Charles Hoskinson lie la controverse mathématique d’OpenAI au modèle de confidentialité de Midnight

Charles Hoskinson a relié la controverse entourant le nouveau travail mathématique publié par OpenAI au modèle de confidentialité de Midnight. Dans une nouvelle vidéo, il a averti que des chercheurs et des entrepreneurs peuvent exposer des idées confidentielles en utilisant des plateformes d’IA centralisées.

OpenAI propose une solution au problème de Navier–Stokes

OpenAI a publié une solution générée par IA au problème d’existence et de régularité de Navier–Stokes, l’un des sept problèmes du prix du millénaire. L’entreprise a également diffusé une preuve formelle rédigée en Lean, un système qui utilise des logiciels pour vérifier le raisonnement mathématique.

Les équations de Navier–Stokes décrivent le mouvement des fluides, notamment l’eau, l’air, les gaz et le sang. Le problème non résolu demande si les solutions en trois dimensions restent toujours finies et régulières ou peuvent développer des singularités dans certaines conditions.

OpenAI a indiqué que la solution proposée a été produite par un groupe d’agents d’IA utilisant un modèle plus capable que GPT-6 Astra. Le travail nécessite encore un examen indépendant et n’a pas été formellement reconnu comme une solution achevée à un problème du prix du millénaire.

Hoskinson remet en question l’origine de la preuve par IA

La controverse s’est intensifiée après que le mathématicien Jay Cummings a déclaré avoir travaillé sur la preuve pendant un an et documenté ses recherches au moyen de conversations avec ChatGPT.

Hoskinson a suggéré que le système d’OpenAI a pu accéder au travail de Cummings,

en adopter l’approche puis l’étendre, la vérifier et la formaliser au moyen de plusieurs agents d’IA. Il a comparé la situation à un mathématicien trouvant les notes d’un autre chercheur, achevant la preuve inachevée et publiant le résultat de manière indépendante.

OpenAI n’a pas confirmé que les conversations privées de Cummings ont été utilisées pour produire la solution. Le récit d’Hoskinson représente donc son interprétation de l’origine possible de la preuve plutôt qu’une description confirmée du processus de recherche d’OpenAI.

Il a également replacé la controverse dans un débat plus large sur l’attribution scientifique. Si un système d’IA développe une idée humaine inachevée en une preuve formellement vérifiée, la reconnaissance pourrait devoir tenir compte du chercheur, du modèle et de l’entreprise qui exploite l’infrastructure.

Hoskinson positionne Midnight pour la recherche en IA privée

Hoskinson a présenté ce cas comme un exemple du problème que Midnight a été conçu pour résoudre. Midnight est une blockchain axée sur la confidentialité, associée à l’écosystème Cardano et construite autour de la confidentialité programmable, de la divulgation sélective et des preuves à connaissance nulle.

Selon Hoskinson, les chercheurs et les entrepreneurs devraient pouvoir utiliser l’IA dans des environnements privés où le fournisseur du modèle ne peut pas inspecter leurs conversations, leurs recherches ou leurs idées commerciales. Une telle structure préserverait l’accès à l’inférence de l’IA tout en protégeant la propriété intellectuelle à l’égard de l’exploitant d’une plateforme centralisée.

Midnight utilise NIGHT comme actif natif, bien que l’argument d’Hoskinson concerne l’architecture de confidentialité du réseau plutôt que le rôle de marché de NIGHT. Il n’a présenté ni application opérationnelle, ni conception technique, ni calendrier de déploiement pour la recherche en IA privée. Une exécution confidentielle nécessiterait également une infrastructure informatique supplémentaire au-delà de la blockchain elle-même.

Hoskinson étend le rôle proposé de Midnight, qui passe de la protection des données financières et d’identité à la sécurisation des découvertes non publiées et des idées commerciales durant des travaux assistés par l’IA. La controverse autour de Navier–Stokes donne à cette proposition une cible précise : maintenir le contenu et l’historique de propriété des sessions d’IA sensibles hors du contrôle de l’entreprise qui fournit le modèle.