Claude fait passer une borne zêta de Riemann à 67,2 %

Ce qu'Anthropic a réellement annoncé

Le 10 août 2026, Anthropic a publié une note de recherche décrivant ce qui s'est passé lorsque l'entreprise a appliqué une version de recherche non publiée de Claude à l'hypothèse de Riemann, cette conjecture de 1859 selon laquelle chaque zéro non trivial de la fonction zêta de Riemann a une partie réelle égale à un demi. Claude n'a pas prouvé l'hypothèse. Il a fait progresser une question ouverte plus étroite, vieille de plusieurs décennies : quelle proportion de ces zéros les mathématiciens peuvent-ils prouver rigoureusement se situer sur cette droite critique. Le précédent record, détenu depuis 2020 par Kyle Pratt, Nicolas Robles, Alexandru Zaharescu et Dirk Zeindler, situait cette proportion prouvable à 41,6 pour cent.

L'exécution de recherche de Claude a fait passer cette proportion à 67,2 pour cent, un résultat qu'Anthropic dit avoir été en réalité un sous-produit d'une tentative plus large sur l'hypothèse complète plutôt que l'objectif initial. L'entreprise formule le chiffre avec prudence : il s'agit d'un résultat de borne inférieure sur un sous-problème précis et bien défini, non d'une étape qui résout ou est censée résoudre la conjecture vieille de 167 ans elle-même.

À l'intérieur de l'essaim de 60 agents

La mécanique est la partie la plus inhabituelle de l'histoire. Travaillant au sein de Claude Code sur deux sessions, le modèle a passé environ un jour et demi, de l'ordre de 36 heures, à coordonner environ 60 sous-agents Claude. Il a consommé 31 millions de jetons de sortie et émis environ 2 400 commandes shell. Sur les 60 agents, seuls 2 ont développé l'idée mathématique qui a finalement fonctionné ; 13 ont apporté des éléments à l'appui de cette idée ; 30 ont tenté des approches alternatives et ont échoué ; et 13 ont agi comme validateurs, vérifiant le travail plutôt que d'en produire. Avant de trouver la ligne d'attaque gagnante, l'essaim avait déjà essayé et abandonné environ 650 idées antérieures.

L'idée qui a débloqué la situation consistait à traiter les zéros situés sur et hors de la droite critique comme des points d'un seul espace géométrique unifié plutôt que d'analyser les deux cas séparément, ce qui a produit une inégalité sous-jacente plus forte. L'approche s'appuyait sur des travaux publiés des mathématiciens Baluyot, Goldston, Suriajaya et Turnage-Butterbaugh, combinés à un article d'Enrico Bombieri datant de l'année 2000, ce qui signifie que le modèle prolongeait un fil de recherche humain existant plutôt que d'inventer le domaine à partir de rien.

Pourquoi la preuve Lean est le détail qui compte

Qu'un grand modèle de langage affirme une nouvelle borne mathématique ne constitue, en soi, la preuve de rien : les modèles produisent régulièrement des démonstrations fluides mais erronées. Ce qui change la donne ici, c'est que Claude n'a pas seulement énoncé le résultat, il a produit une formalisation en Lean, un assistant de preuve qui vérifie chaque étape logique par rapport à un ensemble fixe d'axiomes et de règles d'inférence, sans place pour l'approximation. Anthropic rapporte que la formalisation Lean passe la validation automatisée standard, ce qui constitue une forme de preuve catégoriquement différente d'un modèle affirmant simplement qu'un nombre est vrai.

Au-delà de la vérification par machine, Anthropic a fait examiner l'article par des experts extérieurs : les théoriciens des nombres Brian Conrey et Dan Goldston ont examiné le travail dans un délai très court, aux côtés des propres mathématiciens d'Anthropic, Levent Alpoge et Ralph Furman. Cette combinaison, un vérificateur de preuve formel plus des experts humains nommément identifiés acceptant d'engager leur nom sur une relecture, est ce qui distingue ce résultat du flot constant d'affirmations mathématiques générées par l'IA qui circulent sans que personne ne les vérifie.

Comparaison avec 37 ans de progrès humain

Le repère historique rend le bond compréhensible. Le progrès sur cette borne précise a été un labeur lent, étalé sur des décennies : G. H. Hardy a d'abord montré en 1914 qu'une infinité de zéros se situent sur la droite critique, Atle Selberg a prouvé qu'une proportion positive le fait, Norman Levinson a atteint environ un tiers en 1974, Brian Conrey lui-même a atteint environ deux cinquièmes en 1989, et l'équipe Pratt-Robles-Zaharescu-Zeindler a atteint 41,6 pour cent en 2020. Pris ensemble, les mathématiciens ont fait progresser cette proportion prouvable d'environ 0,8 point de pourcentage sur les 37 années précédant cette exécution.

L'essaim de Claude l'a fait progresser de 25,6 points de pourcentage en environ un jour et demi. Cela ne signifie pas que les machines sont désormais de meilleurs mathématiciens que les personnes qui ont passé ces 37 années à construire les outils sur lesquels Claude s'est appuyé ; l'exécution s'est explicitement fondée sur des résultats humains publiés par Baluyot, Goldston, Suriajaya, Turnage-Butterbaugh et Bombieri. C'est une affirmation sur la vitesse à laquelle une recherche bien dotée et bien vérifiée peut avancer une fois que les fondations existent et qu'un vaste essaim d'agents peut les explorer de manière exhaustive.

Ce que cela révèle sur la trajectoire des capacités des laboratoires de pointe

Le modèle utilisé était explicitement non publié et réservé à la recherche, ce qui est en soi instructif. Cela signifie que l'écart de capacité entre ce qu'un laboratoire de pointe peut démontrer en interne et ce qui est livré aux clients payants est suffisamment large pour produire un tel résultat avant que le modèle sous-jacent ne soit rendu public. Anthropic, OpenAI et Google DeepMind ont chacun publié des résultats de ce type liés aux mathématiques au cours des deux dernières années, et le schéma est constant : des versions de recherche internes sont utilisées pour sonder les plafonds de capacité sur des problèmes difficiles et vérifiables bien avant toute mise sur le marché commerciale.

L'architecture compte autant que le modèle. Il ne s'agissait pas d'une seule longue conversation produisant une seule longue réponse ; il s'agissait d'une orchestration, des dizaines de sous-agents travaillant en parallèle, la plupart échouant, le processus parent gérant l'exploration et une couche de validation vérifiant le travail candidat. Ce schéma d'essaim plus vérificateur, et non la taille brute du modèle, semble être l'élément que les laboratoires de pointe font actuellement croître le plus vite, et c'est l'élément le plus susceptible d'apparaître dans les outils agentiques commerciaux bien avant qu'un laboratoire ne revendique avoir résolu un problème ouvert de mathématiques pures.

Ce que les dirigeants R&D européens devraient réellement en retenir

Le théorème lui-même ne changera pas un bilan. Ce qui est transposable pour une entreprise européenne à forte intensité de R&D, un groupe pharmaceutique menant des criblages de molécules, un équipementier aéronautique itérant sur des matériaux, un fabricant de semi-conducteurs validant des schémas de circuits, c'est le mode de travail : un vaste essaim d'agents attaquant un problème en parallèle, dont la plupart sont censés échouer, contrôlé par un vérificateur formel ou automatisé capable de rejeter les mauvaises réponses sans qu'un humain n'intervienne pour chaque candidat. C'est cette combinaison qui a permis à un jour et demi de calcul de dépasser 37 années de travail humain rigoureux et reconnu sur cette seule question étroite.

La réserve honnête est que les mathématiques possèdent quelque chose que la plupart des problèmes de R&D en entreprise n'ont pas : Lean, un vérificateur capable de prouver la justesse sans la moindre ambiguïté. La science des matériaux, les interactions médicamenteuses et la validation de circuits ont des équivalents partiels, suites de simulation, essais physiques, outils de vérification formelle pour la logique des puces, mais rarement quelque chose d'aussi étanche qu'une preuve Lean. La conclusion réaliste pour un dirigeant R&D européen évaluant des flux de travail assistés par IA n'est pas de s'attendre bientôt à un moment hypothèse-de-Riemann dans son propre domaine ; c'est de se demander lequel des outils de vérification déjà présents dans son organisation, aussi partiel soit-il, pourrait devenir ce contrôle automatisé qui rend un vaste essaim d'agents digne de confiance plutôt que simplement rapide.

À lire ensuite: Cognizant a formé 30 000 personnes sur 350 000  |  Il devait réserver un cours de sport. Il a piraté le système de réservation.