme, mais affaiblit à long terme l'avance d'OpenAI dans la course à l'IA. Dans un environnement de compétition multipartite, garder le secret / utiliser en priorité en interne des modèles puissants pour accélérer ses propres recherches est plus important que de laisser les utilisateurs « résoudre en premier » de grands problèmes. Et une fois que la capacité devient « accessible à tous », sa valeur publicitaire chute considérablement.
De plus, les récentes controverses réglementaires donnent à OpenAI une raison de préserver ses forces. Si un utilisateur résout un problème mathématique de haute difficulté avec la version publique, cela prouve publiquement que « ce modèle est en réalité très puissant », attirant ainsi des ennuis réglementaires. Dans ce contexte, fournir délibérément une version affaiblie aux utilisateurs tout en conservant en interne une version ultra-puissante semble une stratégie raisonnable.
Cependant, certains ont également souligné une autre possibilité technique : dans codex-cli, « goal blocked » signifie que le modèle a rencontré le même point de limitation/blocage (blocker) de manière répétée sur 3 tours de raisonnement consécutifs. Ainsi, l'arrêt de la tâche pourrait être un mécanisme de sécurité/régulation standard du runtime du modèle pour éviter les blocages, et non un blocage spécial ciblant un problème difficile.
D'autres ont mentionné que cela pourrait simplement être dû à un bug. Plus précisément, la version 5.6 de Sol a un bug gênant lors de l'exécution de tâches longues. La solution temporaire est : revenir à la version 5.5, compresser le contexte, exécuter quelques minutes avec la 5.5, puis repasser à la version 5.6 de Sol. « Si vous voulez conserver la même session, vous resterez bloqué. »
Qu'en pensez-vous ? Partagez vos expériences dans les commentaires, que ce soit pour surmonter des défis avec l'IA ou pour vous être retrouvés bloqués par elle.
Liens de référence :
https://x.com/lu_sichu/status/2081367506468360495
Cet article provient du compte public WeChat « Machine Heart » (ID : almosthuman2014), auteur : Zhang Qian
