Un casse-tête mathématique vieux de 22 ans, résolu par un interne du CHU de Pékin ?

marsbitPublié le 2026-08-13Dernière mise à jour le 2026-08-13

Résumé

La communauté mathématique a été bouleversée par la résolution d'une conjecture vieille de 22 ans, le problème de Crouzeix, par le Dr Shanmu Jin, un neurochirurgien stagiaire de l'hôpital de l'Union de Pékin, sans formation mathématique formelle. À l'aide de ChatGPT 5.6 et d'une ingénierie de prompt sophistiquée, le médecin a conçu un environnement où l'IA a fonctionné de manière autonome pendant environ 16 heures, produisant une preuve originale et élégante. La stratégie de l'IA a contourné les approches complexes traditionnelles en simplifiant le problème à une condition de positivité, une solution qualifiée de « révolutionnaire » par les experts. La preuve a été rapidement validée par des mathématiciens de renom, dont Michel Crouzeix lui-même, l'auteur de la conjecture. Huit jours plus tard, une seconde preuve indépendante, également développée avec l'aide de l'IA, a été publiée par d'autres chercheurs, confirmant la résolution du problème. Cet événement marque un tournant, démontrant le potentiel de l'IA comme accélérateur de découverte scientifique et brouillant les frontières entre les disciplines. L'approche et les ressources ont été intégralement partagées en open source.

Le monde des mathématiques est en effervescence.

Une conjecture centrale qui tourmentait les plus grands mathématiciens du monde depuis 22 ans aurait été résolue par un neurochirurgien du CHU de Pékin ?

Après s'être auto-formé en mathématiques, il a utilisé ChatGPT 5.6 en mode autonome pendant 16 heures pour clore cette énigme mathématique vieille de 22 ans. C'est tout simplement incroyable.

Le 30 juillet 2026, Alex Townsend, professeur de mathématiques appliquées à l'Université de Washington, a ouvert arXiv comme à son habitude.

Au cours de l'année écoulée, Townsend avait développé une habitude presque obsessionnelle : il interrogeait périodiquement GPT 5.6, essayant de lui faire démontrer la fameuse énigme du domaine de l'algèbre linéaire numérique – la conjecture de Crouzeix.

Au cours des centaines de tentatives précédentes, les réponses de l'IA étaient soit truffées de failles logiques, soit bloquées en essayant de franchir un lemme clé. Les humains se heurtaient à cette conjecture depuis 22 ans, et l'IA ne semblait pas plus intelligente.

Pourtant, ce jour-là, la conjecture de Crouzeix, qui tourmentait le monde de l'algèbre linéaire numérique depuis 22 ans, a été prouvée.

L'auteur n'est pas un mathématicien, mais Shanmu Jin, interne en neurochirurgie à l'Hôpital de l'Amitié Pékin (Pékin Union Medical College Hospital).

Il n'a pas de formation supérieure régulière en mathématiques. Son licence était en géologie, puis il a obtenu un doctorat en médecine. Son seul assistant était GPT-5.6.

GPT-5.6 a résolu ce problème au cours d'une exécution autonome d'environ 16 heures, sans aucune intervention humaine.

Et sur la liste des vérificateurs figure Michel Crouzeix lui-même – celui qui avait posé ce problème il y a 22 ans, maintenant le certifiant comme résolu.

Townsend et Greenbaum, eux aussi experts dans le domaine, après avoir examiné la solution, n'avaient qu'un mot pour décrire leur sentiment : « Stupéfaction ».

Quand un interne de Pékin apprend les maths par lui-même

Le protagoniste de cette histoire s'appelle Shanmu Jin. Il est chercheur postdoctoral et interne en neurochirurgie à l'Hôpital de l'Amitié Pékin.

Son parcours n'a aucun rapport avec les mathématiques.

Sa licence était en géologie. Il a ensuite changé de voie pour la médecine, obtenant finalement un doctorat en médecine. Toute sa formation mathématique se limitait aux cours de base suivis par tout étudiant en sciences.

« Tout le reste des mathématiques, je l'ai appris par moi-même », écrit sobrement le Dr Jin dans un courriel aux auteurs originaux (Alex Townsend et Anne Greenbaum).

Pourquoi un neurochirurgien s'attaquerait-il à une conjecture mathématique aussi dure ?

Tout est né d'un point douloureux dans ses recherches cliniques et scientifiques : l'étude des ultrasons transcrâniens.

En essayant de faire traverser les structures complexes du crâne humain par des ultrasons, il s'est plongé dans le vaste domaine de « l'analyse matricielle ». Durant son apprentissage autodidacte, il a aperçu par hasard le nom célèbre dans le monde de l'algèbre linéaire numérique – la conjecture de Crouzeix.

L'énoncé de cette conjecture est exceptionnellement simple, et la géométrie intuitive du « champ numérique » qui la sous-tend est d'une grande beauté. Cette simplicité et cette élégance extrêmes ont profondément attiré cet autodidacte transdisciplinaire.

Il a décidé d'essayer. Non pas avec la déduction traditionnelle papier-crayon, mais avec un grand modèle de langage.

La « constante démoniaque » qui tourmentait les mathématiciens depuis 22 ans

Pourquoi ces mathématiciens sont-ils si stupéfaits ? Nous devons d'abord comprendre à quel point la conjecture de Crouzeix était difficile.

Dans les mathématiques appliquées modernes et le calcul technique, les matrices sont le langage universel pour décrire le fonctionnement du monde.

De la superposition d'états en mécanique quantique à l'algorithme PageRank de Google, en passant par les itérations de paramètres à très grande échelle lors de l'entraînement des grands modèles de langage aujourd'hui, tout est essentiellement la projection et l'évolution de matrices gigantesques dans le plan complexe.

Cependant, le comportement des matrices non normales est extrêmement déroutant. Elles sont comme un troupeau de bêtes sauvages au tempérament imprévisible et colérique.

Pour les apprivoiser, le mathématicien français Michel Crouzeix a proposé en 2004 une conjecture d'une beauté géométrique intuitive :

Pour tout polynôme p dans le plan complexe et toute matrice A, sa norme spectrale peut toujours être bornée par sa valeur maximale sur le « champ numérique » W(A).

Et la constante optimale entre ces deux grandeurs est exactement 2.

Exprimée formellement :

Cette inégalité est extrêmement importante en mathématiques appliquées.

Si elle est vraie, nous pouvons directement transformer l'erreur d'approximation scalaire dans le plan complexe en une borne de norme pour les fonctions matricielles. Cela a une signification déterminante pour l'analyse des fonctions matricielles, la méthode itérative GMRES, les méthodes de sous-espace de Krylov, etc.

Cependant, « prouver que cette constante est 2 » est devenu le cauchemar d'innombrables mathématiciens.

Mais la porte menant à la constante « 2 » est restée hermétiquement fermée. Jusqu'au 30 juillet 2026.

En 2007, Crouzeix lui-même, épuisé, n'a pu prouver l'inégalité qu'avec une constante de 11.08.

Dix ans plus tard, en 2017, l'American Institute of Mathematics (AIM) a même organisé à San Jose un atelier d'une semaine, rassemblant les meilleurs experts mondiaux pour explorer les approches théoriques, les preuves numériques, les extensions matricielles et toutes sortes d'armes. Crouzeix et son collaborateur Palencia ont finalement réduit cette constante universelle à 2,414.

Depuis lors, la boîte à outils mathématique humaine semblait avoir épuisé sa dernière goutte d'huile.

Jusqu'à cet été, où un « outsider » armé d'un scalpel est entré en scène.

Un « super prompt » modifié, ChatGPT galope pendant 16 heures

Comment un interne en neurochirurgie du CHU de Pékin, aux horaires cliniques très chargés, a-t-il fait ?

Le secret réside dans l'ingénierie de prompt (Prompt Engineering).

Le Dr Jin n'a pas utilisé l'IA comme un simple robot de questions-réponses, mais l'a transformée en un immense institut de recherche mathématique virtuel.

Il a emprunté et adapté le fameux prompt utilisé par OpenAI pour résoudre la conjecture du Cycle Double Cover, mettant en place un dispositif d'une grande vision stratégique :

Déconnexion physique (suppression des dépendances externes) : Le prompt coupe explicitement l'accès du système à l'internet public et à d'autres contextes externes. Il ne voulait pas que l'IA « plagie » sur les moteurs de recherche les anciennes approches humaines qui avaient échoué, mais la forcer à réfléchir de manière purement originale à partir des axiomes.

Branchement multiple et pensée divergente (refus de convergence précoce) : Il a demandé à ChatGPT de lancer de nombreux « sous-agents », les laissant explorer des chemins véritablement différents. Les instructions avertissaient sévèrement : Ne convergez pas prématurément vers une même idée séduisante !

Audit contradictoire impitoyable (mode « élevage de gu ») : Les stratégies de preuve candidates devaient être placées à plusieurs reprises sous un examen contradictoire. Une voie n'était complètement écartée que lorsque d'autres agents avaient réussi à trouver un contre-exemple.

La détermination de s'accrocher jusqu'au bout : Le prompt donnait un ordre ferme : ne pas abandonner avant d'obtenir une preuve complète capable de résister à une vérification logique extrême.

Après avoir réglé tout cela, le Dr Jin a appuyé sur Entrée, puis est retourné à son travail, sans plus intervenir.

En mode ChatGPT Work, GPT-5.6 Sol a fonctionné comme une bête numérique infatigable, galopant sans relâche dans les profondeurs des mathématiques pendant environ 16 heures.

Durant ces 16 heures, l'IA a traversé des dizaines de milliers d'hypothèses, de réfutations, de reconstructions, pour finalement réussir la preuve.

Quand les mathématiciens ont vu ce théorème, ils ont été profondément choqués : L'IA n'a pas utilisé l'estimation dure et extrêmement complexe que les humains imaginaient, mais a réduit le problème, grâce à une « stratégie d'échantillonnage » d'une ingéniosité stupéfiante, à une simple « condition de positivité » inattendue.

C'est comme si les humains essayaient de pousser une énorme porte en fer avec leur force brute, tandis que l'IA avait simplement trouvé un point d'appui infinitésimal dans l'interstice de la porte, l'avait poussé doucement, et la porte s'était ouverte. Une véritable réduction dimensionnelle.

Le Dr Jin, modeste, a déclaré que trouver cette idée clé « comportait certainement une part de chance ». Mais tout le monde sait que la chance ne sourit qu'à ceux qui conçoivent la boussole parfaite.

Ce qui est encore plus admirable, c'est que le Dr Jin a entièrement ouvert ce processus. Son dépôt GitHub contient non seulement l'article final, mais aussi ce super prompt, les brouillons des itérations successives, le code de preuve formelle en Lean 4 et le rapport d'audit axiomatique. Tout est exposé au grand jour, soumis à l'examen de l'humanité entière.

Adresse open source : https://github.com/jinshanmu/CrouzeixConjecture

Prépublication : https://www.preprints.org/frontend/manuscript/f5469a625a8e7313e19bbf4d6c608cff/download_pub

Une deuxième preuve huit jours plus tard, un séisme dans le monde des mathématiques

Au début, face à cette prépublication tombée du ciel, les grands mathématiciens l'ont examinée avec scepticisme. Après tout, « un outsider annonce la résolution d'une conjecture de classe mondiale » se solde souvent par une farce dans le milieu mathématique.

Mais quelques heures seulement plus tard, le scepticisme d'Alex Townsend et d'Anne Greenbaum s'est transformé en stupéfaction, puis finalement en admiration – « Cet argument est valable ! »

Ensuite, Michel Crouzeix lui-même, l'auteur de la conjecture, s'est penché sur la preuve, ligne par ligne.

Enfin, le verdict est tombé : Le manuscrit du Dr Jin est correct. L'énigme de 22 ans est définitivement résolue.

Cependant, le séisme académique déclenché par l'IA ne faisait que commencer.

Juste huit jours après la publication de la prépublication du Dr Jin (le 4 août), deux autres mathématiciens, Emiel Lorist et Felix Schwenninger, ont soudainement publié une preuve indépendante de seulement 5 pages !

Titre : A SOLUTION TO CROUZEIX’S CONJECTURE

Prépublication : https://arxiv.org/pdf/2608.03841

Cette preuve de 5 pages est totalement différente de celle du Dr Jin. Elle est extrêmement concise et élégante, combinant la représentation classique du potentiel double couche avec un lemme de perturbation sur la 2-expansion.

Pour les mathématiciens traditionnels, cette approche de preuve correspond davantage aux habitudes cognitives humaines existantes, semblant plus « conviviale ».

Coïncidence : Lorist et Schwenninger ont admis qu'ils avaient également utilisé ChatGPT 5.6 pour explorer des stratégies de preuve.

Un problème insoluble depuis 22 ans, avec le soutien de l'IA, a vu émerger deux preuves radicalement différentes mais toutes deux aussi ingénieuses, à seulement 8 jours d'intervalle !

Informé de cela, le Dr Jin, loin de se vexer d'être « éclipsé », en a éprouvé une joie pure, considérant cela comme un complément intéressant à sa méthode.

L'aube d'un âge d'or

Durant cet été 2026, la roue de l'histoire a tourné en silence.

Dans l'histoire des mathématiques, il n'est pas rare que des médecins obtiennent des résultats mathématiques importants, mais ils étaient tous des génies ayant reçu une formation mathématique spécialisée à leur époque.

Ceci est probablement la première conjecture restée longtemps non résolue à être complètement résolue par un médecin sans formation mathématique spécialisée, grâce à l'IA.

Il y a seulement quelques années, imaginer qu'un système d'IA puisse contribuer à une « idée de preuve décisive » pour une conjecture majeure relevait du fantasme.

Mais maintenant, c'est bel et bien arrivé.

Cela ressemble aux deux bonds en avant dans l'histoire de l'astronomie.

Le premier, lorsque les astronomes devaient calculer à la main les données d'orbite, seuls quelques prodiges pouvaient entrevoir les étoiles. Le second, lorsque Galilée a inventé la lunette astronomique.

Il ne fait aucun doute que c'est le début d'un « âge d'or » pour les mathématiques appliquées et même pour toute la science. La découverte scientifique sera accélérée comme jamais auparavant, les barrières entre les différentes disciplines seront facilement brisées par l'IA.

Mais cela signifie aussi une redéfinition des identités. Quand une puissance de calcul massive commence à prendre en charge la déduction, quand un neurochirurgien peut, entre deux opérations, cueillir les joyaux de la couronne mathématique, la définition de « devenir mathématicien » ou « devenir scientifique » est en train de subir une déchirure et une renaissance intenses.

Le futur est déjà là. Armé de cette lunette astronomique qu'est l'IA, vers quel coin du ciel avez-vous décidé de la braquer ?

Références :

https://alextownsend.net/essays/SIAMNews_CrouzeixConjecture.pdf

https://www.preprints.org/manuscript/202607.1919

https://aimath.org/pastworkshops/crouzeix.html

Cet article provient du compte WeChat « New Zhiyuan », auteur : ASI Apocalypse, éditeur : David

Cryptos en tendance

Questions liées

QQu'est-ce que la conjecture de Crouzeix et pourquoi était-elle importante ?

ALa conjecture de Crouzeix, proposée en 2004 par le mathématicien français Michel Crouzeix, concerne l'analyse numérique des matrices. Elle stipule que pour tout polynôme p et toute matrice A dans le plan complexe, la norme spectrale de p(A) peut être bornée par le maximum de |p(z)| sur le « domaine numérique » W(A), avec une constante optimale égale à 2. Cette conjecture est cruciale car, si elle est vraie, elle permet de convertir directement les erreurs d'approximation scalaires dans le plan complexe en bornes de normes pour les fonctions de matrices. Cela a des implications fondamentales pour l'analyse des fonctions matricielles, la méthode GMRES et les méthodes des sous-espaces de Krylov, qui sont essentielles dans le calcul scientifique et l'ingénierie.

QQui est Shanmu Jin et comment a-t-il contribué à résoudre ce problème ?

AShanmu Jin est un médecin-chercheur postdoctoral et résident en neurochirurgie à l'hôpital Union de Pékin. Il a un parcours atypique, ayant étudié la géologie en licence avant d'obtenir un doctorat en médecine, et a acquis ses connaissances mathématiques avancées en autodidacte. Intéressé par la conjecture de Crouzeix dans le cadre de ses recherches sur les ultrasons transcrâniens, il a utilisé ChatGPT-5.6 comme assistant principal. En concevant un « prompt » stratégique sophistiqué qui isolait l'IA des sources externes et encourageait une exploration divergente et une vérification rigoureuse, il a permis au modèle de fonctionner de manière autonome pendant environ 16 heures. Cette session a généré une preuve novatrice et élégante de la conjecture, qui a ensuite été validée par des experts, dont Michel Crouzeix lui-même.

QQuelle a été l'approche spécifique de ChatGPT-5.6 pour prouver la conjecture ?

AContrairement aux approches humaines traditionnelles qui reposaient sur des estimations complexes, ChatGPT-5.6, guidé par le prompt ingénieux de Jin, a découvert une stratégie de preuve originale et astucieuse. Elle s'est appuyée sur une « stratégie d'échantillonnage » intelligente qui a permis de réduire le problème à la vérification d'une « condition de positivité » relativement simple. Cette approche a été perçue comme une forme de « réduction de dimension » par rapport aux méthodes humaines antérieures, comparable à trouver le point de levier parfait pour ouvrir une lourde porte au lieu de tenter de la pousser avec force. La clarté et l'élégance de cette solution ont profondément impressionné les mathématiciens.

QQuelle a été la réaction de la communauté mathématique et quel autre événement notable a suivi ?

ALa réaction initiale de la communauté mathématique, représentée par des experts comme Alex Townsend et Anne Greenbaum, a été la surprise puis l'admiration après une vérification minutieuse. Michel Crouzeix, l'auteur de la conjecture, a personnellement validé la preuve. Huit jours seulement après la publication de la préimpression de Jin, deux mathématiciens, Emiel Lorist et Felix Schwenninger, ont publié une seconde preuve indépendante de seulement cinq pages. Ils ont également utilisé ChatGPT-5.6 dans leur processus exploratoire, mais leur démonstration, basée sur des représentations de potentiel à double couche et un lemme de perturbation, était différente et plus conforme aux habitudes de raisonnement humain. Cet événement a souligné l'accélération radicale que l'IA apporte à la découverte mathématique.

QQuelles sont les implications plus larges de cet événement pour la science et la recherche ?

ACet événement marque un tournant potentiel dans l'histoire des sciences. Il démontre qu'avec des outils d'IA avancés comme les grands modèles de langage, des chercheurs brillants issus de disciplines éloignées (comme la médecine) peuvent contribuer de manière décisive à résoudre des problèmes fondamentaux dans des domaines spécialisés (comme les mathématiques pures). Cela annonce une ère où les barrières disciplinaires pourraient s'estomper et où le rythme des découvertes pourrait s'accélérer considérablement. Cela remet également en question la définition traditionnelle des identités professionnelles (comme « mathématicien ») et souligne le rôle croissant de la conception de prompts stratégiques et de la collaboration homme-IA comme compétences clés pour l'innovation future.

Lectures associées

Oxford et la NUS proposent l'orientation des modèles du monde de nouvelle génération : les modèles du monde mental arrivent

Des chercheurs de l’Université d’Oxford et de l’Université nationale de Singapour ont introduit un nouveau cadre : la modélisation du monde mental (Mental World Modeling, MWM). Contrairement aux modèles du monde traditionnels qui se concentrent uniquement sur l'état physique (objets, positions, mouvements), le MWM intègre explicitement des variables mentales et sociales (croyances, intentions, émotions, relations) dans l'état global du monde. Cela permet de prédire plus précisément les comportements humains, notamment dans des scénarios sociaux où les actions dépendent de facteurs invisibles comme les connaissances ou les croyances d'autrui. Pour valider ce cadre, l'équipe a développé MENTIS, un système de référence modulaire et explicite qui décompose le raisonnement en étapes : analyse de l'état physique-mental, génération de l'observation locale d'un agent cible, simulation conjointe de l'évolution des états physique et mental pour chaque action possible, et évaluation finale. Les expériences systématiques montrent que le MWM améliore significativement la précision de prédiction des actions, en particulier dans les interactions sociales. Le principal goulot d'étranglement identifié réside dans la simulation précise de la transition d'état couplée physique-mental, indiquant une voie claire pour les futures recherches.

marsbitIl y a 39 mins

Oxford et la NUS proposent l'orientation des modèles du monde de nouvelle génération : les modèles du monde mental arrivent

marsbitIl y a 39 mins

Les entreprises d'intelligence incarnée n'ont pas appris à dépenser de l'argent | Enquête approfondie de Titanium Media

Les entreprises d'intelligence incarnée (embodied AI) en Chine, malgré des levées de fonds massives (près de 960 milliards de yuans entre juillet 2025 et juin 2026), peinent à gérer leurs dépenses de manière efficace. Le secteur, peuplé de scientifiques et d'ingénieurs, manque d'expérience en gestion financière et en déploiement de capital. Deux extrêmes émergent. D'un côté, des entreprises comme Star Atlas (星海图) adoptent une extrême frugalité, contrôlant rigoureusement les coûts (marketing, recrutement) et visant l'équilibre financier, une stratégie qualifiée de "survie par l'attrition". Mais cette prudence peut ralentir le développement de produits et causer la perte de talents et de données clés. À l'inverse, d'autres dépensent sans discernement : des investissements marketing disproportionnés (ex. : 100 millions de yuans pour une apparition télévisée inefficace), la multiplication de lignes de produits non prioritaires ou le développement coûteux de technologies propriétaires non éprouvées, comme l'illustre l'échec de Vicarious Surgical. Le véritable défi réside dans l'opacité et l'ampleur des coûts inhérents au secteur. Les postes de dépenses sont colossaux et incertains : salaires élevés des talents spécialisés, coûts de calcul (IA) se chiffrant en milliards, et collecte de données, un gouffre financier où jusqu'à 99% des données brutes collectées peuvent être inutilisables pour l'entraînement des modèles. Les coûts matériels pour les robots sont également substantiels. Cette opacité inquiète les investisseurs. Certains, ne parvenant pas à tracer l'utilisation des fonds, renforcent leur contrôle en déployant du personnel au sein des entreprises pour superviser les finances et prévenir d'éventuels conflits d'intérêts ou transactions opaques au sein de la chaîne d'approvisionnement. Alors que des capitaux continuent d'affluer (estimés à 500 milliards de yuans pour le second semestre 2026), la question cruciale n'est plus d'obtenir des financements, mais d'apprendre à les dépenser judicieusement. Le secteur doit désormais trouver un équilibre entre une frugalité contre-productive et un gaspillage irresponsable, afin de transformer l'afflux de capital en avancées technologiques et produits viables. La maîtrise de l'art de dépenser devient l'épreuve décisive pour la survie et le succès à long terme des entreprises d'intelligence incarnée.

marsbitIl y a 1 h

Les entreprises d'intelligence incarnée n'ont pas appris à dépenser de l'argent | Enquête approfondie de Titanium Media

marsbitIl y a 1 h

Trading

Spot

Articles tendance

Comment acheter CORE

Bienvenue sur HTX.com ! Nous vous permettons d'acheter CORE (CORE) de manière simple et pratique. Suivez notre guide étape par étape pour commencer votre parcours crypto.Étape 1 : Création de votre compte HTXUtilisez votre adresse e-mail ou votre numéro de téléphone pour ouvrir un compte sur HTX gratuitement. L'inscription se fait en toute simplicité et débloque toutes les fonctionnalités.Créer mon compteÉtape 2 : Choix du mode de paiement (rubrique Acheter des cryptosCarte de crédit/débit : utilisez votre carte Visa ou Mastercard pour acheter instantanément CORE (CORE).Solde :utilisez les fonds du solde de votre compte HTX pour trader en toute simplicité.Prestataire tiers :pour accroître la commodité d'utilisation, nous avons ajouté des modes de paiement populaires tels que Google Pay et Apple Pay.P2P :tradez directement avec d'autres utilisateurs sur HTX.OTC (de gré à gré) : nous offrons des services personnalisés et des taux de change compétitifs aux traders.Étape 3 : stockage de vos CORE (CORE)Après avoir acheté vos CORE (CORE), stockez-les sur votre compte HTX. Vous pouvez également les envoyer ailleurs via un transfert sur la blockchain ou les utiliser pour trader d'autres cryptos.Étape 4 : tradez des CORE (CORE)Tradez facilement CORE (CORE) sur le marché Spot de HTX. Il vous suffit d'accéder à votre compte, de sélectionner la paire de trading, d'exécuter vos trades et de les suivre en temps réel. Nous offrons une expérience conviviale aux débutants comme aux traders chevronnés.

528 vues totalesPublié le 2024.12.13Mis à jour le 2026.06.02

Comment acheter CORE

Discussions

Bienvenue dans la Communauté HTX. Ici, vous pouvez vous tenir informé(e) des derniers développements de la plateforme et accéder à des analyses de marché professionnelles. Les opinions des utilisateurs sur le prix de CORE (CORE) sont présentées ci-dessous.

活动图片