Navier-Stokes en 88 heures : ce que l'épisode dit, et surtout ce qu'il ne dit pas pour nos marchés

[Fabien Labrousse]

L'annonce a fait le tour des médias la semaine dernière et mérite d'être regardée de près, parce que le titre des articles et le contenu réel de l'événement ne disent pas tout à fait la même chose. Et parce que, une fois les faits posés, il en sort une leçon pour nous qui est à peu près l'inverse de celle qu'on lit partout.

1. Les faits, avec les nuances qui comptent

Le 8 septembre, OpenAI a annoncé une solution portant sur les équations de Navier-Stokes, qui décrivent le mouvement des fluides et figurent parmi les sept problèmes du millénaire posés par le Clay Mathematics Institute. Le dispositif est spectaculaire : une preuve vérifiée en Lean, produite par environ 10 000 agents échangeant près de 5 millions de messages sur à peu près 88 heures, pour quelque 130 milliards de tokens, un coût que l'entreprise estime autour de 15 millions de dollars pour un client extérieur. Le modèle employé est interne et décrit comme nettement plus performant que GPT-6 Astra, lui-même sorti cinq jours plus tôt.

Maintenant la partie que les gros titres escamotent, et c'est elle qui m'intéresse.

• Le résultat porte sur le cas forcé. Il établit les énoncés C et D de la formulation officielle du Clay, pas les énoncés A et B — c'est-à-dire pas la question sans forçage extérieur, celle que la plupart des mathématiciens désignent quand ils parlent du problème. La question de la régularité globale sans forçage reste ouverte : la construction annoncée ne la tranche pas.

• La différence n'est pas cosmétique. Sans forçage, le fluide ne dispose que de l'énergie initiale, que la viscosité dissipe en permanence ; ajouter une force extérieure lisse donne un second levier pour orienter la construction vers l'explosion. Autrement dit, on a le droit de pousser le système.

• Le statut officiel est prudent. Le 11 septembre, le Clay a indiqué que le problème semblait réglé, en précisant que l'évaluation et l'attribution du mérite ne seraient pas précipitées. Ses règles de 2018 imposent au minimum deux ans de publication en revue à comité de lecture et une acceptation large de la communauté avant qu'un comité de prix ne soit même réuni. OpenAI a d'ailleurs explicitement renoncé à réclamer le million de dollars.

• Et il y a une dispute de paternité sérieuse. Douze heures avant l'annonce, Tristan Buckmaster déclarait que des avancées obtenues avec Levent Alpöge avaient fuité vers OpenAI quelques jours plus tôt. Les deux chercheurs travaillaient depuis environ un an et avaient obtenu, le 15 août, des résultats d'explosion avec forçage lisse sur Boussinesq et Euler. Terence Tao avait salué cette percée sur trois modèles simplifiés, tout en notant qu'eux-mêmes n'avaient pas atteint Navier-Stokes proprement dit.

Je n'ai pas les moyens de trancher cette affaire et je ne m'y risque pas. Je la mentionne parce qu'elle a une suite très concrète pour nous, au point 5.

2. Ce que ça ne dit pas sur les marchés — et il faut le dire tout de suite

La tentation va être immédiate : les marchés sont turbulents, Navier-Stokes décrit la turbulence, donc quelque chose vient d'être débloqué pour nous. Non.

L'analogie a une histoire respectable : Mandelbrot a explicitement importé les cascades multifractales de la turbulence pour modéliser les rendements d'actifs, et c'est de là que viennent les modèles à volatilité en cascade d'échelles. Mais c'est une analogie de structure statistique, pas une identité. Un fluide obéit à des lois de conservation, ses particules ne lisent pas les articles écrits sur elles et ne modifient pas leur comportement quand on publie l'équation. Aucun prix d'actif n'a jamais eu cette propriété.

Et sur le fond mathématique : le résultat établit qu'une solution peut exploser en temps fini quand on la pousse avec une force extérieure. Traduit en langage de marché, cela reviendrait à démontrer qu'un système peut diverger quand une force exogène le pousse à diverger. Personne sur ce forum n'a besoin d'une preuve de 166 pages pour s'en convaincre, et l'énoncé n'a de toute façon aucune portée prédictive sur un carnet d'ordres.

Donc : zéro implication directe sur nos stratégies. La portée est ailleurs, et elle est plus profonde.

3. La vraie leçon : l'asymétrie de vérification

Voici le point central, et il explique pourquoi cet exploit ne se transposera pas chez nous.

Ce qui rend l'opération possible, ce n'est pas la puissance de recherche, c'est l'existence d'un vérificateur mécanique. Une preuve formalisée en Lean se compile ou ne se compile pas. N'importe qui peut télécharger le certificat et vérifier lui-même, en quelques heures de calcul, sans faire aucune confiance à celui qui l'a produite. Le coût de la vérification est effondré, et surtout il est indépendant de la manière dont la preuve a été trouvée.

En finance de marché, cet objet n'existe pas. Il n'y a pas de compilateur pour « cette stratégie a un avantage ». Le seul vérificateur disponible est le futur, et il délivre ses observations à une cadence fixe que ni la puissance de calcul ni le nombre d'agents ne modifient d'un seul jour. Je l'écrivais dans un autre fil : distinguer un Sharpe de 0,4 du hasard demande environ vingt-cinq ans de données, et ce chiffre ne baisse pas parce qu'on dispose de mille fois plus de calcul.

D'où la formulation qui me paraît juste : les mathématiques viennent de montrer ce qui arrive quand on dispose d'un vérificateur bon marché et d'une recherche devenue gratuite. La finance de marché est le cas exactement inverse — recherche gratuite, vérification toujours aussi coûteuse. Ce sont deux régimes opposés, et c'est pourquoi l'extrapolation « si l'IA résout Navier-Stokes, elle va résoudre les marchés » est non seulement fausse, mais fausse dans le mauvais sens.

4. Le nombre d'essais : légitime en mathématiques, toxique chez nous

Corollaire direct, et c'est là que le contraste devient vraiment instructif.

Dix mille agents qui explorent en parallèle, c'est un nombre d'essais gigantesque. En mathématiques, cela n'a strictement aucune importance : une preuve reste vraie quel que soit le nombre de tentatives ratées qui l'ont précédée. Le processus de recherche ne contamine pas le résultat, parce que le vérificateur est unilatéral — il n'accepte que les démonstrations correctes, et se moque de leur généalogie.

En finance, le processus de recherche contamine intégralement le résultat. En testant N variantes sur du bruit pur, la meilleure sort à environ la racine de deux fois le logarithme de N. Sur 10 000 essais, cela donne autour de 4,3 écarts-types, soit, sur cinq ans d'historique, un ratio de Sharpe apparent proche de 1,9 sur des données où il n'y a rien. Autrement dit : la même architecture qui produit une preuve valide en mathématiques produirait, appliquée à un historique de cotations, un système spectaculaire et parfaitement vide.

C'est l'asymétrie que je trouve la plus éclairante de tout cet épisode. La recherche massivement parallèle est une bénédiction dans un domaine doté d'un vérificateur, et un poison dans un domaine qui en est dépourvu. Ce n'est pas une affaire de qualité de modèle, c'est une propriété du terrain.

5. L'affaire de priorité : ce que vous cédez quand vous collez votre travail dans un chat

Voilà la seule partie de l'histoire qui a une conséquence pratique immédiate pour les gens d'ici.

Buckmaster soutient que ses sessions de travail avec l'outil de code auraient influencé la direction prise par OpenAI, et l'entreprise a apporté une réponse nuancée sur l'usage des données, tandis que l'accusation portant sur l'exploitation de brouillons privés reste contestée. Je répète que je ne tranche pas, et que rien n'est établi.

Mais posez-vous la question indépendamment de l'issue. Beaucoup d'entre nous, moi le premier, ont pris l'habitude de coller dans une fenêtre de chat ce qu'ils ont de plus précieux : le code d'un EA, un historique de trades réels, une hypothèse qu'on n'a encore dite à personne. Si un professeur du Courant Institute, qui a une carrière, des avocats potentiels et l'oreille de la communauté, n'obtient pas de certitude sur le sort de son travail, un particulier n'en obtiendra aucune.

Les mesures concrètes sont peu coûteuses et devraient être la norme :

• Vérifier le régime de rétention et d'entraînement de l'outil utilisé, qui diffère entre offre grand public, offre professionnelle et accès par API.

• Séparer ce qui peut sortir de ce qui ne doit pas sortir : on peut faire écrire le code de mesure sans livrer la règle de décision, et faire analyser une distribution sans livrer l'instrument, l'horaire et le seuil.

• Dater et horodater son travail par un moyen indépendant avant de le soumettre, ne serait-ce que pour pouvoir établir une antériorité.

• Et accepter l'idée générale : ce qu'on transmet à un service tiers cesse d'être exclusif. C'est exactement la question de l'exclusivité des options, discutée dans un autre fil — une opportunité qu'on partage sans le savoir vaut beaucoup moins que celle qu'on croit détenir seul.

6. L'économie du résultat, et pourquoi elle ne se réplique pas en finance

Quinze millions de dollars de calcul pour un théorème. En mathématiques, cette dépense a un sens économique clair : le résultat est un bien public non rival, vrai pour toujours, utilisable par tout le monde sans se dégrader. On paie une fois, la valeur est permanente.

Un avantage de marché a la propriété inverse. Il est rival, périssable, et il se détruit à mesure qu'il est exploité — le capital qui vient le capter est précisément ce qui le fait disparaître. Dépenser quinze millions pour le découvrir suppose donc de pouvoir le monétiser à une échelle qui n'a rien à voir avec nos comptes, et en sachant que sa durée de vie est inconnue et probablement courte.

Ce qui nous ramène, une fois de plus, au même endroit : les grands acteurs peuvent se payer la recherche massive, mais elle ne leur donne pas accès à un vérificateur qu'ils n'ont pas non plus. La contrainte de fond n'est pas la puissance, c'est la quantité d'information contenue dans les historiques, et elle n'a pas augmenté d'un octet cette semaine.

7. Le point sur lequel je reste franchement partagé

Un dernier élément, parce qu'il me semble être le vrai enjeu de long terme. Tao a exprimé son inquiétude à propos d'une résolution automatique et indiscriminée des problèmes et du risque que des preuves opaques apportent moins de compréhension mathématique.

C'est exactement notre débat, transposé dans un domaine plus rigoureux que le nôtre. Un résultat certifié mais incompris, est-ce un progrès ? En mathématiques, on peut plaider que oui, puisque le certificat garantit la vérité de l'énoncé. Chez nous, la réponse est clairement non : un système dont on ne comprend pas pourquoi il gagne est un système dont on ne saura jamais dire s'il traverse une période plate normale ou si sa source s'est éteinte. Comprendre n'est pas un luxe intellectuel, c'est la seule chose qui permette de tenir — et de savoir quand arrêter.

Pour lancer la discussion

Trois questions, sincèrement ouvertes.

Est-ce que quelqu'un ici voit un mécanisme par lequel ce type de capacité se transposerait réellement à la finance de marché, malgré l'absence de vérificateur ? Je n'en vois pas, mais je peux manquer quelque chose.

Sur le plan pratique : que confiez-vous, concrètement, à ces outils ? Est-ce que l'un d'entre vous a mis en place une séparation entre ce qui sort et ce qui reste chez lui ?

Et la question de fond : accepteriez-vous d'exploiter en réel un système dont les chiffres sont vérifiés mais dont vous ne comprenez pas le mécanisme ? Je réponds non pour ma part, mais je serais curieux de lire une défense argumentée du oui.