GPT-5.4 Pro trouve un contre-exemple à l'hypothèse sur les mesures gaussiennes non centrées
Le modèle GPT-5.4 Pro a généré un contre-exemple à l'hypothèse étendant l'inégalité de corrélation gaussienne (GCI) aux mesures gaussiennes non centrées. La solution, formatée sous forme d'un article de trois pages, a été acceptée par la plateforme solveall.org le 12 mars 2026. Le contre-exemple réfute l'hypothèse selon laquelle l'inégalité reste valide lorsqu'on décale la moyenne de la distribution gaussienne.
Inégalité de corrélation gaussienne : Histoire et essence
La GCI est formulée pour les distributions gaussiennes centrées : la probabilité de l'intersection de deux ensembles convexes symétriques est au moins égale au produit de leurs probabilités marginales. Le cas bidimensionnel a été démontré par Loren Pitt en 1977. Une preuve complète pour des dimensions arbitraires a été présentée par Thomas Royen en 2014 — simple et élégante, mais initialement sous-estimée par la communauté.
En 2025, Shehei Nakamura et Hiroshi Tsuji ont généralisé le résultat aux ensembles partageant un barycentre gaussien commun. La question des mesures gaussiennes non centrées arbitraires, où la moyenne ne coïncide pas avec l'origine, est restée en suspens.
Contre-exemple issu de GPT-5.4 Pro
Le modèle a construit un contre-exemple bidimensionnel : deux bandes symétriques presque parallèles, la moyenne gaussienne étant décalée de manière que la probabilité d'intersection des bandes soit inférieure au produit des probabilités individuelles. Cette construction repose sur une intuition géométrique — le décalage de la moyenne provoque une décroissance rapide de la probabilité d'intersection dans la limite.
Le contre-exemple se généralise aux dimensions n ≥ 2. Dans le cas unidimensionnel, le modèle a prouvé que l'inégalité tient : les intervalles convexes symétriques sur la droite s'emboîtent les uns dans les autres.
La solution est formatée en LaTeX sous forme d'un article complet, avec définitions, lemmes, preuves par coordonnées polaires et arguments aux limites, ainsi qu'une bibliographie.
La plateforme solveall.org et le contexte
Solveall.org est une collection soigneusement sélectionnée de problèmes ouverts en théorie des probabilités et domaines connexes, créée par Edgar Dobriban de la Wharton School of Business. La plateforme sert de benchmark pour le raisonnement IA. Le problème GCI était irrésolu depuis son ajout.
La solution a été soumise par l'utilisateur Liam Price, qui confirme sa génération par GPT-5.4 Pro et sa vérification par d'autres modèles.
Succès précédents de GPT-5
La série GPT-5 montre des progrès dans la résolution de problèmes mathématiques :
- Janvier 2026 : GPT-5.2 Pro a résolu le problème Erdős #728 sur la divisibilité des factorielles.
- Mars 2026 : GPT-5.4 a relevé le défi FrontierMath de Bartosz Naskrencki (20 ans de développement).
Le contre-exemple GCI se distingue par son approche créative : non par des calculs, mais par une construction géométrique qui requiert traditionnellement l'intuition humaine. Le problème était un « fruit à portée de main » — peu exploré après 2025, résoluble par des méthodes élémentaires.
Enseignements principaux
- GPT-5.4 Pro a infirmé l'hypothèse GCI pour les mesures non centrées grâce à un contre-exemple bidimensionnel avec bandes symétriques.
- La construction se généralise à n ≥ 2 ; en 1D, l'inégalité est vérifiée.
- La solution emploie les coordonnées polaires et les limites — des techniques de base.
- Solveall.org s'affirme comme un benchmark IA en mathématiques.
- Elle met en évidence le passage du calcul à la pensée géométrique chez l'IA.
Ce cas montre comment les modèles modernes s'attaquent à des problèmes demandant de l'intuition plutôt que de la force brute. Pour les développeurs d'IA, les tests sur de telles plateformes gagnent en pertinence.
— Editorial Team
Aucun commentaire pour le moment.