OpenAI tease « Astra » en résolvant 10 problèmes mathématiques non résolus depuis des décennies
OpenAI a dévoilé son futur modèle Astra en publiant des preuves formelles, vérifiées et rédigées en Lean 4, de dix problèmes mathématiques non résolus depuis plusieurs décennies, couvrant notamment la théorie des groupes et la combinatoire extrémale. Ces preuves, publiées en open source, ont nécessité un coût de calcul jugé faible par l'entreprise.
Cette annonce déplace la frontière entre IA outil et IA contributrice à la recherche fondamentale, ce qui interroge directement les laboratoires de mathématiques et d'informatique théorique. Les cursus doctoraux et les enseignements d'épistémologie des sciences devront intégrer la possibilité qu'un modèle participe activement à la démonstration mathématique, et non plus seulement à son assistance.
Analyse produite par l’AI Transformation Office de l’ISC Paris, co-écrite avec Claude (Anthropic).
À lire aussi
Microsoft : son système MAI-DxO pose le bon diagnostic dans 83 % des cas complexes, contre 36 % pour des médecins seuls
Une étude publiée dans Science évalue MAI-DxO, un orchestrateur d'agents IA qui délibèrent collectivement, atteignant 83 % de bons diagnostics sur des cas complexes contre 36 % pour des médecins seuls travaillant sans assistance. L'essentiel du gain provient des modèles sous-jacents (GPT-5 et GPT-5.5), avec un apport plus faible sur les cas d'urgence, et une évaluation en conditions réelles démarre avec un centre hospitalier.
Ce type d'architecture multi-agents délibérative constitue un cas d'étude concret pour les formations en intelligence artificielle, en informatique médicale et en sciences de la santé. Il invite les enseignants-chercheurs à interroger, dans leurs cursus, la complémentarité entre expertise humaine et systèmes d'IA plutôt que leur simple substitution, et à intégrer ces méthodes d'évaluation rigoureuses (comparaison à des références publiées) dans les enseignements de recherche.
Perplexity et NVIDIA entraînent une IA « professeur » qui ajuste ses explications au niveau de l'élève
Une méthode baptisée JOLT, développée conjointement, entraîne un modèle à jouer à la fois le rôle d'enseignant et d'élève, récompensant le professeur lorsque ses explications restent accessibles au niveau de l'élève plutôt que lorsqu'il fournit la meilleure réponse. Sur les mathématiques, cette approche atteint la précision d'une méthode de référence avec environ 6,5 fois moins de données d'entraînement, et le code doit être publié en open source.
Cette recherche illustre un changement d'optimisation des IA éducatives, désormais conçues pour l'étayage pédagogique et non plus seulement pour la justesse de la réponse. C'est un signal fort pour les enseignants-chercheurs qui développent ou évaluent des tuteurs intelligents destinés aux étudiants, et la publication en open source facilitera des expérimentations pédagogiques dans les établissements.
Anthropic lance Claude Duet, un agent qui travaille entre deux conversations
Anthropic a annoncé le 21 octobre Claude Duet, un agent en préversion de recherche doté de sa propre machine virtuelle et de son navigateur, qui surveille les outils connectés d'un utilisateur et soumet chaque action sensible à validation avant exécution. L'accès est limité aux abonnés Pro et Max aux États-Unis, sur liste d'attente.
Ce type d'agent branché en continu sur messagerie et agenda manipule par nature des données personnelles d'étudiants et de personnels, ce qui impose aux établissements de cadrer précisément les accès avant toute expérimentation. Les enseignants-chercheurs devront aussi réfléchir à l'usage pédagogique de tels agents dans la gestion du travail administratif et universitaire, tout en respectant les chartes IA et le RGPD.